[发明专利]一种古建筑沉降的组合预测方法及系统

说明书

本发明提供了一种古建筑沉降的组合预测方法及系统，涉及古建筑沉降预测技术领域。利用Verhulst灰色模型通过采用等维递补滚动方法进行多次预测，可以利用较少的样本进行趋势预测，对沉降数据的趋势进行总体把握。然后，然后将初步预测结果输入RBF神经网络，充分发挥RBF局部寻优的优势。该模型既可以有效避免BP等神经网络的全局优化过拟合现象，提高预测的精度的同时，又可以规避Verhuslt灰色模型多步预测的低精度问题，真正实现古建筑沉降数据的高精度多步预测。

技术领域

本发明涉及古建筑沉降预测技术领域，特别涉及一种古建筑沉降的组合预测方法及系统。

背景技术

当今，文物保护模式逐渐从“抢救性”保护过渡到“预防性”保护，利用物联网技术实现文物多角度全方位监测，为文物病害发展趋势预测提供了丰富的数据支持，为文物保护和修复方案的制定提供了重要依据，避免因决策不当造成文化遗产价值遗失。文化遗产包含古墓葬、古建筑等不可移动文物。古建筑沉降是由于建筑物荷载通过基础底面传递给地基，使天然土层原有的应力状态发生变化，当地基荷载不均匀时，就会造成不均匀沉降，从而给古建筑完整性和安全性带来隐患。如果沉降变形估计不足，轻则出现裂缝影响古建筑观瞻性和稳定性，重则会引发结构坍塌和严重人员伤亡事故。因此，提高古建筑沉降的预测精度至关重要。

造成古建筑沉降的因素包括地下水开采、人为破坏、自身结构等多种随机性、不确定性因素，因此，沉降数据具有非线性、复杂性及多模态性等特点，致使沉降预测存在诸多困难。目前计算与预测沉降形变的理论方法可以分为两类：一类是模型法，即基于土体本构关系的数值方法，从地面沉降的整个发展过程来分析考虑，建立沉降量与时间的关系模型；另一类是基于实测数据的智能分析方法。

模型法主要采用渗透固结理论、静态预测法和灰色系统法等。其中，渗透固结理论由于参数获得、理论假设等方面的问题，其预测误差往往较大；静态预测法是建立建筑物沉降与时间的拟合关系，常用的拟合函数有双曲线、指数函数等，由于拟合函数事先给定，使得该方法适用范围受到较大限制，且难以反映全过程的沉降与时间的关系；灰色预测模型适用于对非线性、不确定系统的时间序列数据进行预测，尤其对“贫信息”的小样本量作总体趋势预测。张庆伟、刘毅、王亚光等采用灰色模型对地面沉降数据进行了预测，从预测结果来看，灰色模型初期预测较好，但后期收敛较慢，因沉降的多变性和复杂性以及试验参数获取的困难性，不能达到预测精度的要求。尤其是当系统中出现了突变、故障等情况时，由于数据的突变，破坏了数据本身的平稳性，造成预测误差大幅上升。

在智能分析方法中，很多学者利用BP人工神经网络、小波分析等方法对沉降预测进行了研究。BP神经网络模型具有自学习、容错性强、计算简单、并行处理速度快等优点，在理论上可以任意逼近任何非线性映射。Yong、Carles等采用人工神经网络(ArtificialNeural Network，ANN)、高斯过程(Gaussian processes，GP)法进行沉降预测。OCAK等通过BP神经网络对隧道围岩变形了预测。由于BP神经网络是一种前馈神经网络，而沉降会有一定的滞后性，与前几年的沉降量存在一定关联性，使得BP神经网络在中短期预测方面存在很大局限性。郭健运用小波分析对沉降监测数据去噪处理后，构建了W-RBF预测模型，验证了运用RBF神经网络进行沉降预测的可行性。从现有模型对路基沉降的预测情况看，多数模型只适合中短期预测，而中长期的预测能力(预测长度和预测精度)较弱，同时在很多情况下缺少对模型可靠性的验证。

发明内容

本发明实施例提供了一种古建筑沉降的组合预测方法及系统，用以解决现有技术中存在的问题。

一种古建筑沉降的组合预测方法，所述方法包括：

对应变片采集的原始沉降序列进行五点三次平滑滤波，将所述原始沉降序列中的噪声滤除，得到相应的初始沉降序列；

对所述初始沉降序列采用Verhulst灰色模型进行预测，得到相应的初步预测沉降序列；