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

摘要

为缓解城市化扩展带来的交通压力，修建了大量地铁隧道和城市高架，而地铁的基坑工程势必会影响周围建筑设施的安全。因此，对这些受地铁基坑开挖影响的建筑物的沉降监测与预报变得十分重要。
　　针对此类建筑物的沉降预测问题，本文结合上海地铁9号线平度路车站基坑开挖对周边建筑物的沉降监测数据，使用小波阈值去噪方法做预处理，总结研究区域里的受影响建筑物的沉降规律;提出将模型参数寻优算法GA嵌入至PSO中，构造新算法PSO-GA，通过三种算法的参数寻优效果对比来证明PSO-GA比PSO和GA更具稳定性、运算效率更高;编写Matlab程序，将三种算法计算所得最优参数值分别带入已建立的LSSVM模型，并应用至受地铁基坑开挖影响的建筑物的沉降中，通过对比模型拟合效果及预测精度，来证明PSO-GA-LSSVM模型的拟合效果更好，预测精度更高，运行更加稳定，能减少陷入局部最优解。同时，证明PSO-GA-LSSVM模型能很好地预测建筑物的沉降趋势，对于此类预测问题的研究具有重要的学术价值、工程意义和社会效益，该预测模型可以被广泛应用。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 基坑开挖对建筑物影响的研究现状

1．2．2 支持向量机的研究现状

1．3 研究内容和技术路线

1．3．1 研究内容

1．3．2 技术路线

2 支持向量机理论及小波变换理论

2．1 统计学习理论

2．1．1 机器学习的基本问题

2．1．2 VC维与推广性的界

2．1．3 结构风险最小化原则

2．2 支持向量机

2．2．1 基于分类的支持向量机

2．2．2 基于回归的支持向量机

2．2．3 核函数原理及参数影响因素

2．2．4 支持向量机的主要优点

2．3 小波变换理论

2．3．1 小波变换原理

2．3．2 小波变换的去噪原理与方法

2．3．3 小波基函数的类型

2．3．4 小波变换阈值函数类型

2．3．5 小波去噪效果的评价指标

2．4 本章小结

3 参数寻优算法的研究

3．1 遗传算法

3．1．1 遗传算法基本原理

3．1．2 遗传算法流程

3．2 粒子群算法

3．2．1 粒子群算法的基本原理

3．2．2 粒子群算法流程

3．3 PSO和GA的算法结合研究

3．3．2 PSO和GA的结合方式

3．3．3 PSO-GA的算法流程

3．4 本章小结

4 地铁站基坑周边建筑物的沉降规律研究

4．1 工程概况

4．1．1 受影响小区简况

4．1．2 工程地质

4．1．3 监测依据

4．2 受基坑施工影响建筑物的监测

4．2．1 监测内容

4．2．2 监测点的布设

4．2．3 监测频率与报警值

4．3 建筑物的沉降监测

4．4 小波阈值去噪处理与沉降规律研究

4．4．1 去噪样本的选择

4．4．2 数据的小波去噪处理

4．4．3 沉降规律分析

4．5 本章小结

5 LSSVM模型应用于建筑物沉降的预测研究

5．1 LSSVM模型的训练样本选择与建模流程

5．2 参数寻优算法的应用分析

5．2．1 PSO的寻参分析

5．2．2 GA的寻参分析

5．3 LSSVM模型的构建与训练

5．3．1 LSSVM模型的构建

5．3．2 预测性能评价指标

5．3．3 模型训练与拟合分析

5．4 模型的预测分析

5．5 本章小结

6 结论与展望

6．1 结论

6．2 展望

参考文献

作者简历

学位论文数据集