楊紀勉
(拓遠(福建)勘測規劃有限公司,福建福州 350002)
選擇科學、合理的基坑監測方案是保證基坑安全、施工順利的重要前提,較好的基坑監測方案能夠優化施工方案設計,并為施工安全提供可靠依據?;颖O測的實施能夠及時提供施工監測信息,預測可能發生的危機,進而保證建筑物建設質量,有效降低事故發生概率。但在施工過程中,不可避免地會有突發情況,產生不穩定因素。因此,在基坑工程施工中,應始終確?;幼冃瘟吭谝幎ǖ陌踩秶鷥?,保證基坑工程及周圍建筑物的安全。這就要求要密切監測基坑變形,在施工過程中,以施工監測為基礎,運用方法合理分析,最終達到預測的目的。
對基坑工程事故進行分析,可以看出,隨著城市化進程的加快,基坑工程事故的發生與以往相比明顯增加,特別是在我國東南沿海開放城市中,一些大型基坑工程事故占總量的1/3 左右[1]。這要求更加重視基坑監測,防范此類事故,保護社會資源和人民生命財產安全。因此,如何根據已知的、少量的觀測數據,建立準確的預測模型,是當前的研究重點之一[2-3]?;颖O測工程在國外開展得比較早,最早在20 世紀40 年代,Terzaghi 和Peck 等研究人員就開始研究基坑工程,他們運用數學方法,使數學估計理論開始服務于深基坑工程,并在成果中全方位評估工程施工過程中建筑穩定性[4]。20世紀70 年代之前,我國大多數基坑的深度都在10 m 以內;80 年代后期,大型深基坑才開始逐漸增多[5]。面對深基坑變形監測,我國眾多專家學者對此進行了深度分析與研究。李宏義分析了基坑變形灰色預警系統[6],鐘正雄建立了基坑監測數據庫管理系統[7]。在2001 年,胡友健等建立了監測數據處理與預測報警系統,該系統以GM(1,1)理論構建形變預測模型,以支護結構水平位移、位移與開挖深度比、水平位移變化速率等指標進行險情預報[8]。徐洪鐘等建立基坑光纖光柵檢測系統,使我國的基坑監測研究事業又更進一步[9]。此外,考慮到利用水準儀、經緯儀等傳統測量設備進行基坑監測的不足,張建文開發了基坑工程遠程安全監測系統,為基坑工程的施工提供科學建議[10]。近年來,于清華利用線性回歸、灰色GM(1,1)模型及二者組合模型進行綜合對比,經過驗證得出的組合模型結果更為可靠[11];杜建廣在傳統AR 模型的基礎上,創建了一種基于經驗模態分解方法的差分灰色神經網絡模型,解決了模型中預測結果精度較低和穩定性較低等問題[12];針對人工神經網絡預測模型存在的不足,邢旋旋提出將附加動量法和自適應學習速率法應用于人工神經網絡,建立了基于時間序列和影響因素的BP 神經網絡預測模型[13];謝榮華先探究了曲線擬合、自回歸法和指數平滑法在基坑監測中的可靠性,再利用蟻群算法將上述三種模型進行組合,預測結果優于單一模型[14];侯躍強提出串聯式組合模型的概念,介紹了串聯式組合模型的兩種構建形式,并用實例驗證了串聯式組合模型的可靠性[15]。
借鑒已有的研究成果,本文利用實際工程案例,對單一模型和組合模型的形變預測精度進行了比較分析。結果顯示:相較于單一模型,組合模型的預測結果更為可靠,該結果對基坑工程的實際應用具有一定的參考價值。
灰色系統理論于1982 年由中國學者鄧聚龍提出[16],經過多年的發展之后,已經成為一門新型的學科結構體系,現已廣泛應用于生態、社會等各個領域,發展前景十分廣闊?;疑到y將系統的行為看作是隨機變化的過程,基于信息的非完全原則,利用原始數據來探究變化規律。然而在實際中,不一定能找到規律或者找到的規律不適用于所有情況,不具有典型性。但是盡管數據離散,在將其累加之后也會出現指數變化規律,這也說明它必然存在內在的客觀規律,需要進行深度探究。將數據轉化成微分方程,建立數學模型,然后不斷對模型優化改進。
GM(1,1)模型是目前使用較為廣泛的一種模型,該模型通過將歷史數據序列x(0)主次累加,生成新的數列,弱化數據中的隨機性,進而提高預測精度。設原始監測序列x(0)=(x(0)(1),x(0)(2),…x(0)(n)),然后按照模型構建原理對x(0)進行一次累加,得到數列x(1)=(x(1)(1),x(1)(2),…x(1)(n)),如式(1)所示:
根據灰色理論對x(1)建立一階灰色模塊的白化形式微分方程,如式(2)所示:
式中:a,u為待求系數。一階微分方程求解得
式中:
從式(3)可求解出系數向量a、u,再根據初始條件,可得
對x(1)進行逆變還原處理,可得GM(1,1)預測模型方程為
灰色模型通常用后驗差檢驗法檢驗精度。其精度由均方差比值和小誤差概率共同評定。其具體步驟為
設X(0)為原始序列,X(0)為GM(1,1)模型模擬序列,e(k)為殘差序列,則有:
殘差結果計算完成后,分別計算原始數據序列x(0)和殘差絕對值序列e(k)的均方差S1和S2:
其中
然后計算后驗差比值C:
最后計算小誤差概率P:
根據精度檢驗要求,均方差比值C盡可能小,指標P盡可能大。
時間序列顧名思義就是隨著時間變化而變化的,隨機的且前后有聯系的觀測數據,按照時間順序,排列成一個有序的數列。
時間序列(AR)模型的建立,時間序列1,2,…,n)的自回歸(AR)模型為
式中:φ1,φ2,…,φp為自回歸模型系數;P為模型階數。
誤差方程為
其矩陣形式為
式中:
在VTV=Min 時,模型參數最小二乘解為
每個預測模型都有其適用的條件范圍,同時這也代表著每一個模型都有其局限性。若單一模型在預測的過程中,適用條件發生變化,則該模型預測精度將大大降低。此外,單一模型對于信息的利用率較低,無法充分利用有效信息,這也將降低預測精度。
組合預測模型就是將各個單一模型提供的數據信息進行綜合,將有限的信息充分利用。它可以避免單一分析方法易受環境因素干擾的缺點,也可以避免由于偶然誤差因素造成的數據結果失真。
灰色模型與時間序列模型相結合稱為灰色時序組合預測模型?;疑P褪抢迷加^測數據,對數據進行累加,弱化數列的隨機性,加強數列的規律性,進而達到預測效果,但對隨機信號卻無法進行處理。時間序列的模型預測不同于灰色模型,它依據時間順序,利用數據的自相關性建立模型,分析數據規律,從而對未來數據進行預測,但其往往要先進行時序的零均值化和平穩化,才能進行建模?;疑P团c時間序列模型的組合模型可以充分利用兩者的優勢,先用灰色GM(1,1)模型進行預處理,提取數列的趨勢項,再利用AR 模型處理數列的隨機殘差,這樣既可以達到更高精度的預測效果,也可以規避單一模型的不足之處。
兩種模型組合方式為
式中:dt為趨勢項;為序列Xt的非平穩部分;yt為Xt提取dt后剩余的平穩時序。
現以一工程實例說明組合模型在基坑監測中的精度。某基坑支護結構為水泥攪拌樁-錨桿,在基坑周圍布置了測斜管,某一測斜管的觀測結果如表1 所示。
表1 測斜管-2.0 m 處測點水平位移觀測值單位:mm
選取前20 期監測數據,分別利用GM(1,1)模型、時間序列模型和灰色時序組合模型對數據進行處理,并將預測結果與實測數據進行比較,結果分別如表2 和圖1 所示。
圖1 模型預測結果
表2 20 期數據預測結果單位:mm
經過計算,3 種方法的評價精度分別為0.9640、0.9985 和0.9987,不難發現組合模型的精度最高,預測效果最好。
利用已建立的預測模型對后3 期數據進行預測,其結果分別如表3 和圖2 所示。
圖2 模型預測結果
表3 3 期數據預測結果單位:mm
由圖2、表3 可知:通過對后3 期數據進行預測檢驗,進一步證實組合模型預測效果為三者中最好的。
基坑監測是基坑工程建設的基礎,也是保障施工安全的關鍵環節,因此要對其加以重視并監測到位。本文對基坑監測所用的預測模型進行詳細地闡述與多角度探究,通過具體工程實例,對不同預測模型進行了對比分析,得出組合模型能充分利用單一模型的優勢,提高預測的可靠性。在對組合模型原理知識理解的過程中,通過結合工程實例分析組合模型預測效果得到了一些有效結論,仍然存在瑕疵,還需深入研討:在實際工程中,不僅利用單一模型和組合模型來預測精度,還要研究在不同的工程中各類模型的適用范圍以及優點和缺點;模型的適用范圍是有限制的,當新數據加入后或者實際工程的影響使數據發生變化,則預測模型的精度會大大降低。所以應該結合實際情況,加入數據修正模型,以適應實際工程中各數據的變化,從而達到更好的預測結果。