基于改进ARMA模型在地铁基坑变形预测的应用研究

2020-01-13刘畅

国防交通工程与技术 2020年1期

刘畅

(中铁十八局集团第四工程有限公司，天津 300000)

1 改进ARMA模型进行基坑变形预测研究的必要性

近年来，随着国民经济的快速发展，城市的汽车保有量持续增长，人们的交通出行不再时时畅通。为解决城市交通拥堵现状，越来越多的城市开始新建地铁[1]，预计到2050年，全国地铁总里程将达到12 000 km。地铁常常位于城市中心地带，周围的交通道路、高层建筑物、地下管道等环境复杂多变，给地铁工程的施工建设带来了巨大的挑战[2]。地铁施工建设过程中，往往伴随着大型基坑的开挖，为保障地铁和周边建筑物的安全，对可能出现的工程事故进行准确的预报，为施工单位及时判断施工安全状况提供可靠依据，因此要对基坑进行准确可靠的变形预测[3]。

常用的基坑变形预测算法有灰色模型、小波分析、遗传算法等[4]，但每种算法都有各自的适用性[5]。近年来，时间序列模型中的自回归滑动平均(Auto Regressive Moving Average, ARMA)模型因其准确高效的数据分析能力[6]，已广泛应用到地铁基坑预测分析上。但ARMA模型要求监测序列是平稳时间序列，而地铁基坑监测序列结果往往带有一定的趋势项，研究人员常用多项式拟合去除监测序列中的趋势项，然后对剩余项进行建模和预测分析[7]。多项式拟合过程中容易产生过拟合、误差偏大的现象，降低了ARMA的预测精度[8]。本文提出利用BP(Back Propagation)神经网络拟合基坑监测序列中的趋势项，对ARMA进行改进，并结合实例数据进行验证分析。