论文研究-基于PSO-LSSVM模型的基坑周边建筑倾斜预测.pdf

所需积分/C币:50 2019-09-12 05:48:25 602KB .PDF
58
收藏 收藏
举报

针对基坑周边建筑倾斜变形影响因素的复杂性,以及监测数据的小样本和非线性特征,提出了一种基于PSO-LSSVM模型的基坑周边建筑倾斜的时间序列预测方法。采用相空间重构对基坑前期施工工况下的周边建筑沉降差时间序列进行重构,构建沉降差预测的学习样本输入到最小二乘支持向量机(LSSVM)中训练。利用粒子群算法(PSO)对LSSVM参数进行优化,获得最优预测模型,对后期工况施工期间的沉降差进行滚动预测,并代入公式计算得到未来倾斜变形值。将该方法用于昆明某基坑工程的周边建筑倾斜预测分析,取得了令人满意的预测结果。
256 016,52(1) Computer Engineering and4 pplications计算机工程与应用 c1=c,=2;惯性杖重因子ω取值较大有利于跳出局部收列中的{x,x1+…,x+-x(=0,1,…,n-p-1m-P 敛而取值较小则有较强的局部搜索能力本文取=08,组时序预测n时刻后的{xn,x1…,xn个时序;而 种群最大进化次数取km=200。构建学习样本均方根随后续q个时序的获得,川q个新时序替代前面的 误差MS作为粒子群算法的目标函数和SSVM的适x,x,…,x,g个时序并进行预测得到下一次的q个 应度函数。 预测值,依次类推。 MSE=∑(y (9) 4工程实例分析 式中,为实测值,y为预测值,n为预测样本数 昆明某基坑工程采用桩锚支护形式,施工场区地下 当 LSSVM的MSE最小时,对应的[a,即为最优参分布有软塑黏土、稍密粉土、泥炭质土和有机质土,为确 数。具体优化步骤:(1)初始化PSO参数;(2)计算各粒子保基坑周边建筑的安全和稳定,在施L过程中对基坑周 的适应度,并按式(9)进行评价,即F(u)=F(o,y)=MSE 边建筑的沉降和倾斜进行了实时监测。基坑周边建筑 (3)根据式(7)和(8)更新粒子速度和位置,并将每个粒 局部监测布置如图2所示。按上述吋间序列预测方法 子的当前适应度值F(u)和自身最优适应度值F(P) 下面先以该基坑T程中44剖面附近建筑物沉降监测点 eA、B两点的沉降差数据为例,预测分析A、B两点间的倾 对比,如果F(1)<F(Pbx),则pas=l1;(4)将群体所有 斜值。基坑4-4剖面处廾挖深度为10.95m,设置了4排 粒子当前适应度值F(a)与群体最优位管的适应度值锚索,共9个施工工况。各工况的施工时间分别为9天、 F(gax)进行比较,如果F(u)<F(gax),则全局最优鮮18天、28天、14天、18天、4天、22天8天、10天,共131天。 g=lu,;(5)检查是否达到终止条件,如满足误差精度 或达到最大进化次数,则寻优结東输出[σ,值,否则转 至步骤(2)继续参数寻优;(6)将最优参数σ和γ代入式 (5)预测基坑周边建筑沉降差时间序列。 33颜测方法 在建立预测模型之前,首先利用相空间重构技术对 基坑内侧 数据进行预处理。相空间重构的基本思想是:系统中任 分量的演化都是由与之相互作用着的其他分量所决 定的,这些相关分量的信息就隐含在任一分量的发展过 稈中叨,只要选取合适的嵌入维和时延,原未知数学模 周边建筑沉降监测点 型的混沌动力系统的几何特征与重构的m维空间的几 图2基坑周边建筑局部监测布置图 何特征是等价的,且只要满足m>2d+1,d为系统吸引 山于施工期间的建筑沉降监测数据未按等时间采 子分形维数,原动力系统中仟何微分或拓扑不变量可在取,而时间序列预测要求等时距,因此需对沉降差实测 重构的状态空问中进行计算 数据进行插值处理。基于9个工况的施工时间、监测时 对基坑周边沉降差样本时间序列{x1),x(2)2…,x(t)},间以及监测数据,以2天为时距,采用线性插值法重新 通过相空间重构扩展到高维状态空间进行预处理,从而生成A、B两点间的沉降差时间序列,各工况分别对应5 得到数据状态空间如卜 组、9组、14组组、9组、2组、11组、4组、5组沉降差数 X(1)={x()x(+z).…,x[t+(m-1)r]} 据,共66组。A、B两点间的实测沉降差曲线和插值沉 (10 降差曲线如图3所示。 式中,m为嵌入维,r为时间延迟 相空间重构是非线性时间序列分析中的基础,本文 「心-实测沉降差曲线 插值沉降差曲线 采用C-C方法来确定参数m和τ,其计算原理可参考文 献[18]。将重构的数据相点{X(1)X(2),…,X(N)}利用 PSO-LSSVM模型进行训练,构造近似映射函数F,进而 通过F预测出下一个相点 在预测过程中,为了充分利川最新信息,提高预测变形 的准确性,采用滚动预测的方法:假设时间序列{x}最佳历 史点数为p,预测的步数为q(p、q由实际问题确定), 120 监测时间/天 已获得n个时间序列{xx1,…,xb,首先用这n个时间序 图3A、B两点间实测和插值沉降差曲线 曹净,李文云,赵党书,等:基于 PSO-LSSVM模型的基坑周边建筑倾斜预测 2016,52(1)257 裘1PSO- LSSVM模型预测误差分析 基坑工程施工前期工况的建筑沉降差较小,建筑倾 a)第4工况预测结果 斜不显著,因此以1~3工况的插值沉降差数据为学习样 监测实测预测相对柑空间重模型MSE 本,建立PSO- LSSVM模型并预测第4工况的沉降差,同吋间人值值。误差吗。构参数 理以2-4工况沉降差数据为学习样本预测第5工况的沉 0.46020.423 0.47 0.436 降差。依次类推,从而实现利用前期工况沉降差监测数 0.4800.4476.85 0.00359 据滚动预测后期工况沉降差值,再由式(1)得到后期各 0.4890.456 6.90 0.00784 工况的倾斜值。 0.4930.466 0.4920.477 (1)∧、B两点间4-9工况倾斜值滚动预测 69 0.4900.486 0.78 选取基坑开挖1~3工况下A、B两点间的28组沉降差 h)第5工况预测结果 数据为学习样本,第4工况的7组数据作为检测样本,建 观测实测预测相对误相空间重模型MSE 立 PSO-LSSⅤM模型进行滚动预测:首先将1-4工况(共时间天值%值%。 构参数 35组数据)中的前29组数据进行相空间重构(以第29组 0.5360.492 数据为未知量),在相点间建立预测模型,并预测输出第 73 0.58l0.504 13.2 0.6060.52912.7 29组数据;然后利用2~30组数据进行重构建模(第29组 0.6090.562 数据为预测值,第30组数据为未知量),预测输出第30 0.6120.585 4.43 m=4,=1 0.00952 组数据;依次类推,即可滚动预测出第4况对应施T 0.6150.598 2.74 83 0.6180.602 2.72 时间段内的未米7组沉降差值,已知LAB=50000m, 0.6320.608 则由式(1)得到7组预测倾斜值。 0.7040.616 12.49 采用C-C方法确定重构参数为m=4,τ=1,7个PSO (c)第6工况预测结果 LSSVM模型均方根误差MSE变化范围为0.00359 观测实测预测柑对误相空间重模型MSE 0.00784,说眀模型拟合精度良好。第4工况预测结果 时间/天值%。值o 构参数 范围 89 0.7040651746 0.0032 见表1,结果对比如图4所示 m=4.=1 0.654 1.29 0.00753 (d)第7工况预测结果 0n工4统测 观测实测预测相对相空间重模型MSE 工况5实测值 0.65工况5预测值 时间/天值‰值误差/%构参数范围 工况6实测值 0.7340.689 6.I8 0上况6预测值 0.7900.69611.9 7920.70610 0.8520.75 11.93 0.00266 0.8480.827 2.48 0.00859 0.40 0.8140.840 3.25 707580859095 107 监测时间/大 0.9980864 13.45 图4A、B两点间4~6工况倾斜预测结果对比 1.0500.91612.74 1.0380.968 6.75 基于上述相同方法和步骤,分别由A、B两点间2~ 4、3~5,4~6、5~7、6~8、7~9工况监测数据滚动预测出第 (e)第8工况预测结果 5、6、7、8、9工况倾斜值,预测结果见表1,实测倾斜值和 观测实测预测相对相空间重模型MSE 时间/天值‰。值%误差%构参数 范围 顶测倾斜值结果对比如图4、图5所示。 115 1.0691.029 3.77 通过表数据可知,A、B两点间4~9工况倾斜预测 1.0681.046 m=4.z=1 0.D0265 0.01l 00 值相对误差范围为0.79%~13.45%,均值为7.21%,说明 1.1001.062 348 PSO- LSSVM模型预测效果和精度良好。 (f)第9工况预浏结果 (2)A、D两点和C、D两点间49工况倾斜数据滚动 观测实测预测相对相空间重模型MSE 预测 时间/天值‰o值/%误差%构参数 范围 基于基坑4-4剖面周边建筑A、B两点间的倾斜预测 1231.1201.0962.14 过程,另外选取该剖面周边建筑A、D两点和C、D两点间 1.1441.112 1271.1401.1162.11m=4.=1 0.00337~ 沉降差监测数据分别进行预测分析,以验证PSO- LSSVM 1.1561.128 0.00730 模型的预测性能。 13I 1.661.139 2.34 016,52(1) Computer Engineering and Applications计算机工程与应用 1.2 别利用A、D两点间1~3、2~43~5、4-6、5~7、6~8工况的 沉降差时间序列建模滚动预测出第4、5、6、7、8、9工况 对应施工时间段的沉降差值,已知=12000mm,则 工况7实测值 0.9 由式(1)得到4~9工况预测倾斜值,预测结果对比如图 -工况7预测值 工况8实测值 0.8 工况8预测值 8、图9所示。其中,PSO- LSSVM模型均方根误差MSE 工况9实测伯 工况9预测值 变化范围为000136-001239,49工况施工条件下建 筑倾斜预测值相对误差范围为0.41%-21.53%,均值为 0.6 9095100105110115120125130135 924%,预测效果和精度良好。 监测时间/天 利用相同方法和步骤,建模滚动预测出C、D两点问 图5A、B两点间7~9工况倾斜预测结果对比 4-9工况对应施工时间段的沉降差值,已知LcD= 与上述方法和步骤枓同,以2天为时距,采用线性插值29000mm,则由式(1)得到4~9工况预测倾斜值。预测 法重新生成沉降差时间序列,得到A、D两点和C、D两点间结果对比如图10和图11所示,PSO- LSSVM模型均方根误 实测沉降差曲线和插值沉降差曲线如图6、图7所示。分差MSE变化范围为0.00093~0.01927,4~9T况施T条 30 实测沉降差曲线 一插值沉降差曲线 一实测沉降差曲线 一插值沉降差曲线 020406080100120140 2040 80100120140 监测时间/人 监测时间/人 图6A、D两点间实测和插值沉降差曲线 图7C、D两点间实測和插值沉降差曲线 1.3 工况4实测值 工况4预测值 1.1 况5 工况5预测值 2 工况6实测值 0.9+工况6预测值 况7实测值 T况7预测 工况8实测值 T况8预测值 0.5出一 工况9预测值 9095100105110115120125130135 监测时间厌 监测时同 图8A、D两点间46工况预测结果对比 图9A、D两点间7~9工况预测结果对比 1.0 1.5 工况4实测值 0.9 工況4预测值 工况5实测值 0-工况5预测值 8-+T况6实测值 工况6预测值 〓 工况7预测值 0.6 工况8实测值 兄8预测值 工况9实测值 工况9预测值 0.4 56065707580859095 9095100105110115120125130135 监测时间天 监测时间厌天 图10C.D两点间4~6工况预测结果对比 图11C、D两点间7~9工况预测结果对比 曹净,李文云,赵党书,等:基于 PSO-LSSVM模型的基坑周边建筑倾斜预测 2016,52(1)259 件下建筑倾斜预测值相对误差范围为0.16%~22.26% 地下空间与工程学报,2013,9(S1):64-69 均值为8.45%,预测效粜和精度良好。 [3]詹志勇基坑变形分析和周围地面沉降的预测[门]建筑施工 综合上述预测结果误差分析可以得出:基于PSO 2007.29(12):927-929 LSsM的预测模型在基坑周边建筑倾斜预测中貝有较[4]葛长峰,胡庆兴,李方明.人工神经网络在预测深基坑墙边 好的效果,可作为基坑施T中以实测数据建模动态预报 地表沉降变形中的应用研究门防灾减灾工稈学报,2008 的一种有效方法。对比基坑4-4剖面附近建筑各处倾斜 28(4):519-523 曲线和预测结果可知,具有良好发展趋势的工况其预测5]胡冬,张小平基于灰色系统理论的基坑变形预测研究 婧度较高,而在曲线波动较大处,预测精度相对降低,说 地下空间与工程学报.2009,5(1):74-78 明倾斜时间序列趋势性是否良好将影响预测精度;此61李松,刘力军,刘颖鹏改进SO优化BP神经网络的混沌 外,基坑开挖过程中周边建筑倾斜变形影响因素较多, 时间序列预测[计算机工程与应用,2013,49(6):245-248 前期倾斜数据规律无法完仝代装后期规律,且后期工况 [7 Vapnik V NThe nature of statistical learning theory [MI 倾斜值一般大于前期τ况倾斜值,故建立的预测模型在 New York: Springer, 1995. 学刁前期数据的基础上预测后期倾斜值,因此所得预测[8]温廷新张波露天煤矿边坡稳定性预测的 PSO-LSSVM模 值基本小于实测值,具有一定的滞后性。 型[J有色金属,2014,66(1):51-56 [9]曹净,丁文云,赵党书,等基于 LSSVM响应面法的基坑支 5结论 护结构优化设计叮是明理T大学学报:自然科学版,2014 39(4):43-47 (1)针对建筑倾斜沉降差时间序列的非线性和小样 [10]熊伟丽,徐保国基于PSO的SⅤR参数优化选择方法研究[ 本特征,本文利川PSO- LSSVM模型对沉降差进行∫滚 系统仿真学报,2006,18(9):2442-2445 动预测,进而得到倾斜预测值,预测结果良妤,可作为基 I丁勇春,程泽坤,工建华,等深基坑施工对历史建筑的变 坑周边建筑倾斜预测的合适方法。 形影响及控制研究岩土工程学报,2012,34S):64-648. (2)粒子样算法作为一种理论清晰、易于编程实现 [12]孟凡冬,魏宝安,张梁,等深基坑开挖对周围建筑物影响 的算法,其在优化最小二乘支持向量机参数σ和y的过 的监测[测绘与空间地理信息,2011,34(1):221-224 程中具有良好的全局搜索和快速收敛的特性,可有效提 1]3]刘囻彬,刘登鑾基坑施工对周围建筑物沉降的影响分析[J 高支持向量机的学习和泛化能力。 娃筑结构,2007,37(11):79-83 (3)对预测结果误差的分析表眀,沉降差时序趋势14王远征.某基坑施工仝过程邻近建筑物沉降控制研究[D] 对预测结果具有显著影响,由于前期工况倾斜数据屮系 武汉:华中科技大学,2012 统动态特性包含不完全,以 PSO-LSSVM模型在利用前15]顾燕萍,赵文杰,吴占松最小二乘支持向量机的算法研 期工况沉降差数据预测后期沉降差时,预测结果基本都 究[小清华大学学报,2010,50(7):1063-1066 小于实测趋势值,最终使得到的基坑周边建筑倾斜预测16]于颍,李永牛,於孝春.粒子群算法在工程优化设计中的 值滯后于实测倾斜值。 应用[J机械工程学报,2008,44(12):226-231 [1T7]张文金,许爱军混沌理论和 LSSVM相结合的网络流量 参考文献: 预测[J计算机T程与应用,2013,49(15):101-104 ]应惠清我国基坑工程技术发展二十年[J工技术,2012,[18]徐自励,一扬,周激流佔计非线性时间序列嵌入延迟 41(374):1-5. 时间和延迟时间窗的CC平均方法[四川大学学报 「2]牟建华建筑基坑周边环境巡视监测与风险源识别研究[J 2007,39(1):151-155

...展开详情
试读 6P 论文研究-基于PSO-LSSVM模型的基坑周边建筑倾斜预测.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于PSO-LSSVM模型的基坑周边建筑倾斜预测.pdf 50积分/C币 立即下载
1/6
论文研究-基于PSO-LSSVM模型的基坑周边建筑倾斜预测.pdf第1页
论文研究-基于PSO-LSSVM模型的基坑周边建筑倾斜预测.pdf第2页

试读结束, 可继续阅读

50积分/C币 立即下载 >