Combined Prediction of Foundation Pit Deformation under the Condition of Data Filtering
-
摘要: 为合理评价基坑施工过程的变形规律,以其变形监测成果为基础,先通过双树复小波实现其变形数据的滤波处理,再通过GWO-RVM模型、Arima模型及混沌理论实现其分项组合预测。实例分析表明,双树复小波可将基坑变形数据有效分解为趋势项分量和误差项分量,并通过模型参数优化处理,可进一步提高分解效果,较传统小波具有更强的滤波能力;同时,各类分项预测模型在不同变形分量中的适用性也较强,所得组合预测结果的平均相对误差在2%左右,明显优于传统预测模型,验证了组合预测思路在基坑变形预测中的适用性,为基坑变形发展规律研究提供了一种新的思路。Abstract: In order to evaluate the deformation law of foundation pit construction process reasonably, based on the deformation monitoring results, the filtering of deformation data was realized by double tree complex wavelet, and then the sub-combination prediction was realized by GWO RVM model, ARIMA model and chaos theory. The analysis of the example shows that the deformation data of foundation pit can be effectively decomposed into trend and error components by double tree complex wavelet. The decomposition effect can be further improved by optimizing the model parameters, which is more powerful than traditional wavelet. At the same time, the applicability of various sub item prediction models in different deformation components is also strong. The average relative error of the combined prediction results is about 2%, which is obviously better than the traditional prediction model. It verifies the applicability of the combined prediction method in the deformation prediction of foundation pit, and provides a new way for the research of deformation development law of foundation pit.
-
表 1 不同小波的滤波处理结果
传统小波的数据滤波处理结果 双树复小波的数据滤波处理结果 db小波 评价
指标csym小波 评价
指标c双树复小波 评价指标c db3 2.172 sym3 2.187 2.637 db6 2.205 sym6 2.225 db9 2.287 sym9 2.302 平均值 2.221 2.238 2.637 表 2 沉降变形的趋势项分量预测结果
监测
周期/d趋势项
/mmRVM模型预测结果 GAO-RVM模型预测结果 预测值/mm 相对
误差/%预测值/mm 相对
误差/%26 14.37 14.02 2.47 14.07 2.06 27 14.49 14.14 2.41 14.18 2.11 28 14.96 14.59 2.50 14.67 1.94 29 15.07 14.71 2.39 14.77 2.02 30 15.14 14.78 2.36 14.84 1.97 2.43(平均) 2.02(平均) 表 3 周期项分量的预测结果
监测周期/d 周期项/mm 预测值/mm 预测误差/mm 26 0.85 0.72 0.13 27 1.33 1.13 0.20 28 0.98 0.87 0.11 29 1.05 0.84 0.21 30 1.04 0.87 0.17 0.16(平均) 表 4 沉降变形的最终预测结果
监测周期/d 沉降值/mm 分项预测结果 组合预测结果 趋势项预测值/mm 周期项预测值/mm 随机项项预测值/mm 最终预测值/mm 相对误差/% 26 15.22 14.07 0.72 0.14 14.93 1.89 27 15.82 14.18 1.13 0.20 15.52 1.92 28 15.94 14.67 0.87 0.08 15.62 2.02 29 16.12 14.77 0.84 0.20 15.80 1.96 30 16.18 14.84 0.87 0.15 15.86 1.97 31 14.89 0.97 0.09 15.95 32 14.97 0.99 0.10 16.06 33 15.04 0.93 0.14 16.11 34 15.09 0.94 0.13 16.16 1.95(平均) 表 5 侧向位移的最终预测结果
监测周期/d 侧向位移值/mm 预测值/mm 预测误差/mm 相对误差/% 26 21.84 21.39 0.45 2.04 27 22.16 21.74 0.42 1.89 28 23.28 22.79 0.49 2.10 29 24.42 23.95 0.47 1.94 30 25.01 24.51 0.50 1.98 31 24.83 32 25.40 33 25.78 34 26.02 1.99(平均) -
[1] 王雪妮,韩国锋. 地铁车站深基坑的变形预测及稳定性研究[J]. 长江科学院院报,2018,35(10):77-81, 87. doi: 10.11988/ckyyb.20170440 [2] 陈艳茹. 基于遗传算法和极限学习机的智能算法在基坑变形预测中的应用[J]. 隧道建设(中英文),2018,38(6):941-947. [3] 周永胜. 多阶段递进式预测模型在基坑变形中的应用研究[J]. 长江科学院院报,2017,34(8):47-51. doi: 10.11988/ckyyb.20160449 [4] 王兴科,王 娟. 基于优化支持向量机–混沌BP神经网络的基坑变形预测研究[J]. 隧道建设,2017,37(9):1105-1113. doi: 10.3973/j.issn.1672-741X.2017.09.007 [5] 王 飞. 基于影响因素筛选的基坑变形组合预测研究[J]. 水利水电技术(中英文),2021,52(2):127-133. [6] 王 飞. 基坑变形组合预测分析及安全性评价[J]. 隧道建设(中英文),2019,39(2):204-210. [7] 王雪妮,韩国锋. 趋势项分离预测模型及重标度极差分析在深基坑变形预测中的应用研究[J]. 隧道建设,2017,37(8):990-996. doi: 10.3973/j.issn.1672-741X.2017.08.012 [8] 罗亦泳,姚宜斌,王 亚. 基于MRVM的多输出边坡变形预测模型[J]. 大地测量与地球动力学,2017,37(12):1239-1242. doi: 10.14075/j.jgg.2017.12.007 [9] 曹恩华,包腾飞,刘永涛,等. 基于EMD-RVM-Arima的大坝变形预测模型及其应用[J]. 水利水电技术,2018,49(12):59-64. doi: 10.13928/j.cnki.wrahe.2018.12.008 [10] 白成虹. 基于主趋势辨识及误差弱化模型的库区滑坡变形规律研究[J]. 甘肃科学学报,2020,32(4):145-152. doi: 10.16468/j.cnki.issn1004-0366.2020.04.025 [11] 邓小鹏. 基于信息分解的滑坡变形稳定性评价及预警分析[J]. 人民长江,2021,52(5):101-107. doi: 10.16232/j.cnki.1001-4179.2021.05.016 [12] 梁月吉,任 超,庞光锋,等. 结合模平方的双树复小波变形监测数据滤波[J]. 测绘科学,2016,41(6):23-27. doi: 10.16251/j.cnki.1009-2307.2016.06.006 [13] 陈旭阳,韩振南,宁少慧. 自适应改进双树复小波变换的齿轮箱故障诊断[J]. 振动. 测试与诊断,2019,39(5):1016-1022, 1133-1134.