1、高层建筑物沉降监测王观鹏陈建忠山东省国土测绘院摘要：主要采用小波神经网络法对高层建筑物的沉降进行监测，对小波神经网络模型 的构建进行分析，同时结合威海市的高层建筑沉降值监测，确定小波神经网络 监测法的准确度以及误差，通过分析发现，小波神经网络监测法具有更高的准 确度以及较低的误差，适用于高层建筑物沉降的监测。关键词：高层建筑物;沉降;小波神经网络;作者简介：王观鹏（1983）,男，山东聊城人，工程师，从事大地控制及海洋 测量研究。收稿日期：2017-06-15Settlement Monitoring of High-RiseBuildingWANG Guan-peng CHEN Jian-z2、hongShandong Province Land Surveying and MappingInstitute;Abstract：This paper mainly adopts the wavelet neural network to monitor the subsidence of high-rise building, analyzes the construct!on of wavelet neural network model, combining with the subsidenee monitoring of high-rise building in Weihai 3、city at the same time, determines the accurac) and error of the wavelet neural network monitoring method, through the analysis, we find that the wavele t neural net work monito ring method has higher accuracy and lower error, and is suitable for tall building subsidenee moni LoringKeyword：high-rise 4、buildings; settlement; wavelet neural network;Received： 2017-06-151引言随着我国城市化发展进程的不断加快，高层建筑己经逐渐应用于人们的牛活中, 但是由于受到施工质量以及载荷等因素的影响，导致建筑物容易岀现沉降以及 扭曲等现彖，监测建筑物沉降，可预测建筑物的变形。口前，多种因素的影响, 会导致各种方式的预测均具有一定的局限性。但在小波监测法结合BP模型进行 预测后，可有效提升预测精度1。2小波神经网络模型的构建小波神经网络具有局域化性质以及自学习功能，通过数学建模分析方式，采用 函数的分析方法，可以将局域性特点以及神经网络相结合，5、使其具备较高的精 确度及1。2.1学习算法分析在小波神经网络算法的分析中，其是建立在BP模型基础上的函数，其网络结构 函数如式（1）所示：式中，D,为i点的对角;R,为i点的旋转矩阵；为允许条件下的函数，表示小波 变换的过程;g （x）为网络结构函数；5为i点的旋转角度;心为第i个指标;x 为指标平均值;g为频域窗口。为了寻找函数的计算方法，将样本组定义为式（2）:式中，Vi为i点的噪声向量;f （xj为i点的指标函数;Xi和yi分别表示i点的 预测值和实际值。在小波变换过程中，将单个小波函数逆变换作为函数，则可以确定误差函数的 偏导数如式（3）所示：式中，为误差;diag为单个小波函数逆变换6、的矩阵为常数；巾是（1）经过小波变换后得到的函数。在小波分析法的应用中，由于旋转矩阵具有些许复杂性，因而在测定中，主要 采用旋转矩阵分解以及简单组合的方式进行计算，提升数据计算的准确性。2. 2变形预测模型在小波神经网络的模型预测中，需要对时间序列进行综合预测分析，采用非线 性的方式来选择指标3,本次研究经过分析对比，最终确定计算结果。在数据计算的过程屮，对于具有m个模型的函数，其函数如式（4）所示:式中，y表示变形预测函数；巾表示各项观测值。通过对函数的预测，可以运用小波神经网络进行拟合分析，如式（5）所示:式中，xt （i）为第i中方法在t时刻的预测值;m为基个数；巾为各项观测值；（5 为7、k点的旋转角度；et（x）为小波神经网络预测函数;氐、乩和山均为&矩阵的 常数项。如果序列之不是0,可以确定其映射如式（6）所示：式中，x （t）为残差序列;f （t）为趋势项;y （t）为映射指标。通过对残差序列的分析，可以确定小波神经网络的预测值。2. 3模型构建在小波神经网络模型的构建中，其改进了传统BP神经网络的速度慢以及稳定性 差等特点，其主要步骤如下。1）在构建小波神经网络的过程中国，需要对网络参数进行初始化，其参数为伸 缩因子、平移因子以及网络连接权重，分别赋值为弘、b和牡，并且需要赋以所 及的初始数值。2）需要输入学习样本的矢量，其式中，X为学习样木矢量;X表示不同观测点的观测8、值。在输入样木后，需要输入相应的期望输出值d。3）在网络学习过程屮，需要利用网络参数来计算相应的输出值。4）在I舜时梯度的计算中，令式中，X/为瞬时梯度下样木矢量X的梯度值;Xi为观测值;b和创为常数;M为i 的最大值;产（u）为瞬时梯度函数的导数;f （u）为瞬时梯度的导数;u为样本 矢量的瞬时梯度。通过式（7）和式（8）的计算，可以确定瞬时梯度如式（9）所示：式中，g （aj为瞬吋梯度，X为观测值，m为梯度层数;g （bj为指标函数迢k 和bk为样本k点的数值。5）在误差的分析中，通过网络训练，调整氐、bk,可以确定其网络误差为：式中，览为误差，虬为以往误差，览为误差变化值。3小波神经网络9、在高层建筑物沉降监测中的应用本次研究以小波神经网络对威海市某高层建筑的沉降进行监测，在观测过程中, 釆用TOPCON DL-101C电子水准仪进行检测，变形精度要求按照建筑变形测量 规范（JGJ 8-2007）标准，测量过程中，保证检测人员的位置固定和仪器的 固定，根据建筑物，共设计11个观测点，研究在2016年3月2016年12月完 成，行30次观测。在首次测量中，采取2次平均值作为观测结果，计算出建筑 11个点的沉降值，本次研究以3号观测点为数据模型。3.1数据处理及分析在本次研究屮，采用小波神经网络模型來分析建筑物的沉降数据，并且对出具 进行处理，通过30期的观测，采用后10期的数据来完10、成验证对比，以此来确定 检测的准确性和对建筑物的沉降值预测，其计算结果如表1所示。表1实测值与预测值数据对比分析表下载原表3. 2观测结果分析在本次研究中发现，采用小波神经网络模型处理数据，相比于人工处理方式， 其具有更高的精确度，在计算的过程中，经过对绝对差的对比分析发现，小波 神经网络的预测值误差相对较小，并且残差值最小为0. 02mm,最大值为0. 90mm, 另外，在神经网络模型预测中，其误差为0.51mm,而小波神经网络预测的误差 为0.31mm,可见，在对高层建筑物的沉降预测过程屮，小波神经网络模型具有 更高的准确性。4结语本文主要探究高层建筑物沉降的预测，并口采用小波神经网络预测11、模型，其主 要结论如下：1）传统神经网络方法可以获取预测值和实际值，并且较为吻合，适合应用于高 层建筑物沉降的预测；2）小波神经网络应用于高层建筑物沉降值的预测，通过建立模型的方式，可以 提升预测的准确性；3）传统神经网络预测方式虽然可用，但是课差相对较大，并且准确度较低。总之，在高层建筑物的沉降值监测中，相比于常规监测方式，采用小波神经网 络方式，具有更高的准确性，可以降低误差，较为适合高层建筑物沉降值的监 测。参考文献1 吴红波，杨肖肖城市高层建筑物沉降监测与稳定性分析J城市勘测, 2017 （1） :101-104.2 郑丽高层建筑物沉降监测数据处理方法研究J.佳木斯大学学报(自然科 学版),2015 (4) : 539-541.3 王银平.高层建筑物沉降变形监测分析J.江苏建筑，2014 (3) :37-3&