基于滚动时间序列SVR的地铁咽喉区小净距隧道围岩位移预测

发布时间：2021-12-22 16:14

　　为更有效地预测车辆段咽喉区小净距隧道的围岩位移,采用时间序列支持向量机（SVM）方法,基于实际监测数据分析小净距隧道的围岩沉降,并比较不同SVM参数下的预测精度评价指标。研究结果表明:基于滚动时间序列SVR方法在预测25 d以内的数据时,可以保持足够的精度,其均方根误差（RMSE）和平均绝对相对误差（MAPE）分别能保持在0.3和0.5%以下。SVM输出的预测数据不仅可以较好地拟合原有数据的趋势,还可以有效地模拟数据在小范围内的波动,并可较为准确地判断衬砌结构沉降是否收敛。因此,使用基于滚动时间序列SVR的围岩位移预测方法对隧道和围岩的位移进行预测可为隧道施工方法的优化决策提供参考。 

【文章来源】：铁道科学与工程学报. 2020,17(09)北大核心CSCD

【文章页数】：8 页

【部分图文】：

d内WRDK2+094断面沉降值变化曲线Fig.2SettlementcurveoftheWRDK2+094sectionduring

第9期陈涛：基于滚动时间序列SVR的地铁咽喉区小净距隧道围岩位移预测2343图3m=25，k=21时计算结果对比Fig.3Comparisonofcalculationresultwhenm=25,k=21图4m=30，k=21时计算结果对比Fig.4Comparisonofcalculationresultwhenm=30,k=21一般来说，精度预测精度并不一定随着预测天数的减少而提高，而是与测试样本的变异系数(C.V)有关，计算各个区间测试样本的变异系数(C.V)如表2所示，取k分别为13，17和21时得到的平均绝对相对误差(MAPE)，计算得到C.V与MAPE的相关系数分别为0.9430，0.8556和0.9468，均处于强相关的范围，说明测试样本的变化越大，变异系数越大，则预测难度增大从而精度降低，极端情况下，k为1，预测天数m为1时，此时测试集变异系数(C.V)为0，计算结果的3项评价指标分别为0.1058%，0.1058%和0.89%，预测精度极高。同样方法对150d内的WRDK2+094断面拱肩部位的水平收敛(绝对值)监测数据进行处理，如图5所示，为收敛值的折线图。表2各预测区间变异系数Table2Variablecoefficientofeachpredictionintervalm51015202530C.V1.972.222.422.163.735.49图5150d内WRDK2+094断面拱肩水平收敛值(绝对值)变化曲线Fig.5Variationcurveofhorizontalconvergencevalue(absolutevalue)ofWRDK2+094crosssectionspandrelwithin150days根据表3中的结果可以看出，对于同样的测试样本，不同的k值决定了SVR的性能，当k=1时，MAPE均小于5%，当k=17时，MAPE最小为1.42%，最大达38.28%。故对于不同的预测天数时，应寻找最优的k值以使SVR的性?

铁道科学与工程学报2020年9月2344预测值有一定的波动，但也逐渐的有收敛趋势，且未大于10mm，151~167d的实测值也收敛于10mm，同样远低于报警值24mm。表3水平收敛值预测结果评价指标Table3EvaluationindexofpredictionresultsofhorizontalconvergencekmRMSEMAE/mmMAPE/%150.23240.15291.89100.27500.21712.61150.21080.14721.73200.38560.02630.04250.61370.38434.04300.25620.01910.32550.30080.23592.90100.42150.37734.52150.53780.49045.76200.64120.20912.76250.69280.42294.44300.54710.40954.73950.37700.32613.99100.33000.20742.54150.62020.57296.70200.43890.23152.82250.31410.04640.37300.39840.09300.941350.29540.10731.23100.45110.36154.37150.53530.49495.80200.72650.65117.18250.61320.51956.01300.45990.10971.121750.34120.12441.42100.21940.14031.66151.12131.067912.51200.81850.78168.78251.53321.371815.60303.73593.406938.282150.31270.26823.22100.37320.32143.82151.17191.134013.24200.37910.29433.40252.97182.726330.78303.40293.060334.46图6沉降预测值与实测值的对比Fig.6Comparisonbetweenthepredictedandmeasuredvalueofsettlement图7拱肩水平收敛预测值与实测值的对比Fig.7Comparisonbetweenthepredictedandmeasuredvaluesofhorizontalconvergenceinthespandrel4结论1)采用时间序列法创建SVR预测围岩位移，其输出结果不仅较好地拟合原数据的趋势，并可还原实测数据小范围内的波动，其预测精度也保持在较高的水平。2)采用时间序列法SVR对拱肩的水平收敛值

【参考文献】：
期刊论文
[1]基于支持向量机模型的四川省滑坡灾害易发性区划[J]. 王卫东,刘攀,龚陆.  铁道科学与工程学报. 2019(05)
[2]基于支持向量机沉降代理模型复合地基优化设计方法[J]. 陈昌富,李欣,龚晓南,俞建霖.  铁道科学与工程学报. 2018(06)
[3]大断面铁路隧道室内模型试验与分析研究[J]. 梁庆国,樊纯坛,赵志强.  铁道科学与工程学报. 2017(09)
[4]基于粒子群算法优化支持向量机的岩爆预测研究[J]. 汪华斌,卢自立,邱杰汉,刘文浩,张玲.  地下空间与工程学报. 2017(02)
[5]基于改进的支持向量机隧道变形预测模型[J]. 周奇才,范思遐,赵炯,熊肖磊.  铁道工程学报. 2015(03)
[6]基于灰色—进化神经网络的滑坡变形预测研究[J]. 高玮,冯夏庭.  岩土力学. 2004(04)
[7]非线性位移时间序列预测的进化-支持向量机方法及应用[J]. 赵洪波,冯夏庭.  岩土工程学报. 2003(04)
[8]人工神经网络在岩土工程中的应用[J]. 高浪,谢康和.  土木工程学报. 2002(04)



本文编号：3546691