[發明專利]一種基于FNN神經網絡與自回歸模型的基坑沉降預測方法

在審

• 申請號: 202310259320.8
• 申請日: 2023-03-17
• 公開（公告）號: CN116383928A
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 張文選;朱明晨;徐學渠;黃小明;楊中委;何磊;鄭云飛;于祖洋
• 申請（專利權）人: 中國水利水電第七工程局有限公司
• 主分類號: G06F30/13
• 分類號: G06F30/13;G06F30/27;G06N3/04;G06N3/08
• 代理公司: 成都市輔君專利代理有限公司 51120
• 代理人: 張堰黎

1.一種基于FNN神經網絡與自回歸模型的基坑沉降預測方法，其特征在于包括以下步驟：

S1：獲取基坑沉降監測數據，以三次樣條內插法將沉降觀測序列內插為每半日一個沉降量的等時間間隔序列，并以前四期觀測值為輸入、后一期觀測值為輸出，構造訓練樣本和檢驗樣本；

S2：利用S1中得到的訓練樣本，構建自回歸模型，并計算自回歸模型的后一期沉降預測值；

所述步驟S2中自回歸模型如公式(1)所示：

x_n＝β₀+β₁x_n-1+β₂x_n-2+β₃x_n-3+β₄x_n-4????(1)

其中，x_n為后一期的沉降量觀測值，x_n-1、x_n-2、x_n-3、x_n-4為前四期的沉降觀測值；以最小二乘法確定待定系數β₀、β₁、β₂、β₃、β₄；記自回歸模型計算得到的后一期的沉降量為x′_n；

S3：利用步驟S1中得到的訓練樣本，確定自回歸模型預測結果的殘差(RES)；

所述步驟S3中殘差(RES)如公式(2)所示：

RES＝x_n-x′_n???????(2)

其中，x_n為后一期的沉降量觀測值，x′_n為自回歸模型計算得到的后一期的沉降量；

S4：構建一個5×5×1的FNN神經網絡模型，用來表示前四期的觀測值、自回歸模型得到后一期沉降預測值和自回歸模型預測結果殘差(RES)之間的非線性關系；

所述步驟S4中FNN神經網絡模型的輸入層包括前四期的沉降量觀測值x_n-1、x_n-2、x_n-3、x_n-4，自回歸模型計算得到的后一期沉降量x′_n；隱含層為5個節點；輸出層為自回歸模型預測結果的殘差(RES)；

S5：利用S1、S2和S3中得到的數據構造FNN模型的訓練樣本，對FNN模型進行迭代訓練；

S6：利用前四期的沉降量觀測值x_n-1、x_n-2、x_n-3、x_n-4和自回歸模型計算得到的后一期沉降量x′_n，通過S4和S5中訓練得到的FNN模型計算自回歸模型的殘差(RES)，最終計算FNN神經網絡與自回歸模型得到的后一期的沉降預測值，并對新模型精度進行評定。

2.根據權利要求1所述的基于FNN神經網絡與自回歸模型的基坑沉降預測方法，其特征在于：步驟S1中的建模數據采用支護樁沉降觀測數據，并以三次樣條內插得到每半日一個的等間隔沉降觀測序列；訓練樣本的輸入為前四期的沉降觀測數據，輸出為后一期的沉降結果。

3.根據權利要求1所述的基于FNN神經網絡與自回歸模型的基坑沉降預測方法，其特征在于：步驟S2中的自回歸模型采用前四期的沉降觀測數據預測后一期的沉降結果。

4.根據權利要求1所述的基于FNN神經網絡與自回歸模型的基坑沉降預測方法，其特征在于：步驟S4中的FNN網絡由輸入層、隱含層與輸出層組成，其輸入層節點數為5，分別代表前四期沉降觀測數據和自回歸模型預測數據；隱含層節點數為5個；輸出層節點數為1個，代表自回歸模型的預測誤差，激活函數選取Tan-Sigmoid函數，其表達式為：

其中，x為該神經元的輸入信號值，f(x)為輸出信號值，FNN的目標誤差為0.0001mm，最大訓練次數為200次，采用梯度下降法進行訓練。