论文部分内容阅读
随着城市化进程的快速发展,多层及高层建筑的建造及大量地下空间的开发,大量的深基坑工程不断涌现。深基坑变形监测与预测是深基坑设计施工中的一个重要的环节,也是基坑工程领域研究的热点问题之一。准确地预测深基坑未来的变形,是深基坑变形监测的最终目的。针对传统常用预测方法存在一定的局限性,结合支持向量机的研究现状,提出将能够有效地解决小样本、非线性、高维数、局部极小等问题的支持向量机模型应用于深基坑变形预测。首先,阐述了深基坑变形预测的意义,对深基坑变形预测研究现状作了全面的阐述,分析了深基坑施工过程中的变形,提出了预测误差最小法来确定样本集的嵌入维数以及时间延迟,实现对样本数据的构造,针对传统支持向量机预测模型参数难以确定的问题,提出采用粒子群算法,通过种群随机初始化、适应度函数设置、粒子更新、终止条件设置,对支持向量机的相关参数进行寻优,得到基于粒子群算法的改进支持向量机预测模型。其次,结合深基坑围护桩桩体两个不同深度的实例测斜数据,根据预测误差最小法求出样本集的嵌入维数以及时间延迟,对变形数据序列进行坐标延迟相空间重构,利用相空间域的相点,通过建立的相空间结构得到学习样本;然后,在Matlab7.14平台上结合Microsoft Visual C++6.0编译器,利用libsvm工具箱进行扩展编程实现对传统支持向量机模型和改进支持向量机模型的训练和预测。最后,根据编制的Matlab程序,将改进支持向量机预测模型与传统的支持向量机模型以及Elman动态神经网络模型的预测结果,采用均方误差、平方和误差、平均相对误差对预测效果进行评价,得出改进支持向量机预测模型的均方误差、平方和误差、平均相对误差分别为0.0155和0.0164、0.1550和0.1639、1.2511%和4.2205%。实验结果表明,基于改进支持向量机预测模型的预测结果均方误差、平方和误差、平均相对误差均优于传统的支持向量机模型和Elman网络模型,通过粒子群算法优选支持向量机预测模型的相关参数,能够得到较好的改进支持向量机预测模型,且拟合效果、泛化性能、稳定性能均更好,具有较高的预测精度,证明了基于改进支持向量机预测模型能更好地反映深基坑系统的动态非线性特点,具有一定的优越性与工程应用推广价值。