论文部分内容阅读
随着国家经济的发展,一些大型工程项目应运而生。由于大型工程项目成分构成的多样性、管理的难度、加之环境的复杂性,时常导致一些安全事故。出于工程的安全性考虑,大型工程项目的变形监测势在必行。传统的变形监测有静力水准仪、全自动测量机器人等方法,这些工具方法在实践应用过程中发挥着一定的效用,不过也存在着局限性。基于GNSS技术全天候不间断、精度高、自动化等一系列优势,该技术也被应用于大型工程与灾害预警的位移变形监测中。不论是全球监测的IGS站还是大型工程的GNSS变形监测,由于都是长期且连续的过程,因此会积累大量的时间序列数据。这些数据蕴含着监测点的真实变形信息,所以从这些监测数据中分析出监测体的真实变形信息及趋势,对于工程研究人员显得尤为重要。在对监测时间序列数据的分析过程中,学者们提出了很多方法模型,如时间序列分析模型、人工神经网络,小波分析等。不过这些方法都是在小数据量的基础上进行分析,无法解决大数据量的时序分析问题。本文基于GNSS技术获取的变形监测时间序列数据,引入深度学习方法进行时间序列建模分析,探讨监测点的变形信息,主要研究内容如下:(1)总结变形监测常用工具方法,其中重点介绍基于GNSS技术的变形监测系统。另外阐述由监测系统生成的时间序列数据特征,并且提出GNSS时间序列数据的预处理方法。(2)概括深度学习的发展历程,还有深度学习与人工神经网络的异同点。接着将深度学习中用于时序分析的循环神经网络的结构以及运算原理进行详细的说明,然后将现行主流的深度学习框架进行简单的梳理。(3)通过工程案例,对IGS监测站的GNSS变形监测时间序列进行建模以及应用研究。主要包括对深度学习模型的精确度以及适应性的验证分析,另外还有对基于多个监测站数据的区域沉降的应用研究。结果表明,在对GNSS变形监测时间序列进行建模之前,需要针对其本身特征进行数据预处理,提高数据集的质量。另外通过对IGS监测站的工程案例数据进行实验,验证了循环神经网络在GNSS变形监测领域的可行性以及适应性。另外也验证了该类模型在区域沉降的预估分析中可以提供一定的数据支撑。