基于非等距监测数据的深基坑变形预测-湖北省土木建筑学会.docVIP

( 基于非等距监测数据的深基坑变形预测 颜xx，曾xx (xx大学土木建筑工程学院，湖北 武汉 430072) 常规深基坑变形预测方法大多基于等间隔的历史监测数据实现对未来时段变形的预测，但是在某些情况下，往往很难做到对某一点实施连续等距的监测，或者历史记录中缺失某些数据，此时没有好的方法对深基坑将来的变形进行预测。本文专门针对基于非等间距监测数据的变形预测问题展开研究，引入了非等间距GM(1,1)模型，对深基坑未来的变形实现等距或非等距预测，以Matlab为软件平台编制了相应的计算程序，通过一个经典算列说明了这种方法的有效性。结合某深基坑工程实例，说明了本文算法的可行性和及时进行监测信息反馈的重要性。 1 引 言 2 灰色建模理论 若每2次观测的时间间距不全相等（含全不相等），即不为常数，则称为非等间距序列。它的一次累加生成序列（1-AGO）按下式计算： 建立白化微分方程如下： (1) 将上式两边在上积分有 引入在区间上背景值，于是 所以有 则(1)的差分形式为 (2) 将上式展开得到 (3) 若规定时，，则 作一次减运算，得到变形预测模型： 为待定系数，记为，按照最小二乘法确定： (4) 其中为在上的背景值，一般取。 3 实时推进仿真 随着现代通讯技术、计算机科学技术的发展，资源共享和信息反馈的速度越来越快，为岩土工程变形预测提供了强大的后盾。基坑变形实时推进仿真的关键就是及时进行监测信息反馈，掌握第一手资料，实时更新数据系统，不断调整和修正预测模型，以提高预报的准确程度。特别是基于非等距变形序列的预测，它本身的数据就存在不连续或者残缺的特点，只有采取信息更新的方式才能弥补它的数据缺陷。其仿真模式如下： 图1 仿真模型 Fig.1 Simulation model 的10个等距连续散点作为样本数据，去掉第2、5、9点，用剩下来的残缺数据序列来预测其后面4个连续点的值以说明本文介绍的方法对模拟残缺数据序列的可行性。 表1 历史数据 Table 1 Historical data t 1.000 2.000 3.000 4.000 5.000 6.000 7.000 8.000 9.000 10.00 y 1.000 1.414 1.732 2.000 2.236 2.449 2.646 2.828 3.000 3.162 (1)算法1：采用2.1节中介绍的方法进行常规预测； (2)算法2：仍然采用非等距GM (1,1)模型，但是考虑数据更新，每预测一个数据则将对应的实际值加入到历史序列中，重新建模预测。考虑到历史序列残缺严重，并不对旧信息进行淘汰，进行实时推进仿真。预测结果见表2和图2。 表2 预测结果 Table 2 Prediction results t 11 12 13 14 平均相对误差 实际值 3.317 3.464 3.606 3.742 (1)算法1预测 3.614 3.917 4.245 4.600 15.67% (2)算法2预测 3.614 3.703 3.837 3.982 7.16% 图2 预测曲线 Fig.2 Prediction curves 根据上面的结果可以有以下结论： (1)本文引入的GM(1,1)非等距模型对于模拟残缺或者不连续数据序列是有效的，算法1的误差15%左右，工程上还是可以接受； (2)信息更新对提高非等距GM(1,1)的预测精度十分有益，算法2将算法1的误差减小了50%之多。 4 工程实例 4.1 工程概况[1] ctual horizontal displacement 时间序号 1 3 5 6 7 10 实测时间 05.4.10 05.4.14 05.4.18 05.4.20 05.4.22 05.4.28 实测变形 3 5.6 6.6 7 7.3 8.5 4.2 预测计算 Table 4 Prediction results 时间序号 11 12 13 14 平均 相对 误差 实测时间 05.4.30 05.5.2 05.5.4 05.5.6 实测变形 8.9 9.2 9.5 9.7 算法(1)预测 9.471 10.037 10.639 11.277 10.0% 算法(2)预测 9.471 9.574 9.843 10.248 4.90% 图3 预测曲线 Fig.3 Predictions curve 可以看出非等距GM(1,1)对深基坑变形有较好的适应度，没有采取信息更新时，精度就已经达到90%，在工程上这种误差是允许的。采用算法(2)考虑信息更新时其误差不到5%，效果已经非常可观。 5 结论与建议 本文专门针