基于ALSTM模型的基坑周边建筑物沉降预测_余凯.pdf
《基于ALSTM模型的基坑周边建筑物沉降预测_余凯.pdf》由会员分享,可在线阅读,更多相关《基于ALSTM模型的基坑周边建筑物沉降预测_余凯.pdf(6页珍藏版)》请在咨信网上搜索。
1、2023 年第 3 期工程勘察Geotechnical Investigation&Surveying63 基于 ALSTM 模型的基坑周边建筑物沉降预测余 凯,吴来根(福建岩土工程勘察研究院有限公司,福州 350108)摘要:中短期基坑沉降监测序列具有非线性和数据量小的特点,导致常规预测模型很难获取准确的预测结果。针对传统模型未考虑到历史时刻沉降情况对未来沉降量具有不同影响的缺点,本文采用 ALSTM(Attention LSTM)预测模型,并以某大厦基坑工程变形监测的数据为例进行验证。实验结果表明,相比 LSTM、支持向量回归和 BP 神经网络模型,ALSTM 模型能够取得更加准确的预测结
2、果,适用于短期和中短期两种情况下的沉降变形预测。关键词:基坑监测;沉降预测;LSTM;注意力机制中图分类号:TU196文献标识码:APrediction of buildings settlement around foundation pit based on ALSTM modelYu Kai,Wu Laigen(Fujian Geotechnical Engineering Investigation and Research Institute Co.Ltd,Fuzhou 350108,China)Abstract:The monitoring sequence of medium a
3、nd short-term foundation pit settlement has the characteristics of non-linearity and small amount of data,which makes it difficult for conventional prediction models to obtain accurate prediction results.Aiming at the disadvantage that the traditional model does not take into account the fact that t
4、he settlement at the historical moment has different effects on the future settlement,this paper adopts the ALSTM(Attention LSTM)prediction model,and takes the deformation monitoring data of a building foundation pit as an example to verify;the experimental results show that,compared with LSTM,suppo
5、rt vector regression and BP neural network models,the ALSTM model can achieve more accurate prediction results,and is suitable for the prediction of settlement deformation in both short-term and medium-short-term conditions.Key words:foundation pit monitoring;settlement prediction;LSTM;attention mec
6、hanism收稿日期:2022-01-12;修订日期:2022-02-24作者简介:余凯(1974-),男(汉族),江西南昌人,大学本科,高级工程师.0引言随着社会经济的蓬勃发展,我国城市化进程不断加快,越来越多的深基坑工程也随之出现1。深基坑工程(如地下商场、地下停车场、地铁等)大多位于城市经济繁荣的区域,其安全问题除了基坑自身的形变安全外,还包括基坑开挖过程中对周边建筑物和居民生命财产安全的影响,因此,对基坑及周边建筑物进行沉降监测并对监测数据进行分析处理和预测,对于深基坑工程的安全施工尤为重要2,3。常用的变形预测方法主要有回归分析法、时间序列分析预测法、灰色系统预测法和人工神经网络预测
7、法等,各种模型有着各自的优势和局限性。王建民等在矿山边坡监测中运用了高斯回归预测模型4;李瑞等在大坝变形监测中采用多元线性回归法5,回归分析法较为成熟且容易实现,但对数据的准确性要求较高,个别粗差的存在会影响其预测结果;针对沉降数据非平稳的特征,曹净、徐爱功等将时间序列分析应用于地铁沉降和建筑物基坑沉降预 测 中,得 到 了 真 实 反 映 变 形 情 况 的 预 测 结果6,7。灰色模型8 10通过小样本数据对变形系统的规律进行预测,但对非线性、非平稳序列的沉降数据预测效果较差。近年来,人工神经网络由于其强大的自学习能力,在处理非线性以及复杂时序问题中具有独特的优势,发展较为迅猛;王磊等将时
8、间序列与 BP 神经网络相结合应用于沉降监测11;张文博等在建筑物基坑预测中采用 BP 神经网络方法,证明了 BP 神经网络模型具有较高的精确性和64 工程勘察Geotechnical Investigation&Surveying2023 年第 3 期稳定性,但 BP 神经网络也存在训练收敛速度较慢等问 题12;许 宁 等 利 用 长 短 时 记 忆(Long Short-Term Memory,LSTM)神经网络模型进行基坑沉降预测13,分别进行单点预测和多点预测对比实验,得到了较好的预测精度。在实际工程中,不同时刻的沉降情况对未来沉降量影响是不同的,针对传统模型未考虑到历史时刻沉降情况对
9、未来沉降量具有不同影响的缺点,本文采用 ALSTM(Attention LSTM)预测模型进行实例研究,该模型的特点是将历史不同时刻的重要程度纳入到长短时记忆(LSTM)神经网络模型中14。为验证 ALSTM 模型可用于不同样本数量条件下的沉降变形预测,分别采用短期和中短期两种样本划分方式进行训练和测试。1研究方法1.1长短时记忆网络长短时记忆网络是一种循环神经网络,由于其独特的门结构设计使该网络具有记忆信息的能力,常被用 于 时 间 序 列 预 测 和 自 然 语 言 处 理 等 任 务中15 17。假设输入 LSTM 的时间序列为 X=x1,x2,xn,则对应的 LSTM 包含 n 个细胞
10、;其中第 t 个细胞的输入为时间序列 xt、上一个细胞的输出 ht-1和状态 ct-1,输出为当前细胞的输出 ht和状态 ct。LSTM 网络中每个细胞的工作流程相同且共享参数,首先通过遗忘门决定是否从上一个细胞输出的状态 ct-1中丢弃无效信息,并由输入门决定在ct-1中加入多少新的有效信息,在 ct-1中删除无效信息和添加有效信息后得到当前细胞的状态 ct,上述过程的计算表达式为:ft=(Wfht-1,xt+bf)(1)it=(Wiht-1,xt+bi)(2)ct=tanh(Wcht-1,xt+bc)(3)ct=ftct-1+itct(4)式中,ft和 it分别为遗忘门和输出门的输出;表示
11、 Sigmoid 激活函数;tanh 表示 tanh 激活函数;W为神经元的权值矩阵;b 为偏置。在得到当前细胞的状态 ct后,通过输出门可以计算细胞的输出 ht,计算过程为:ot=(Woht-1,xt+bo)(5)ht=ottanh(ct)(6)1.2ALSTM 预测模型对于沉降量序列 X=x1,x2,xn,在对n+1 时刻的沉降量进行预测时,通常以 n+1 时刻之前的若干个时刻的沉降量作为 LSTM 模型的输入。考虑到实际工程中不同时刻的沉降情况对未来沉降量的影响不同,本文通过采用注意力机制将不同时刻的重要程度纳入到 LSTM 模型中,以获取更加准确的预测结果。假设预测模型的输入为 S=x
12、1,x2,xt,首先经过一层神经网络得到特征向量 V=v1,v2,vt,再利用 Softmax 函数输出所有时刻特征的权重向量,最后将输入 S 与权重 做哈达玛积,得到重标定后的特征向量 R=r1,r2,rt,计算过程为:V=WS+b(7)=Softmax(VT)(8)R=ST(9)式中,W 为神经网络的权重矩阵;b 为偏置矩阵;Softmax 表示 softmax 函数,其表达式为:Softmax(vi)=evitj=1vj(10)在 完 成 权 重 的 分 配 后,将 特 征 向 量 R 作 为LSTM 的输入,并通过全连接层输出预测值。由于所建立的预测模型结合了注意力机制和 LSTM,所
13、以将其称为 ALSTM(Attention LSTM)。相比标准的LSTM 模型,ALSTM 模型能够通过网络学习的方式为不同时刻的特征赋予相应的权重,更适用于时间序列预测问题。2实例分析某大厦位于福建省某市二环路南侧,五四北路东侧,南侧紧邻湖前河,分布有地下管线;东侧为省老年医院,其高压配电房与场地相隔仅 15m;建筑物沉降监测采用徕卡 NA2 精密水准仪。2.1实验数据如图 1 所示,选取基坑周边的 H2、F9 和 L7 监测点,其中 H2 为施工场地临近河岸的河道监测点,F9 为施工场地东侧配电房上的监测点,L7 为基坑北侧地表的道路监测点。监测时间为 2018 年 2 月 14 日至
14、2018 年 8 月26 日,共 49 期,监测内容为累积沉降量,监测点H2、F9 和 L7 的原始监测数据如图 2 所示。为验证模型的预测能力,分别对短期预测和中短期预测进行实验分析。原始的沉降量序列按照8 1 1 的比例划分为训练集、验证集和测试集。其中,训练集用于预测模型训练,验证集用于模型2023 年第 3 期工程勘察Geotechnical Investigation&Surveying65 图 1监测点点位分布 Fig.1Distribution of monitoring points图 2实测沉降量序列Fig.2Data series of measured subsidenc
15、e value参数选取,测试集用于预测精度评价。样本数量的具体分布如表 1 所示。表 1训练集、验证集和测试集样本数量对比Table 1Comparison of sample size on training set,verification set and test set类别总期数训练集期数验证集期数测试集期数短期302433中短期4939552.2实验流程本文实验的具体步骤为:(1)首先完成数据集的划分,对其中训练集数据进行归一化和滑动窗口采样。对于深度学习模型,通常需要对输入数据进行标准化,以加快网络的学习和收敛速度,此处采用 Z-Score 标准化,其计算方式为:X=X-X(11)
16、式中,X 为划分后的训练数据;X 和 分别为 X 的平均值和标准差;X为标准化后的序列。在对训练数据进行标准化后,需要通过滑动窗口采样生成适用于神经网络训练的样本。对于 X=x1,x2,xi,假设滑动窗口的大小为 t(t1),那么第 1 个训练样本为input:x1,xt);output:xt+1,第2 个 训 练 样 本 为 input:(x2,xt+1);output:xt+2,依 此 类 推,最 后 一 个 训 练 样 本 为 input:(xi-t,xi-1);output:xi;经过上述滑动窗口采样后便得到 i-t 个训练样本,其中滑动窗口 t 对应 LSTM 中的 time-ste
17、ps 参数,决定网络所接受的信息量和细胞的数量;(2)模 型 训 练 和 参 数 调 优。将 训 练 集 输 入ALSTM 模型进行训练,通过网格搜索选择在验证集上精度最高时所对应的 time-steps 和 LSTM 细胞的神经元数量 units 作为最优参数;(3)滚动预测和反归一化。在完成 ALSTM 模型的训练后,将xi-2,xi-1,xi 作为输入并预测出xi+1,然后将 xi-1,xi,xi+1 作为输入 并 预 测 出xi+2,依此类推,滚动预测出未来若干期的沉降量,并利用 X 和 将其进行反归一化;(4)精度评价。采用平均绝对误差(Mean Absolute Error,MAE
18、)和均方根误差(Root Mean Square Error,RMSE)作为 精 度 指 标 对 预 测 结 果 的 准 确 性 进 行评价。2.3模型参数设置ALSTM 模型中有两个影响模型预测精度的重要参数,分别为 time-steps 和 LSTM 细胞中的神经元数量 units。其中,time-steps 参数对应采样时滑动窗口的大小,决定输入模型的数据量;units 参数决定LSTM 的拟合能力。实验中设定 time-steps 参数的范围为 1 10,间隔为 1,units 参数的范围为 3 30,间隔为 3,通过网格搜索算法选择在验证集上误差最小的参数组合。表 2 列出了 H2、
19、F9 和 L7 三个监测点短期和中短期沉降预测对应的最优参数组合。表 2ALSTM 模型最优参数组合Table 2Optimal parameter combination of ALSTM model滑动窗口大小神经元数目H2F9L7H2F9L7短期43418129中短期710101815182.4注意力机制有效性分析最优参数选取完成后,对模型进行训练和保存,导出模型中所有时刻沉降特征所对应的权重向量,并进行可视化。H2、F9 和 L7 监测点短期和中短期预测模型的注意力权重分配如图 3 所示。从图 3 可以看出,对于短期和中短期 ALSTM预测模型,注意力权重的分配都存在一个规律:接近预测
20、时刻的历史沉降量,其权重大于远离预测时刻的沉降量,说明 ALSTM 预测模型能够根据历史时刻沉降情况对未来沉降量变化的影响程度进行权66 工程勘察Geotechnical Investigation&Surveying2023 年第 3 期图 3短期和中短期 ALSTM 预测模型的注意力权重 Fig.3Attention weight for short-term and medium-short-term ALSTM prediction model重分配。为验证引入注意力机制后 ALSTM 模型的有效性,将改正后的模型与普通 LSTM 模型进行对比,表 3 和表 4 分别列出了两类模型进行
21、短期和中短期预测的 MAE 和 RMSE。表 3ALSTM 和 LSTM 模型短期预测误差对比Table 3Comparison of short-term prediction errors between ALSTM and LSTM models精度指标H2F9L7LSTMALSTMLSTMALSTMLSTMALSTMMAE(mm)1.030.860.890.710.870.75RMSE(mm)0.300.280.260.230.210.20表 4ALSTM 和 LSTM 模型中短期预测误差对比Table 4Comparison of medium-short-term predicti
22、on errors between ALSTM and LSTM models精度指标H2F9L7LSTMALSTMLSTMALSTMLSTMALSTMMAE(mm)0.330.100.240.140.310.21RMSE(mm)0.130.070.090.070.100.08由表 3 和表 4 可知,对于短期和中短期基坑周边的建筑沉降预测,ALSTM 模型在 H2、F9 和 L7 这 3 个监测点上的 MAE 相比 LSTM 模型平均降低了 27.04%和 44.09%,RMSE 平均降低了 14.46%和 29.41%。2.5算法对比实验为验证所采用 ALSTM 模型的准确性,选取支持向量
23、回归(SVR)和 BP 神经网络(BPNN)作为对比算法;其中,SVR 的核函数、参数 gamma、惩罚参数 C 和 BPNN 的网络层数、神经元数目均通过网格搜索进行确 定。支持向量机、BP 神 经 网 络 与LSTM 网络采用同样的训练样本,并保持滑动窗口一致,图 4 和图 5 分别表示 3 种方法对 H2、F9 和L7 监测点沉降量进行短期和中短期预测的平均绝对误差和均方根误差。由图 4 和图 5 可知,对于短期的基坑周边建筑物沉降预测,ALSTM 模型在 3 个监测点上的 MAE和 RMSE 相 较 SVR 模 型 平 均 降 低 了 51.87%和29.7%,相 较 BPNN 模 型
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 ALSTM 模型 基坑 周边 建筑物 沉降 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。