付浩雁 杨贝贝 胡德华 郭英嘉 方正
摘要:基于灰色理论建立的GM(1,1)灰色预测模型常被用于大坝位移实刚资料序列的分析。为提高大坝位移预测精度,在分析传统GM(1,1)预测模型构建原理、步骤的基础上,提出了对原始数据序列进行平滑处理、对背景值和残差序列进行优化等方法,建立了大坝位移预测的改进非等间距GM(1,1)模型,并用某大坝水平径向位移监测数据对其进行了检验,结果表明:改进的模型在大坝位移预测中的适用性更强,不仅提高了预测精度,而且保留了灰色模型建模灵活、所需数据少等优点,用于短期预测效果较好,用于长期预测的效果有待考证。
关键词:大坝位移;预测模型;灰色理论;改进GM(1,1)
中图分类号:TV698.1 文献标志码:A doi:10.3969/ j.issn.1000-1379.2018.01.030
根据大坝原始监测资料,借助数学、力学方法建立各种效应量的监控模型,分析和评价大坝的运行性态,是大坝安全监控的常用手段[1-3]。各种效应量中,大坝位移量因易于测量且能较好地反映大坝的运行状态,故常被用于建立监控模型。大坝位移监测和预报模型构建的方法有时间序列分析法、灰色模型法、回归分析法及模糊预测法等。坝体和基础组成的大坝是一个灰色系统,可将大坝位移的监测量当作一定范围内变化的灰色量,建立灰色监控模型[4]。为提高预测精度,许多学者对灰色模型的改进开展过研究,并取得很多成果。本文结合已有研究成果,采用矩形近似方法重构背景值,引进指数平滑法、残差优化等方式,构建改进的非等间距GM(1,1)预测模型,并结合某坝原始位移监测资料,验证了其比传统GM(1,1)灰色预测模型具有更高的拟合与预测精度。
1 传统GM(1,1)预测模型的建模原理
传统GM(1,1)模型的建模原理及基本步骤如下[5]。
(1)整理原始监测数据,建立非负的原始数据序列:
X(0)(t)=[x(0)(ti)](i=1,2,…,n)(1)式中:ti为数据记录时刻;x(0)(ti)为ti时刻监测值;n为数据个数。
(2)考虑原始数据序列采集的非等时性,通过累加生成一阶递增序列X(1)(t)=[x(1)(ti)],其中:
(3)按式(4)白化微分方程:式中:α为平滑系数,取值范围为0<α<1,由试算法确定。
2.1.3 残差优化
計算GM(1,1)模型的原始残差ε(ti),对残差序列数据取绝对值,并用改进的模型对其进行灰建模得ε(ti),再根据原始残差序列的符号确定模型拟合值的正负,对于模型预测数据残差序列的符号,则根据马尔科夫链进行判断[8]。
2.2 改进GM(1,1)预测模型的建模过程
基于上述改进方法,进行大坝位移预测模型构建的流程如图1所示,其基本建模步骤如下:①对原始数据序列进行级比检验,必要时对其进行预处理;②使用指数平滑法处理原始数据序列;③应用矩形近似法优化背景值;④用最小二乘法估计待辨识量;⑤构造时间响应函数,计算初步预测值,得到原始预测序列;⑥计算模型残差,并分析调整指数平滑法与矩形近似法中的参数,以提高模型精度;⑦采用灰色模型建立残差序列的预测模型;⑧将原始数据预测序列和残差预测序列叠加,得到最终预测序列;⑨对模型进行检验,若满足要求则建模结束,否则返回步骤①,对新预测序列的残差序列进行处理。
2.3 模型检验
大坝位移预测模型建立后,需对预测的可靠度进行检验,常用的检验方法有关联度法和后验差检验法,本文采用后验差检验法进行检验。
根据原始数据序列X(0)(tk)与预测序列X(0)(tk)得到相应的残差序列:
ε(ti)=x(0)(ti)-x(0)(ti)(13)
原始数据序列的均方差S1、残差序列的均方差S2分别为其中:
后验差检验指标有后验差比值C、小误差概率P,公式分别为
根据后验差比值C、小误差概率P进行模型精度等级的评定,评定标准见表1。
3 工程实例分析
某水利枢纽位于皖南长江支流青弋江上游,主要水工建筑物有大坝、溢洪道、泄洪中孔、泄水底孔、发电厂房和筏道。对大坝18#坝段检查廊道测点的水平径向位移采用正垂线监测。根据该测点1998年4月20日至7月20日的监测数据,分别建立传统GM(1,1)和改进GM(1,1)位移预测模型,模型拟合(预测)结果见表2,精度分析结果见表3。
由表2和表3可知,改进GM(1,1)模型优于传统GM(1,1)模型,改进GM(1,1)模型预测精度为良好,传统GM(1,1)模型预测精度为合格。
4 结论
在分析传统GM(1,1)预测模型建模原理、步骤的基础上,提出了对原始数据序列进行平滑处理、对背景值和残差序列进行优化等方法,建立了大坝位移预测的改进非等间距GM(1,1)模型,并用某大坝水平径向位移监测数据对其进行了检验,结果表明:改进模型在大坝位移预测中的适用性更强,不仅提高了预测精度,而且保留了灰色模型建模灵活、所需数据少等优点,用于短期预测效果较好,用于长期预测的效果有待考证。因改进后的模型短期预测精度较高,故可采取去除旧数据、吸纳新数据的方式不断推进预测,以取得较好的实时预测效果。
参考文献:
[1]吴中如.水工建筑物安全监控理论及其应用[M].南京:河海大学出版社,2003:1-10.
[2]SU Huaizhi,HU Jiang,WU Zhongru.A Study of Safety E-valuation and Early-Warning Method for Dam GlobalBehavior[J].Structural Health Monitoring,2012,11(3):269-279.
[3]顾冲时,昊中如.大坝与坝基安全监控理论和方法及其应用[M].南京:河海大学出版社,2006:10-20.
[4]SU Huaizhi,WU Zhongm,WEN Zhiping.Identification Model forDam Behavior Based on Wavelet Network[J].Computer-AidedCivil and Infrastructure Engineering,2007,22(6):438-448.
[5]邓聚龙.灰理论基础[M].武汉:华中科技大学出版社,2002:50-70.
[6]谭冠军.GM(1,1)模型的背景值构造方法和应用(Ⅲ)[J].系统工程理论与实践,2000,20(6):70-74.
[7]俞志峰,谢正文.基于指数平滑技术的灰色沉降预测模型及应用[J].中南公路工程,2007,32(3):120-123.
[8]程培峰,郑婉.基于改进残差灰色模型预测路面使用性能的研究[J].中外公路,2014,34(3):60-63.