沉降预测方法及装置与流程

本申请涉及工程监测领域，特别涉及一种沉降预测方法及装置。

背景技术

沉降预测能够预测建筑物的稳定情况，为安全运行诊断提供必要的信息，以便及时发现问题并采取有效的措施；同时，也能够根本理解变形的原理，进行工程理论设计和反馈设计，建立有效的沉降趋势预测模型。

国内外当前关于建筑沉降趋势预测的研究方法包括：时间序列分析法、神经网络模型、数据拟合预测等等；由于数据拟合相对简单易操作，因此沉降监测通常采用基于拟合函数的s曲线模型。

s曲线模型的曲线的变化规律与地基沉降过程大致相同，能够较好地刻画地基沉降的变化趋势，在应用中有其优越性，然而，在实际应用中发现，使用s曲线模型进行沉降监测对初始参数的要求较高，参数范围不正确会导致沉降预测的精确度偏低。

技术实现要素：

本申请提供一种沉降预测方法及装置，用于解决传统沉降预测方法预测准确度偏低的缺点。

本申请的第一个方面是提供一种沉降预测方法，包括：

获取不同时间下，待测位置的沉降监测对应的采集参数；

对所述采集参数进行预处理，获得有效参数；

将有效参数作为s-指数函数模型的输入，获得所述s-指数函数模型输出的沉降预测结果，其中，所述s-指数函数模型是基于s曲线模型和指数曲线模型组合建立的。

优选的，所述采集参数包括累积沉降量。

优选的，所述对所述采集参数进行预处理，获得有效参数，包括：

对所述采集参数进行数据清洗处理、数据集成处理、数据变换处理和数据规约处理，获得所述有效参数。

优选的，所述方法还包括：

根据所述有效参数，绘制散点图；

对所述有效参数进行过滤，以保留散点图中沉降情况稳定且沉降趋势与沉降规律吻合的点对应的有效参数。

优选的，所述s-指数函数模型为：

其中，t为时间,s为建筑地基的沉降量，a、b、c、m、n、p均为预设的参数。

本申请的第二个方面是提供一种沉降预测装置，包括：

获取模块，用于获取不同时间下，待测位置的沉降监测对应的采集参数；

预处理模块，用于对所述采集参数进行预处理，获得有效参数；

预测模块，用于将有效参数作为s-指数函数模型的输入，获得所述s-指数函数模型输出的沉降预测结果，其中，所述s-指数函数模型是基于s曲线模型和指数曲线模型组合建立的。

优选的，所述采集参数包括累积沉降量。

优选的，所述预处理模块，具体用于对所述采集参数进行数据清洗处理、数据集成处理、数据变换处理和数据规约处理，获得所述有效参数。

优选的，所述装置还包括：

绘图模块，用于根据所述有效参数，绘制散点图；

过滤模块，用于对所述有效参数进行过滤，以保留散点图中沉降情况稳定且沉降趋势与沉降规律吻合的点对应的有效参数。

优选的，所述s-指数函数模型为：

其中，t为时间,s为建筑地基的沉降量，a、b、c、m、n、p均为预设的参数。

本申请提供的沉降预测方法及装置中，利用基于s曲线模型和指数曲线模型组合建立的s-指数函数模型对有效参数进行处理，从而得出预测结果，避免了s曲线模型在采集参数准确度不高时预测结果不佳的缺点和指数曲线模型前期预测误差大的缺点，简化了沉降预测的步骤，提高了沉降预测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例一的沉降预测方法的流程示意图；

图2为本申请实施例一的沉降预测方法的流程示意图；

图3为本申请实施例二的沉降预测装置的结构示意图；

图4为本申请实施例二的沉降预测装置的结构示意图；

图5为本申请北七家某住宅项目3号点位实际监测数据点与三种模型拟合曲线图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置的例子。本申请中的各实施方式既可以单独实施，也可以在不冲突的前提下结合实施。

图1为本申请实施例一提供的一种沉降预测方法的流程示意图，参照图1所示，本实施例提供一种沉降预测方法利用s-指数函数模型对沉降进行预测，提高了预测的准确度，具体的，本实施例以该沉降预测方法应用于沉降预测装置来举例说明，该方法包括：

101、获取不同时间下，待测位置的沉降监测对应的采集参数；

102、对所述采集参数进行预处理，获得有效参数；

103、将有效参数作为s-指数函数模型的输入，获得所述s-指数函数模型输出的沉降预测结果，其中，所述s-指数函数模型是基于s曲线模型和指数曲线模型组合建立的。

其中，所述采集参数包括累积沉降量。累积沉降量的采集主要通过专业测绘队伍对某一待测位置在不同时间下进行多次采集，并对各个时间点采集到的多组参数，剔除其中的异常参数，然后对各时间点下采集到的剩余参数求平均值，从而获得该时间点待测位置的采集参数。同时，进行累积沉降量的采集时，需要尽量避开异常天气和施工，以免对沉降预测造成影响。

其中，对所述采集参数进行预处理，获取有效参数，可以剔除采集参数中无用参数和异常参数对沉降预测的影响。数据预处理一方面可以提高数据的质量，有效的提高沉降预测准确性；另一方面可以让数据更好地适应特定的运算技术或工具。可选的，预处理可以包括：数据清洗处理或/和数据集成处理或/和数据变换处理或/和数据规约处理。

具体的，数据清洗主要是利用删除法等处理采集参数中的缺失值和异常值，删除原始数据集中的无关数据、重复数据，平滑噪声数据，降低缺失的数据可能造成的有偏估计的可能性，避免异常的数据对数据处理造成的不良影响。数据集成把来自多个数据源中的数据结合起来放在一个一致的数据存储中，以方便沉降预测软件从一个数据存储中抽取数据。数据变换是通过平滑聚集，数据概化，规范化等方式将数据转换成适用于数据挖掘的形式。数据归约是指在尽可能保持数据原貌的前提下，最大限度地精简数据量，从而使数据量非常大的情况下仍然接近于保持原数据的完整性，提高沉降预测的准确性。

此外，所述s-指数函数模型为：

其中，t为时间,s为建筑地基的沉降量，a、b、c、m、n、p均为预设参数，可选的，可以为正数。

具体的，s-指数函数模型是基于s曲线模型和指数曲线模型组合建立的。

其中，s曲线模型公式为：

其中，t为自变量，l为因变量，a>0、b>0、c>0均为预设参数。

具体的，s曲线模型呈现出研究对象的发生、发展、成熟并达到极限的变化趋势，符合沉降预测规律。从数学角度进行函数分析，容易得出，当t→∞时，表明s曲线最终逼近一个常数。进一步分析变化率，计算一阶导数，得到：

当且t→∞时，表明s曲线随着时间发展单调递增趋于常数。再研究其凹凸性，计算二阶导数，得到：

由此得出，当时，其变化率单调递增，s曲线模型为凹性快速增长；而当时，其变化率单调递减，s曲线模型为凸性缓慢增长。

综合以上分析，可得出s曲线的变化趋势与地基沉降过程大致相同，因此得出可以用s曲线模型来描绘地基沉降规律，然而在实际应用中，用s曲线模型预测沉降的精确度并不太理想，因此，应设法改进模型，提高其适应能力。

此外，所述指数曲线模型公式为：

z(t)＝m-ne^-pt；

其中，其中t为自变量，z为因变量，m、n、p均为预设参数。

具体的，该曲线刻画了研究对象前期变化较快、后期变化缓慢、直至趋于稳定的状态，在经济学和社会统计学中具有广泛的应用，也符合地基沉降的变化趋势。

从数学角度进行函数分析，分别计算其中一阶导数和二阶导数，得到：

当t→∞时z(t)→m，这表明指数曲线为凸性单调递增最终趋于常数，指数曲线的变化趋势与地基沉降后期规律吻合，因此在后期预测时效果较好，但无法体现沉降前期的变化规律，因此有必要修正模型以便更好地反映沉降变化趋势。

根据s曲线模型和指数曲线模型的优缺点，为了进一步扩大曲线拟合的适用范围，提高其精度，可以将s曲线模型和指数曲线模型相加起来建立s-指数函数模型，来进行沉降预测。

具体的，对s-指数函数模型进行数学分析，当t→∞时，进一步计算一阶导数和二阶导数，得到：

故s-指数函数模型中沉降量s(t)单调递增趋于常量，且前期快速增加，后期缓慢增加趋于稳定，这能够较好地反映地基沉降的变化趋势，并且在参数初始值设置较为合适的前提下，模型的拟合精度更高，拟合的效果更好。

在本实施例中，沉降预测装置的主体可以通过计算机程序实现，例如软件应用等，或者，还可以通过集成有相关计算机程序的实体装置实现，例如，该装置可以为计算机、手机、平板电脑、个人数字助理(personaldigitalassistant，简称pda)等电子设备，再或者，还可以通过存储有相关计算机程序的存储介质实现。

结合实际场景举例来说，采集参数根据勘测公司对同一个待测位置不同时间点多次采集获取，采集参数可以包括累积沉降量；随后将采集参数按照时间顺序一次输入预先装有沉降预测软件的电子设备中；所述电子设备读取到全部的采集参数后开始进行数据预处理流程，包括对所有采集参数进行数据清洗处理、数据集成处理、数据变换处理和数据规约处理，最终输出有效参数。在完成预处理过程后，沉降预测软件读取有效参数并将其输入s-指数函数模型中，s-指数函数模型处理有效参数，并输出沉降预测结果。

可选的，为了提高沉降预测的准确性，还可以为沉降预测添加绘制散点图和过滤有效参数的步骤。相应的，在任一实施方式的基础上，如图2所示，所述方法还包括：

104、根据所述有效参数，绘制散点图；

105、对所述有效参数进行过滤，以保留散点图中沉降情况稳定且沉降趋势与沉降规律吻合的点对应的有效参数。

其中，散点图是指在回归分析中，数据点在直角坐标系平面上的分布图，散点图表示因变量随自变量而变化的大致趋势，据此可以选择合适的函数对数据点进行拟合；根据散点图进行过滤可以去除一些特殊情况的点位从而提高沉降预测精度，例如：受特殊天气影响或者施工影响导致沉降量不稳定的情况。

结合实际情况举例来说，当沉降预测软件完成采集参数的预处理，得到有效参数后，可以额外的增加一个绘制散点图的步骤和一个过滤的步骤。对应的，沉降预测软件中设有绘图模块和过滤模块，其中绘图模块主要根据输入的有效参数进行数据整理，并按照预设的程序根据整理后的数据进行散点图的绘制；完成绘制后，根据沉降趋势是否稳定和沉降规律是否吻合这两个预设条件，沉降预测软件一次对散点图中所有点进行筛选处理，过滤出符合要求的点，并获得对应的有效参数，最后将过滤出的有效参数输入s-指数函数模型中。

根据有效参数绘制散点图并对其进行过滤处理，能够有效的剔除因特殊情况或者施工影响导致沉降不稳的参数，减少了外界因素对沉降预测的影响，提高了沉降预测的准确性。

结合实际情况举例来说

本实施例提供的沉降预测方法，利用基于s曲线模型和指数曲线模型组合建立的s-指数函数模型对有效参数进行处理，从而得出预测结果，避免了s曲线模型在采集参数准确度不高时预测结果不佳的缺点和指数曲线模型前期预测误差大的缺点，简化了沉降预测的步骤，提高了沉降预测的准确性。

图3为本申请实施例二提供的一种沉降预测装置的结构示意图，参照图3所示，本实施例利用s-指数函数模型对沉降进行预测，提高了预测的准确度，具体的，该方法包括：

获取模块21，用于获取不同时间下，待测位置的沉降监测对应的采集参数；

预处理模块22，用于对所述采集参数进行预处理，获得有效参数；

预测模块23，用于将有效参数作为s-指数函数模型的输入，获得所述s-指数函数模型输出的沉降预测结果，其中，所述s-指数函数模型是基于s曲线模型和指数曲线模型组合建立的。

其中，所述采集参数包括累积沉降量。累积沉降量的采集主要通过专业测绘队伍对某一待测位置在不同时间下进行多次采集，并对各个时间点采集到的多组参数，剔除其中的异常参数，然后对各时间点下采集到的剩余参数求平均值，从而获得该时间点待测位置的采集参数。同时，进行累积沉降量的采集时，需要尽量避开异常天气和施工，以免对沉降预测造成影响。

其中，对所述采集参数进行预处理，获取有效参数，可以很好的剔除无用参数和异常参数对沉降预测的影响，有效的提高沉降预测准确性。数据预处理一方面是要提高数据的质量，另一方面是要让数据更好地适应特定的运算技术或工具。可选的，预处理可以包括：数据清洗处理或/和数据集成处理或/和数据变换处理或/和数据规约处理。

此外，所述s-指数公式为：

其中，t为时间，s为建筑地基的沉降量，a、b、c、m、n、p均为预设参数，可选的，可以为正数。

在本实施例中，沉降预测装置的主体可以通过计算机程序实现，例如软件应用等，或者，还可以通过集成有相关计算机程序的实体装置实现，例如，该装置可以为计算机、手机、平板电脑、个人数字助理(personaldigitalassistant，简称pda)等电子设备，再或者，还可以通过存储有相关计算机程序的存储介质实现。

可选的，为了提高沉降预测的准确性，还可以为沉降预测添加绘制散点图和过滤有效参数的步骤。相应的，在任一实施方式的基础上，如图4所示，所述方法还包括：

绘图模块24，用于根据所述有效参数，绘制散点图；

过滤模块25，用于对所述有效参数进行过滤，以保留散点图中沉降情况稳定且沉降趋势与沉降规律吻合的点对应的有效参数。

其中，散点图是指在回归分析中，数据点在直角坐标系平面上的分布图，散点图表示因变量随自变量而变化的大致趋势，据此可以选择合适的函数对数据点进行拟合；根据散点图进行过滤可以去除一些特殊情况的点位从而提高沉降预测精度，例如：受暴风雨影响或者施工影响导致沉降量不稳定的情况。

根据有效参数绘制散点图并对其进行过滤处理，能够有效的剔除因特殊情况或者施工影响导致沉降不稳的参数，减少了外界因素对沉降预测的影响，提高了沉降预测的准确性。

本实施例提供的沉降预测装置，利用基于s曲线模型和指数曲线模型组合建立的s-指数函数模型对有效参数进行处理，从而得出预测结果，避免了s曲线模型在采集参数准确度不高时预测结果不佳的不足和指数曲线模型前期预测误差大的不足，简化了沉降预测的步骤，提高了沉降预测的准确性。

结合实际案例来验证，数据来源于北京建设综合勘察研究设计院有限公司的实际工程监测案例，以北七家某住宅项目3号点位为例，实际检测数据点与三种模型(s-指数函数模型、s曲线模型、指数曲线模型)的拟合曲线如图5所示，其中△代表实际检测数据点，实线为本文提出的s-指数函数模型拟合结果，虚线为s曲线模型的拟合结果，点线为指数曲线模型的拟合结果，如图5所示，本文提出的模型拟合精度更高，与实际检测数据点更吻合。

此外，从数值结果来对比拟合误差，如表1北七家某住宅项目三种模型的计算值与实测值对比表所示，显然，s-指数函数模型的误差更小，表明其预测结果更为准确。

表1北七家某住宅项目三种模型的计算值与实测值对比表

最后考察模型的稳定性，通过统计学理论来比较几个参数值，其中rsquare为相关系数，越接近1表明模型的拟合优度越高，sse为误差平方和，是拟合数据与实测数据对应点误差的平方和，越接近0误差越小，rmse为均方根，表示回归系统的拟合标准差，越接近0越好。稳定性检验参数值如表2三种模型的稳定性数值对比表所示，如图可知，s-指数函数模型的rsquare值更接近1，sse值更接近0，rmse值更接近0，表明该模型的稳定性更好。

表2三种模型的稳定性数值对比表

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程。实际应用中，在不冲突的前提下，前述各实施方式可以单独实施也可以结合实施。上述各实施例中的模块划分仅仅为一种示例，实际应用中上述各模块或单元可以通过相同或不同的模块实现。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。