CN115217152B - 一种沉管隧道管节接头张合变形的预测方法及装置 - Google Patents

一种沉管隧道管节接头张合变形的预测方法及装置 Download PDF

Info

Publication number
CN115217152B
CN115217152B CN202210904682.3A CN202210904682A CN115217152B CN 115217152 B CN115217152 B CN 115217152B CN 202210904682 A CN202210904682 A CN 202210904682A CN 115217152 B CN115217152 B CN 115217152B
Authority
CN
China
Prior art keywords
ssa
component
data
value
svr model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210904682.3A
Other languages
English (en)
Other versions
CN115217152A (zh
Inventor
丁浩
张中哲
郭鸿雁
李科
胡居义
廖志鹏
梁肖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Chongqing Jiaotong University
China Merchants Chongqing Communications Research and Design Institute Co Ltd
Original Assignee
Chongqing University
Chongqing Jiaotong University
China Merchants Chongqing Communications Research and Design Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University, Chongqing Jiaotong University, China Merchants Chongqing Communications Research and Design Institute Co Ltd filed Critical Chongqing University
Priority to CN202210904682.3A priority Critical patent/CN115217152B/zh
Publication of CN115217152A publication Critical patent/CN115217152A/zh
Application granted granted Critical
Publication of CN115217152B publication Critical patent/CN115217152B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D29/00—Independent underground or underwater structures; Retaining walls
    • E02D29/063—Tunnels submerged into, or built in, open water
    • E02D29/073—Tunnels or shuttering therefor assembled from sections individually sunk onto, or laid on, the water-bed, e.g. in a preformed trench
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D33/00—Testing foundations or foundation structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Structural Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Civil Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Paleontology (AREA)
  • Mining & Mineral Resources (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Architecture (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种沉管隧道管节接头张合变形的预测方法及装置，本方案通过将张合变形数据分为趋势分量、周期分量和剩余分量进行并行处理，不仅有效降低了原始张合数据的复杂性，提高了预测效率，还可以清楚地反映管节接头张合量中各组成分量的情况；相比传统的SVR模型具有更优异的预测性能、模型预测误差小且泛化能力强。

Description

一种沉管隧道管节接头张合变形的预测方法及装置
技术领域
本发明涉及隧道变形预测技术领域，具体涉及一种沉管隧道管节接头张合变形的预测方法及装置。
背景技术
随着我国一系列沉管隧道工程相继投入运营，其服役安全性能受到人们的广泛关注。运营期沉管隧道结构所处环境恶劣多变且受力特性复杂，长期处于复杂的弯、扭、拉、压状态，其中管节接头作为整个隧道***中最薄弱、受力最敏感的部位，在此状态下极易产生差异性沉降、张合及扭转等变形，管节接头张合量过大会导致止水带破损、剪切键损坏、渗漏水等行为发生，严重威胁沉管隧道的服役安全。因此，对管节接头张合变形的未来态势进行及时、有效的预报，对于及时发现安全隐患、保障运营安全具有重要现实意义。
目前，对于管节接头变形的研究主要采用模型试验和数值模拟等方法。但模型试验存在相似比无法确定、耗时耗力，数值模拟存在简化模型等缺陷，这在一定程度上限制着传统方法的发展。随着交叉学科的不断融入，基于人工智能算法的变形预测研究已成为一个热点，在隧道工程领域主要集中在围岩变形、地表沉降等，而对于沉管隧道接头张合变形的预测研究还未见公开报道。
支持向量回归机模型(SVR)理论基础完善、非线性拟合能力强，是变形预测研究中常用的模型，但已有研究显示该模型在核参数g和惩罚因子C选择上仍缺乏一种高效的方法。
因此，为了克服上述现有技术的缺点，亟需提供一种解决方法。
发明内容
针对现有技术存在的不足，本发明提出一种沉管隧道管节接头张合变形的预测方法及装置，以解决现有技术中存在的难以高效地进行张合变形预测的技术问题。
一种沉管隧道管节接头张合变形的预测方法，其特征在于，包括：获取待预测管节接头处的张合变形数据和环境数据，所述环境数据至少包括温度数据和水深数据；采用奇异谱分析法对所述张合变形数据进行分解，并根据分解所得分量进行重构分别得到趋势分量、周期分量及剩余分量；将趋势分量、周期分量和剩余分量分别划分为各自对应的训练集和测试集；采用最小二乘法对趋势分量进行拟合及预测，得到趋势分量预测结果；采用周期分量的训练集对构建的第一SSA-SVR模型进行训练，得到第一目标SSA-SVR模型，采用所述第一目标SSA-SVR模型进行周期分量预测，得到周期分量预测结果；采用剩余分量的训练集对构建的第二SSA-SVR模型进行训练，得到第二目标SSA-SVR模型，采用所述第二目标SSA-SVR模型进行剩余分量预测，得到剩余分量预测结果；基于时序叠加原理将所述趋势分量预测结果、所述周期分量预测结果及所述剩余分量预测结果累加计算得到管节接头张合变形的整体预测值。
在一个实施例中，所述获取待预测管节接头处的张合变形数据和环境数据，环境数据至少包括温度数据和水深数据步骤之后，还包括：判断所述张合变形数据集是否为等距间距数据；若是，则进行后续采用奇异谱分析法对张合变形序列进行分解步骤；若否，则采用三次样条插值法进行等间距处理，得到等间距的张合变形数据集，再执行采用奇异谱分析法对张合变形数据进行分解步骤。
在一个实施例中，采用最小二乘法对趋势分量进行拟合及预测，得到趋势分量预测结果步骤，包括：基于所述趋势分量的训练集拟合最小二乘函数，得到目标最小二乘函数；根据所述目标最小二乘函数进行趋势分量预测，得到趋势分量预测结果。
在一个实施例中，采用周期分量的训练集对构建的第一SSA-SVR模型进行训练，得到第一目标SSA-SVR模型，采用所述第一目标SSA-SVR模型进行周期分量预测，得到周期分量预测结果步骤，包括：对所述周期分量的训练集、预测集和对应的环境数据分别进行归一化处理；建立第一SVR模型，以预测日前1日的张合变形数据和环境数据为输入，以预测日的张合变形数据为输出；初始化SSA算法的参数，所述参数至少包括最大迭代次数、种群规模、惩罚因子及核参数的取值范围、发现者比例和安全值；将所述第一SVR模型预输出的预测值与实际值之间的均方误差作为SSA算法的适应度函数，计算所有SSA的适应度值，确定当前SSA算法中的最优解并确定其位置；更新所述SSA算法中发现者、加入者和预警者的位置，查看位置更新后的个体适应度值，确定所述SSA算法中最优解的位置；判断所述SSA算法是否得到全局最优解或者满足最大迭代次数，若是，则输出所述SSA算法中最优解的位置作为惩罚因子和核参数的最优值，若否，则重复执行上述更新位置确定最优解步骤；将得到的惩罚因子及核参数最佳组合值用于所述第一SVR模型中，对周期分量的测试集进行预测，并进行反归一化操作得到周期分量的预测结果。
在一个实施例中，所述采用剩余分量的训练集对构建的第二SSA-SVR模型进行训练，得到第二目标SSA-SVR模型，采用所述第二目标SSA-SVR模型进行剩余分量预测，得到剩余分量预测结果步骤，包括：对所述剩余分量的训练集和预测集分别进行归一化处理；建立第二SVR模型，以剩余分量中预测日前3-6日的剩余分量值为输入，以预测日的剩余分量值为输出；初始化SSA算法的参数，所述参数至少包括最大迭代次数、种群规模、惩罚因子及核参数的取值范围、发现者比例和安全值；将所述第二SVR模型预输出的预测值与实际值之间的均方误差作为SSA算法的适应度函数，计算所有SSA的适应度值，确定当前SSA算法中的最优解并确定其位置；更新所述SSA算法中发现者、加入者和预警者的位置，查看位置更新后的个体适应度值，确定所述SSA算法中最优解的位置；判断所述SSA算法是否得到全局最优解或者满足最大迭代次数，若是，则输出所述SSA算法中最优解的位置作为惩罚因子和核参数的最优值，若否，则重复执行上述更新位置确定最优解步骤；将得到的惩罚因子及核参数最佳组合值用于所述第二SVR模型中，对剩余分量的测试集进行预测，并进行反归一化操作得到剩余分量的预测结果。
在一个实施例中，基于时序叠加原理将所述趋势分量预测结果、所述周期分量预测结果及所述剩余分量预测结果累加计算得到管节接头张合变形的整体预测值步骤之后，包括：采用决定系数、平均绝对误差和均方根误差对预测结果进行定量评价。
一种沉管隧道管节接头张合变形的预测装置，其特征在于，包括：数据获取模块、数据分解模块和数据预测模块，其中，所述数据获取模块用于，获取待预测管节接头处的张合变形数据和环境数据，所述环境数据至少包括温度数据和水深数据；所述数据分解模块用于，采用奇异谱分析法对所述张合变形数据进行分解，并根据分解所得分量进行重构分别得到趋势分量、周期分量及剩余分量；将趋势分量、周期分量和剩余分量分别划分为各自对应的训练集和测试集；所述数据预测模块用于，采用最小二乘法对趋势分量进行拟合及预测，得到趋势分量预测结果；采用周期分量的训练集对构建的第一SSA-SVR模型进行训练，得到第一目标SSA-SVR模型，采用所述第一目标SSA-SVR模型进行周期分量预测，得到周期分量预测结果；采用剩余分量的训练集对构建的第二SSA-SVR模型进行训练，得到第二目标SSA-SVR模型，采用所述第二目标SSA-SVR模型进行剩余分量预测，得到剩余分量预测结果；基于时序叠加原理将所述趋势分量预测结果、所述周期分量预测结果及所述剩余分量预测结果累加计算得到管节接头张合变形的整体预测值。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述各个实施例中所述的一种沉管隧道管节接头张合变形的预测方法的步骤。
一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述各个实施例中所述的一种沉管隧道管节接头张合变形的预测方法的步骤。
由上述技术方案可知，本发明的有益技术效果如下：
1.本方案通过将张合变形数据分为趋势分量、周期分量和剩余分量进行并行处理，不仅有效降低了原始张合数据的复杂性，还可以清楚地反映管节接头张合量中各组成分量的情况；相比传统的SVR模型具有更优异的预测性能、模型预测误差小且泛化能力强。
2.本方案采用SSA结合SVR构建模型，能够高效的选择出最优的核参数和惩罚因子，从而极大地提高预测的效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为一个实施例中一种沉管隧道管节接头张合变形的预测方法的流程图；
图2为一个实施例中一种沉管隧道管节接头张合变形的预测方法的简易流程图；
图3为一个实施例中拱顶沉降等距数据的示意图；
图4为一个实施例中管节接头张合量序列分解图；
图5为一个实施例中趋势分量拟合和预测结果的示意图；
图6为一个实施例中周期分量预测结果的示意图；
图7为一个实施例中剩余分量预测结果的示意图；
图8为一个实施例中张合变形整体预测结果的示意图；
图9为一个实施例中一种沉管隧道管节接头张合变形的预测装置的结构示意图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
在一个实施例中，如图1所示，提供一种沉管隧道管节接头张合变形的预测方法，包括以下步骤：
S110获取待预测管节接头处的张合变形数据和环境数据，环境数据至少包括温度数据和水深数据。
具体地，获取待预测管节接头的张合变形数据以及该处的温度及水位信息。
在一个实施例中，步骤S110之后，还包括：判断张合变形数据集是否为等距间距数据；若是，则进行后续采用奇异谱分析法对张合变形序列进行分解步骤；若否，则采用三次样条插值法进行等间距处理，得到等间距的张合变形数据集，再执行采用奇异谱分析法对张合变形数据进行分解步骤。具体地，但在实际工程中，数据采集过程存在很多不确定因素，监测数据往往存在缺失现象，如果直接用来分析是不合理的，因此，在拿到相关数据之后，首先应判断是否为等距数据。若是，则直接进行步骤S120；若否，则先采用三次样条差值法进行等距处理，再进行步骤S120。
S120采用奇异谱分析法对张合变形数据进行分解，并根据分解所得分量进行重构分别得到趋势分量、周期分量及剩余分量。
具体地，采用奇异谱分析法对张合变形序列进行分解，并根据分解所得分量进行重构分别得到趋势分量、周期分量及剩余分量。可表示为：
y(t)＝T(t)+S(t)+I(t)  (1)
式中：y(t)为接头张合变形值，T(t)为趋势分量，S(t)为周期分量，I(t)为剩余分量。趋势分量受结构自身老化、永久荷载等因素控制，周期分量受温度、潮汐荷载等因素控制，剩余分量则由突发性灾害、监测条件等因素控制。
S130将趋势分量、周期分量和剩余分量分别划分为各自对应的训练集和测试集。
具体到，将趋势分量、周期分量及剩余分量分别划分成两组，即训练集和测试集。训练集用于拟合函数或训练模型，测试集用于验证所拟合函数的精度或模型的预测精度及泛化能力。
S140采用最小二乘法对趋势分量进行拟合及预测，得到趋势分量预测结果。
在一个实施例中，步骤S140包括：基于趋势分量的训练集拟合最小二乘函数，得到目标最小二乘函数；根据目标最小二乘函数进行趋势分量预测，得到趋势分量预测结果。
具体地，采用最小二乘法对趋势分量进行拟合及预测。即以趋势分量的训练集拟合函数，然后利用拟合好的函数进行趋势分量的预测，得到趋势分量预测结果。
S150采用周期分量的训练集对构建的第一SSA-SVR模型进行训练，得到第一目标SSA-SVR模型，采用第一目标SSA-SVR模型进行周期分量预测，得到周期分量预测结果。
具体地，采用周期分量中的训练集对SSA-SVR模型进行训练，其中，麻雀搜索算法(SSA)，SVR，SVM回归算法称为支持向量回归或SVR，支持向量回归是一种监督学习算法，用于预测离散值。然后利用训练后的SSA-SVR模型进行周期分量的预测，得到周期分量预测结果。其中，SVR模型采用的为RBF核函数。RBF(Radial Basis Function)核函数：核函数的功能就是从低维度的空间向高维度空间转换的函数，因为在低维空间不可以线性分类的问题到高维度空间就可以线性分类的。其求法为低维空间的点映射到高维空间的点后，两个点的内积就是核函数。
在一个实施例中，步骤S150包括：对周期分量的训练集、预测集和对应的环境数据分别进行归一化处理；建立第一SVR模型，以预测日前1日的张合变形数据和环境数据为输入，以预测日的张合变形数据为输出；初始化SSA算法的参数，参数至少包括最大迭代次数、种群规模、惩罚因子及核参数的取值范围、发现者比例和安全值；将第一SVR模型预输出的预测值与实际值之间的均方误差作为SSA算法的适应度函数，计算所有SSA的适应度值，确定当前SSA算法中的最优解并确定其位置；更新SSA算法中发现者、加入者和预警者的位置，查看位置更新后的个体适应度值，确定SSA算法中最优解的位置；判断SSA算法是否得到全局最优解或者满足最大迭代次数，若是，则输出SSA算法中最优解的位置作为惩罚因子和核参数的最优值，若否，则重复执行上述更新位置确定最优解步骤；将得到的惩罚因子及核参数最佳组合值用于第一SVR模型中，对周期分量的测试集进行预测，并进行反归一化操作得到周期分量的预测结果。
具体地，采用麻雀搜索算法(SSA)和SVR模型的结合，故称为SSA-SVR模型，(1)通过水深变化对潮汐荷载进行模拟，并对张合变形数据中周期分量的训练集、预测集及各部分所对应的温度数据、水深数据分别进行归一化处理，使其位于[-1，1]之间，以消除数据量纲的影响，使算法更容易收敛。(2)以预测日的前1日的温度、水深及张合变形数据为输入，预测日的张合变形数据为输出。(3)初始化麻雀搜索算法参数，主要包括最大迭代次数、种群规模、惩罚因子C和核参数g的取值范围、发现者比例、安全值等。(4)每个麻雀个体代表SVR模型的g和C两参数，以预测输出值和实际输出值的均方误差作为麻雀搜索算法的适应度函数，计算所有麻雀的适应度值，找到当前全局最优解并确定其位置。(5)更新发现者、加入者和预警者的位置，查看位置更新后的个体适应度值，确定最佳麻雀个体的位置，其中，发现者、加入者和预警者都是麻雀搜索算法的参数；(6)判断是否满足中止准则，即得到全局最优解或者满足最大迭代次数。若满足，则输出最佳麻雀位置作为参数g和C的最优值，反之，则继续执行步骤(5)。(7)将得到的g和C最佳组合值用于SVR模型中，对周期分量的测试集进行预测，并进行反归一化操作得到周期分量的预测结果。
S160采用剩余分量的训练集对构建的第二SSA-SVR模型进行训练，得到第二目标SSA-SVR模型，采用第二目标SSA-SVR模型进行剩余分量预测，得到剩余分量预测结果。
具体地，采用剩余分量中的训练集对SSA-SVR模型进行训练，然后利用训练后的SSA-SVR模型进行剩余分量的预测，得到剩余分量预测结果。其中，SVR模型采用的为RBF核函数。RBF(Radial Basis Function)核函数：核函数的功能就是从低维度的空间向高维度空间转换的函数，因为在低维空间不可以线性分类的问题到高维度空间就可以线性分类的。其求法为低维空间的点映射到高维空间的点后，两个点的内积就是核函数。
在一个实施例中，步骤S160包括：对剩余分量的训练集和预测集分别进行归一化处理；建立第二SVR模型，以剩余分量中预测日前3-6日的历史剩余分量值为输入，以预测日的剩余分量值为输出；初始化SSA算法的参数，参数至少包括最大迭代次数、种群规模、惩罚因子及核参数的取值范围、发现者比例和安全值；将第二SVR模型预输出的预测值与实际值之间的均方误差作为SSA算法的适应度函数，计算所有SSA的适应度值，确定当前SSA算法中的最优解并确定其位置；更新SSA算法中发现者、加入者和预警者的位置，查看位置更新后的个体适应度值，确定SSA算法中最优解的位置；判断SSA算法是否得到全局最优解或者满足最大迭代次数，若是，则输出SSA算法中最优解的位置作为惩罚因子和核参数的最优值，若否，则重复执行上述更新位置确定最优解步骤；将得到的惩罚因子及核参数最佳组合值用于第二SVR模型中，对剩余分量的测试集进行预测，并进行反归一化操作得到剩余分量的预测结果。
具体地，(1)实际工程中，很难获得剩余分量影响因素的量化值，因此，从剩余分量自身数据出发，构建历史信息与未来信息之间的响应关系，同时首先对张合变形数据中剩余分量的训练集、预测集分别进行归一化处理，使其位于[-1，1]之间，以消除数据量纲的影响，使算法更容易收敛。(2)以剩余分量中预测日前3-6日的剩余分量为输入，预测日剩余分量为输出，在实际运用中，优选预测日前3日的剩余分量作为输入。(3)初始化麻雀搜索算法参数，主要包括最大迭代次数、种群规模、惩罚因子C和核参数g的取值范围、发现者比例、安全值等。(4)每个麻雀个体代表SVR模型的g和C两参数，以预测输出值和实际输出值的均方误差作为麻雀搜索算法的适应度函数，计算所有麻雀的适应度值，找到当前全局最优解并确定其位置。(5)更新发现者、加入者和预警者的位置，查看位置更新后的个体适应度值，确定最佳麻雀个体的位置；(6)判断是否满足中止准则，即得到全局最优解或者满足最大迭代次数。若满足，则输出最佳麻雀位置作为参数g和C的最优值，反之，则继续执行步骤(5)。(7)将得到的g和C最佳组合值用于SVR模型中，对剩余分量的测试集进行预测，并进行反归一化操作得到剩余分量的预测结果。
S170基于时序叠加原理将趋势分量预测结果、周期分量预测结果及剩余分量预测结果累加计算得到管节接头张合变形的整体预测值。
具体地，基于时序叠加原理将趋势分量预测结果、周期分量预测结果及剩余分量预测结果累加计算得到管节接头张合变形整体预测值。
在一个实施例中，步骤S170之后，还包括：采用决定系数、平均绝对误差和均方根误差对预测结果进行定量评价。具体地，采用决定系数R2、平均绝对误差MAE和均方根误差RMSE对预测结果进行定量评价。R2取值为(0,1)，其值越大表明预测值与实际值一致程度越高；MAE能反应预测值误差的实际情况，RMSE对较大误差极其敏感，可以反应预测的精密度，两项指标均越小越好。计算公式如下：
Figure BDA0003772077730000101
Figure BDA0003772077730000102
Figure BDA0003772077730000103
式中：
Figure BDA0003772077730000111
为接头张合变形预测值，yi为接头张合变形实际值，
Figure BDA0003772077730000112
为接头张合变形实际值均值，N为数据的组数。
在一个实施例中，对一个具体的示例按照上述方法进行处，如图3所示，为进行等距处理后的张合变形、温度和水深数据。采用奇异谱分析法对接头处张合数据进行分解，窗口长度设置为365，第1分量为趋势分量，第2至第40分量为周期分量，第41至第365分量为剩余分量。如图4所示为采用奇异谱分析法分解管节接头张合量监测数据得到的趋势分量T、周期分量S及剩余分量I。采用最小二乘法对趋势分量的训练集进行拟合，并利用拟合函数对趋势分量的测试集进行预测。拟合的线性方程及精度见表1，拟合及预测结果如图5所示。
表1趋势分量拟合方程及精度
Figure BDA0003772077730000113
周期分量预测。以2020年4月22日为节点，节点之前为训练集，之后划分为测试集。基于Python编程语言构建模型，设置SSA算法的最大迭代次数为300、种群大小为50、寻优参数的范围上下界分别为1000和0.001，发现者比例为0.7，预警者占比0.2，安全值为0.6。SVR模型选用RBF核函数。为进一步验证SSA-SVR模型的有效性与准确性，将传统的SVR模型作为对比，预测结果如图6所示，预测精度及误差见表2。
表2周期分量预测精度及误差
Figure BDA0003772077730000114
由图6中可以看出：可以明显看出，SSA-SVR优化模型预测效果优于传统的SVR模型，这是由于麻雀搜索算法具有较强的全局寻优能力，能够获取模型的最优惩罚因子及核函数参数，从而得到更好的预测结果。结合表2中定量评价指标进一步分析，SSA-SVR模型得到了最优的结果，相较于SVR模型RMSE和MAE分别由0.2904、0.2440降到了0.1946、0.1581，降低了28.19％和27.38％，从两项指标的计算公式可以看出，RMSE对较大的误差及其敏感、M AE能反映预测值误差的实际情况，这说明SSA-SVR模型具有较高的稳定性和预测精度，适用于对周期分量的预测中。
剩余分量预测。以2020年4月22日为节点，节点之前为训练集，之后划分为测试集，在本示例中选取预测日前3日的剩余分量作为输入。基于Python编程语言构建模型，设置SSA算法的最大迭代次数为300、种群大小为50、寻优参数的范围上下界分别为1000和0.001，发现者比例为0.7，预警者占比0.2，安全值为0.6。SVR模型选用RBF核函数。为进一步验证SSA-SVR模型的有效性与准确性，将传统的SVR模型作为对比，预测结果如图7所示，预测精度及误差见表3。
表3剩余分量预测精度及误差
Figure BDA0003772077730000121
由图7可以看出：整体上SSA-SVR优化模型预测效果优于传统的SVR模型，但在曲线转折处明显偏离实际值，传统SVR模型也存在这种现象，且相较于SSA-SVR模型误差更大，这表明SVR模型对于数据的突变具有较强的敏感性、抗干扰能力较SSA-SVR模型差。因此，本文所提SSA-SVR模型应用于剩余分量的预测中仍具有一定的可靠性。结合表2中定量评价指标进一步分析，SSA-SVR模型预测R2＝0.9308、RMSE＝0.0401mm、M AE＝0.0305mm，SVR模型预测R2＝0.8919、RMSE＝0.0501mm、M AE＝0.0368mm，3种评价指标均以SSA-SVR优化模型最优，这也进一步的说明了SSA-SVR模型具有较高的预测精度。
将趋势分量、周期分量及剩余分量进行叠加，即得到两处接头张合量最优预测结果，如图8所示。由图8可以看出，采用本文所提组合模型用于沉管隧道接头张合变形中取得了较好的预测效果，预测结果能近似代表接头实际张合变形趋势。R2为0.9792；RMSE为0.1900mm；MAE为0.1587mm，具有较高的精度及稳定性。主要原因有以下3点：1)采用奇异谱分析法分解出的趋势分量、周期分量及剩余分量各有特点，通过考虑分量的变形特征选取了合适的预测方法，进而得到了较优的预测结果；2)麻雀搜索算法具有较强的全局寻优能力，能够有效进行SVR模型参数寻优；3)RFB核函数的非线性挖掘能力强，更能准确的预测出接头张合变形情况。
在一个实施例中，如图9所示，提供了一种沉管隧道管节接头张合变形的预测装置，包括：数据获取模块210、数据分解模块220和数据预测模块230，其中，
数据获取模块210用于，获取待预测管节接头处的张合变形数据和环境数据，环境数据至少包括温度数据和水深数据；
数据分解模块220用于，采用奇异谱分析法对张合变形数据进行分解，并根据分解所得分量进行重构分别得到趋势分量、周期分量及剩余分量；将趋势分量、周期分量和剩余分量分别划分为各自对应的训练集和测试集；
数据预测模块230用于，采用最小二乘法对趋势分量进行拟合及预测，得到趋势分量预测结果；采用周期分量的训练集对构建的第一SSA-SVR模型进行训练，得到第一目标SSA-SVR模型，采用第一目标SSA-SVR模型进行周期分量预测，得到周期分量预测结果；采用剩余分量的训练集对构建的第二SSA-SVR模型进行训练，得到第二目标SSA-SVR模型，采用第二目标SSA-SVR模型进行剩余分量预测，得到剩余分量预测结果；基于时序叠加原理将趋势分量预测结果、周期分量预测结果及剩余分量预测结果累加计算得到管节接头张合变形的整体预测值。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储配置模板，还可用于存储目标网页数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种沉管隧道管节接头张合变形的预测方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被计算机执行时使所述计算机执行如前述实施例所述的方法，所述计算机可以为上述提到的一种沉管隧道管节接头张合变形的预测装置的一部分。
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (7)

1.一种沉管隧道管节接头张合变形的预测方法，其特征在于，包括：
获取待预测管节接头处的张合变形数据和环境数据，所述环境数据至少包括温度数据和水深数据；
采用奇异谱分析法对所述张合变形数据进行分解，并根据分解所得分量进行重构分别得到趋势分量、周期分量及剩余分量；
将趋势分量、周期分量和剩余分量分别划分为各自对应的训练集和测试集；
采用最小二乘法对趋势分量进行拟合及预测，得到趋势分量预测结果；
采用周期分量的训练集对构建的第一SSA-SVR模型进行训练，得到第一目标SSA-SVR模型，采用所述第一目标SSA-SVR模型进行周期分量预测，得到周期分量预测结果；
对所述周期分量的训练集、预测集和对应的环境数据分别进行归一化处理；
建立第一SVR模型，以预测日前1日的张合变形数据和环境数据为输入，以预测日的张合变形数据为输出；
初始化SSA算法的参数，所述参数至少包括最大迭代次数、种群规模、惩罚因子及核参数的取值范围、发现者比例和安全值；
将所述第一SVR模型预输出的预测值与实际值之间的均方误差作为SSA算法的适应度函数，计算所有SSA的适应度值，确定当前SSA算法中的最优解并确定其位置；
更新所述SSA算法中发现者、加入者和预警者的位置，查看位置更新后的个体适应度值，确定所述SSA算法中最优解的位置；
判断所述SSA算法是否得到全局最优解或者满足最大迭代次数，若是，则输出所述SSA算法中最优解的位置作为惩罚因子和核参数的最优值，若否，则重复执行上述更新位置确定最优解步骤；
将得到的惩罚因子及核参数最佳组合值用于所述第一SVR模型中，对周期分量的测试集进行预测，并进行反归一化操作得到周期分量的预测结果；
采用剩余分量的训练集对构建的第二SSA-SVR模型进行训练，得到第二目标SSA-SVR模型，采用所述第二目标SSA-SVR模型进行剩余分量预测，得到剩余分量预测结果；
对所述剩余分量的训练集和预测集分别进行归一化处理；
建立第二SVR模型，以剩余分量中预测日前3-6日的剩余分量值为输入，以预测日的剩余分量值为输出；
初始化SSA算法的参数，所述参数至少包括最大迭代次数、种群规模、惩罚因子及核参数的取值范围、发现者比例和安全值；
将所述第二SVR模型预输出的预测值与实际值之间的均方误差作为SSA算法的适应度函数，计算所有SSA的适应度值，确定当前SSA算法中的最优解并确定其位置；
更新所述SSA算法中发现者、加入者和预警者的位置，查看位置更新后的个体适应度值，确定所述SSA算法中最优解的位置；
判断所述SSA算法是否得到全局最优解或者满足最大迭代次数，若是，则输出所述SSA算法中最优解的位置作为惩罚因子和核参数的最优值，若否，则重复执行上述更新位置确定最优解步骤；
将得到的惩罚因子及核参数最佳组合值用于所述第二SVR模型中，对剩余分量的测试集进行预测，并进行反归一化操作得到剩余分量的预测结果；
基于时序叠加原理将所述趋势分量预测结果、所述周期分量预测结果及所述剩余分量预测结果累加计算得到管节接头张合变形的整体预测值。
2.根据权利要求1所述的方法，其特征在于，所述获取待预测管节接头处的张合变形数据和环境数据，环境数据至少包括温度数据和水深数据步骤之后，还包括：
判断所述张合变形数据集是否为等距间距数据；
若是，则进行后续采用奇异谱分析法对张合变形序列进行分解步骤；
若否，则采用三次样条插值法进行等间距处理，得到等间距的张合变形数据集，再执行采用奇异谱分析法对张合变形数据进行分解步骤。
3.根据权利要求1所述的方法，其特征在于，采用最小二乘法对趋势分量进行拟合及预测，得到趋势分量预测结果步骤，包括：
基于所述趋势分量的训练集拟合最小二乘函数，得到目标最小二乘函数；
根据所述目标最小二乘函数进行趋势分量预测，得到趋势分量预测结果。
4.根据权利要求1所述的方法，其特征在于，基于时序叠加原理将所述趋势分量预测结果、所述周期分量预测结果及所述剩余分量预测结果累加计算得到管节接头张合变形的整体预测值步骤之后，包括：
采用决定系数、平均绝对误差和均方根误差对预测结果进行定量评价。
5.一种沉管隧道管节接头张合变形的预测装置，其特征在于，包括：数据获取模块、数据分解模块和数据预测模块，其中，
所述数据获取模块用于，获取待预测管节接头处的张合变形数据和环境数据，所述环境数据至少包括温度数据和水深数据；
所述数据分解模块用于，采用奇异谱分析法对所述张合变形数据进行分解，并根据分解所得分量进行重构分别得到趋势分量、周期分量及剩余分量；将趋势分量、周期分量和剩余分量分别划分为各自对应的训练集和测试集；
所述数据预测模块用于，采用最小二乘法对趋势分量进行拟合及预测，得到趋势分量预测结果；采用周期分量的训练集对构建的第一SSA-SVR模型进行训练，得到第一目标SSA-SVR模型，采用所述第一目标SSA-SVR模型进行周期分量预测，得到周期分量预测结果；对所述周期分量的训练集、预测集和对应的环境数据分别进行归一化处理；建立第一SVR模型，以预测日前1日的张合变形数据和环境数据为输入，以预测日的张合变形数据为输出；初始化SSA算法的参数，所述参数至少包括最大迭代次数、种群规模、惩罚因子及核参数的取值范围、发现者比例和安全值；将所述第一SVR模型预输出的预测值与实际值之间的均方误差作为SSA算法的适应度函数，计算所有SSA的适应度值，确定当前SSA算法中的最优解并确定其位置；更新所述SSA算法中发现者、加入者和预警者的位置，查看位置更新后的个体适应度值，确定所述SSA算法中最优解的位置；判断所述SSA算法是否得到全局最优解或者满足最大迭代次数，若是，则输出所述SSA算法中最优解的位置作为惩罚因子和核参数的最优值，若否，则重复执行上述更新位置确定最优解步骤；将得到的惩罚因子及核参数最佳组合值用于所述第一SVR模型中，对周期分量的测试集进行预测，并进行反归一化操作得到周期分量的预测结果；采用剩余分量的训练集对构建的第二SSA-SVR模型进行训练，得到第二目标SSA-SVR模型，采用所述第二目标SSA-SVR模型进行剩余分量预测，得到剩余分量预测结果；对所述剩余分量的训练集和预测集分别进行归一化处理；建立第二SVR模型，以剩余分量中预测日前3-6日的剩余分量值为输入，以预测日的剩余分量值为输出；初始化SSA算法的参数，所述参数至少包括最大迭代次数、种群规模、惩罚因子及核参数的取值范围、发现者比例和安全值；将所述第二SVR模型预输出的预测值与实际值之间的均方误差作为SSA算法的适应度函数，计算所有SSA的适应度值，确定当前SSA算法中的最优解并确定其位置；更新所述SSA算法中发现者、加入者和预警者的位置，查看位置更新后的个体适应度值，确定所述SSA算法中最优解的位置；判断所述SSA算法是否得到全局最优解或者满足最大迭代次数，若是，则输出所述SSA算法中最优解的位置作为惩罚因子和核参数的最优值，若否，则重复执行上述更新位置确定最优解步骤；将得到的惩罚因子及核参数最佳组合值用于所述第二SVR模型中，对剩余分量的测试集进行预测，并进行反归一化操作得到剩余分量的预测结果；基于时序叠加原理将所述趋势分量预测结果、所述周期分量预测结果及所述剩余分量预测结果累加计算得到管节接头张合变形的整体预测值。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN202210904682.3A 2022-07-29 2022-07-29 一种沉管隧道管节接头张合变形的预测方法及装置 Active CN115217152B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210904682.3A CN115217152B (zh) 2022-07-29 2022-07-29 一种沉管隧道管节接头张合变形的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210904682.3A CN115217152B (zh) 2022-07-29 2022-07-29 一种沉管隧道管节接头张合变形的预测方法及装置

Publications (2)

Publication Number Publication Date
CN115217152A CN115217152A (zh) 2022-10-21
CN115217152B true CN115217152B (zh) 2023-05-16

Family

ID=83614765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210904682.3A Active CN115217152B (zh) 2022-07-29 2022-07-29 一种沉管隧道管节接头张合变形的预测方法及装置

Country Status (1)

Country Link
CN (1) CN115217152B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117349602A (zh) * 2023-12-06 2024-01-05 江西省水投江河信息技术有限公司 一种水利设施运行状态预测方法、***及计算机

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112903091A (zh) * 2021-01-19 2021-06-04 昆明理工大学 基于vmd-svd与ssa-svm的电梯导靴故障诊断方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407581A (zh) * 2016-09-28 2017-02-15 华中科技大学 一种地铁隧道施工诱发地表沉降的智能预测方法
CN110442979B (zh) * 2019-08-08 2021-04-13 山东大学 基于bp神经网络的盾构施工隧道的全变形预测方法及***
CN110969096A (zh) * 2019-11-07 2020-04-07 国电南京自动化股份有限公司 基于粒子群优化支持向量机的电机故障模式诊断方法
CN111270713A (zh) * 2020-02-10 2020-06-12 大连科迈尔防腐科技有限公司 一种超声测厚探头安装结构、隧道沉管及安装方法
AU2020100405A4 (en) * 2020-03-17 2020-04-30 Qingdao university of technology A slop risk comprehensive assessment method based on slope failures forms
CN111709569B (zh) * 2020-06-11 2023-09-22 国网冀北电力有限公司电力科学研究院 风电场输出功率预测修正方法及装置
CN113472851A (zh) * 2021-05-27 2021-10-01 中交天津港湾工程研究院有限公司 一种沉管隧道云端自动化监控管理***
CN113484785A (zh) * 2021-07-07 2021-10-08 李忠 一种基于麻雀搜索和最小二乘支持向量机的电池健康状态估计与剩余寿命预测方法
CN113591700A (zh) * 2021-07-30 2021-11-02 兰州大学 一种潜在滑坡堵江预测方法
CN113569324A (zh) * 2021-08-03 2021-10-29 招商局重庆交通科研设计院有限公司 边坡形变监测异常数据分析与优化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112903091A (zh) * 2021-01-19 2021-06-04 昆明理工大学 基于vmd-svd与ssa-svm的电梯导靴故障诊断方法

Also Published As

Publication number Publication date
CN115217152A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
Wang et al. A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction
Galelli et al. An evaluation framework for input variable selection algorithms for environmental data-driven models
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN110119854A (zh) 基于代价敏感lstm循环神经网络的稳压器水位预测方法
Song et al. Value of information analysis in non-stationary stochastic decision environments: A reliability-assisted POMDP approach
CN111784061B (zh) 一种电网工程造价预测模型的训练方法、装置和设备
CN117175588B (zh) 基于时空相关性的用电负荷预测方法及装置
CN111325403A (zh) 一种公路隧道机电设备剩余寿命预测方法
CN115217152B (zh) 一种沉管隧道管节接头张合变形的预测方法及装置
CN114358435A (zh) 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法
CN115510748A (zh) 基于变分模态分解和cnn-gru的滑坡位移预测方法
CN115687322A (zh) 基于编码器-解码器和自回归生成对抗网络的水质时间序列缺失数据补全方法
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN113151842B (zh) 风光互补电解水制氢的转化效率的确定方法和确定装置
Zou et al. Reliability analysis of Digital Instrumentation and Control software system
CN112767692A (zh) 基于SARIMA-GA-Elman组合模型的短时交通流量预测***
CN112911533A (zh) 一种基于移动端App的温度检测***
CN115330085A (zh) 基于深度神经网络且无未来信息泄露的风速预测方法
CN111859798A (zh) 基于双向长短时神经网络的流程工业故障诊断方法
Cai et al. A self-attention-LSTM method for dam deformation prediction based on CEEMDAN optimization
Zhao et al. An interpretable ultra-short-term wind power prediction model based on the feature matrix reconstruction through regression trees
CN117829822B (zh) 一种电力变压器故障预警方法及***
CN117977584B (zh) 电力负荷概率预测方法、***、介质、设备及程序产品
CN114741948B (zh) 一种基于序列重构的残差堆叠卷积网络的航空发动机退化趋势预测方法
CN116108361B (zh) 油液质量智能检测方法与监测***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant