基于小波优化LSTM-ARMA模型的岩土工程非线性时间序列预测
- 岩土工程
- 2022-11-06
- 59热度
- 0评论
Q1:文献在解决什么问题(摘要、引言)
更精确预测岩土工程应力和变形等的非线性时间序列
Q2:为什么问题在这个领域重要(引言)
1、岩土工程应力、变形具有非线性、随机性、模糊性、高度复杂性
2、传统分析方法,理论计算方法不成熟、只适用于特定工况,有较大误差、精度难以满足要求
3、智能预测成为岩土工程领域的发展趋势:
-
-
优化算法(遗传算法、蚁群算法):有局部极值问题
-
BP(反向传播)神经网络:梯度消失、梯度爆炸问题
-
LSTM:对高度非线性的数 据有着极强的映射能力”
4、智能方法在岩土工程领域:
-
基于模型的反演方法——基于少量数据,修正现有土体模型参数
-
基于大数据的之恶能算法——不考虑土力学原理,直接通过数据学习对象间的隐藏规律——本文目的
5、监测数据中有噪声的干扰
小波分析、LSTM 神经网络与 ARMA 模型的结合使用
Q3:作者怎么解决这个问题的(具体试验设计、优化)
1、预测模型
-
线性插值等方法处理非线性时间序列
-
选取适当小波基函数和分解函数,对时间序列进行小波降噪,分解成趋势项 trend(t) 与噪声项 noise(t)之和
-
趋势项采用LSTM进行滚动预测
-
噪声项采用ARMA(自回归移动平均模型)预测
-
预测值相加得到总的预测值
2、工程实例分析
-
数据预处理:分段线性插值
-
DB-1监测数据建模预测
-
其余监测点数据建模预测
工况 2 为抽水试验和疏干降水,其引起监测点变形的速率要大于工况 1 中的围护墙施工
-
样本数量的影响:依据预测精度要求,有必要合理地选择样本数量;在满足工程需求的条件下,继续增大样本数量,对提高预测精度非常有限,反之还将显著降低计算效率
3、有限元验证
-
基坑开挖诱发沉——弹塑性有限元
-
非开挖诱发沉降——智能预测模型
Q4:问题解决的亮点、局限、应用(数据分析、应用展示、结论、展望)
1、通过小波降噪提取的趋势项可以更真实地反映基坑变形规律
2、若后续工况与前置工况沉降规 律相近,则预测误差较小