滕 雷,魏長壽,王俊杰,王仁鋒
(1.山東科技大學測繪與空間信息學院,山東青島 266590;2.內蒙古科技大學礦業與煤炭學院,內蒙古包頭 014010;3.慶云縣第二中學,山東德州 253700)
隨著經濟社會快速發展,城市現代化進程加快,高層建筑如雨后春筍般出現,其安全問題也倍受人們關注。對高層建筑進行沉降預測,可判斷其沉降趨勢,對防災減災有著重要的研究價值[1]。當前,灰色理論被廣泛應用于沉降預測領域[2-4]。劉丹丹[5]提出應用GM(1,1)模型對高層建筑進行沉降預測;張明遠[6]等應用改進后的GM(1,1)模型進行沉降預測,雖然證明了GM(1,1)模型適用于高層建筑的沉降預測,但是GM(1,1)模型預測呈指數形式,后期預測效果不理想。張慶偉[3]分別應用Verhulst模型和GM(1,1)模型對高層建筑進行沉降預測,驗證了前者精度更高、適用性更強。Verhulst模型是德國生物學家Verhulst提出的一種特殊灰色模型,主要用來描述具有飽和狀態的過程[7]。土力學理論證明,高層建筑的沉降與時間關系具有飽和狀態“S”形曲線[8]。鑒于此,本文基于Verhulst模型對高層建筑進行沉降預測,并對其進行動態改進。以青島某大廈沉降數據為研究對象,分別采用GM(1,1)模型、Verhulst模型和動態Verhulst模型對沉降數據進行擬合和預測。
等時距數據序列是Verhulst模型建模的基礎要求,但由于監測方案的制定或其他因素的影響,觀測的沉降數據往往很難滿足該要求。本文利用牛頓分段線性插值法進行數據預處理,實現非等時距數據等時距化[9]。設實測數據序列為:X(t)=[x(t1),x(t2),…,x(tn)] 。
1)計算平均時間間隔Δt:
(1)
2)等時距變化量的計算:
(2)
(3)
對經數據預處理獲得的數據X(0)做一次累加得X(1),定義a、b為模型待定參數,B、Y為模型參數矩陣。則Verhulst模型方程為[3]:
(4)
其唯一解為:
(5)
[a,b]T=(BTB)(-1)BTY
(6)
本文采用后驗差法[2]和外符合精度[11]分別對模型精度和預測精度進行評定。后驗差法評定標準如表1所示。
表1 后驗差檢驗標準Tab.1 Standardforposteriordifferencetest精度指標良好合格勉強合格不合格PP>0.950.80
外符合精度計算公式為:
(7)
青島某大廈位于經濟技術開發區,工程勘察面積約28 365 m2,擬建1棟19層高層樓房,建筑高度66 m,直接坐落在天然地基上,基礎為筏板基礎,主體為框剪結構。為保障工程安全,在施工初期布設了12個沉降觀測點,點號為H1~H2。監測方案要求每施工一層觀測一次。
由于監測方案要求每施工一層檢測一次,獲得的沉降數據為非等時距的數據序列,應用Verhulst模型預測沉降,需利用牛頓插值法進行數據預處理?,F以沉降觀測點H11為例,經數據預處理后得到等時距的原始數據如表2所示?;谇捌呓M數據建立Verhulst模型,對后六組數據進行沉降預測。由式(5)、(6)可得:
[a,b]T=(BTB)-1BTY=[0.394 1 0.035 9]
(8)
(9)
由此可得Verhulst模型的預測結果,如表2、表3及圖1所示。表中Verhulst模型的P、C精度指標均達到良好,最大殘差值為-0.35 mm,GM(1,1)模型的最大殘差值為-2.34 mm;從圖1中可以明顯看出,GM(1,1)模型的曲線呈指數型增長,而Verhulst模型的曲線相對平行于原始數據曲線,變化趨勢較一致。
圖1 Verhulst模型預測Fig.1 Prediction diagram of Verhulst model
[a,b]T=(BTB)-1BTY=[0.345 7 0.030 2]
(10)
(11)
圖2 動態Verhulst模型預測Fig.2 Prediction diagram of dynamic Verhulst model
表中動態Verhulst模型的殘差值越來越小,且每期均小于Verhulst模型,由外符合精度值可知,動態Verhulst模型的預測精度較Verhulst模型提高30%;由圖2可以看出,動態Verhulst模型的曲線在原始數據曲線和Verhulst模型曲線之間,且隨時間變化越來越接近于原始數據。
表2 各模型預測值與原始數據對比Tab.2 Comparisonofpredictedvaluesandoriginaldataofeachmodel序號觀測日期原始數據/mmGM(1,1)模型擬合值/mm預測值/mm殘差/mmVerhulst模型擬合值/mm預測值/mm殘差/mm動態Verhulst模型擬合值/mm預測值/mm殘差/mm12011-05-133.303.3003.3003.30022011-06-074.554.430.124.270.284.270.2832011-07-025.255.48-0.235.34-0.095.34-0.0942011-07-276.456.47-0.026.410.046.410.0452011-08-217.357.39-0.047.42-0.077.42-0.0762011-09-158.458.250.208.300.158.300.1572011-10-109.059.0509.020.039.020.0382011-11-059.259.80-0.559.58-0.339.58-0.3392011-11-309.6510.51-0.8610.00-0.359.90-0.25102011-12-259.9511.16-1.2110.30-0.3510.19-0.24112012-01-1910.2511.78-1.5310.51-0.2610.38-0.13122012-02-1310.4512.35-1.9010.67-0.2210.47-0.02132012-03-0910.5512.89-2.3410.77-0.2210.530.02
表3 各模型預測精度對比Tab.3 ComparisonofpredictionaccuracyofeachmodelGM(1,1)模型Verhulst模型動態Verhulst模型P精度指標良好良好良好C精度指標良好良好良好m外符合/mm±0.67±0.32±0.22
鑒于高層建筑沉降規律和Verhulst模型曲線特征均呈“S”型曲線變化,本文提出了建立Verhulst模型應用于高層建筑的沉降預測,并采用“去舊加新”的思想對模型進行動態改進,通過實時更新數據建立動態模型來提高預測精度。采用數據預處理實現原始數據等時距化,解決了建模條件苛刻的問題,使模型在實際工程中得以廣泛應用。結合實際工程案例研究表明,動態Verhulst模型可以很好地擬合高層建筑沉降的全過程,準確地預測沉降最終值,較GM(1,1)和Verhulst模型預測精度提高30%。因此,基于動態Verhulst模型對高層建筑進行沉降預測是可行的,預測結果精度較高,可靠性較強。
動態Verhulst模型彌補了傳統Verhulst模型不能實時反映系統狀態變化的不足,但動態建模中引入的“新”數據具有一定灰度,當需要進行長期預測時,灰度區間會累積增大,影響預測的效果。因此需要根據工程的進展,充分引入新的實測數據建立動態Verhulst模型,通過提高建模數據的準確度,提高預測精度。