一种复杂地铁车站基坑变形时空预测方法技术

本发明专利技术公开了一种复杂地铁车站基坑变形时空预测方法，包括以下步骤：S1、获取基坑变形数据，并对其进行预处理，得到训练集和测试集；S2、根据训练集和测试集构建GCN

【技术实现步骤摘要】
一种复杂地铁车站基坑变形时空预测方法


[0001]本专利技术属于变形预测算法
，具体涉及一种复杂地铁车站基坑变形时空预测方法。

技术介绍

[0002]当前，我国正处于城市轨道交通系统的建设升温期，发展势头迅猛。轨道交通在建设过程中由于受到基坑开挖、地质条件、周边开发建设等诸多因素的影响，车站基坑及其周边不可避免的会发生变形。随着地铁线路越来越密集，相继出现了一些复杂地铁车站基坑工程，这些复杂工程兼具如下复杂性：
[0003]1)不可避免需要通过一些不良地质环境地区，其地质环境复杂；
[0004]2)修建的地铁车站结构类型复杂，受力情况相应更加复杂；
[0005]3)地铁车站位于建筑、交通密集地段，施工场地环境复杂等等。复杂地铁基坑施工开挖不当极易诱发土体过大变形，对基坑自身的结构稳定、周边建筑物及地下管线均会构成极大的安全隐患，导致基坑施工事故发生，使得施工面临着日趋严峻的安全问题。随着信息化技术的发展，如何利用基坑工程监测信息技术手段，有效地预测基坑土体变形，保证工程施工安全，防范基坑施工事故的发生，已成为岩土工程界共同关注的问题。针对复杂地铁基坑变形监测，考虑其工程的特殊性，常有变形监测点位布设更加密集、监测点位之间的关联关系更加紧密、特殊或控制点位更多等特点，而类似于BP神经网络、SVR算法、LSTM算法、GRU算法等常规的变形预测模型只能挖掘单个基坑变形测点变形数据的时间信息或未来发展趋势，未能充分利用多个基坑变形测点在空间维度上的复杂依赖关系，制约了基坑变形预测的精度提升。与此同时，基坑现场的变形监测数据受多种条件影响易出现噪音问题，进一步限制变形预测的精度。
[0006]综上，针对复杂地铁车站基坑工程，提出一种既能在预测分析之前针对原始数据做出降噪处理保障数据质量、又能兼顾基坑变形数据时空关联关系的预测模型尤为重要。此方法具有更好的预测精度和泛化能力，为复杂地铁车站基坑工程变形的智能预测以及稳定状态的预判提供一条新的思路。因此，亟需研发一种基于GF
‑
GCN
‑
GRU的复杂地铁车站基坑变形时空预测方法。

技术实现思路

[0007]针对现有技术中的上述不足，本专利技术提供的一种复杂地铁车站基坑变形时空预测方法解决了往复杂地铁车站基坑变形预测模型只能挖掘单个基坑变形测点变形数据的时间信息或未来发展趋势的问题。
[0008]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种复杂地铁车站基坑变形时空预测方法，包括以下步骤：
[0009]S1、获取基坑变形数据，并对其进行预处理，得到训练集和测试集；
[0010]S2、根据训练集和测试集构建GCN
‑
GRU的神经网络模型，得到神经网络模型的预测
结果，完成复杂地铁车站基坑现场的变形预测。
[0011]进一步地：所述S1中，预处理包括降噪和归一化处理，所述S1包括以下分步骤：
[0012]S11、采集各基坑测点的基坑变形数据；
[0013]S12、通过Gaussian
‑
filter算法对基坑变形数据进行降噪处理，得到降噪后的基坑变形数据；
[0014]S13、将降噪后的基坑变形数据进行归一化处理，得到归一化的基坑变形数据；
[0015]S14、根据归一化的基坑变形数据构建数据集，并将其划分为训练集和测试集。
[0016]上述进一步方案的有益效果为：归一化处理将基坑变形数据归一化到0
‑
1之间，以提升后续图神经网络预测模型训练过程中的便捷性。
[0017]进一步地：所述S12中，得到降噪后的基坑变形数据S(t,σ)的表达式具体为：
[0018]S(t,σ)＝f(t)*g
(1)
(t,σ)
[0019]式中，*为卷积运算符；σ为高斯函数的标准方差，g
(1)
(t,σ)为高斯滤波器，f(t)为基坑变形数据。
[0020]进一步地：所述S14中，所述数据集划分为训练集和测试集的比例为7：3。
[0021]进一步地：所述S2包括以下分步骤：
[0022]S21、构建训练集和测试集的基坑测点图数据；
[0023]S22、根据训练集的基坑测点图数据构建GCN
‑
GRU的神经网络模型；
[0024]S23、训练GCN
‑
GRU的神经网络模型，得到训练好的GCN
‑
GRU的神经网络模型；
[0025]S24、将测试集的基坑测点图数据输入训练好的GCN
‑
GRU的神经网络模型，得到神经网络模型的最终预测结果，完成复杂地铁车站基坑现场的变形预测。
[0026]进一步地：所述S21中，构建基坑测点图数据的方法具体为：
[0027]S211、根据历史基坑测点的基坑变形数据和变形影响因素数据建立节点属性；
[0028]S212、根据归一化的基坑变形数据建立边权；
[0029]S213、组合节点属性和边权，得到基坑测点图数据。
[0030]进一步地：所述S212中，建立边权E
ab
的表达式具体为：
[0031][0032]式中，D
a,b
为基坑测点a与基坑测点b在基坑平面上的距离，D
max
为可接受距离的最大值；
[0033]所述S213中，所述基坑测点图数据的表达式具体为：
[0034]G＝(V,E)
[0035]式中，V为节点的集合，E为边的集合。
[0036]进一步地：所述S22包括以下分步骤：
[0037]S221、将训练集的基坑测点图数据输入GCN，通过GCN进行各个节点信息交互，得到更新后的基坑测点图数据；
[0038]S222、将更新后的基坑测点图数据输入GRU，通过GRU进行基坑变形数据的编码和解码处理；
[0039]S223、将解码处理后的结果依次输入全连接层和输出层，通过输出层输出初步预
测结果，完成GCN
‑
GRU的神经网络模型构建。
[0040]进一步地：所述S221中，通过GCN进行各个节点信息交互中的一次图卷积计算过程具体为下式：
[0041][0042][0043][0044]式中，H
(l)
是第l层神经网络的输入，H
(l)
∈R
n*d
，n为基坑测点图数据中的节点的数量，每个节点使用d维的特征向量表示，A是无向图的邻接矩阵，I
N
为N阶单位矩阵，为中间矩阵，为的度矩阵，用于对矩阵行列进行归一化处理，W
(l)
为第l层的待训练参数，W
(l)
＝R
d*h
，其中，h为输出维度，σ为激活函数。
[0045]进一步地：所述S222包括以下分步骤：
[0046]S2221、将更新后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂地铁车站基坑变形时空预测方法，其特征在于，包括以下步骤：S1、获取基坑变形数据，并对其进行预处理，得到训练集和测试集；S2、根据训练集和测试集构建GCN
‑
GRU的神经网络模型，得到神经网络模型的预测结果，完成复杂地铁车站基坑现场的变形预测。2.根据权利要求1所述的复杂地铁车站基坑变形时空预测方法，其特征在于，所述S1中，预处理包括降噪和归一化处理，所述S1包括以下分步骤：S11、采集各基坑测点的基坑变形数据；S12、通过Gaussian
‑
filter算法对基坑变形数据进行降噪处理，得到降噪后的基坑变形数据；S13、将降噪后的基坑变形数据进行归一化处理，得到归一化的基坑变形数据；S14、根据归一化的基坑变形数据构建数据集，并将其划分为训练集和测试集。3.根据权利要求2所述的复杂地铁车站基坑变形时空预测方法，其特征在于，所述S12中，得到降噪后的基坑变形数据S(t,σ)的表达式具体为：S(t,σ)＝f(t)*g
(1)
(t,σ)式中，*为卷积运算符，σ为高斯函数的标准方差，g
(1)
(t,σ)为高斯滤波器，f(t)为基坑变形数据。4.根据权利要求2所述的复杂地铁车站基坑变形时空预测方法，其特征在于，所述S14中，所述数据集划分为训练集和测试集的比例为7：3。5.根据权利要求2所述的复杂地铁车站基坑变形时空预测方法，其特征在于，所述S2包括以下分步骤：S21、构建训练集和测试集的基坑测点图数据；S22、根据训练集的基坑测点图数据构建GCN
‑
GRU的神经网络模型；S23、训练GCN
‑
GRU的神经网络模型，得到训练好的GCN
‑
GRU的神经网络模型；S24、将测试集的基坑测点图数据输入训练好的GCN
‑
GRU的神经网络模型，得到神经网络模型的最终预测结果，完成复杂地铁车站基坑现场的变形预测。6.根据权利要求5所述的复杂地铁车站基坑变形时空预测方法，其特征在于，所述S21中，构建基坑测点图数据的方法具体为：S211、根据历史基坑测点的基坑变形数据和变形影响因素数据建立节点属性；S212、根据归一化的基坑变形数据建立边权；S213、组合节点属性和边权，得到基坑测点图数据。7.根据权利要求6所述的复杂地铁车站基坑变形时空预测方法，其特征在于，所述S212中，建立边权E
a，b
的表达式具体为：式中，D
a,b
为基坑测点a与基坑测点b在基坑平面上的距离，D
max
为可接受距离的最大值；所述S213中，所述基坑测点图数据的表达式具体为：G＝(V,E)式中，V为节点的集合，E为边的集合。<...

【专利技术属性】
技术研发人员：朱立明，杨子江，邵杰，张飞飞，麻宏悦，姜姣龙，王海兵，崔斌，李宁，潘德胜，魏瑞明，李雷，孙铁帅，刘超凡，刘矿木，刘龙，张洪吉，姜楠，韩振和，李文豪，
申请(专利权)人：中铁六局集团呼和浩特铁路建设有限公司，
类型：发明
国别省市：