一种考虑工况扰动的建筑结构沉降变形智能预测方法与流程

本发明涉及大数据预测，尤其是一种考虑工况扰动的建筑结构沉降变形智能预测方法。

背景技术：

1、软土地基中建筑结构容易发生过大的最终沉降及不均匀沉降，造成建筑结构开裂，影响建筑结构内部敏感精密仪器的使用，所以亟需一种对施工过程中建筑结构的有害变形进行高精度的、快速的超前预测技术，从而采取应对措施进行施工控制。

2、近年来，机器学习发展迅速，并且被广泛应用到各类工程的沉降变形预测中，为建立沉建筑结构沉降变形预测模型夯实了基础。但是，仍有以下几个方面问题需要研究：首先，自动化沉降监测包含很多由各种因素引起的异常值，现有方法直接将异常值删除，忽略了异常值的异常来源与蕴含的工况特征和工程意义，因此需要对大量数据进行合理的预处理；其次，大多数研究仅聚焦于原始沉降时间序列的预测，并未考虑影响沉降的因素如施工工况，导致无法进行中长期稳定预测。

技术实现思路

1、本发明的目的是根据上述现有技术的不足，提供了一种考虑工况扰动的建筑结构沉降变形智能预测方法，利用建筑结构沉降变形历史数据，融入对应工况数据，可精准预测未来建筑结构沉降变形发展趋势，以解决建筑结构沉降变形预测未考虑工况影响和易受噪声干扰的现有技术问题。

2、本发明目的实现由以下技术方案完成：

3、一种考虑工况扰动的建筑结构沉降变形智能预测方法，包括以下步骤：

4、建立考虑工况扰动的建筑结构沉降变形智能预测模型；

5、获取建筑结构沉降变形数据，通过考虑工况扰动的建筑结构沉降变形智能预测模型输出建筑结构沉降变形预测数据；

6、根据预测建筑结构沉降变形预测数据制定建筑结构应采取的风险控制措施。

7、考虑工况扰动的建筑结构变形智能预测模型包括小波降噪算法、lstm模型和arma模型。

8、建立考虑工况扰动的建筑结构变形智能预测模型包括以下步骤：

9、获取建筑结构沉降变形历史数据；

10、将建筑结构沉降变形历史数据进行小波降噪，分解成为趋势项数据与噪声项数据；

11、将n％的建筑结构沉降变形历史数据趋势项数据和噪声项数据作为训练数据分别放入lstm模型和arma模型进行训练，通过调整优化lstm模型和arma模型超参数拟合出最优lstm训练模型和最优arma训练模型；

12、使用(100-n)％的建筑结构沉降变形历史数据趋势项数据和噪声项数据作为测试数据分别放入最优lstm训练模型和最优arma训练模型，作为lstm预测模型和arma预测模型。

13、优选地，n＝80。

14、建筑结构沉降变形历史数据在输入模型前需要经过预处理，预测建筑结构沉降数据通过lstm预测模型和arma预测模型之后需要经过数据融合，融合方式如下式，其中lstmvalue、armavalue和mergedvalue分别表示lstm模型预测结果、arma模型预测结果和融合预测结果：

15、mergedvalue＝lstmvalue+armavalue。

16、建筑结构沉降变形历史数据趋势项数据在输入lstm模型前需要将施工工况数据融入趋势项数据，形成融合工况的趋势项数据集，作为lstm训练模型和预测模型输入。

17、建筑结构沉降变形历史数据需通过小波降噪算法将建筑结构沉降变形历史数据分解为趋势项与噪声项。

18、需调整优化lstm模型和arma模型超参数，包括时间步长、迭代次数、优化器选择和丢弃比率，得到最优lstm训练模型和最优arma训练模型。

19、建筑结构沉降变形历史数据通过数据清洗、数据填充和数据重采样实现输入模型前的建筑结构沉降变形历史数据预处理。

20、施工工况需根据工况特征转换为施工工况特征值形成施工工况数据并单独成列，采用向前数据填充方法，将非连续时间序列的工况数据进行数据填充与趋势项数据时间序列对应，并与趋势项数据融合形成最优lstm训练模型和lstm预测模型输入。

21、融合施工工况数据的趋势项数据输入lstm训练模型和预测模型前需通过滑动窗口进行数据划分。

22、通过斯皮尔曼相关性检验与显著性检验，选取与建筑结构沉降变形历史数据相关的施工工况。

23、优化lstm模型超参数，包括时间步长、迭代次数、优化器选择和丢弃比率，通过aic法则确定所述arma模型阶数。

24、需选择恰当小波基函数和小波分解层数，将建筑结构沉降变形历史数据通过小波降噪算法分解为趋势项数据与噪声项数据。

25、小波基函数为dbn基函数，小波分解层数为6层。

26、本发明的优点是：

27、1)利用大数据技术结合小波降噪算法、lstm模型和arma模型，在已知建筑结构沉降变形历史数据情况下，计算得到建筑结构未来沉降变形数据。通过计算得到的未来地建筑结构未来沉降变形趋势，以便提前制定风险控制措施。

28、2)考虑施工工况扰动因素，根据施工工况特征，通过斯皮尔曼相关性检验与显著性检验，得到与建筑结构沉降变形呈强相关关系的施工工况，并转换为工况特征值形成工况数据，融合进建筑结构沉降变形趋势项数据，充分考虑了施工工况对沉降变形的扰动，使模型训练过程中可将工况信息一并学习，减小预测误差，实现中长期稳定预测。

29、3)采用的小波降噪算法、lstm模型和arma模型计算效率高，能够快速、准确的对未来建筑结构沉降变形进行预测，节省了大量人力和物力资源，通过超参数优化与aic准则定阶使模型适用于各种复杂场景，增强了模型鲁棒性与泛用性。

技术特征：

1.一种考虑工况扰动的建筑结构沉降变形智能预测方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的一种考虑工况扰动的建筑结构沉降变形智能预测方法，其特征在于：采用所述小波降噪算法将所述建筑结构沉降变形历史数据分解成为趋势项数据和噪声项数据；

3.根据权利要求2所述的一种考虑工况扰动的建筑结构沉降变形智能预测方法，其特征在于：建筑结构沉降变形预测数据通过所述lstm预测模型和arma预测模型经过数据融合得到，包括下式：

4.根据权利要求2所述的一种考虑工况扰动的建筑结构沉降变形智能预测方法，其特征在于：所述趋势项数据在输入所述lstm模型前将施工工况数据融入趋势项数据，作为lstm训练模型和预测模型输入。

5.根据权利要求4所述的一种考虑工况扰动的建筑结构沉降变形智能预测方法，其特征在于：将施工工况根据特征转换为施工工况特征值形成所述施工工况数据并单独成列，与所述趋势项数据融合形成所述最优lstm训练模型和所述最优arma训练模型输入。

6.根据权利要求5所述的一种考虑工况扰动的建筑结构沉降变形智能预测方法，其特征在于：将非连续时间序列的施工工况数据进行数据填充并与所述趋势项数据的时间序列对应，所述数据填充方法为向前填充，即一施工工况后的施工阶段均取该工况，直至下一施工工况发生。

7.根据权利要求5所述的一种考虑工况扰动的建筑结构沉降变形智能预测方法，其特征在于：所述施工工况通过斯皮尔曼相关性检验与显著性检验，选取与建筑结构沉降变形历史数据相关的施工工况。

8.根据权利要求2所述的一种考虑工况扰动的建筑结构沉降变形智能预测方法，其特征在于：所述建筑结构沉降变形历史数据的噪声项通过adf检验是为平稳时间序列。

9.根据权利要求2所述的一种考虑工况扰动的建筑结构沉降变形智能预测方法，其特征在于：在所述建筑结构沉降变形历史数据在输入模型前对其进行预处理，所述预处理包括数据清洗、数据填充和数据重采样。

10.根据权利要求2所述的一种考虑工况扰动的建筑结构沉降变形智能预测方法，其特征在于：所述lstm模型的调整优化包括时间步长、迭代次数、优化器选择和丢弃比率；通过aic法则确定所述arma模型的阶数。

技术总结
本发明涉及一种考虑工况扰动的建筑结构沉降变形智能预测方法，首先对施工全过程自动化监测到的各测点沉降变形原始数据进行收集并进行异常值处理；对沉降变形原始时间序列进行小波降噪，将原始时间序列分为趋势项和噪声项；将工况数据导入趋势项数据；输入工况数据后的趋势项数据采用LSTM神经网络进行多变量多步滚动预测；噪声项数据采用ARMA模型预测；将趋势项预测值与噪声项预测值求和即可得到总的沉降变形预测值。本发明的优点是：趋势项真实反映了实际工程项目中沉降的演化趋势，引入施工工况数据并采用LSTM模型，可以提升趋势项的预测精度；噪声项则体现了施工全过程中各种随机因素的综合影响，其一般是平稳时间序列，采用ARMA模型预测较为简便。

技术研发人员：王威,李昀,徐俊,陈学峰,郭大江
受保护的技术使用者：上海城建市政工程（集团）有限公司
技术研发日：
技术公布日：2024/3/27