《高层建筑物沉降监测》由会员分享，可在线阅读，更多相关《高层建筑物沉降监测（6页珍藏版）》请在金锄头文库上搜索。
1、高层建筑物沉降监测 王观鹏 陈建忠 山东省国土测绘院 摘 要： 主要采用小波神经网络法对高层建筑物的沉降进行监测, 对小波神经网络模型的构建进行分析, 同时结合威海市的高层建筑沉降值监测, 确定小波神经网络监测法的准确度以及误差, 通过分析发现, 小波神经网络监测法具有更高的准确度以及较低的误差, 适用于高层建筑物沉降的监测。关键词： 高层建筑物; 沉降; 小波神经网络; 作者简介：王观鹏 (1983) , 男, 山东聊城人, 工程师, 从事大地控制及海洋测量研究。收稿日期：2017-06-15Settlement Monitoring of High-Rise BuildingWANG Gu
2、an-peng CHEN Jian-zhong Shandong Province Land Surveying and Mapping Institute; Abstract： This paper mainly adopts the wavelet neural network to monitor the subsidence of high-rise building, analyzes the construction of wavelet neural network model, combining with the subsidence monitoring of high-r
3、ise building in Weihai city at the same time, determines the accuracy and error of the wavelet neural network monitoring method, through the analysis, we find that the wavelet neural network monitoring method has higher accuracy and lower error, and is suitable for tall building subsidence monitorin
4、gKeyword： high-rise buildings; settlement; wavelet neural network; Received： 2017-06-151 引言随着我国城市化发展进程的不断加快, 高层建筑已经逐渐应用于人们的生活中, 但是由于受到施工质量以及载荷等因素的影响, 导致建筑物容易出现沉降以及扭曲等现象, 监测建筑物沉降, 可预测建筑物的变形。目前, 多种因素的影响, 会导致各种方式的预测均具有一定的局限性。但在小波监测法结合 BP 模型进行预测后, 可有效提升预测精度1。2 小波神经网络模型的构建小波神经网络具有局域化性质以及自学习功能, 通过数学建模分析方式
5、, 采用函数的分析方法, 可以将局域性特点以及神经网络相结合, 使其具备较高的精确度2。2.1 学习算法分析在小波神经网络算法的分析中, 其是建立在 BP 模型基础上的函数, 其网络结构函数如式 (1) 所示:式中, D i为 i 点的对角;R i为 i 点的旋转矩阵; 为允许条件下的函数, 表示小波变换的过程;g (x) 为网络结构函数; i为 i 点的旋转角度;t i为第 i 个指标;x 为指标平均值;g 为频域窗口。为了寻找函数的计算方法, 将样本组定义为式 (2) :式中, v i为 i 点的噪声向量;f (x i) 为 i 点的指标函数;x i和 yi分别表示 i 点的预测值和实际值
6、。在小波变换过程中, 将单个小波函数逆变换作为函数, 则可以确定误差函数的偏导数如式 (3) 所示:式中, 为误差;diag 为单个小波函数逆变换的矩阵;e 1为常数;是 经过小波变换后得到的函数。在小波分析法的应用中, 由于旋转矩阵具有些许复杂性, 因而在测定中, 主要采用旋转矩阵分解以及简单组合的方式进行计算, 提升数据计算的准确性。2.2 变形预测模型在小波神经网络的模型预测中, 需要对时间序列进行综合预测分析, 采用非线性的方式来选择指标3, 本次研究经过分析对比, 最终确定计算结果。在数据计算的过程中, 对于具有 m 个模型的函数, 其函数如式 (4) 所示:式中, y 表示变形预测
7、函数; 表示各项观测值。通过对函数的预测, 可以运用小波神经网络进行拟合分析, 如式 (5) 所示:式中, x t (i) 为第 i 中方法在 t 时刻的预测值;m 为基个数; 为各项观测值; k为 k 点的旋转角度;t (x) 为小波神经网络预测函数;a k、b k和 uk均为 Ri矩阵的常数项。如果序列之不是 0, 可以确定其映射如式 (6) 所示:式中, x (t) 为残差序列;f (t) 为趋势项;y (t) 为映射指标。通过对残差序列的分析, 可以确定小波神经网络的预测值。2.3 模型构建在小波神经网络模型的构建中, 其改进了传统 BP 神经网络的速度慢以及稳定性差等特点, 其主要步
8、骤如下。1) 在构建小波神经网络的过程中国, 需要对网络参数进行初始化, 其参数为伸缩因子、平移因子以及网络连接权重, 分别赋值为 a1、b 1和 W1, 并且需要赋以所及的初始数值。2) 需要输入学习样本的矢量, 其式中, X 为学习样本矢量;x m表示不同观测点的观测值。在输入样本后, 需要输入相应的期望输出值 d。3) 在网络学习过程中, 需要利用网络参数来计算相应的输出值。4) 在瞬时梯度的计算中, 令式中, X i为瞬时梯度下样本矢量 X 的梯度值;x i为观测值;b 1和 a1为常数;M 为i 的最大值;f (u) 为瞬时梯度函数的导数;f (u) 为瞬时梯度的导数;u 为样本矢量
9、的瞬时梯度。通过式 (7) 和式 (8) 的计算, 可以确定瞬时梯度如式 (9) 所示:式中, g (a k) 为瞬时梯度, x为观测值, m 为梯度层数;g (b k) 为指标函数;ak和 bk为样本 k 点的数值。5) 在误差的分析中, 通过网络训练, 调整 ak、b k, 可以确定其网络误差为:式中, W i为误差, W i为以往误差, W i为误差变化值。3 小波神经网络在高层建筑物沉降监测中的应用本次研究以小波神经网络对威海市某高层建筑的沉降进行监测, 在观测过程中, 采用 TOPCON DL-101C 电子水准仪进行检测, 变形精度要求按照建筑变形测量规范 (JGJ 82007)
10、标准, 测量过程中, 保证检测人员的位置固定和仪器的固定, 根据建筑物, 共设计 11 个观测点, 研究在 2016 年 3 月2016 年 12 月完成, 行 30 次观测。在首次测量中, 采取 2 次平均值作为观测结果, 计算出建筑11 个点的沉降值, 本次研究以 3 号观测点为数据模型。3.1 数据处理及分析在本次研究中, 采用小波神经网络模型来分析建筑物的沉降数据, 并且对出具进行处理, 通过 30 期的观测, 采用后 10 期的数据来完成验证对比, 以此来确定检测的准确性和对建筑物的沉降值预测, 其计算结果如表 1 所示。表 1 实测值与预测值数据对比分析表 下载原表 3.2 观测结
11、果分析在本次研究中发现, 采用小波神经网络模型处理数据, 相比于人工处理方式, 其具有更高的精确度, 在计算的过程中, 经过对绝对差的对比分析发现, 小波神经网络的预测值误差相对较小, 并且残差值最小为 0.02mm, 最大值为 0.90mm, 另外, 在神经网络模型预测中, 其误差为 0.51mm, 而小波神经网络预测的误差为 0.31mm, 可见, 在对高层建筑物的沉降预测过程中, 小波神经网络模型具有更高的准确性。4 结语本文主要探究高层建筑物沉降的预测, 并且采用小波神经网络预测模型, 其主要结论如下:1) 传统神经网络方法可以获取预测值和实际值, 并且较为吻合, 适合应用于高层建筑物
12、沉降的预测;2) 小波神经网络应用于高层建筑物沉降值的预测, 通过建立模型的方式, 可以提升预测的准确性;3) 传统神经网络预测方式虽然可用, 但是误差相对较大, 并且准确度较低。总之, 在高层建筑物的沉降值监测中, 相比于常规监测方式, 采用小波神经网络方式, 具有更高的准确性, 可以降低误差, 较为适合高层建筑物沉降值的监测。参考文献1吴红波, 杨肖肖.城市高层建筑物沉降监测与稳定性分析J.城市勘测, 2017 (1) :101-104. 2郑丽.高层建筑物沉降监测数据处理方法研究J.佳木斯大学学报 (自然科学版) , 2015 (4) :539-541. 3王银平.高层建筑物沉降变形监测分析J.江苏建筑, 2014 (3) :37-38.
