2024年 01期

摘要(Abstract)：

为了提高深基坑沉降变形预测精度，及时为深基坑支护施工提供指导，提出一种改进最小二乘支持向量机组合模型；通过引入自适应噪声完备集合经验模态分解方法分解原始深基坑沉降变形数据，并结合粒子群优化算法和遗传算法对最小二乘支持向量机进行参数寻优，对分解的数据分别训练、预测后再叠加，得到最终预测结果；应用所提出模型对济南市某深基坑的累积沉降量进行预测，同时与其他模型对比，验证所提出模型的实用性和优越性。结果表明：所提出模型预测深基坑累积沉降量的平均相对误差为0.035%,均方误差为0.080 9 mm2,均方根误差为0.283 8 mm,所提出模型的准确性远优于其他模型的；自适应噪声完备集合经验模态分解方法的引入更有利于在深基坑沉降变形预测方面发挥最小二乘支持向量机的优势。

关键词(KeyWords)： 深基坑沉降变形;最小二乘支持向量机;经验模态分解;粒子群优化算法;遗传算法;

基金项目(Foundation): 国家自然科学基金项目(52108214)；

作者(Author): 刘清龙，吕颖慧，秦磊，赵鹏

DOI: 10.13349/j.cnki.jdxbn.20230320.002

参考文献(References)：

[1] 管志勇, 田永军, 戚蓝. 综合模拟和预测方法在工程沉降中的应用[J]. 合肥工业大学学报(自然科学版), 2007, 30(6): 765-768.

[2] 王兴科, 王娟. 基于优化支持向量机-混沌BP神经网络的基坑变形预测研究[J].隧道建设, 2017, 37(9): 1105-1113.

[3] 赵贞. 基于BP神经网络的基坑变形预测应用研究[J]. 山西建筑, 2022, 48(8): 160-162.

[4] 梁磊. 基于BP神经网络及其改进算法的地铁基坑变形预测研究[D]. 西安:长安大学, 2021.

[5] 卢彬, 冯现大, 鲁瑞. 基于灰色组合模型预测隧道围岩收敛变形[J]. 济南大学学报(自然科学版) , 2022, 36(6): 689-695.

[6] 金路, 姜谙男, 赵文.基于差异进化支持向量机的基坑变形时间序列预测[J]. 岩土工程学报, 2008, 30(增刊1): 216-219.

[7] 阿丽米拉艾力. 基坑变形监测数据处理及预测模型研究[D]. 乌鲁木齐: 新疆大学, 2021.

[8] 徐洪钟, 杨磊. 基于最小二乘支持向量机回归的基坑变形预测[J]. 南京工业大学学报(自然科学版) , 2008, 30(2): 51-53, 58.

[9] 王鹏程. 基于LSSVM的地铁车站基坑周边建筑物的沉降规律与预测研究[D]. 阜新: 辽宁工程技术大学, 2016.

[10] MANDIC D P, REHMAN N U, WU Z H, et al. Empirical mode decomposition-based time-frequency analysis of multivariate signals: the power of adaptive data analysis[J]. IEEE Signal Process Magazine, 2013, 30(6): 74-86.

[11] 任子晖, 成江洋, 邢强, 等. 基于CEEMDAN与Teager能量算子的谐波检测方法[J]. 电力系统保护与控制, 2017, 45(9): 56-62.

[12] 宋启航. 基于模态分解技术的地震信号去噪方法研究[D]. 大庆: 东北石油大学, 2020.

[13] 胡勇平. 基于CEEMDAN-PSO-LSSVM模型的基坑变形预测研究[D]. 呼和浩特: 内蒙古农业大学, 2018: 42.

[14] HUANG X L, SHI L, SUYKENS J A K. Asymmetric least squares support vector machine classifiers[J]. Computational Statistics & Data Analysis, 2014, 70: 395- 405.

[15] SUYKENS J A K, VANDEWALLE J, DE MOOR B. Optimal control by least squares support vector machines[J]. Neural Networks, 2001, 14(1): 23-35.

[16] 林楠, 李伟东, 张文春, 等. 最小二乘支持向量机在深基坑变形预测中的应用[J]. 辽宁工程技术大学学报(自然科学版), 2014, 33(11): 1471-1474.

[17] BLACKWELL T, KENNEDY J. Impact of communication topology in particle swarm optimization[J]. IEEE Transactions on Evolutionary Computation, 2019, 23(4): 689-702.

[18] 闻新超, 周琳霞, 牛凯. 一种基于混合编码的遗传算法[J]. 电子技术, 2003(1): 60-63.

[19] BOOKER L B, GOLDERG D E, HOLLAND J H. Classifier systems and genetic algorithms[J]. Artificial Intelligence, 1989, 40(1/2/3): 235-282.

[20] 倪全贵. 粒子群遗传混合算法及其在函数优化上的应用[D]. 广州: 华南理工大学, 2014.

[21] 孙洁, 崔婷婷, 刘晓悦, 等. PSO-GA优化ELM的高炉铁水硅含量预测[J]. 机械设计与制造, 2022 (3): 228-232, 237.

[22] 刘家奇, 余朝刚, 朱文良. 基于改进PSO-GA算法的轨道精调优化研究[J]. 智能计算机与应用, 2021, 11(12): 78-81, 86.