高层建筑物沉降预测方法及对比分析.docxVIP

? ? 高层建筑物沉降预测方法及对比分析 ? ? 陈智民，文选跃 (1.深圳市市政设计研究院有限公司，广东 深圳 518000； 2.广东省重工建筑设计院有限公司，广东 广州 510000) 1 引 言 随着我国经济水平的提高和城市化进程的快速推进，越来越多的人口涌入城市，随之而来的是有限的城市土地面积和人们越来越高的居住环境需求之间的矛盾日益突出。高层、超高层建筑是解决这种矛盾的一种有效手段，同时也逐渐成为评判一座城市经济发展水平的标志。这些高层、超高层建筑物在建造和使用过程中，受自身荷载，地下水位变化，恶劣环境等因素影响都会产生不同程度的沉降，其中不均匀沉降会使建筑物产生裂缝，局部断裂等问题，严重时甚至会引起建筑物坍塌等安全事故，危害人民群众的生命财产安全，因此对高层建筑物的当前状态进行持续的沉降监测，并对未来的沉降趋势进行有效预测，具有重要意义[1～3]。 目前常用的建筑物沉降预测方法有数值计算方法[4，5]，灰色模型[6，7]和人工神经网络模型[8～10]。其中数值计算类方法以多项式拟合法为代表，多项式拟合采用不同阶次的多项式函数对建筑物沉降数据进行建模，提取数据中隐含的沉降趋势信息，对于较短时间内的沉降趋势预测精度较高，随着时间的推移，预测精度会出现明显下降；影响建筑物沉降的因素复杂多样，并且难以定量评估，属于灰色理论范围，因此灰色模型是当前广泛应用的一种建筑物沉降预测方法，典型的灰色模型是GM(1，1)模型，只需少量原始数据即可实现较长时间的预测，但是GM(1，1)模型对噪声敏感，当观测数据信噪比降低时，GM(1，1)模型的预测性能明显降低；人工神经网络模型是将神经网络算法与建筑物沉降数据处理结合起来的一种新兴方法，该类方法不依赖于精确的数学模型，鲁棒性强，但是运算量大且模型参数的选取较为烦琐。 上述研究表明，不同建筑物沉降预测方法都有各自的优点，同时又存在一定的局限性，在实际工程实践中，如何选择合适的方法目前还没有相关文献进行研究，针对该问题，本文结合广州市某高层建筑历史沉降数据开展试验，从算法实时性，小样本情况下的预测性能，和低信噪比条件下的稳健性对多项式拟合法，灰色GM(1，1)模型和RBF神经网络模型的预测性能进行对比分析，研究结果对相关科研工作者具有参考价值。 2 建筑物沉降预测方法 2.1 多项式拟合法 多项式拟合法的基本思想是采用多项式展开形式去拟合包含数个分析格点的一小块区域中的所有观测点，得到观测数据的客观分析场[11]。其中多项式展开的系数用最小二乘方法确定。对于已知的建筑物沉降数据，通常采用式(1)所示m次多项式函数对其进行建模。 yt=a0+a1t+a2t2+…amtm (1) (2) 对于n组观测数据，可以将式(1)写成如下矩阵形式： A=CB (3) 其中： (4) 根据最小二乘原理对式(3)和式(4)进行求解，可以得到多项式系数ai，i=1，…，n为： B=(CTC)-1CTA (5) 在测试阶段，对于任意给定的待测点，可以根据式(1)和式(5)求出对应的沉降量。 2.2 灰色GM(1，1)模型 (6) (7) 步骤3：根据式(6)和式(7)，构建如下灰色微分方程： (8) 其中α为发展系数，β为灰色作用量。将上式写成如下式(9)所示矩阵形式： (9) 步骤4：采用最小二乘法对式(8)进行求解可得： (10) 步骤5：根据式(10)和式(8)求解可以得到GM(1，1)的具体表达式为： (11) (12) 2.3 RBF神经网络模型 人工神经网络是对人脑中神经元信息处理过程进行模拟的一种算法，具备多输入多输出，并行处理和自学习能力，其中径向基(Radical Basis Function，RBF)神经网络是当前理论最成熟，应用最广泛的一种网络模型[13]。 图1给出了由输入层，中间层和输出层构成的典型RBF神经网络结构，可以看出RBF神经网络相邻两层节点之间实现了全连接，同一层之间的节点不连接。RBF网络的输入层由信号源节点构成，通过径向基函数这种非线性变换，将低维信号源节点映射到高维中间层空间，从而将低维空间的线性不可分问题转换为高维空间的线性可分问题，中间层向输出层的映射是线性的，中间层节点个数通常由所要描述的具体问题决定，网络输出层是中间层的线性叠加。由于建筑物沉降预测问题的输出为沉降累计量，因此可以采用式(13)所示单输出RBF网络进行建模。 (13) 图1 RBF神经网络结构图 3 实例分析 3.1 实验数据 本文试验数据取自广州市某高度为 91.6 m的30层建筑，其中地上28层，地下-2层，该建筑物采用框剪结构，抗震烈度为7°。实验中，对该建筑物布设J0-J3共4个监测点，选取2014年8月20日～2016年9月20日共计19期沉降数据进行分析。由于J0-J3的观测