本發(fā)明涉及鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法。

背景技術(shù)：

1、目前，我國正處于軌道交通建設(shè)的快速發(fā)展階段。2019年，全國新增車站數(shù)達(dá)238座，另有12個地區(qū)59條線路的軌道交通項目獲批待建，總項目投資額約9700億元。由此出現(xiàn)了大量的車站基坑工程，基坑的開挖規(guī)模和深度也在不斷加大，例如，某市地鐵線某車站的最大開挖深度達(dá)到了29m?；庸こ淌且环N包含土體和支護結(jié)構(gòu)的空間體系，受到地質(zhì)條件、施工質(zhì)量和周邊環(huán)境等諸多內(nèi)在和外在因素的影響。現(xiàn)場實測變形數(shù)據(jù)是施工過程中各種影響綜合作用的體現(xiàn)，分析研究現(xiàn)場變形監(jiān)測數(shù)據(jù)成為人們認(rèn)識基坑變形特性的有效途徑。

2、對在不同土體性質(zhì)和不同支護類型下的基坑地連墻變形規(guī)律預(yù)測方面的研究，預(yù)測方法主要分為經(jīng)驗法、數(shù)值模擬法和機器學(xué)習(xí)法三種。經(jīng)驗法需要大量的監(jiān)測數(shù)據(jù),且局限于用差分方程來建立離散的隨機模型,不便于描述系統(tǒng)變化過程的本質(zhì)和內(nèi)在規(guī)律；數(shù)值法具有數(shù)學(xué)方法上的精確性,但由于基坑地連墻變形影響因素的復(fù)雜性、物理機制的模糊性以及參數(shù)的多變和不確定性,使得在使用該方法時過分概化,降低了實用價值。

3、目前，機器學(xué)習(xí)法大多采用較多的是經(jīng)典的bp神經(jīng)網(wǎng)絡(luò)，這種反向傳播的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相對簡單，但無法準(zhǔn)確處理輸入時間上關(guān)聯(lián)性且在處理長序列數(shù)據(jù)時誤差較大。

4、因此，提供一種鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有的缺陷而提供的鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法，實現(xiàn)了對多個未來時間步的連續(xù)預(yù)測，提升了預(yù)測精度和穩(wěn)定性。

2、實現(xiàn)上述目的的技術(shù)方案是：

3、一種鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法，包括：

4、步驟s1，根據(jù)預(yù)測任務(wù)的不同，更新施工信息和地墻撓度信息；

5、步驟s2，對施工信息和地墻撓度信息進行預(yù)處理操作；

6、步驟s3，構(gòu)建基于長短期記憶網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的智能預(yù)測模型；

7、步驟s4，將數(shù)據(jù)信息輸入至智能預(yù)測模型，從而生成地墻撓度曲線的預(yù)測結(jié)果。

8、優(yōu)選的，所述步驟s2中，預(yù)處理操作操作包括但不限于歸一化處理，用于消除不同量綱和數(shù)量級之間的影響，其中，歸一化處理采用min-max歸一化和z-score歸一化。

9、優(yōu)選的，所述步驟s3中，通過均方誤差作為損失函數(shù)，對智能預(yù)測模型中的優(yōu)化器進行優(yōu)化，其損失函數(shù)mse表達(dá)式如下：

10、

11、式中，n代表樣本數(shù)量，和分別為變形預(yù)測與實測結(jié)果。

12、優(yōu)選的，所述步驟s4中，基于長短期記憶網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的智能預(yù)測模型預(yù)測過程包括：

13、步驟s41，預(yù)處理后的施工信息和地墻撓度信息分別通過兩個獨立的基于長短期記憶網(wǎng)絡(luò)的編碼器提取時間特征；

14、步驟s42，提取的兩個時間特征分別通過特征融合在通道維度上進行拼接，將施工信息和地墻撓度信息整合成一個統(tǒng)一的特征；

15、步驟s43，將特征融合后的結(jié)果輸入至1d?u-net模型中，提取特征的空間結(jié)構(gòu)信息并對其進行逐步解碼，從而生成地墻撓度曲線的預(yù)測結(jié)果。

16、優(yōu)選的，所述步驟s41中，長短期記憶網(wǎng)絡(luò)的核心在于其門控機制，包括輸入門it、遺忘門ft和輸出門ot，輸入門用于決定當(dāng)前輸入信息的重要性，遺忘門用于控制過去的記憶需要被遺忘，輸出門用于決定當(dāng)前時刻的隱狀態(tài)，即網(wǎng)絡(luò)的最終輸出；在時間步t，其計算公式如下：

17、it＝σ(wxixt+whiht-1+bi)；

18、ft＝σ(wxfxt+whfht-1+bf)；

19、ot＝σ(wxoxt+whoht-1+bo)；

20、

21、ht＝ot⊙tanh(ct)；

22、式中，w是權(quán)重參數(shù)，b是偏置項。ht和ct是時間步t的隱變量和記憶元，xt是時間步t的輸入，ht-1和ct-1是時間步t-1的隱狀態(tài)和記憶元，it、ft、ot和分別為t時刻的輸入門，遺忘門，輸出門和候選記憶元，σ是sigmoid激活函數(shù)，符號⊙是hadamard積。

23、優(yōu)選的，所述步驟s43包括：

24、步驟s431，將特征融合后的結(jié)果輸入至1d?u-net模型的編碼器中，提取特征的空間結(jié)構(gòu)信息；

25、步驟s432，特征提取完成后，融合特征被送入上采樣解碼器中，該解碼器將低分辨率的特征圖上采樣為高分辨率的輸出，從而生成地墻撓度曲線的預(yù)測結(jié)果。

26、優(yōu)選的，所述步驟s431中，針對地連墻變形預(yù)測任務(wù)，各時間點獲取到的地墻撓度為一維序列數(shù)據(jù)，卷積層通過引入一維卷積，從變形序列中提取局部特征，在空間和時間上識別變形數(shù)據(jù)，其中，一維卷積的計算公式如下：

27、

28、式中，y[i]表示輸出特征圖的第i個元素，w[k]是卷積核的第k個元素，x[i+k]是輸入數(shù)據(jù)的第i+k個元素，k是卷積核的大?。?/p>

29、池化層通常在卷積層之后設(shè)置，用于對卷積生成的特征圖進行降維處理，對于一維池化操作，池化計算的公式如下：

30、y[i]＝pool(x[i·s],x[i·s+1],...,x[i·s+p-1])；

31、式中，y[i]表示輸出特征圖的第i個元素，pool表示池化操作，x是輸入特征圖，s是步長，p是池化窗口的大??；

32、全連接層位于卷積神經(jīng)網(wǎng)絡(luò)的后部，用于最終決策或預(yù)測的層，將前面卷積層和池化層提取的特征映射到輸出空間，實現(xiàn)分類或回歸任務(wù)，假設(shè)輸入特征向量為z＝[z1,z2,...,zn]，輸出為a，則全連接層的操作可以表示為：

33、a＝f(w·z+b)；

34、式中，w是權(quán)重矩陣，b是偏置向量，f是激活函數(shù)。

35、優(yōu)選的，所述步驟s432中，引入轉(zhuǎn)置卷積層，即上采樣層作為全連接層的替代，將低分辨率的編碼特征上采樣到高分辨率的輸出，同時保持原始的空間結(jié)構(gòu)，其中，一維轉(zhuǎn)置卷積的計算公式如下：

36、

37、式中，y[i]表示輸出特征圖的第i個元素，x[i-k·s]是插入零后的輸入特征圖的第i-k·s個元素，w[k]是卷積核第k個元素，s是步長。

38、優(yōu)選的，所述步驟s43中，預(yù)測結(jié)果可返回至所述步驟s1中，用于下一步的預(yù)測迭代，進行未來時間步的預(yù)測。

39、本發(fā)明的有益效果是：本發(fā)明將施工信息引入預(yù)測模型，增加了模型輸入的數(shù)據(jù)維度和信息量，使得模型能夠更全面地捕捉時序特征，融合了施工過程中的關(guān)鍵信息后，模型在長短期預(yù)測任務(wù)中均表現(xiàn)出較高的預(yù)測精度，提升了模型的預(yù)測精度和穩(wěn)定性，為實現(xiàn)更為精確的工程安全管理奠定基礎(chǔ)。

技術(shù)特征：

1.鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法，其特征在于，所述步驟s2中，預(yù)處理操作操作包括但不限于歸一化處理，用于消除不同量綱和數(shù)量級之間的影響，其中，歸一化處理采用min-max歸一化和z-score歸一化。

3.根據(jù)權(quán)利要求1所述的鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法，其特征在于，所述步驟s3中，通過均方誤差作為損失函數(shù)，對智能預(yù)測模型中的優(yōu)化器進行優(yōu)化，其損失函數(shù)mse表達(dá)式如下：

4.根據(jù)權(quán)利要求1所述的鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法，其特征在于，所述步驟s4中，基于長短期記憶網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的智能預(yù)測模型預(yù)測過程包括：

5.根據(jù)權(quán)利要求4所述的鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法，其特征在于，所述步驟s41中，長短期記憶網(wǎng)絡(luò)的核心在于其門控機制，包括輸入門it、遺忘門ft和輸出門ot，輸入門用于決定當(dāng)前輸入信息的重要性，遺忘門用于控制過去的記憶需要被遺忘，輸出門用于決定當(dāng)前時刻的隱狀態(tài)，即網(wǎng)絡(luò)的最終輸出；在時間步t，其計算公式如下：

6.根據(jù)權(quán)利要求4所述的鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法，其特征在于，所述步驟s43包括：

7.根據(jù)權(quán)利要求6所述的鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法，其特征在于，所述步驟s431中，針對地連墻變形預(yù)測任務(wù)，各時間點獲取到的地墻撓度為一維序列數(shù)據(jù)，卷積層通過引入一維卷積，從變形序列中提取局部特征，在空間和時間上識別變形數(shù)據(jù)，其中，一維卷積的計算公式如下：

8.根據(jù)權(quán)利要求7所述的鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法，其特征在于，所述步驟s432中，引入轉(zhuǎn)置卷積層，即上采樣層作為全連接層的替代，將低分辨率的編碼特征上采樣到高分辨率的輸出，同時保持原始的空間結(jié)構(gòu)，其中，一維轉(zhuǎn)置卷積的計算公式如下：

9.根據(jù)權(quán)利要求4所述的鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法，其特征在于，所述步驟s43中，預(yù)測結(jié)果可返回至所述步驟s1中，用于下一步的預(yù)測迭代，進行未來時間步的預(yù)測。

技術(shù)總結(jié)
本發(fā)明公開了一種鄰近既有敏感結(jié)構(gòu)變形的智能預(yù)測模型實現(xiàn)方法，包括：步驟S1，根據(jù)預(yù)測任務(wù)的不同，更新施工信息和地墻撓度信息；步驟S2，對施工信息和地墻撓度信息進行預(yù)處理操作；步驟S3，構(gòu)建基于長短期記憶網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的智能預(yù)測模型；步驟S4，將數(shù)據(jù)信息輸入至智能預(yù)測模型，從而生成地墻撓度曲線的預(yù)測結(jié)果。本發(fā)明實現(xiàn)了對多個未來時間步的連續(xù)預(yù)測，提升了預(yù)測精度和穩(wěn)定性。

技術(shù)研發(fā)人員：張智勇,楊靖華,童立元,劉文源,何玉珠,李華富
受保護的技術(shù)使用者：中交三航局第三工程有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9