灰色预测与Kalman滤波在建筑物沉降变形分析中的应用

沉降变形分析与预测对于建筑物的安全运营具有重要作用,建立科学、合理的预测模型对于变形分析极其重要。本文运用GM(1,1)模型与Kalman滤波模型对建筑物沉降变形进行预测。通过实例对比分析表明,GM(1,1)模型较适合短期且变形趋势呈线性或指数分布趋势的变形分析与预测;Kalman滤波模型对短期和较长周期呈波形或线性变形均具有较高预测精度。     

灰色GM(1,1)与Kalman滤波模型用于变形预测的比较分析

通过运用灰色GM(1,1)和Kalman滤波模型分别对某高层建筑物的沉降变形趋势进行分析,得出灰色GM(1,1)适用于短期且变形趋势呈线性变化的变形分析与预测,而Kalman滤波模型不仅适用于短期预测,对于长周期预测也有较高的精度。因此,在观测周期较短时,灰色GM(1,1)和Kalman滤波模型对线性变化的高层建筑物都有较高的预测精度,但是对于较长周期的观测,Kalman滤波模型预测的精度和可靠性要高于灰色GM(1,1)模型。     

基于原始序列的灰色预测模型

针对原始序列平滑处理和用直线斜率代替t=k+1/2时刻导数两方面的问题,该文在分析GM(1,1)建模过程和原理的基础上,应用中心逼近原理,提出了基于原始序列的灰色预测模型OGM(1,1)。对于严格呈指数增长趋势的原始序列,通过平滑处理使其更利于建模,再通过累减获得新的初始序列,建立OGM(1,1)模型。通过对高增长、低增长和缓慢递减3种类型实测数据序列验证分析,比较GM(1,1)、PGM(1,1)和OGM(1,1)3种模型在变形监测数据处理中的拟合和预测结果,结果表明OGM(1,1)模型拟合效果更好、预测精度更高。     

高层建筑物沉降变形的灰线性预测

本文以高层建筑物沉降变形预测为主要研究目的,讨论了GM(1,1)方法适用于单一指数增长模型、对预测序列数据异常情况难以准确预测的局限性,利用线性回归适用短期预测的特点,提出了基于GM(1,1)与线性回归组合预测高层建筑物沉降变形的方法;对组合模型预测精度起决定性作用的灰指数v和参数m进行了分析,给出了求解灰指数v和参数m的最优值算法,最后利用组合模型对某高层建筑物沉降变形数据进行了解算,应用结果表明,该方法使预测结果更为可靠、准确。     

基于NGM(1,1,k,c)模型和改进切线角的危岩变形预测

针对危岩变形预测问题,本文以非齐次指数序列的灰色模型(NGM)作为危岩变形预测的基本模型,通过对望霞危岩变形的分析结果显示,NGM(1,1,k,c)模型拟合效果明显优于GM(1,1)模型,说明危岩变形趋势更接近于非齐次指数序列。利用NGM(1,1,k,c)模型结合改进切线角可对危岩变形趋势进行分析预测,可作为危岩稳定性和发展趋势的评估依据。     

一种无偏模型在变形监测中的应用

针对变形发展趋势多样性的特点,将无偏NGM(1,1,k)模型应用于变形监测数据的分析预测中,说明无偏NGM(1,1,k)模型可分别用于拟合近似线性-指数增长趋势变形序列、近似非齐次指数变形序列和近似齐次指数变形序列。根据监测数据的发展特点可选择适合的建模方法。实例分析结果显示,无偏NGM(1,1,k)模型具有良好的拟合和预测精度,可用于滑坡位移的分析预测中。     

基于灰色模型和指数平滑法的地面沉降预测

提出了在灰色模型GM(1,1)和三次指数平滑法基础上的组合预测方法。地面沉降是一种渐变性地质灾害,可以预测其发展趋势。文章结合灰色系统理论预测模型及指数平滑法预测模型的特点,提出了在灰GM(1,1)和三次指数平滑法的基础上采用加权组合预测地面沉降预测的方法。     

顾及钟差随机项的GPS卫星钟差预报

针对卫星钟差呈趋势项和随机项变化的特点,提出了基于GM(1,1)与自回归求和移动平均的组合预报模型。该模型首先采用GM(1,1)模型预报钟差的趋势项部分,然后利用ARIMA模型对GM(1,1)的模型残差序列进行建模和预报,最后将GM(1,1)和ARIMA模型的预报结果对应相加即得到钟差的最终预报值。此外,采用IGS公布的精密卫星钟差进行预报试验,通过与卫星钟差预报中常用的二次多项式模型和修正指数曲线法模型预报结果的对比分析,结果表明:该方法可以对GPS卫星钟差进行高精度的中短期预报。用12 h钟差建模时,预报未来6、12、24和48 h的平均预报精度分别为0.71、1.17、1.93和4.38 ns,相比于二次多项式模型的平均预报精度分别提高了29.70%、43.75%、67.62%和76.21%;相比于修正指数曲线法模型的平均预报精度分别提高了18.39%、33.90%、61.40%和70.49%。     

一种改进灰色预测模型在变形预测中的应用

针对传统的单一模型和非线性GM(1,1)-AR组合模型无法实现对非平稳、含噪时间序列信号进行优化处理的问题,该文提出了一种新的基于小波的GM(1,1)-AR模型预测算法。采用小波变换原理对监测数据进行消噪处理和不同频带的分离,有效地获取了实际变形量;利用GM(1,1)模型和AR时序分析模型对具有确定性的趋势项和不确定性的随机项进行建模组合,较好地综合了灰色模型拟合功能强大和时间序列善于处理细节信息两者优势。通过工程实例对比分析结果表明:基于小波的GM(1,1)-AR模型不仅有效剔除了多余噪声,还利用各种模型有机嵌套组合实现优势互补,新算法预测结果比各单一模型、非线性GM(1,1)-AR模型结果更为精确。     

非等间距WGM-AR模型在基坑周边建筑物沉降预测中的应用

非等间距GM（1,1）模型在不等时间间隔序列的趋势分析和预测方面具有重要作用,在此基础上,提出一种基于非等间距加权GM（1,1）模型和自回归AR（p）模型相结合的非等间距加权灰色自回归模型（非等间距WGM-AR模型）.将基坑周边建筑物沉降监测数据视为具有确定趋势的非等时间序列,对序列进行平滑处理,利用非等间距加权GM（1,1）模型提取该时序中的确定性趋势项,用自回归AR（p）模型分析生成的等间距序列中的随机项,并采用内插法得到沉降监测序列的随机项.将组合模型与非等间距GM（1,1）模型计算结果对比分析,结果表明,组合模型具有更高的预测精度,在基坑周边建筑物沉降预测中具有较高的应用价值.