时间序列在隧道位移监测中的综合应用

《时间序列在隧道位移监测中的综合应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、时间序列在隧道位移监测中的综合应用重庆大学硕士学位论文学生姓名：钟焘指导教师：尹光志教授、博导专业：安全技术及工程学科门类：工学重庆大学资源及环境科学学院二OO八年四月TheIntegratedApplicationofTimeSeriesAnalysistoMeasurementofDisplacementsinaTunnelAThesisSubmittedtoChongqingUniversityinPartialFulfillmentoftheRequirementfortheDegreeofMasterofEngineeringbyZhongT

2、aoSupervisor:Prof.YinGuangzhiMajor:SafetytechnologyandEngineeringCollegeofResourceandEnvironmentalScienceChongqingUniversity,Chongqing,ChinaApril,2008中文摘要摘要监控量测是新奥法隧道施工的重要组成部分，为评价设计方案、对围岩变化情况及确定支护结构形式提供依据，并为施工及时提供围岩稳定程度和支护结构可靠性的安全信息，预见事故和险情。隧道位移监测是隧道监控量测的主要内容之一，对隧道施工、优化设计具有举足轻重的

3、作用。本文基于时间序列分析方法，对隧道位移监测数据进行了建模分析，主要研究成果如下：①建立了适合隧道位移监测数据的混合模型，该模型既体现了研究对象的物理意义，又包含了系统特性。②鉴于模型参数估计是时间序列建模最关键的部分，估计精度和结果的好坏直接决定了模型的选取和预测的精度。针对自回归滑动平均模型的非线性参数估计特征，提出了将参数估计分―两步走‖，一是参数初估计，二是参数精估计。首先分别应用自编MATLAB参数初估计程序和EViews参数估计程序，选择RSS较小者的参数估计值作为最新的初估计，然后再应用自编MATLAB参数精估计程序求解参数精估计值，结

4、果表明这种方法较大地改善了参数的估计精度和预测效果。③模型的选取包括两部分：模型定阶和诊断检验。通过应用多种定阶准则和统计检验求出最佳模型。在实例分析时，应用不同的时间序列建模方法进行建模，并对结果作分析和对比，尽量选择参数较少的低阶模型。④用本文方法对隧道位移监测数据进行时间序列建模分析并进行短期预测、数据回复和模型比较，最终得到了合适的时间序列模型，该模型的逼近效果、拟合优度和精确性均较优，能够为指导施工实践和修改支护系统设计提供依据。关键词：隧道位移，时间序列分析，参数估计，建模方法，混合模型I重庆大学硕士学位论文II英文摘要ABSTRACTMo

5、nitoringcontrolandsurveyisanimportantcomponentinNATMtunnel construction,whichcanprovidebasisforestimatingdesignscheme,investigating changesofsurroundingrockandconfirmingsupportingstructuralforms,alsoingood timeproposesecureinformationaboutstabilitydegreeofsurroundingrockand supp

6、ortingstructuralreliabilitytoforeseeaccidentanddanger.Displacementmonitorof tunnelisapartofmaincontentsinmonitoringcontrolandsurvey,soitplaysan importantroleintunnelconstructionandoptimumdesign.Basedthemethodoftime seriesanalysis,monitoringdataoftunneldisplacementismodeledandana

7、lyzed,from whichthemainstudyingproductionsarelistedasfollows:①Mixedmodelthatissuitableformonitoringdataoftunneldisplacementis established.Itnotonlyincarnatesphysicalmeaningofstudyingobject,butalsocontains system’scharacteristic.②Inviewofthefactthatestimateofmodel’sparametersisth

8、emostcriticalpart intimeseries,modelestimatepre