[發明專利]一種基于深度學習的深基坑圍護結構變形預測的方法

有效

• 申請號: 202010345711.8
• 申請日: 2020-04-27
• 公開（公告）號: CN111680343B
• 公開（公告）日: 2022-12-13
• 發明（設計）人: 徐楊青;張二勇;江威
• 申請（專利權）人: 中煤科工集團武漢設計研究院有限公司
• 主分類號: G06F30/13
• 分類號: G06F30/13;G06F30/27;G06N3/04;G06N3/08
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 金慧君

本發明提供了一種基于深度學習的深基坑圍護結構變形預測的方法，分析影響深基坑圍護結構變形的因素，確定若干最重要的影響因子，并進行初始化和歸一化；構建張量生成器，按照預設回溯期及預測期，將影響因子的歷史數據分別生成訓練數據、驗證數據和測試數據的張量及形變量；將訓練數據及驗證數據的張量輸入構建的深度學習網絡模型中進行訓練，滿足預設條件后，得到訓練好的深度學習網絡模型；將實際獲得的若干最重要的影響因子張量輸入到最終的深度學習網絡模型，對深基坑圍護結構變形進行預測，得到深基坑圍護結構的形變量，以便工作人員及時進行修護。本發明的有益效果是：提高預測精度，幫助施工單位對圍護結構變形進行預測，及時進行修護。

技術領域

本發明涉及深基坑圍護領域，具體涉及變形監測參數反演技術領域，尤其涉及一種基于深度學習的深基坑圍護結構變形預測的方法。

背景技術

深基坑是指開挖深度超過5米(含5米)，或深度雖未超過5米，但地質條件和周圍環境及地下管線特別復雜的工程。隨著國內地下鐵道、高層建筑的快速發展，深基坑工程的應用越來越廣泛，深基坑圍護變形的預測研究也日益受到關注。

在地下深基坑工程施工中，受施工條件、荷載條件、水文條件、工程地質條件和其他周圍環境因素的影響，基坑變形已經成為一個隨機、模糊、復雜的工程問題.如果在基坑開挖與基礎施工的過程中，支護結構受到破壞，則將帶來十分嚴重的后果.因此，監測工作在基坑工程施工過程中是非常重要的.在基坑開挖過程當中，基坑圍護的變形量不但可以很直觀地反映出土體與支護結構之間的相互作用，也可及時發現各種突發工程事故的先兆.若利用一定的工程監控方法對基坑圍護的變形量進行事先預測，那么，對地下深基坑安全施工的保證將帶來十分重要的實際意義.因此，以圍護結構的變形量為控制措施的設計方法已越來越受人們的重視。目前，針對深基坑圍護結構變形預測，現有的主要方法有四種：時間序列分析法、回歸分析法、人工神經網絡法和灰色系統分析法；

時間序列分析法的基本思想是把某個時間序列作為隨機過程進行研究和描述，即假定時間序列由某個隨機過程產生，在原始數據基礎上建立一個模型，用來描述此隨機過程并進行參數估計、模型檢驗與修改，最終在已知時間序列過去值和當前值基礎上，對未來的時間序列值進行合理的預測。回歸分析法是在建立變量之間關系的數學表達式基礎上，對未知量進行預測或檢驗其變化。人工神經網絡法，并不基于任何數學模型，只是通過大量已有數據經驗進行不斷訓練，學習辨別有效信息與無效信息的方法，從而達到對相關類似數據的分析處理，并能夠對未來數據進行預測。灰色系統分析法，用于解決少數據不確定性問題。

基坑圍護結構變形預測是一個復雜的問題，包含的影響因子眾多，對于高維特征，現有方法很難確定不同特征在預測中的權重，并用合適的模型來模擬問題，因而精度不高。深度學習，是一種近年來處于研究前沿的機器學習技術，通過模擬人腦神經元對實物的認知，完成特征學習。目前已經廣泛應用于模式識別，分類及回歸分析等問題中。相較于傳統方法，深度學習擅長通過海量數據提取大量特征，并建立特征與問題件的關系。因此，將深度學習引入深基坑圍護結構變形監測中，通過分析研究深基坑圍護結構變形影響因素，并構建合適的深度學習網絡架構，對于深基坑圍護結構形變預測具有重要意義。

發明內容

為了解決上述問題，本發明提供了一種基于深度學習的深基坑圍護結構變形預測的方法，主要包括以下步驟：

S101：分析影響深基坑圍護結構變形的因素，確定若干最重要的影響因子，根據影響因子的采樣頻率將若干最重要的影響因子分為動態影響因子和靜態影響因子，對所述若干最重要的影響因子的歷史數據進行初始化和歸一化處理；

S102：構建張量生成器，按照預設的回溯期及預測期，將選取的影響因子的歷史數據分別生成訓練數據、驗證數據和測試數據的張量及形變量；

S103：構建卷積神經網絡與長短期記憶網絡耦合的深度學習網絡模型，其中卷積神經網絡分支輸入靜態影響因子的張量，長短期記憶網絡分支輸入動態影響因子的張量；