新陳代謝Verhulst模型在基坑沉降預(yù)測(cè)中的應(yīng)用

石勇，易佳，王巖

(1.重慶市勘測(cè)院，重慶 401121； 2.重慶市智能感知大數(shù)據(jù)產(chǎn)業(yè)技術(shù)協(xié)同創(chuàng)新中心，重慶 401121； 3.河海大學(xué)地球科學(xué)與工程學(xué)院，江蘇 南京 211100)

新陳代謝Verhulst模型在基坑沉降預(yù)測(cè)中的應(yīng)用

石勇1，2，3*，易佳1，王巖3

(1.重慶市勘測(cè)院，重慶 401121； 2.重慶市智能感知大數(shù)據(jù)產(chǎn)業(yè)技術(shù)協(xié)同創(chuàng)新中心，重慶 401121； 3.河海大學(xué)地球科學(xué)與工程學(xué)院，江蘇 南京 211100)

基坑沉降若超出允許限值，將會(huì)帶來極大的安全隱患，甚至危及人們的生命安全。本文結(jié)合沉降監(jiān)測(cè)實(shí)例，選取其中一監(jiān)測(cè)點(diǎn)進(jìn)行變形分析及預(yù)報(bào)。本文采用灰色Verhulst模型和新陳代謝Verhulst模型進(jìn)行預(yù)報(bào)，結(jié)果表明新陳代謝Verhulst模型能夠增強(qiáng)新信息的作用，預(yù)測(cè)值更為接近實(shí)測(cè)值，新陳代謝Verhulst模型的預(yù)測(cè)效果具有較高的模型精度等級(jí)，殘差值較小，并且沒有出現(xiàn)隨著周期增長(zhǎng)而大幅增大的情況，精度要高于傳統(tǒng)的灰色Verhulst模型。

基坑沉降；新陳代謝；灰色Verhulst模型

1 前 言

基坑沉降若超出允許限值，將會(huì)危及人們的生命財(cái)產(chǎn)安全，有必要對(duì)基坑進(jìn)行沉降監(jiān)測(cè)，對(duì)基坑沉降數(shù)據(jù)進(jìn)行分析，正確預(yù)測(cè)出基坑的變形趨勢(shì)。“小樣本”“貧信息”是灰色系統(tǒng)理論的典型特征[1～4]。灰色預(yù)測(cè)模型在不斷的發(fā)展中形成了以GM(1，1)為核心的多種模型，比如GM(2，1)、DGM(1，1)、IDGM(1，1)、FGM(1，1)、GOM(1，1)、Verhulst、DD GM(1，1)、新陳代謝GM(1，1)、新陳代謝DGM(1，1)[5～11]。

本文利用灰色Verhulst模型和新陳代謝Verhulst模型分別進(jìn)行預(yù)報(bào)，結(jié)果表明新陳代謝Verhulst模型能夠增強(qiáng)新信息的作用，具有較高的模型精度等級(jí)，殘差值較小，精度要高于傳統(tǒng)的灰色Verhulst模型。

2 灰色Verhulst模型

則Verhulst模型為：

(1)

對(duì)序列x1建立微分方程：

(2)

由式(1)通過最小二乘法求得可求的參數(shù)a、b

對(duì)微分方程(1)求解，得出：

(3)

累減生成后的還原數(shù)據(jù)為：

(4)

判斷灰色模型精度等級(jí)的C、P值如表1所示。其中：

模型精度等級(jí)=max{P所在的級(jí)別，C所在的級(jí)別}。C越小效果越好，P越大效果越好。

模型精度等級(jí) 表1

3 新陳代謝Verhulst模型

4 實(shí)例分析

對(duì)南京某基坑進(jìn)行沉降監(jiān)測(cè)，基坑的長(zhǎng)和寬為 41 m、13 m，最大開挖深度為 12 m。本次監(jiān)測(cè)共10周期，共布設(shè)24個(gè)監(jiān)測(cè)點(diǎn)，本文選取其中的一點(diǎn)進(jìn)行分析。2～10周期的累計(jì)沉降量如表2所示。

累計(jì)沉降量如表/mm 表2

本文采用前6周期(1～6周期)的沉降數(shù)據(jù)對(duì)后4周期(7～10周期)的累計(jì)沉降量進(jìn)行預(yù)測(cè)。

4.1 傳統(tǒng)Verhulst模型的預(yù)測(cè)結(jié)果

以{0.65，1.22，1.63，2.57，3.05}為建模數(shù)據(jù)。采用傳統(tǒng)Verhulst模型進(jìn)行預(yù)測(cè)，以matlab為工具計(jì)算得到a=-0.7176，b=-0.1842。其時(shí)間響應(yīng)式為：

通過累減還原得到其后4周期的累計(jì)沉降量及殘差如表3所示。

預(yù)測(cè)值及殘差 表3

4.2 新陳代謝Verhulst模型的預(yù)測(cè)結(jié)果

以{0.65，1.22，1.63，2.57，3.05}為建模數(shù)據(jù)，得到第1步預(yù)測(cè)值為3.65，將第一個(gè)建模數(shù)據(jù)(0.65)去掉，在數(shù)據(jù)列末尾加上第1步預(yù)測(cè)值值(3.65)，組成新的建模數(shù)據(jù){1.22，1.63，2.57，3.05，3.65}，以matlab為工具計(jì)算得到a=-0.5769，b=-0.1227，時(shí)間響應(yīng)式為：

進(jìn)而得到第2步預(yù)測(cè)值為4.31。將第一個(gè)建模數(shù)據(jù)(1.22)去掉，在數(shù)據(jù)列末尾加上第2步預(yù)測(cè)值(4.31)，組成新的建模數(shù)據(jù){1.63，2.57，3.05，3.65，4.31}，計(jì)算得到a=-0.5451，b=-0.1022，時(shí)間響應(yīng)式：

得到第3步預(yù)測(cè)值4.91。將第一個(gè)建模數(shù)據(jù)(1.63)去掉，在數(shù)據(jù)列末尾加上第2步預(yù)測(cè)值(4.91)，組成新的建模數(shù)據(jù){2.57，3.05，3.65，4.31，4.91}，計(jì)算得到a=-0.2637，b=-0.0275，時(shí)間響應(yīng)式為：

得到第4步預(yù)測(cè)值為6.14。新陳代謝Verhulst模型的預(yù)測(cè)值及殘差如表4所示。

新陳代謝Verhulst模型預(yù)測(cè)值及殘差 表4

為更直觀的表示出兩種模型的精度對(duì)比，特將兩種模型的殘差值、C、P值如表5所示。

兩種模型精度對(duì)比 表5

就殘差值而言，傳統(tǒng)Verhulst模型的殘差值遠(yuǎn)大于新陳代謝Verhulst，傳統(tǒng)Verhulst模型的殘差值隨著周期的增長(zhǎng)不斷增大，在第9和第10周期相對(duì)誤差分別達(dá)到25%和36%，有較大的預(yù)測(cè)誤差。而新陳代謝Verhulst模型的殘差值并沒有出現(xiàn)隨著周期的增長(zhǎng)而大幅增大的情況，一直維持在較小的范圍內(nèi)，在第9和第10周期的相對(duì)誤差僅為4.1%和2.1%，有較高的預(yù)測(cè)精度。

就C、P值而言，傳統(tǒng)Verhulst模型的C=0.91、P=0.5，根據(jù)模型精度等級(jí)=max{P所在的級(jí)別，C所在的級(jí)別}的判別方法可知，模型精度等級(jí)為不合格，模型有較差的預(yù)測(cè)精度。新陳代謝Verhulst模型的C=0.15、P=1，模型精度等級(jí)為一級(jí)(好)，模型具有較高的預(yù)測(cè)精度。

5 結(jié) 語

新陳代謝Verhulst模型以新信息來代替舊信息，剔除對(duì)變形趨勢(shì)影響較小的數(shù)據(jù)，增強(qiáng)新信息的作用，使預(yù)測(cè)值更為接近實(shí)測(cè)值。本文從殘差值和C、P值對(duì)比分析了兩種模型的精度，結(jié)果表明新陳代謝Verhulst模型的預(yù)測(cè)精度要高于傳統(tǒng)Verhulst模型，新陳代謝Verhulst模型的預(yù)測(cè)效果具有較高的模型精度等級(jí)，殘差值較小，并且沒有出現(xiàn)隨著周期增長(zhǎng)而大幅增大的情況。

[1] Manuel O. Cáceres. Passage Time Statistics in a Stochastic Verhulst Model[J]. Journal of Statistical Physics，2008，1323.[2] Tianxiang Yao，Jeffery Forrest，Zaiwu Gong. Generalized discrete GM (1，1) model[J]. Grey Systems： Theory and Application，2012(21).

[3] 楊華龍，劉金霞，鄭斌. 灰色預(yù)測(cè)GM(1，1)模型的改進(jìn)及應(yīng)用[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2011(23)：39～46.

[4] 陳剛，王波，鄧哲. GM(1，1)模型在建筑物沉降預(yù)測(cè)中的應(yīng)用及Matlab的實(shí)現(xiàn)[J]. 城市勘測(cè)，2011(1)：107～109.[5] 劉國超，黃張?jiān)＃煨憬艿? 新陳代謝GM(1，1)模型在變形監(jiān)測(cè)數(shù)據(jù)處理中的應(yīng)用[J]. 勘察科學(xué)技術(shù)，2014(1)：49～52.

[6] 王冬，黃鑫，王明東等. 灰色GM(2，1)模型在滑坡變形預(yù)測(cè)中的應(yīng)用[J]. 水文地質(zhì)工程地質(zhì)，2013(3)：121～125.[7] 曾波，劉思峰. 近似非齊次指數(shù)序列的DGM(1，1)直接建模法[J]. 系統(tǒng)工程理論與實(shí)踐，2011(2)：297～301.

[8] 楊知，任鵬，黨耀國. 反向累加生成與灰色GOM(1，1)模型的優(yōu)化[J]. 系統(tǒng)工程理論與實(shí)踐，2009(8)：160～164.[9] 賀小黑，王思敬，肖銳鏵等. Verhulst滑坡預(yù)測(cè)預(yù)報(bào)模型的改進(jìn)及其應(yīng)用[J]. 巖土力學(xué)，2013(S1)：355～364.

[10] 王正新，黨耀國，劉思峰. 無偏灰色Verhulst模型及其應(yīng)用[J]. 系統(tǒng)工程理論與實(shí)踐，2009(10)：138～144.

[11] 趙言，花向紅，翟高鵬. GM(1，1)與自回歸模型在位移監(jiān)測(cè)中的應(yīng)用[J]. 城市勘測(cè)，2011(3)：115～118.

Application of the Metabolizing Verhulst Model in Forecast of Foundation Pit Sedimentation

Shi Yong1，2，3，Yi Jia1，Wang Yan3

(1.Chongqing Survey Institute，Chongqing 401121，China； 2.Chongqing Collaborative Innovation Center of Smart Sensing & Big Data，Chongqing 401121，China； 3.Hohai University School of Earth Sciences and engineering，Nanjing 211100，China)

It will bring great security risks，and even endanger the safety of people's life if the foundation settlement exceeds the allowed limit. Based on settlement monitoring，select one monitoring point for deformation analysis and prediction. In the paper，using grey Verhulst model and metabolizing Verhulst model to forecast，The results show that metabolizing Verhulst model can enhance the function of new information which make prediction more close to the actual value. What's more，the predict consequence of metabolizing Verhulst model have higher accuracy，residual value，and there is no significant increase with the cycle growth and the accuracy is better than the traditional grey Verhulst model.

foundation pit sedimentation；metabolizing model；grey Verhulst model

1672-8262(2017)03-133-03

P642

B

2017—01—04

石勇(1984—)，男，工程師，碩士，主要從事工程安全監(jiān)測(cè)等方面的技術(shù)工作。

住房和城鄉(xiāng)建設(shè)部 軟科學(xué)研究項(xiàng)目(2015-K8-012)