[发明专利]一种基于BP‑时间序列融合的地铁结构变形预报方法

说明书

技术领域

本发明涉及地铁结构变形预报方法，特别是涉及基于BP-时间序列融合的地铁结构变形预报方法预报方法。

背景技术

地铁在施工和运营过程中的结构变形是不可避免的，由于隧道结构的特殊性，发生变形时地铁安全便得不到保障。城市地铁工程本身由于地基的变形、内部应力以及外部荷载的变化而产生结构变形和沉降；此外，在已建成或正在修建的城市地铁中，地铁隧道上方或沿线附近进行的非地铁施工建设项目越来越多，这些项目存在卸载、加载、降水、抽水或振动等施工程序和影响因素，也会对地铁隧道结构产生一定的结构变形、倾斜、位移、隆起或沉降等影响。如果结构变形和沉降超过允许值，就会对地铁安全造成严重影响。为保证地铁安全施工和运营，除了要建立健全完善的安全生产机制，严格把握施工质量外，对地铁进行变形监测也是十分重要的一项防护措施。地铁隧道变形监测的主要目的是预测，即对地铁结构变形的未来形态进行预报和分析。通过对实时更新的监测数据进行有效、准确的分析，建立最符合的地铁结构变形预测模型并进行预测，根据预测结果采取有效的措施减小变形，确保周边环境稳定，为地铁高效地建设提供技术支持。

进行地铁结构变形分析及预测的模型有很多种，通常根据不同的工程特点采用不同的模型。至今，经过国内外学者的大量研究，提出了很多预测方法，可归纳为：回归分析法、Peck法、灰色理论预测法、时间序列模型和神经网络模型等。这些地铁结构变形预测模型各有优缺点，但都普遍存在预测精度不是很高、模型稳定性较差的问题，根据地铁结构变形的特点。因此，构建一种精度较高、稳定性较好的预测模型是当前的一个研究方向。

发明内容

发明目的：本发明的目的是提出一种精度较高、稳定性较好的基于BP-时间序列融合的地铁结构变形预报方法。

技术方案：为达到此目的，本发明采用以下技术方案：

本发明所述的于BP-时间序列融合的地铁结构变形预报方法，包括以下的步骤：

S1：通过已知的地铁结构变形数据分析地铁结构变形随时间的变化特性：整理地铁结构变形数据，对于缺失的数据采用三次多项式插值法进行插值，以得到均匀采样的地铁结构变形时间序列，并根据实际工程选择合适的学习样本和检验样本；经过分析后，确定与地铁结构变形时间序列当天的变形值y_k关联度大的前n天的变形值，设前n天的变形值为x₁、x₂、L、x_n，其中，x_i＝y_k-n-1+i，i＝1，……，n；因此，时间序列预测模型确定为y′_k＝f(x₁,x₂,…,x_n)；

S2：构建时间序列预测模型并对地铁结构变形数据进行预测：根据步骤S1中得到的地铁结构变形随时间的变化特性，对地铁结构变形时间序列进行分析处理，确定时间序列预测模型的类型和阶数，构建时间序列预测模型，并用时间序列预测模型对地铁结构变形进行预测；地铁结构变形时间序列当天的变形值为y_k，由时间序列预测模型获得的变形值为y′，则原始地铁结构变形值与时间序列预测模型所得变形值的差值Δy为y_k-y′；

S3：构建BP-时间序列融合模型：利用BP神经网络模型对时间序列预测模型所得的地铁结构变形残差进行预报，从而对时间序列预报模型进行补偿：将BP神经网络模型与时间序列预测模型相结合，建立网络结构为(n+1)×p×1的BP-时间序列融合模型，其中，BP-时间序列融合模型的输入层节点数为n+1个，输入层各参数为x₁、x₂、L、x_n和y′，其中，x_i＝y_k-n-1+i，i＝1，……，n；中间层节点数为p个，p根据经验公式(1)来确定；输出层节点数为1个，输出层参数为Δy，即Δy＝y_k-y′；

式(1)中，a为5～30的常数；

然后，根据BP-时间序列融合模型求出Δy的估计值Δy_BP，并根据式(2)实现对时间序列预报模型的补偿；

y＝y′+Δy_BP (2)。

有益效果：与现有技术相比，本发明的有益效果在于：