灰色-小波神经网络支持下对地铁工程沉降变形的预测

doi:10.13474/j.cnki.11-2246.2019.0150

测绘通报 ›› 2019, Vol. 0 ›› Issue (5): 60-63.doi: 10.13474/j.cnki.11-2246.2019.0150

灰色-小波神经网络支持下对地铁工程沉降变形的预测

姜刚^1,2, 李举¹, 陈盟¹, 周佳薇³

1. 长安大学地质工程与测绘学院, 陕西西安 710064;
2. 西部矿产资源与地质工程教育部重点实验室, 陕西西安 710064;
3. 西安科技大学测绘科学与技术学院, 陕西西安 710054

收稿日期:2018-12-20 出版日期:2019-05-25 发布日期:2019-06-04
作者简介:姜刚(1974-),男,博士,副教授,主要从事工程测量、形变监测及3S技术研究与教学工作。E-mail:479189336@qq.com
基金资助:
国家自然科学基金（41502277）；矿山地质灾害成灾机理与防控重点实验室开放基金（2017KF06）

Prediction of settlement and deformation of underground based on gray-distributed wavelet neural network model

JIANG Gang^1,2, LI Ju¹, CHEN Meng¹, ZHOU Jiawei³

1. Institute of geological engineering and surveying, Chang'an University, Xi'an 710064, China;
2. Key Laboratory of Western China's Mineral Resources and Geological Engineering, Ministry of Education, Xi'an 710064, China;
3. College of Geomatics, Xi'an University of Science and Technology, Xi'an 710054, China

Received:2018-12-20 Online:2019-05-25 Published:2019-06-04

摘要/Abstract

摘要：

变形监测是安全化工程施工和管理的重要内容，贯穿于项目的设计、施工和运行，对监测的沉降数据进行处理，并预测沉降量，提前对工程作出安全预警，有很重要的实际意义。本文基于GM（1，1）灰色模型、小波分析和神经网络结合的相关理论，借助Matlab软件编程，建立了灰色-小波神经网络变形预测网络模型。结合工程实例，将建立的变形预测网络模型应用于累积沉降量观测数据，结果表明组合模型具有很稳定的预测效果，比单独的GM（1，1）灰色模型预测准确度高，且训练样本越多，预测越符合实际情况。

关键词: 变形监测, GM(1,1)灰色模型, 小波神经网络, 变形预测, 地铁沉降

Abstract:

Deformation monitoring is an important part of the safety engineering construction and management, and it runs through the design, construction and operation of the project. It is of great practical significance to process the monitored settlement data, predict the settlement amount, and make early warning of the safety of the project. Based on the GM (1,1) grey model, wavelet analysis and neural network combination of related theories, using Matlab programming, this paper establishes a gray-wavelet neural network deformation prediction network model. Combined with engineering examples, the established deformation prediction network model is applied to the accumulated settlement observation data. The results show that the combined model has a very stable forecasting effect and is more accurate than the single GM(1,1) gray model. The more training samples, the better the fitting effect and the prediction is more in line with the actual situation.

Key words: deformation monitoring, GM(1,1) gray model, wavelet neural network, deformation prediction, subway settlement

中图分类号:

P258

姜刚, 李举, 陈盟, 周佳薇. 灰色-小波神经网络支持下对地铁工程沉降变形的预测[J]. 测绘通报, 2019, 0(5): 60-63.

JIANG Gang, LI Ju, CHEN Meng, ZHOU Jiawei. Prediction of settlement and deformation of underground based on gray-distributed wavelet neural network model[J]. 测绘通报, 2019, 0(5): 60-63.

参考文献

[1] 潘国荣,王穗辉.建筑物动态变形的模型辨识与预测[J].测绘学报,1999, 28(4):340-344.
[2] 叶俊华.基于自适应卡尔曼滤波的灰色模型改进及在变形预测中的应用研究[D].西安:长安大学, 2012.
[3] 侯建国,王腾军.变形监测理论与应用[M].北京:测绘出版社, 2008.
[4] 杜琨.变形监测数据处理的方法研究[D].长沙:中南大学, 2013.
[5] 王穗辉,潘国荣.基于MATLAB多变量灰色模型及其在变形预测中的应用[J].土木工程学报, 2005, 38(5):24-27.
[6] 韩印,郑喆,赵靖,等.基于灰色-小波神经网络的有效泊位预测[J].交通运输系统工程与信息, 2017, 17(5):60-67.
[7] 邓聚龙.灰色系统基本方法[M]. 2版. 武汉:华中科技大学出版社,2005.
[8] 温丽华.灰色系统理论及其应用[D].哈尔滨:哈尔滨工程大学, 2003.
[9] 刘思峰,党耀国,方志耕,等.灰色系统理论及其应用[M].北京:科学出版社, 1999.
[10] 朱登远,常晓凤.灰色预测GM(1,1)模型的Matlab实现[J].河南城建学院学报, 2013, 22(3):40-46.
[11] 刘萍萍,马昱阳.小波神经网络的大坝变形预测研究[J]. 西安工业大学学报, 2014,34(11):886-890.
[12] 魏健.小波人工神经网络在建筑沉降预测中的应用研究[D]. 北京:北京交通大学, 2013.
[13] 蔡东健,岳建平,成微,等.基于遗传算法的小波神经网络模型及其在地面沉降监控中的应用[J].测绘通报, 2010(8):34-36.
[14] 陈林,黄腾,郑浩.变形预测的小波神经网络模型改进[J].测绘科学, 2017, 42(9):112-115.
[15] 曲径.基于灰色小波神经网络的船舶交通流预测研究[J].天津航海, 2010(3):33-35.
[16] 刘燕芳,陈启华,丁林磊.灰色组合模型在变形预测中的应用[J].工程勘察, 2013,41(1):58-60.
[17] 蔡念,胡匡祜,李淑宇,等.小波神经网络及其应用[J].中国体视学与图像分析, 2001, 6(4):239-245.
[18] 谭衢霖,魏健,胡吉平.基于小波神经网络的建筑工程沉降变形预测[J].应用基础与工程科学学报, 2015,23(3):629-636.
[19] 姜刚,杨志强,张贵钢.卡尔曼滤波算法的灰色理论模型在变形监测中的应用[J].测绘科学, 2011, 36(4):19-21.
[20] 姜刚,康艳霞,杨志强,等. 灰色理论模型在矿区滑坡变形预测中的应用[J].煤田地质与勘探,2011, 39(3):49-51.

灰色-小波神经网络支持下对地铁工程沉降变形的预测

Prediction of settlement and deformation of underground based on gray-distributed wavelet neural network model

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张驰, 白志辉, 李亮, 陈冉丽, 吴侃. 利用三维激光扫描技术监测矿区桥梁结构形变[J]. 测绘通报, 2022, 0(4): 122-129.
[2]	潘东峰, 杨超, 吴一同, 谭钿, 张德林. 利用TLS技术进行地铁隧道断面提取及变形监测分析[J]. 测绘通报, 2022, 0(4): 130-133.
[3]	熊春宝, 庞红星, 王猛, 史青法. 基于ICEEMDAN的多滤波算法在超高层动态变形监测中的应用[J]. 测绘通报, 2022, 0(3): 152-156.
[4]	李培现, 杨中辉, 阎跃观, 袁德宝, 赵艳玲, 范德芹. 基于Moodle的变形监测技术网络课程开发及应用[J]. 测绘通报, 2022, 0(2): 168-173.
[5]	闵星, 罗海涛, 柏文锋. 基于徕卡MS60与深度图像的变形监测研究[J]. 测绘通报, 2021, 0(9): 165-168.
[6]	郭献涛, 黄腾, 贾燕, 张荣春. 利用TLS技术与伪单点监测模式进行滑坡变形测量[J]. 测绘通报, 2021, 0(6): 106-111.
[7]	段伟, 王敏, 吴昊, 刘超. 基于LWR-Pettitt算法的GNSS变形信息的识别与预警[J]. 测绘通报, 2021, 0(5): 124-128,154.
[8]	曹发伟, 廖维谷. SBAS技术在矿区地面沉降监测中的应用[J]. 测绘通报, 2021, 0(3): 156-158,163.
[9]	倪飞, 王浩丞, 杨艺卓, 杨小波. 三维激光扫描技术在高速公路运行非接触式变形监测中的应用[J]. 测绘通报, 2021, 0(3): 164-166.
[10]	杨春宇, 任兴达, 江汇男, 袁岳, 王子林. 基于小波去噪的地铁变形组合预测模型分析[J]. 测绘通报, 2021, 0(10): 127-131.
[11]	王莉, 周佳薇, 王泓森, 蒋大鹏. 基于三维激光扫描技术的古塔变形监测[J]. 测绘通报, 2020, 0(7): 120-124,129.
[12]	陈建华. 融合主成分分析和局部邻域的平面点云去噪[J]. 测绘通报, 2020, 0(5): 47-50,68.
[13]	鲁小红. 最优权组合预测法在采煤沉陷变形预测中的应用[J]. 测绘通报, 2020, 0(4): 111-115.
[14]	马自军, 谯生有, 闻道荣. 三维激光扫描仪在隧道工程施工中的应用[J]. 测绘通报, 2020, 0(3): 157-159.
[15]	马金玉, 龙四春, 童爱霞, 吴文豪, 祝传广. 复杂环境下地基SAR粗差探测及应用[J]. 测绘通报, 2020, 0(2): 43-48,54.