论文部分内容阅读
超高层建筑由于自身结构特点以及外界多因素的共同作用下,在施工期间,容易受到风荷载、室内外温差、日照、动力荷载以及水文地质等因素的影响,产生水平扭转与位移、振动、压缩变形、倾斜、挠曲等变形现象。超高层建筑变形具有发生频率高、突发性强以及较强的时空联动性,且时变特征明显。因此,在进行超高建筑的高度竞逐的同时,建筑施工安全也得到了更加广泛的关注和重视。为此,开展科学的变形分析与预测,构建高效、准确的预警系统,具有重大的社会意义与实用价值。超高层建筑变形具有复杂的非线性动力特性,影响因素众多,变形规律与结构体自身的性质、状态和物理特性有着紧密的联系。常规变形预测方法变形提取能力差,变形预测的准确度低,不适用于超高层建筑变形的提取和外推。本文以超高层建筑神经网络变形预测模型为研究主线,以变形预测模型的自身特点和适用性为出发点,从GA-GM-BPNN预测模型和LM-CDBN预测模型两个方面开展研究工作,并研发了神经网络预测平台。LM-CDBN预测模型是以深度网络为框架构建的超高层建筑变形预测模型,具备强大的变形提取和非线性寻优能力。由于采用L-M算法进行模型定权,解决了变形预测振荡难题,为长时序变形特征提取和外推提供了便利条件。受模型结构和变形提取能力的制约,GA-GM-BPNN预测模型更加适用于短期变形外推,长时序监测数据的变形外推会大幅降低模型的预测精度和准确度,并延长模型训练时长,增加变形预测的随机性。本文主要的研究内容、成果及创新如下:(1)GA-GM-BPNN变形预测模型的构建和应用总结了GM-BPNN模型的构建形式、算法流程、性能以及缺陷。针对GM-BPNN模型的缺陷,提出了GA-GM-BPNN超高层变形预测模型,并结合长沙北辰新河A1办公楼沉降监测的预测项目,阐述了GA-GM-BPNN模型参数确定方法。通过模型对比分析试验,可以看出GA-GM-BPNN模型在短期变形预测中具有很好的预测准确度和预测精度,变形提取的可靠性高,预测性能优越。(2)LM-CDBN变形预测模型的构建和应用采用L-M算法替代梯度下降算法改善了深度网络的模型定权机制,构建了LMCDBN变形预测模型,提高了变形提取和非线性问题的处理能力,加快模型收敛的速度,解决了原有模型的预测振荡难题。将预测模型应用于长沙北辰新河A1办公楼的长时序变形预测中,与CDBN模型、ELM模型和UKF-SVR模型预测能力相比,其预测性能分别提升了32%、55%以及24%,验证了LM-CDBN预测模型具有较为优异的变形提取和预测能力。模型的预测精度较高,预测准确度能够达到85%以上,模型训练过程中误差积累较小,适用于长时序超高层变形序列的提取与挖掘。(3)神经网络预测平台的设计与实现在充分考虑到超高层建筑变形监测内容的多样性和监测手段多元化的情况下,依托于云端数据交互技术,研发了超高层建筑工程变形监测与形态检测管理系统,实现了建筑结构的受力场分析、结构振动检测、监测数据的全要素管理、建筑形态的三维展示以及变形智能化分析等功能。在管理系统框架下,结合两种预测模型的特性,设计并实现了神经网络预测平台。