一种基于复合神经网络算法的地连墙变形动态预测方法技术

本发明专利技术公开了一种基于复合神经网络算法的地连墙变形动态预测方法。采用活动式测斜仪对地连墙水平位移进行采集，对监测数据进行预处理并形成变形数据库；采用CV‑LSTM模型将变形数据库划分为训练集和测试集，并对其中的训练样本进行学习；使用变形数据库中的测试样本对地连墙水平位移进行预测，为控制变形风险提供依据。本发明专利技术提供的CV‑LSTM复合神经网络算法的预测模型相比传统BP神经网络，表现出了较高的预测精度，较单独的LSTM深度网络具有更好的泛化能力，适用于地连墙变形的动态预测问题，从而可为施工现场实现信息化管理提供参考。

【技术实现步骤摘要】
一种基于复合神经网络算法的地连墙变形动态预测方法
本专利技术涉及一种地连墙变形预测方法，尤其是涉及一种基于复合神经网络的地连墙变形动态预测方法。
技术介绍
目前，我国正处于轨道交通建设的快速发展阶段。2019年，全国新增车站数达238座，另有12个地区59条线路的轨道交通项目获批待建，总项目投资额约9700亿元。由此出现了大量的车站基坑工程，基坑的开挖规模和深度也在不断加大，例如，某市地铁线某车站的最大开挖深度达到了29m。基坑工程是一种包含土体和支护结构的空间体系，受到地质条件、施工质量和周边环境等诸多内在和外在因素的影响。现场实测变形数据是施工过程中各种影响综合作用的体现，分析研究现场变形监测数据成为人们认识基坑变形特性的有效途径。对在不同土体性质和不同支护类型下的基坑地连墙变形规律预测方面的研究，预测方法主要分为经验法、数值模拟法和机器学习法三种。经验法需要大量的监测数据,且局限于用差分方程来建立离散的随机模型,不便于描述系统变化过程的本质和内在规律；数值法具有数学方法上的精确性,但由于基坑地连墙变形影响因素的复杂性、物理机制的模本文档来自技高网...

【技术保护点】
1.一种基于复合神经网络算法的地连墙变形动态预测方法，其特征在于包括以下步骤：/n（1）对基坑工程地连墙的变形监测数据进行预处理，记录为监测日报，形成变形数据库；/n（2）构建一个CV和LSTM复合神经网络算法的预测模型，先采用CV交叉验证法将变形数据库划分为训练集和测试集，再采用深度学习PyTorch框架包中LSTM神经网络对训练集样本进行学习，设定的超参数包括训练轮数、学习率、隐藏层神经元的数量；/n（3）将训练得到的最优模型用于地连墙变形预测，将得到的预测值与地连墙允许的变形限值进行对比，输出结果。/n

【技术特征摘要】
1.一种基于复合神经网络算法的地连墙变形动态预测方法，其特征在于包括以下步骤：
（1）对基坑工程地连墙的变形监测数据进行预处理，记录为监测日报，形成变形数据库；
（2）构建一个CV和LSTM复合神经网络算法的预测模型，先采用CV交叉验证法将变形数据库划分为训练集和测试集，再采用深度学习PyTorch框架包中LSTM神经网络对训练集样本进行学习，设定的超参数包括训练轮数、学习率、隐藏层神经元的数量；
（3）将训练得到的最优模型用于地连墙变形预测，将得到的预测值与地连墙允许的变形限值进行对比，输出结果。


2.根据权利要求1所述的一种基于复合神经网络算法的地连墙变形动态预测方法，其特征在于：步骤（1）所述的变形历史监测数据包括：通过埋设于墙体混凝土内的活动式测斜仪进行监测得到的地连墙的水平位移，监测频率为1～3次/天，对缺失数据以线性插值补全；所述的监测数据进行预处理包括：将监测日报以Excel格式存储，或将测斜仪采集数据通过传输电缆直接传输给计算机进行数据存储；所述的变形数据库包括：将每个测点采集的变形监测值记录为，表示测点i在第t天的变形值，形成具有时间序列特征的变形数据库。


3.根据权利要求1所述的一种复合神经网络算法的地连墙变形动态预测方法，其特征在于：步骤（2）中，
预测模型利用PyTorch框架包中xlrd模块读入地连墙监测日报中的数据，用tensor函数将数据存储为张量结构；
预测模型的输入层为，预测模型的输出层为,其中，N为输入信息长度，M为预测时间跨度；所述预测模型利用K-CV将数据集划分为K个子集，轮流将其中K-1个子集作为训练集，剩余的1个子集作为测试集；

【专利技术属性】
技术研发人员：刘维，赵华菁，史培新，管浩，唐强，付春青，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32