[发明专利]一种基于FNN神经网络与自回归模型的基坑沉降预测方法

说明书

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。

技术领域

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

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。

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。

发明内容

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。

本发明通过以下技术方案实现：

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：

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；

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；

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)；

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；

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。

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。

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：