1 引言
随着我国城镇化的不断推进,城市建设进入了新一轮飞速发展的阶段。建筑领域作为城市建设的一个重要组成部分也得到了快速发展,各类高层建筑物犹如雨后春笋般拔地而起。但同时高层建筑物的出现也带来了很多安全问题,建筑物的沉降便是其中之一[1]。因为随着建筑物的不断增高、荷载不断增加,在地基和上部结构的共同影响下,建筑物将发生持续不均匀的沉降,沉降较轻时将使建筑物产生倾斜或者出现裂缝,从而影响正常使用,甚者将危及建筑物的安全,发生倾塌[2]。因此,为了降低高层建筑物沉降带来的安全风险,就需要定期对高层建筑物进行沉降监测,掌握高层建筑沉降规律,并对其进行沉降预测,以便进行科学的施工和管理,确保高层建筑物的安全使用。
目前对高层建筑物沉降预测已有较多方法,如陈伟清(2005)采用回归分析和灰色预测用于建筑物沉降变形分析[3];陈国祥(2009)分别采用曲线拟合、指数平滑和灰色预测模型GM(1.1)对建筑物沉降变形进行预测分析[4];吴晓等(2013)采用RBF神经网络的建模方法对建筑物进行沉降预测[5]。兰孝奇等(2006)采用时间序列预测方法对建筑物的沉降进行分析和预测[6]。在这些方法中,灰色模型是使用最广泛的一种预测模型,如陈伟清(2005)[2-3],陈国祥(2009)[4],黄亮(2010)[1],邹广黔(2010)[7]均采用了灰色模型对建筑物沉降进行了分析与预测。而为了在实际应用中提高数据的拟合和预测精度,人们进一步对灰色预测模型进行了拓展和改进,如谢波和汪荃(2013)在分析了GM(1.1)建模过程与最小一乘法原理的前提下,提出了最小一乘法GM(1.1),并用于预报建筑物沉降;喜文飞和史正涛(2014)利用卡尔曼滤波和灰色模型结合的方法进行动态模型预测[9];苏变萍等(2007)则综合利用DGM(1.1)模型和多元线性回归法用于预测分析陕西省的就业状况[10]。
本文则是在分析了灰色模型和时间序列分析模型的基础上,将时间序列分析模型与灰色模型相结合,建立多因素时间序列的灰色模型,并用于高层建筑物的沉降预测。
2 多因素时间序列的灰色模型
灰色系统理论[11]是我国邓聚龙教授于1982年提出的,它可以根据少量信息进行建模和预测。由于在实际应用中,数据矩阵中的数据元素大多是由观测和计算获取的,因而不可避免地带有一定的误差。而正是这些误差,使得建立GM(1.N)模型时,可能会出现数据矩阵严重漂移的情形,即严重的病态性问题[12-13]。这种病态性源自模型本身,因而很难克服。但经过严格的数学推导发现,最常用的灰色模型GM(1.1)中一般情况下不存在病态性问题[13]。基于此,建立灰色模型GM(1.1),其具体建立方法如下:
假定一非负离散数列,其中n为序列长度。对进行一次累加生成I-AGO序列:
(1)
对序列建立一个一阶微分方程:
(2)
式中,a为发展系数;u为灰色作用量。(2)式即为灰色模型GM(1.1)。
根据最小二乘法,求解GM(1.1)中的参数向量为:
(3)
式中,,。
求解式(2)的微分方程,得到的预测公式:
(4)
对作累减,可得的预测数列:
(5)
时间序列分析是20世纪20年代后期开始出现的一种现代数据处理方法,是一种动态的数据处理方法[14]。时间序列指的是一系列随时间变化且相互关联的数学序列。时间序列分析则是通过研究数据的内在规律,利用过去已有的资料预测未来的变化趋势[15]。时间序列分析的基本思想是定义一时间序列,当的取值不仅与其前n步的各个取值相关,且还与前m步的各个干扰相关,其中,则可根据多元线性回归的思想,得到自回归滑动平均模型(Auto-Regressive Moving Average Model,ARMA模型)[14]:
(6)
式中,为自回归参数;为滑动平均参数;为白噪声序列,且。
当时,ARMA模型可简化为:
(7)
式(7)可称为n阶自回归模型,记为AR(n)。当时,ARMA模型可简化为:
(8)
式(8)可称为m阶滑动平均模型,记为MA(m)。
3 工程应用实例
“XX花园”项目是昆明市某地产项目,该项目由12栋高层建筑物组成。为了保障这些高层建筑在施工中的质量安全,依照国家建设部对大型建筑物建设工程实施变形监测的有关规定对“XX花园”项目的高层建筑开展沉降监测。
3.1.1技术路线及设备
项目主要测量内容是对建筑物沉降进行监测,根据任务情况,按照“采用相同观测方法及观测路线、使用同一测量仪器、固定观测人员”的要求开展作业,以建立的沉降观测基准点为起算,按垂直位移监测三等的要求,对观测点进行沉降观测。按照项目实际情况,采用Leica DNA03型精密水准仪,因瓦水准尺。
3.1.2监测周期设计
按照项目实际情况,基准点每三个月复测1次;按照规范要求,该项目从开始,建筑物每增加一层观测一次,结构封顶至竣工期间,每周观测一次,建筑物竣工后每两个月观测一次,周期为12个月。
3.1.3沉降监测点位设计
项目在地块周围小区的稳固墙角处布设了3个基准点(JT01,JT02,JT03),而沉降观测点点位则设置在高层建筑的四角外部承重墙处。由于项目监测了12栋高层建筑的沉降,为了便于分析,以1栋为研究对象,其监测点(1T1、1T2、1T3、1T4、1T5、1T6)布设如图1所示。
图1 沉降监测布设点
Fig.1 Layout points of subsidence monitoring
3.2.1灰色模型建立
项目从2011年9月21日~2013年10月1日对1栋6个观测点分别进行了68次观测,数据量较大。为了便于建模和分析,实验选取1T1观测点自2011年9月21日~2011年11月23日的11个观测数据,具体如表1所示。
在建立GM(1.1)模型时,以9月21日~11月8日的8个观测值作为原始序列X(0)={100.0000,100.0002,99.9998,99.9997,99.9992,99.9990,99.9989,99.9987},根据(1)~(4)式,解算得到预测公式:
由预测公式可以得到2011年9月21日~2011年11月23日的11个预测值,如表1所示。图2为观测值和预测值的对比曲线。
表1 1T1点沉降数据表
(Table 1 1T1-point settlement data sheet)
日期 |
9.21 |
10.4 |
10.11 |
10.14 |
10.21 |
10.29 |
11.4 |
11.8 |
11.12 |
11.16 |
11.23 |
观测数据 |
100.0000 |
100.0002 |
99.9998 |
99.9997 |
99.9992 |
99.9990 |
99.9989 |
99.9987 |
99.9986 |
99.9985 |
99.9983 |
灰色预测 |
100.0000 |
100.0001 |
99.9999 |
99.9996 |
99.9994 |
99.9991 |
99.9989 |
99.9986 |
99.9984 |
99.9981 |
99.9979 |
本文方法 |
100.0000 |
100.0001 |
99.9999 |
99.9998 |
99.9995 |
99.9993 |
99.9990 |
99.9988 |
99.9986 |
99.9986 |
99.9982 |
灰色残差 |
0.0000 |
0.0001 |
-0.0001 |
0.0001 |
-0.0002 |
-0.0001 |
0.0000 |
0.0001 |
0.0002 |
0.0004 |
0.0004 |
本文残差 |
0.0000 |
0.0001 |
-0.0001 |
-0.0001 |
-0.0003 |
-0.0003 |
-0.0001 |
-0.0001 |
0.0000 |
-0.0001 |
0.0001 |
为了定量评价预测精度,采用残差检验的方法验证模型的合理性。残差检验的具体公式可参考文献[16]。通过计算得到相对平均误差,模型达到一级精度,模型精度可靠。但从图2和表1可以看出,在前8期残差保持在较低的范围且曲线拟合良好,但从后三期开始残差开始扩大,且曲线拟合也相较于前面变得较差。
图 2 1T1点的预测值与实际观测值曲线图
Fig. 2 The curve graph of 1T1 point predicted values and the actual observed values.
3.2.2多因素时间序列的灰色模型建立
为了修正残差,将多因素时间序列和灰色模型相结合,采用时间序列预测模型中的加权一次移动平均预测法建立多因素时间序列的灰色预测模型。模型计算公式如下:
(9)
其中,,为权值,n为移动平均的项数。考虑高层沉降规律和建筑物尚处于施工阶段,为此,将n设为3,,,。由公式(9)可以得到基于多因素时间序列的灰色模型的预测值,见表1,其拟合曲线如图2所示。
从图2和表1可以看出,采用本文方法比灰色模型可以得到更好的预测结果,预测值曲线和原始观测值曲线拟合非常好,尤其是对比了后3期预测数据与观测数据。因为前8期是由原始观测数据预测得到,而后3期则不是,因而后3期预测结果则更有代表性。结果表明,本文方法是一种具有高精度,且有效的预测方法。
4 结论
采用灰色建模对高层建筑的沉降预测能够得到较好的结果,但随着时间的推移,预测精度开始降低,残差不断扩大。为了修正残差,将多因素时间序列和灰色模型相结合,采用时间序列预测模型中的加权一次移动平均预测法建立多因素时间序列的灰色预测模型。以昆明市“XX花园”项目为实例,实验结果表明,本文方法优于灰色模型,是一种具有高精度,且有效的预测方法。
参考文献:
[1] 黄亮,左小清. 灰色模型GM(1.1)在高层建筑沉降监测中的应用[J]. 河南科学,2010,28(7):838-842.
[2] 陈伟清. 灰色预测在建筑物沉降变形分析中的应用[J]. 测绘科学,2005,30(5):43-45.
[3] 陈伟清. 建筑物沉降观测方法及变形预测技术应用[J]. 基建优化,2005,(4):90-92.
[4] 陈国祥. 几种预测模型在建筑物沉降预报中的对比分析[J]. 绍兴文理学院学报,2009,29(8):49-52.
[5] 吴晓,朱军桃,李朋成. 基于RBF神经网络的建筑物沉降预测[J]. 2013,(6):126-128.
[6] 兰孝奇,杨永平,黄庆,等. 建筑物沉降的时间序列分析与预报[J]. 河海大学学报(自然科学版),2006,34(4):426-429.
[7] 邹广黔. 高层建筑物形变监测中动态灰色理论模型的应用[J]. 测绘与空间地理信息,2010,33(1):197-199.
[8] 喜文飞,史正涛. 基于卡尔曼滤波的动态灰色理论模型研究[J]. 测绘工程,2014,23(3):
[9] 谢波,汪荃. 最小一乘法GM(1.1)在变形监测中的应用[J]. 城市勘测,2013,(6):150-152.
[10] 苏变萍,曹艳平,王婷. 多因素时间序列的灰色预测模型[J]. 西安建筑科技大学学报(自然科学版),2007,39(2):289-192.
[11] Deng J L. Control problems of grey systems [J]. Systems & Control Letters, 1982, 1(5): 288-294.
[12] 邓聚龙. 灰色控制系统(第二版)[M]. 武汉:华中理工大学出版社,1997.
[13] 党耀国,王正新,刘思峰. 灰色模型的病态问题研究[J]. 系统工程理论与实践,2008,28(1):156-160.
[14] 岳建平,田林亚. 变形监测技术与应用[M]. 北京:国防工业出版社,2007.
[15] 赵莹,卢文喜,罗建南,等. 基于改进时间序列分析法的镇赉地区地下水位动态分析[J]. 水利学报,2013,44(11):1372-1379.
[16] 刘树,王燕,胡凤阁. 对灰色预测模型残差问题的探讨[J]. 统计与决策,2008,(1):9-11.