【技术实现步骤摘要】
基于GA
‑
PSO
‑
GLSSVM算法的土岩复合地层深基坑变形时序预测方法
[0001]本专利技术公开一种涉及基坑工程
,尤其涉及一种基于GA
‑
PSO
‑
GLSSVM 算法的土岩复合地层深基坑变形时序预测方法。
技术介绍
[0002]随着我国城市化进程的快速发展,城市交通拥挤问题日趋严重,由此加快了 地铁工程建设的发展。地铁车站深基坑工程通常受周围建筑物林立、城市管线错 综复杂、施工开挖深度大等条件的影响,使施工面临着极大的风险,增加了作业 难度,如何准确预测开挖过程中深基坑侧向位移对确保施工安全稳定及风险预警 具有重要意义。国内外学者针对基坑变形预测方法及风险预警模型进行了大量研 究,其中,幂函数模型、神经网络模型、时间序列算法以及灰色预测模型等在实 际工程中获得了应用,取得了一定的效果。然而,基坑工程是一个动态非线性过 程,影响变形的因素众多,且多数无法进行定量、定性分析。目前,国内针对土 岩复合地层深基坑变形预测的研究相对较少,而现有预测模型又存在不同的缺陷, 例如,最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)的参 数选择随机性较大,GA算法的大搜索空间增加了计算的复杂性,PSO算法在搜 索时容易进入局部最优等。
技术实现思路
[0003]基于上述问题,本专利技术实施例依托地铁车站深基坑工程,将GA算法嵌入 到PSO算法进行参数优化,结合灰色理论建立基于灰色
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于GA
‑
PSO
‑
GLSSVM算法的土岩复合地层深基坑变形时序预测方法,其特征在于,所述方法包括:步骤S1:收集已开挖的土岩复合地层深基坑工程的原始变形监测数据;步骤S2:将所述原始变形监测数据划分为机器学习算法的训练集及验证集,并确定输入步长;步骤S3:对学习样本集数据进行GM(1,1)模型累加预处理,并建立GLSSVM模型;步骤S4:将GA算法的交叉算子和遗传算子嵌入PSO算法中,并对GLSSVM模型核函数的容错惩罚系数γ与内核参数σ2进行优化处理;步骤S5:将经过GA
‑
PSO算法得到的模型优化参数代入GLSSVM模型,得到GA
‑
PSO
‑
GLSSVM模型进行预测分析,利用GM(1,1)模型进行累加处理的数据获得累加序列预测值;步骤S6:对GA
‑
PSO
‑
GLSSVM模型得到的累加序列预测值进行还原,得到原始数据的预测数据。2.根据权利要求1所述的基于GA
‑
PSO
‑
GLSSVM算法的土岩复合地层深基坑变形时序预测方法,其特征在于,步骤S2中每6次监测数据为一个步长作为输入值,第7次数据作为输出值,选取训练样本的前80%作为训练集,后20%作为预测集进行验证分析。3.根据权利要求1所述的一种基于GA
‑
PSO
‑
GLSSVM算法的土岩复合地层深基坑变形时序预测方法,其特征在于,所述步骤S3中建立GLSSVM模型包括步骤:3.1对原始监测数据进行GM(1,1)模型累加预处理:3.1对原始监测数据进行GM(1,1)模型累加预处理:其中,为原始监测数据,为经过GM(1,1)模型累加预处理后的数据;3.2LSSVM模型高维特征空间描述及线性函数:3.2LSSVM模型高维特征空间描述及线性函数:其中,x
i
∈R
n
表示学习样本,y
i
∈R表示相应的输出预测样本,前n期的学习样本集合为A(x
i
,y
i
),i=1,2,
…
,n;w为权值向量;J(w,e)为损失函数;γ为容错惩罚系数;e
i
为误差,为映射函数;b为偏置量;3.3应用拉格朗日算子对w和e进行优化求解,建立拉格朗日函数:其中,α
i
为拉格朗日乘子;3.4根据KKT(Karush Kuhn Tucker)最优条件对式3进行微分求解,得到线性方程组:
其中,y=[y1,y2,
…
,y
i
]
T
;E=[1,1,
…
,1]
T
;α=[α1,α2,
…
,α
i
]
T
;Q为用于非线性映射的核函数,即Q
技术研发人员:姜山,罗百胜,刘石磊,刘一锋,苏莹,曹彦华,逄明卿,田海洋,马超,荣溧,张海洋,
申请(专利权)人:中铁三局集团第四工程有限公司中铁投资集团有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。