基于優(yōu)化非等時距權(quán)重傅里葉灰色模型的變形預測

周春霖 王有志 徐剛年 王世民 張雪

摘要：針對傳統(tǒng)非等時距灰色模型對變形預測精度偏低問題，首先在傳統(tǒng)非等時距灰色模型的基礎上引入權(quán)重系數(shù)優(yōu)化生成序列，然后利用傅里葉變換函數(shù)對殘差進行修正，建立了權(quán)重優(yōu)化-傅里葉變換函數(shù)殘差修正的組合預測模型;最后以某下承式集散拱肋拱橋為背景，對其主梁變形進行預測。預測結(jié)果表明：該模型預測值總體平均相對誤差為2.4%，高于傳統(tǒng)非等時距灰色模型，預測精度為1級，為主梁變形預測提供了一種有效的技術(shù)手段。

關(guān)?鍵?詞：變形預測; 灰色模型; 非等時距; 權(quán)重系數(shù); 傅里葉變換; 殘差修正

中圖法分類號： TV698?文獻標志碼： ADOI：10.16232/j.cnki.1001-4179.2019.01.037

在大跨度橋梁的施工過程中，為了達到設計的理想線形，需要對主梁線形產(chǎn)生偏差的因素進行跟蹤控制[1-3]，并及時進行糾偏，常用方法有 Kalman 濾波法[4-5]和灰色理論等[6-11]。由于灰色預測具有原理簡單[6]、算法簡便[7-8]、樣本數(shù)量要求低[9]、短期預測精度高[10]、可進行檢驗[11-12]等優(yōu)點，因而在各個領域中得到了廣泛應用。但在傳統(tǒng)非等時距灰色模型預測的實際應用中，往往存在預測精度不高的情況。樊偉將灰色GM（1，1）預測模型與神經(jīng)網(wǎng)絡預測模型結(jié)合起來，用神經(jīng)網(wǎng)絡識別灰色GM（1，1）模型所得的預測值和實測值之間的未知關(guān)系，來修正灰色系統(tǒng)所得的預測值，進而提高預測精度[12];江安依據(jù)灰色模型的建模機理提出了一種不等時距序列的灰色預測模型背景值的新計算方法，并建立了新的不等時距序列的灰色預測模型，進而提高了預測精度[13];趙財軍以辛普生求積公式為基礎建立了新的灰微分方程，并對新的灰微分方程添加動態(tài)擾動項，以彌補灰微分方程與白化微分方程的差別，同時對初始值添加修正項，改進了GM（1，1）模型，提高了預測精度[14];胡華先利用“S”型函數(shù)對實測數(shù)據(jù)進行平滑處理，然后再用平滑后的數(shù)據(jù)建立非等時距GM（1，1）模型，并采用新的公式計算馬爾科夫模擬值，從而提高預測精度[15]。江安和胡華等人都證實原始模型在直接預測的應用中存在誤差較大、精度不高的問題，究其原因是傳統(tǒng)非等時距GM（1，1）模型本身存在時距權(quán)重的分配并不是最優(yōu)的問題。張東明和蔣忠信證實了賦予合理的時距權(quán)重可有效提高預測精度[16-17]。

本文首先在傳統(tǒng)非等時距灰色模型的基礎上引入權(quán)重系數(shù)優(yōu)化非等時距生成序列;然后利用傅里葉變換函數(shù)對殘差進行修正，形成權(quán)重優(yōu)化—傅里葉變換函數(shù)殘差修正的組合預測模型，最后以下承式集散拱肋拱橋主梁撓度變形為實例進行預測分析，從而對本文組合預測系統(tǒng)精度進行檢驗。

1?灰色模型在橋梁監(jiān)控中的運用

灰色模型是通過少量的、不完全的信息建立灰色微分預測模型，對事物發(fā)展規(guī)律作出模糊性的長期描述?；疑Ｐ褪菑幕疑到y(tǒng)中抽象出來的模型，灰色系統(tǒng)是既含有已知信息，又含有未知信息或非確知信息的系統(tǒng)。在橋梁施工監(jiān)控工作中，雖然有些信息確定、數(shù)據(jù)完整，對應的是白色系統(tǒng);但還有很多信息是部分確定、部分不確定或者是部分已知、部分未知，對應于典型的灰色系統(tǒng)，而橋梁施工過程中主梁線形變化情況便可以看作是一個灰色系統(tǒng)[18]。

設主梁線形變化的原始序列為

w?（0）?=[w?（0）?（t1），w?（0）?（t2），…，w?（0）?（tn）]（1）

設第k級與第k-1級的時間間距為Δtk，則非等間隔的時間間距為

Δtk=tk-t?k-1?≠const，k=1，2…，n（2）

對傳統(tǒng)非等間隔灰色模型的原始數(shù)據(jù)作一次累加式為

w?（1）?（tk）=w?（1）?（t?k-1?）+w?（0）?（tk）Δtk，k=2，3，…，nw?（0）?（tk）=w?（0）?（tk），k=1（3）

依據(jù)文獻[17]將非等間隔的時間間距增量Δtk的0.75賦在w?（0）?（tk）上，0.25賦在w?（0）?（t?k-1?）上得到的預測結(jié)果更優(yōu)，精度更好。于是，重新調(diào)整非等間隔權(quán)值后，原始數(shù)據(jù)的一次累加式為

w?（1）?（tk）=w?（1）?（t?k-1?）+0.25w?（0）?（t?k-1?）Δtk+0.75w?（0）?（tk）Δtk?k=2，3，…，nw?（1）?（tk）=w?（0）?（tk）?k=1（4）

通過式（4）對原始非等間隔序列進行一次累加（1-AGO）后生成的序列為

w?（1）?=[w?（1）?（t1），w?（1）?（t2），…，w?（0）?（tn）]（5）

然后，由一階生成模塊w?（1）?建立灰色模型的微分方程為

dw?（1）dt+aw?（1）?=u（6）

式中，a為發(fā)展系數(shù)，反映了數(shù)據(jù)的發(fā)展態(tài)勢，取值范圍為0 ～ 10;u為灰色作用量，反映了數(shù)據(jù)變化的關(guān)系。

該非等間隔序列微分方程的解為

w^?（1）?（tk）= w?（1）?（t1）- uae?-a（tk-t1）?+ ua（7）

因為w?（1）?（t1）、a及u均為定值，令g=w?（1）?（t1）- ua，則式（7）變?yōu)?/p>

w^?（1）?（tk）=g[e?-a（tk-t1）?-1]+ w?（1）?（t1）（8）

按照式（4）進行累減還原，得到計算的預測值為

w^?（0）?（tk）= w^?（1）?（tk）-w^?（1）?（t?k-1?）-0.25w^?（0）?（t?k-1?）Δtk0.75Δtk，k=2，3，…，nw^?（0）?（tk）=w^?（1）?（tk），k=1（9）

為了使期望預測值w^?（1）?（tk）與原始值w?（1）?（tk）無限接近，根據(jù)累加生成的數(shù)據(jù)與預測值之間存在的關(guān)系，由此求解出方程組灰參數(shù)a和g[20]。將求解的灰參數(shù)平均值a^和g^代入（8）式得到優(yōu)化非等間隔權(quán)重的灰色模型表達式為

w^?（1）?（tk）=g^[e?-a^（tk-t1）?-1]+ w?（1）?（t1）（10）

由式（10）求得的序列經(jīng)一次累減還原后，計算得到的初值數(shù)據(jù)預測值w^?（0）?（tk）為

w^?（0）?（tk）=g^（e?-a^t?k-e?-a^t?k-1）-0.25e?-a^t1?w^?（0）?（t?k-1?）Δtk0.75e?-a^t1Δtkk=2，3，…，nw^?（0）?（tk）=g^[e?-a^（tk-t1）?-1]+w?（1）?（t1），k=1（11）

于是，得到下個時段的撓度預測值為

w^?（0）?（t?k+1?）=?g^（e?-a^t?k+1-e?-a^tk?）-0.25e?-a^t1?w^?（0）?（tk）Δt?k+1?0.75e?-a-t1Δt?k+1k≥n（12）

2?傅里葉變換殘差修正模型

由于殘差序列具有隨機波動變化的特性，本文運用傅里葉變換函數(shù)對優(yōu)化權(quán)重后灰色GM（1，1）的預測殘差進行修正，能夠擬合出主梁變形數(shù)據(jù)列隨機波動過程，從而提高預測精度?；诟道锶~變換構(gòu)建的殘差序列為

R（k）=w?（0）?（k）-w^?（0）?（k），k=2，3，…，n（13）

其中， R（1）=0。

傅里葉變換殘差表示為

R（k）= 12a0+∞i=1ancos 2πikT+bnsin 2πikT（14）

其中，k=2，3，…，n;取周期T=n-1。

an= 2T∫?2/T?-2/T?R（k）cos 2πkT?dk?= 2T∫?2/T?-2/T[w?（0）?（k）-w^?（0）?（k）]cos 2πkT?dk?（15）

bn= 2T∫?2/T?-2/T?R（k）sin 2πkT?dk?= 2T∫?2/T?-2/T[w?（0）?（k）-w^?（0）?（k）]sin 2πkT?dk?（16）

把R（1） = 0 代入式（14），得到：

a0=-2∞i=1ancos 2πikT+bnsin 2πikT（17）

將主梁變形實測值代入式（15）～（17），求得an、bn、a0，因此，最終得到傅里葉變換殘差修正后的主梁變形預測值為

Wk=w^?（0）?（k）+R^（k）（18）

式中，Wk為最終預測值，w^?（0）?（k）為優(yōu)化權(quán)重后灰色GM（1，1）預測值，R^?（0）?（k）為隨機誤差。

3?精度檢驗

檢驗模型的合理性，一般常用的方法有后驗差檢驗法、相對誤差檢驗法和關(guān)聯(lián)度檢驗法。本文采用后驗差檢驗法對組合預測模型進行精度檢驗，判定模型是否合理。

殘差序列?E?為

E=w?（0）?-w^?（0）?=[ε（1），ε（2），…，ε（n）]（19）

式中，ε（k）=w?（0）?（k）-w^?（0）?（k），k=1，2，…，n。

由原始序列w?（0）?以及殘差序列可以計算出方差S21、S22。根據(jù)所求出的方差可求出后驗差檢驗的兩個衡量指標，即后驗差比C和小誤差概率P：

C=S2/S1（20）

P=P{│ε（k）-ε│<0.674 5S1}（21）

GM（1，1）模型的精度由指標C、P共同劃定，一般的模型級別取max{C的級別，P的級別}，精度參照表見表1。

4?工程實例

本文以濰坊渤海路下承式集散拱肋拱橋的主梁變形實測數(shù)據(jù)為依據(jù)，對權(quán)重優(yōu)化—傅里葉變換函數(shù)殘差修正的組合預測模型的可行性進行驗證。橋梁全長527.86 m，主橋采用（30+100+30）m下承式集散拱肋拱橋。在施工過程中，因施工方支架數(shù)量不夠，為節(jié)約成本和時間，決定提前將邊跨支架拆除安裝到后續(xù)的施工階段。施工方施工順序改變，沒有嚴格遵循設計方確定的支架拆除時間安排，從而導致無法確定支架提前拆除后主梁線形的變化情況，而實際的數(shù)值模擬也很難準確計算出各階段的主梁撓度變化值。因此，為了較為精確地掌握邊跨支架拆除后主梁線形變化情況，建立權(quán)重優(yōu)化—傅里葉變換函數(shù)殘差修正的組合預測系統(tǒng)。首先在傳統(tǒng)非等時距灰色模型的基礎上引入權(quán)重系數(shù)優(yōu)化非等時距生成序列，優(yōu)化后的預測結(jié)果如表2所示;其次，利用傅里葉變換函數(shù)對引入權(quán)重優(yōu)化后的灰色模型的殘差進行修正，修正后得到的預測結(jié)果如表3所示，并采用后驗差檢驗法對本文模型進行精度檢驗，結(jié)果如表4所示;最后，對本文模型預測結(jié)果與傳統(tǒng)非等時距灰色模型預測結(jié)果進行對比，結(jié)果如表5所示。

由表4可知，本文預測模型后驗差比C和小誤差概率P兩個指標均在1級模型精度范圍內(nèi)，精度等級檢驗為1級。由表5可知，本文預測模型的平均相對誤差比傳統(tǒng)非等時距預測模型的平均相對誤差均低，總體平均相對誤差降低了1.3%，說明本文預測結(jié)果更接近于實測值，預測精度更高。吊桿安裝施工時（即第58?天），本文所提模型預測的主梁最大撓度值為4.24 mm，滿足規(guī)范要求的5 mm[20]，能夠達到實際工程的應用要求。另外，具有較高精度的模型也能對撓度實現(xiàn)準確的預判，可以減少不必要的施工投入，從而進一步合理安排下階段的施工，具有重要的意義。

5?結(jié) 論

本文在傳統(tǒng)非等時距灰色模型的基礎上引入權(quán)重系數(shù)優(yōu)化非等時距生成序列;然后利用傅里葉變換函數(shù)對殘差進行修正，從而形成了權(quán)重優(yōu)化-傅里葉變換函數(shù)殘差修正的組合預測系統(tǒng)，并應用于下承式集散拱肋拱橋主梁變形預測。實例分析表明，該預測系統(tǒng)在施工過程中對主梁變形預測較為準確，總體平均相對誤差為2.4%，比傳統(tǒng)非等時距預測模型總體平均相對誤差低1.3%，有效提高了預測精度，能夠?qū)κ┕ぬ峁┲笇?。?yōu)化非等時距權(quán)重的傅里葉灰色模型的核心理論是灰色系統(tǒng)理論，對實測數(shù)據(jù)并無特殊要求和限制，同樣適應于其它工程領域的變形預測。

參考文獻：

[1]韓洋洋.卡爾曼濾波法在高墩大跨徑連續(xù)剛構(gòu)橋的應用[D].西安：長安大學， 2011.

[2]趙胤儒.卡爾曼濾波法在混凝土斜拉橋施工控制中的運用[D].成都：西南交通大學， 2008.

[3]姜天華，劉嘉，朱紅兵.自適應卡爾曼濾波法在斜拉橋施工中的應用[J].人民長江，2005，36（8）：51-59，76.

[4]高大峰，王方輝，任禹州，等.卡爾曼濾波法在大跨連續(xù)梁橋施工控制中的應用[J].施工技術(shù)，2012，41（9）：79-82.

[5]包龍生，宋濤，于玲，等.基于Kalman濾波法與正裝分析法對橋梁施工控制研究[J].沈陽建筑大學學報：自然科學版，2015，31（4）：653-660.

[6]Cheng X Y，Zheng W Y，Yong Q Z，et al.Application of Grey System Theory in the Dynamic Monitoring of Bridge[J].Applied Mechanics and Materials，2014，2974（501）：2105-2109.

[7]盧哲安，于清亮，汪娟娟.灰色理論在連續(xù)梁橋施工控制中的應用[J].武漢理工大學學報，2006（3）：83-85，96.

[8]孫全勝，崔文濤.基于灰預測模型的大跨度預應力混凝土橋梁施工監(jiān)測[J].中國安全科學學報，2008，18（11）：164-168.

[9]程霄翔，韓曉林，繆長青，等.基于灰色理論懸臂施工中連續(xù)梁橋的應力預測與控制[J].世界橋梁，2009（4）：46-49.

[10]張永水，顧安邦.灰色系統(tǒng)理論在連續(xù)剛構(gòu)橋施工控制中的應用[J].公路，2001（6）：42-44.

[11]于玲，趙志剛，包龍生，等.灰色系統(tǒng)理論在橋梁線形控制中的應用與研究[J].公路交通科技：應用技術(shù)版，2013，9（10）：261-265.

[12]樊偉，楊軍，劉廷廷.灰色神經(jīng)網(wǎng)絡組合模型及在滑坡預測中的應用[J].人民長江，2005，36（11）：50-52.

[13]江安，王金山，王鵬.一種改進的灰色預測模型[J].佳木斯大學學報：自然科學版，2011，29（2）：232-234.

[14]趙財軍，陳鵬宇，李莉.改進GM（1，1）模型在基坑變形預測中的應用[J].人民長江，2010，41（06）：32-34，39.

[15]胡華，謝金華.改進的不等時距灰色馬爾科夫模型在邊坡位移預測中的應用[J].水利與建筑工程學報，2016，14（6）：1-6.

[16]張東明，陳江，何洪甫，等.動態(tài)修正時距權(quán)重的不等時距灰色模型及應用[J].巖土工程學報，2012，34（6）：1137-1141.

[17]蔣忠信.泥石流溝谷演化的不等時距灰色預測[J].地理研究，1994（3）：53-59.

[18]鄧聚龍.灰理論基礎[M].武漢：華中科技大學出版社，2002.

[19]李克鋼，許江，黃國耀.基于不等時距GM（1，1）模型預測邊坡失穩(wěn)變形[J].地下空間與工程學報，2006（6）：988-992.

[20]JTG F80/1-2017 公路工程質(zhì)量檢驗評定標準[S].

引用本文：周春霖，王有志，徐剛年，王世民，張?雪.基于優(yōu)化非等時距權(quán)重傅里葉灰色模型的變形預測[J].人民長江，2019，50（1）：207-210.

Optimization of non-equal interval weight Fourier grey model for deformation prediction

ZHOU Chunlin，WANG Youzhi，XU Gangnian，WANG Shimin，ZHANG Xue

（School of Civil Engineering， Shandong University，Ji′nan 250061，China）

Abstract：In order to solve the problem of low accuracy of traditional non-equal interval gray model， firstly the optimal generating sequence of weight coefficient was introduced to the traditional non-equal interval grey model， and then Fourier transform function was used to correct the residual error， so a combined prediction model of weight optimization-Fourier transform function residual correction was formed. Then the deformation of the main beam of a through-type arch bridge with distributed arch-ribs was predicted. The prediction results showed that the overall average relative error of the prediction value was 2.4%， which was better than that of the traditional non-equal interval grey model， and the prediction accuracy was grade 1. The establishment and application of the new model provide an effective technical means for the deformation prediction of main beams.

Key words：?deformation prediction; grey model; non-equal interval; weight coefficient; Fourier transform; residual error correction