一种基于FNN神经网络与自回归模型的基坑沉降预测方法与流程

一种基于fnn神经网络与自回归模型的基坑沉降预测方法
技术领域
1.本发明属于建筑工程施工质量监测控制管理技术领域，涉及深基坑变形预测技术领域，特别是一种基于fnn神经网络与自回归模型的基坑沉降预测方法。


背景技术：

2.随着我国经济快速发展，城市建设不断推进，城市建设中建设用地越来越紧张、建设空间越来越狭窄拥挤，建筑物趋向于超高成、超深层纵向发展。深基坑工程的安全监测在这一类超高或超深建筑中十分重要，是工程顺利施工的基础和保证。
3.常规基坑变形预测方法，是基于某形变量的历史监测数据，分析其形变特点，构建回归模型，进而预测未来的趋势。这一类方法原理简单、计算快捷，但受主观因素影响较大，且普遍存在回归模型的欠拟合问题。同时，这类分析方法预测精度往往会随着时间的推移而衰减，无法充分挖掘基坑监测数据的时序规律。随着计算机技术的发展，小波分析、灰色理论、人工神经网络等方法相继应用于变形预测中。人工神经网络因其强大的自适应性和非线性映射能力，能够充分挖掘学习样本中的隐含规律，更加精确的逼近建筑物的变性特征，因而得到广泛的应用。常规的神经网络模型仍然存在稳定性差、容易陷入局部最小值等问题，其预测残差随着时间的推移而增大。


技术实现要素：

4.本发明针对常规基坑变形预测方法和常规神经网络模型存在稳定性差、精度低等问题，公开了一种自回归模型与fnn神经网络算法的融合模型，以提高基坑变形预测的精度，为安全施工提供可靠的指导。
5.本发明通过以下技术方案实现：
6.本发明一种基于fnn神经网络与自回归模型的基坑沉降预测方法，包括以下步骤：
7.s1：获取基坑沉降监测数据，以三次样条内插法将沉降观测序列内插为每半日一个沉降量的等时间间隔序列。以前4期观测值为输入、后1期观测值为输出，构造训练样本和检验样本；
8.s2：利用s1中得到的训练样本，构建自回归模型，并计算自回归模型后1期沉降预测值；
9.s3：利用s1中得到的训练样本，确定自回归模型预测后1期沉降结果的残差(rse)；
10.s4：构建一个5
×5×
1的fnn神经网络模型，用来表示前4期的观测值、自回归模型得到后1期沉降预测值和自回归模型预测结果残差(res)之间的非线性关系；
11.s5：利用s1、s2和s3中得到的数据，构造fnn模型的训练样本，对fnn模型进行迭代训练；
12.s6：利用前4期的沉降量观测值x
n-1
、x
n-2
、x
n-3
、x
n-4
和自回归模型计算得到的后1期沉降量x
′n，通过s4和s5中训练得到的fnn模型计算自回归模型的残差res，最终计算新模型得到的后1期的沉降预测值，并对新模型精度进行评定。
13.步骤s1中的建模数据采用支护桩沉降观测数据，并以三次样条内插得到每半日一个的等间隔沉降观测序列。训练样本的输入为前4期的沉降观测数据，输出为后1期的沉降结果。
14.步骤s2中的自回归模型采用前4期的沉降观测数据预测后1期的沉降结果。其中自回归模型如公式(1)所示：
15.xn＝β0+β1x
n-1
+β2x
n-2
+β3x
n-3
+β4x
n-4
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
16.其中，xn为后1期的沉降量观测值，x
n-1
、x
n-2
、x
n-3
、x
n-4
为前4期的沉降观测值。以最小二乘法确定待定系数β0、β1、β2、β3、β4。记自回归模型计算得到的后1期的沉降量为x
′n；
17.步骤s3中res如公式(2)所示：
18.res＝x
n-x
′nꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
19.其中，xn为后1期的沉降量观测值，x
′n为自回归模型计算得到的后1期的沉降量。
20.步骤s4中的fnn网络由输入层、隐含层与输出层组成，其输入层节点数为5，分别代表前4期沉降观测数据和自回归模型预测数据；隐含层节点数为5个；输出层节点数为1个，代表自回归模型的预测误差，激活函数选取tan-sigmoid函数，其表达式为：
[0021][0022]
其中，x为该神经元的输入信号值，f(x)为输出信号值，fnn的目标误差为0.0001mm，最大训练次数为200次，采用梯度下降法进行训练。
[0023]
步骤s6中后1期沉降量的最终预测值如式(3)所示：
[0024][0025]
其中，为ar+fnn模型的最终预测值，x
′n为自回归模型的预测值，res为步骤s4和s5构建fnn模型得到的自回归模型的残差。
[0026]
验证精度是将未参与步骤s1～s5计算的沉降观测值xi作为真值，采用均方根误差作为评定标准，计算公式为：
[0027][0028]
与现有技术相比，本发明具有如下优点：
[0029]
1、优于常用的自回归模型和传统fnn模型，新模型精度相比上述两个模型得到显著提高。
[0030]
2、自回归+fnn融合模型具有较好的稳定性，在所有监测点都能取得较好的预测结果。
[0031]
3、随着监测时间的推移，自回归模型和常规fnn模型的精度有所衰减，自回归+fnn融合模型在整个预测时段都能取得较高的精度。
[0032]
4、部分监测点的变形特征较复杂，在施工结尾仍然有较大的变动，在这自回归模型和传统fnn模型在这一类监测点的预测效果不佳，但自回归+fnn模型仍然能够取得较高的预测精度。
附图说明
[0033]
图1为本发明的步骤流程图；
[0034]
图2为本实施例累计沉降检验中误差序列图；图中，各序列图中横坐标表示样本观测时间，纵坐标表示模型的残差。
具体实施方式
[0035]
下面结合具体实施方式对本发明进一步说明，具体实施方式是对本发明原理的进一步说明，不以任何方式限制本发明，与本发明相同或类似技术均没有超出本发明保护的范围。
[0036]
结合附图。
[0037]
如图1所示，本具体实施方式公开了一种基于fnn神经网络与自回归模型的基坑沉降预测新方法，包括以下步骤：
[0038]
s1：获取基坑沉降监测数据，以三次样条内插法将沉降观测序列内插为每半日一个沉降量的等时间间隔序列，并以前4期观测值为输入、后1期观测值为输出，构造训练样本和检验样本。具体如下：
[0039]
本具体实施方式选取某工程20**年8月3号至第三年01月04号连续数据，共得到152期数据，利用三次样条内插方法得到每半日一个观测数据。以前4期观测值为输入、后1期观测值为输出构造训练样本和检验样本，共得观测样本1039个。以前500期数据为训练样本，以后535期检验样本。
[0040]
s2：利用s1中得到的训练样本，构建自回归模型，并计算自回归模型的后1期沉降预测值。自回归模型采用前4期的沉降观测数据预测后1期的沉降结果。其中自回归模型如公式(1)所示：
[0041]
xn＝β0+β1x
n-1
+β2x
n-2
+β3x
n-3
+β4x
n-4
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0042]
其中xn为后1期的沉降量观测值，x
n-1
、x
n-2
、x
n-3
、x
n-4
为前4期的沉降观测值。以最小二乘法确定待定系数β0、β1、β2、β3、β4。将自回归模型计算得到的后1期的沉降量记为x
′n。
[0043]
s3：利用s1中得到的训练样本，确定自回归模型预测后1期沉降结果的残差(res)；
[0044]
其中res如公式(2)所示：
[0045]
res＝x
n-x
′nꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0046]
式(2)中xn为后1期的沉降量的真实观测值，x
′n为自回归模型计算得到的后1期的沉降量。
[0047]
s4：构建一个5
×5×
1的fnn神经网络模型，用来拟合前4期的观测值、自回归模型得到后1期沉降预测值和自回归模型预测后1期沉降结果残差(res)之间的非线性关系；
[0048]
其中fnn网络由输入层、隐含层与输出层组成，其输入层节点数为5，分别代表前4期沉降观测数据和自回归模型预测数据；隐含层节点数为5个；输出层节点数为1个，代表自回归模型的预测误差；激活函数选取tan-sigmoid函数，其表达式为：
[0049][0050]
其中x为该神经元的输入信号值，f(x)为输出信号值，fnn的目标误差为0.0001mm，最大训练次数为200次，采用梯度下降法进行训练。
[0051]
s5：利用s1、s2和s3中得到的数据，构造fnn模型的训练样本，对fnn模型进行迭代训练。
[0052]
s6：利用s1中得到的检验样本和自回归模型计算得到的后1期沉降量x
′n，通过s4和s5中训练得到的fnn模型计算自回归模型的残差res，最终计算新模型得到的后1期的沉降预测值，并对新模型精度进行评定。
[0053]
计算新模型得到的后1期沉降量的最终预测值如式(3)所示：
[0054][0055]
其中为自回归+fnn模型的最终预测值，x
′n为自回归模型的预测值，res为步骤s4和s5构建fnn模型得到的自回归模型的残差。
[0056]
验证精度是将步骤s1中535个检验样本沉降观测值xi作为真值，采用均方根误差作为评定标准，计算公式为：
[0057][0058]
为了分析自回顾+fnn融合模型的精度，分别计算了自回归模型、fnn模型、自回归+fnn融合模型的建模中误差和检验中误差并进行比较，具体结果如表1所示；为了进一步分析新模型的稳定性，画出了各检验样本的误差序列图。
[0059]
表1本实施例支护桩沉降预测方法精度比较
[0060][0061]
由表1、图2可以看出：
[0062]
(1)三种模型都能取得较高的预测精度，其中自回归+fnn融合模型的精度最高，精度比自回归模型平均提高39％，比传统fnn模型平均提高41％，能充分满足基坑水平位移、沉降以及相邻建筑物和相邻道路沉降的变形预测要求。
[0063]
(2)传统fnn模型的建模精度较高，但是其稳定性较差，在部分监测点预测效果不佳。自回归+fnn融合模型具有较好的稳定性，在所有监测点都能取得较好的预测结果。
[0064]
(3)随着监测时间的推移，自回归模型和fnn模型的精度有所衰减，但自回归+fnn融合模型不存在这个现象，在整个预测时段都能取得较高的精度。
[0065]
(4)部分监测点的变形特征较复杂，在施工结尾仍然有较大的变动，在这自回归模型和传统fnn模型在这一类监测点的预测效果不佳，但自回归+fnn融合模型仍然能够取得较高的预测精度。
[0066]
从以上结论可以看出自回归+fnn模型通过将自回归模型与fnn算法相融合，兼具自回归模型的稳定性和fnn算法强大的非线性拟合能力，同时具有很好的泛化能力。通过本实施例沉降监测点数据的验证，ar+fnn模型能够满足基坑施工过程中各类高精度变形预测的需求。

技术特征：
1.一种基于fnn神经网络与自回归模型的基坑沉降预测方法，其特征在于包括以下步骤：s1：获取基坑沉降监测数据，以三次样条内插法将沉降观测序列内插为每半日一个沉降量的等时间间隔序列，并以前四期观测值为输入、后一期观测值为输出，构造训练样本和检验样本；s2：利用s1中得到的训练样本，构建自回归模型，并计算自回归模型的后一期沉降预测值；所述步骤s2中自回归模型如公式(1)所示：x
n
＝β0+β1x
n-1
+β2x
n-2
+β3x
n-3
+β4x
n-4
ꢀꢀꢀꢀ
(1)其中，x
n
为后一期的沉降量观测值，x
n-1
、x
n-2
、x
n-3
、x
n-4
为前四期的沉降观测值；以最小二乘法确定待定系数β0、β1、β2、β3、β4；记自回归模型计算得到的后一期的沉降量为x
′
n
；s3：利用步骤s1中得到的训练样本，确定自回归模型预测结果的残差(res)；所述步骤s3中残差(res)如公式(2)所示：res＝x
n-x
′
n
ꢀꢀꢀꢀꢀꢀꢀ
(2)其中，x
n
为后一期的沉降量观测值，x
′
n
为自回归模型计算得到的后一期的沉降量；s4：构建一个5
×5×
1的fnn神经网络模型，用来表示前四期的观测值、自回归模型得到后一期沉降预测值和自回归模型预测结果残差(res)之间的非线性关系；所述步骤s4中fnn神经网络模型的输入层包括前四期的沉降量观测值x
n-1
、x
n-2
、x
n-3
、x
n-4
，自回归模型计算得到的后一期沉降量x
′
n
；隐含层为5个节点；输出层为自回归模型预测结果的残差(res)；s5：利用s1、s2和s3中得到的数据构造fnn模型的训练样本，对fnn模型进行迭代训练；s6：利用前四期的沉降量观测值x
n-1
、x
n-2
、x
n-3
、x
n-4
和自回归模型计算得到的后一期沉降量x
′
n
，通过s4和s5中训练得到的fnn模型计算自回归模型的残差(res)，最终计算fnn神经网络与自回归模型得到的后一期的沉降预测值，并对新模型精度进行评定。2.根据权利要求1所述的基于fnn神经网络与自回归模型的基坑沉降预测方法，其特征在于：步骤s1中的建模数据采用支护桩沉降观测数据，并以三次样条内插得到每半日一个的等间隔沉降观测序列；训练样本的输入为前四期的沉降观测数据，输出为后一期的沉降结果。3.根据权利要求1所述的基于fnn神经网络与自回归模型的基坑沉降预测方法，其特征在于：步骤s2中的自回归模型采用前四期的沉降观测数据预测后一期的沉降结果。4.根据权利要求1所述的基于fnn神经网络与自回归模型的基坑沉降预测方法，其特征在于：步骤s4中的fnn网络由输入层、隐含层与输出层组成，其输入层节点数为5，分别代表前四期沉降观测数据和自回归模型预测数据；隐含层节点数为5个；输出层节点数为1个，代表自回归模型的预测误差，激活函数选取tan-sigmoid函数，其表达式为：其中，x为该神经元的输入信号值，f(x)为输出信号值，fnn的目标误差为0.0001mm，最大训练次数为200次，采用梯度下降法进行训练。5.根据权利要求1所述的基于fnn神经网络与自回归模型的基坑沉降预测方法，其特征
在于，步骤s6中后一期沉降量的最终预测值如式(3)所示：其中，为自回归+fnn模型的最终预测值，x
′
n
为自回归模型的预测值，残差(res)为步骤s4和s5构建fnn模型得到的自回归模型的残差(res)。6.根据权利要求1所述的改正方法，步骤s6中对新模型精度进行评定是将未参与步骤s1～s5计算的沉降观测值x
i
作为真值，采用均方根误差作为评定标准，计算公式为：

技术总结
本发明公开一种基于FNN神经网络与自回归模型的基坑沉降预测方法，包括：获取基坑沉降监测数据，以三次样条内插法将沉降观测序列内插为每半日一个沉降量的等时间间隔序列；以前四期观测值为输入、后一期观测值为输出，构造训练样本和检验样本；利用训练样本，构建自回归模型，并计算自回归模型后一期沉降预测值；利用训练样本，确定自回归模型预测后一期沉降结果的残差；构建一个FNN神经网络模型，用来表示上述各值、残差之间的非线性关系；利用上述数据构造FNN模型的训练样本，对FNN模型进行迭代训练；将FNN模型的输出结果与自回归模型计算值相加，构成FNN神经网络与自回归融合模型并验证其精度。本发明精度和稳定性比常规模型得到显著提高。得到显著提高。得到显著提高。


技术研发人员：张文选 朱明晨 徐学渠 黄小明 杨中委 何磊 郑云飞 于祖洋
受保护的技术使用者：中国水利水电第七工程局有限公司
技术研发日：2023.03.17
技术公布日：2023/7/7