CN113255104A - 一种沉降预测模型高效更新方法 - Google Patents
一种沉降预测模型高效更新方法 Download PDFInfo
- Publication number
- CN113255104A CN113255104A CN202110449336.6A CN202110449336A CN113255104A CN 113255104 A CN113255104 A CN 113255104A CN 202110449336 A CN202110449336 A CN 202110449336A CN 113255104 A CN113255104 A CN 113255104A
- Authority
- CN
- China
- Prior art keywords
- settlement
- model
- data
- value
- updating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明属于测绘领域,尤其涉及一种沉降预测模型高效更新方法。
背景技术
不均匀沉降是导致建构筑物开裂、塌陷等结构性破坏的主要原因之一,严重影响其服务性能,威胁其安全性与稳定性。沉降预测是土木工程的必要工作,也是工程进行地基处理的主要依据,其预测结果直接关系到工程成果。沉降预测分为两个步骤,首先使用工程的实测沉降数据建立沉降预测模型,然后通过沉降预测模型预测工后沉降。随着工程的进展,沉降预测模型需要不断地更新来保障预测的质量,对于高铁、大型桥梁等时间跨度大的工程项目,沉降预测模型更新的重要性更加突出。
目前,沉降预测模型的更新普遍采用简单的传统最小二乘方法。在实际的工程中,广泛使用的模型如双曲线法模型、指数曲线法模型、星野法模型等都使用传统最小二乘方法进行模型更新。该方法的具体过程为:新增观测数据后,利用全部数据列出误差方程进行最小二乘间接平差,得到新的沉降预测模型参数。即便被广泛应用于实际工程中,传统更新方法也仍存在不足之处,具体表现为以下三点:一是计算量大,每次更新过程都需要使用到所有的沉降数据;二是数据存储量大,需要保存历史沉降观测数据重复地参与拟合过程;三是数据依赖性高,每次更新需要利用大量的历史存储数据,更新后模型出现误差的风险性大大提高。
因此,应该在保证沉降模型更新的可靠性前提下,优化更新过程。但是,目前还没有沉降预测模型更新方法改进上述问题,需要研究更高效的沉降预测模型更新方法。
发明内容
技术问题:针对现有技术地不足,本发明题出一种沉降预测模型高效更新方法,用于解决实际土木工程应用中,现有传统更新方法效率低、历史数据依赖性强的问题。
技术方案:为解决上述技术问题,本发明采用以下技术方案:一种沉降预测模型高效更新方法,具体包括以下步骤:
步骤一、将非线性的沉降预测模型根据特点进行线性化处理,得到可用于回归的线性沉降模型。
步骤二、根据前n期沉降观测数据拟合初始模型,获得预测模型的初始参数向量估值即完成拟合。并计算初始相关系数γ(n),用于评价拟合效果。其中,n为建立模型所需的最少沉降观测数据量,沉降数据由时间和沉降值组成。
步骤三、工程进行第n+1期沉降观测后,获得第n+1期沉降数据,此时需要重新拟合沉降模型,即对模型的参数向量估值进行更新。基于前n期沉降观测数据拟合的参数向量估值与第n+1期沉降数据,计算得到更新后的参数向量估值
步骤四、基于更新前的保留的参数,对模型的相关系数进行更新,计算更新后模型的相关系数γ(n+1)用于评价更新后的模型拟合效果;
步骤五、伴随工程进展,不断增加沉降观测数据,重复步骤三、四同步实现沉降预测模型的迭代更新。
作为本发明一种沉降预测模型高效更新方法的进一步优选方案,在步骤一中,所述不同的沉降预测模型包括双曲线模型或星野法模型,其沉降预测模型分别如下:
双曲线模型:
其中,St、t分别为任意时间的沉降量和所对应的时间,其基准分别为主体工程完工的沉降量与时间;α、β为模型的未知参数;
星野法模型:
其中,St、t同式(1)所述;A、K为模型的未知参数。
作为本发明一种沉降预测模型高效更新方法的进一步优选方案,在步骤一中,建立的线性沉降模型为:
y=FA (3)
不同模型转化而来的线性模型,其符号代表的含义也不同,其中,因变量y代表双曲线模型中的t/St,代表星野法模型中的t/St 2;F=[1 t]为时间观测向量;为参数向量,代表双曲线模型中的代表星野法模型中的
作为本发明一种沉降预测模型高效更新方法的进一步优选方案,在步骤二中,每次观测得到的时间与沉降为一期数据,利用前n期沉降观测数据可以得到观测误差方程为:
其中,vn为第n期沉降数据的误差改正数,Fn=[1 tn],tn为第n期沉降数据的时间值,yn为第n期沉降数据的因变量值;
虚拟权阵的迭代公式为:
其中,E为二阶单位阵,Fn+1=[1 tn+1],tn+1为第n+1期沉降数据的时间值,pn+1为第n+1期沉降数据的权。
其中,E为二阶单位阵,W(n)为虚拟权阵,yn+1为第n+1期沉降数据的因变量值,根据式(9)可得线性预测模型为:
作为本发明一种沉降预测模型高效更新方法的进一步优选方案,在步骤四中,所述的计算模型相关系数包括以下步骤:
同时,令
步骤4.2,保留更新前相关系数γ(n),求解更新后的相关系数γ(n+1)为:
作为本发明一种沉降预测模型高效更新方法的进一步优选方案,在步骤五中,重复步骤四涉及到参数m1、m2、m3、m4的更新,假设更新后参数分别为m1′、m2′、m3′、m4′,更新公式如下:
有益效果:与现有技术相比,本发明的技术方案具有以下有益技术效果:
本发明引入了序贯平差的方法对沉降预测模型的更新方法进行优化,得到了模型的高效更新方法,其相对传统方法来说,具有两个优点:一是不保留历史观测值,高效更新方法对历史观测数据的依赖性更低,降低了数据存贮量,也规避了历史数据在存储中缺失或出错的风险;二是提高了算法效率,将传统更新方法的高维矩阵运算替换为高效的低维矩阵运算,数据量少,运算简单,可以有效地保证即时观测、即时预测、即时调整的施工目的。
附图说明
图1为高效更新方法实施流程图。
具体实施方式
本发明适用于多种沉降预测模型,以下以双曲线模型为例,结合实际工程对本发明做具体说明。
在某大桥建设工程中,选用双曲线模型作预测沉降,其模型表达式为:
其中,St、t分别为任意时间的沉降量和所对应的时间(时间零点设为工程主体完工时);α、β为模型的未知参数。
y=FA
该工程观测周期约为七天,取架梁后1~49期沉降观测数据进行模型拟合,所有数据等权,得其线性模型及估值权阵分别为:
第50期沉降观测数据为t50=483,y50=435.1351
根据以上数据进行参数向量估值的计算
得到更新后的双曲线线性模型为:
可以变回双曲线的沉降模型:
更新前的相关系数为γ(49)=0.9628,保留更新前的参数如下所示:
m2=6.1999×105m3=-1.9895×10-13m4=6.8523×105
利用上述参数计算模型更新后的相关系数γ(50)为0.9610,可凭此进行模型的评价工作。
本发明给出了高效率的沉降预测模型更新方法,提高了更新效率,降低了历史数据依赖性,同时给出了具体的实施方式。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种沉降预测模型更新方法,其特征在于,该方法具体包括以下步骤:
步骤一、将非线性的沉降预测模型根据特点进行线性化处理,得到用于回归的线性沉降模型;
步骤二、根据前n期沉降观测数据拟合初始模型,获得预测模型的初始参数向量估值即完成拟合,并计算初始相关系数γ(n),用于评价拟合效果,其中,n为建立模型所需的最少沉降观测数据量,沉降数据由时间和沉降值组成;
步骤三、工程进行第n+1期沉降观测后,获得第n+1期沉降数据,此时需要重新拟合沉降模型,即对模型的参数向量估值进行更新,基于前n期沉降观测数据拟合的参数向量估值与第n+1期沉降数据,计算得到更新后的参数向量估值
步骤四、基于更新前的保留的参数,对模型的相关系数进行更新,计算更新后模型的相关系数γ(n+1)用于评价更新后的模型拟合效果;
步骤五、不断增加沉降观测数据,重复步骤三、四同步实现沉降预测模型的迭代更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110449336.6A CN113255104B (zh) | 2021-04-25 | 2021-04-25 | 一种沉降预测模型高效更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110449336.6A CN113255104B (zh) | 2021-04-25 | 2021-04-25 | 一种沉降预测模型高效更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255104A true CN113255104A (zh) | 2021-08-13 |
CN113255104B CN113255104B (zh) | 2022-11-01 |
Family
ID=77221596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110449336.6A Active CN113255104B (zh) | 2021-04-25 | 2021-04-25 | 一种沉降预测模型高效更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255104B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114150718A (zh) * | 2022-02-07 | 2022-03-08 | 山东建筑大学 | 一种用于地下结构非均匀沉降病害的预警治理与检测工艺 |
CN115689007A (zh) * | 2022-10-27 | 2023-02-03 | 广东天信电力工程检测有限公司 | 基于稳健加权总体最小二乘的多项式地面沉降预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434359A (zh) * | 2020-11-11 | 2021-03-02 | 东华理工大学 | 一种高铁桥墩沉降曲线预测方法及系统 |
-
2021
- 2021-04-25 CN CN202110449336.6A patent/CN113255104B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434359A (zh) * | 2020-11-11 | 2021-03-02 | 东华理工大学 | 一种高铁桥墩沉降曲线预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
包永钢: "基于数学曲线的高速铁路线下工程沉降预测分析", 《城市勘测》 * |
周飞等: "利用Vondrak滤波优化Richards曲线的沉降预测方法", 《测绘科学技术学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114150718A (zh) * | 2022-02-07 | 2022-03-08 | 山东建筑大学 | 一种用于地下结构非均匀沉降病害的预警治理与检测工艺 |
CN114150718B (zh) * | 2022-02-07 | 2022-05-24 | 山东建筑大学 | 一种用于地下结构非均匀沉降病害的预警治理与检测工艺 |
CN115689007A (zh) * | 2022-10-27 | 2023-02-03 | 广东天信电力工程检测有限公司 | 基于稳健加权总体最小二乘的多项式地面沉降预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113255104B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255104B (zh) | 一种沉降预测模型高效更新方法 | |
CN109063903B (zh) | 一种基于深度强化学习的建筑能耗预测方法及系统 | |
CN108155648B (zh) | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 | |
CN106683122B (zh) | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 | |
CN108089135B (zh) | 一种基于极限学习模型的电池状态预测系统及其实现方法 | |
Kitiashvili et al. | Application of data assimilation method for predicting solar cycles | |
CN110850720A (zh) | 一种基于dqn算法的区域自动发电动态控制方法 | |
CN110907702A (zh) | 一种改进动态谐波估计方法和系统 | |
WO2020199666A1 (zh) | 一种原油调合的调合效应参数的计算方法 | |
CN115081299A (zh) | 一种基于upf的电力系统鲁棒辅助预测状态估计方法 | |
CN106021698A (zh) | 基于迭代更新的ukfnn铝电解功耗模型构建方法 | |
CN109599866B (zh) | 一种预测辅助的电力系统状态估计方法 | |
CN111439128A (zh) | 电动车辆剩余里程估计方法、装置和计算机设备 | |
CN106650028A (zh) | 一种基于敏捷卫星设计参数的优化方法及系统 | |
CN104794101A (zh) | 一种分数阶非线性系统状态估计方法 | |
CN108717165A (zh) | 基于数据驱动法的锂离子电池soc在线预测方法 | |
CN115101140A (zh) | 确定分子的基态特征的方法、设备及存储介质 | |
CN114462682B (zh) | 一种顾及数据时效的沉降预测模型建模方法 | |
Lan et al. | Seismic fragility analysis of structures via an Adaptive Gaussian Mixture Model and its application to resilience assessment | |
CN113158394B (zh) | 基于蒸发误差补偿的流域水文模型误差修正方法和装置 | |
CN114296349B (zh) | 一种纳米定位平台的磁滞控制方法和装置 | |
CN107330234B (zh) | 维修状态下桥梁技术状态劣化评估方法 | |
CN115775081B (zh) | 一种电力系统随机经济调度方法、装置及介质 | |
Tang et al. | A novel self-adaptive nonlinear discrete grey model based on non-homogeneous index sequence and its application | |
Liu et al. | A bootstrap estimate of the predictive distribution of outstanding claims for the Schnieper model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |