PBA车站钢管柱结构变形预测方法、系统技术方案

本发明专利技术公开一种PBA车站钢管柱结构变形预测方法、系统，属于地下工程结构变形监测技术领域。预测方法包括：步骤一：收集历史PBA车站钢管柱应变监测数据，得到历史车站数据集；步骤二：对历史车站数据集进行向量化处理；步骤三：将向量化处理后的历史车站数据集进行数据预处理；步骤四：采用全连接神经网络对预处理后的历史车站数据集进行特征提取；步骤五：采用改进型随机森林预测算法进行模型训练，构建预测模型；步骤六：使用预测模型进行待预测PBA车站钢管柱结构变形预测。本发明专利技术能够准确、有效地对车站结构变形进行预测，预测结果可以为车站的建造提供重要的决策支持，有助于提前发现和解决潜在的结构问题，从而保证地铁运行的安全和稳定。安全和稳定。安全和稳定。

【技术实现步骤摘要】
PBA车站钢管柱结构变形预测方法、系统


[0001]本专利技术涉及地下工程结构变形监测
，尤其是PBA车站施工，具体为一种PBA车站钢管柱结构变形预测方法、系统。

技术介绍

[0002]车站，尤其是地铁车站，作为城市公共交通系统的重要组成部分，承载着大量的乘客和交通流量。为满足使用要求，采用PBA工法修建的多跨结构大型车站渐渐成为主流。在车站开挖过程中，钢管柱的变形一直是安全监测的重点。因此，能够预测车站在不同施工阶段的结构变形情况，并根据实际监测数据作出预警十分重要。
[0003]相关的传统方法中，车站的结构变形预测主要依赖于工程师的经验和基于物理原理的数值模拟方法。然而，这些方法存在一些局限性。首先，工程师的经验往往是有限的，无法考虑到所有可能的因素和复杂的相互关系。其次，基于物理原理的数值模拟方法需要大量的计算和复杂的参数设置，不仅耗时耗力，还存在模型误差和不确定性。
[0004]随着机器学习技术的快速发展，以机器学习为代表的人工智能算法在预测和分类等领域取得了巨大的成功。机器学习能够从大量的数据中学习并发现隐藏的模式和规律，从而做出准确的预测。因此，将机器学习应用于车站结构变形预测成为一种有前景的方法。基于机器学习的车站钢管柱结构变形预测方法可以利用历史结构变形数据和实时监测数据，通过构建预测模型来分析车站结构的变形情况。通过对大量数据的学习，机器学习模型能够捕捉到车站结构变形的规律和趋势，从而提前预测潜在的问题并采取相应的措施。此外，基于机器学习的方法还可以根据实时监测数据进行实时预测和反馈，以便及时采取行动。因此，研究一种基于机器学习的PBA车站钢管柱变形预测方法对提高车站的安全性和可靠性具有重要的意义和应用价值。
[0005]在现有的技术中，存在一些问题需要进一步改进：
[0006]1、处理复杂数据的能力不足：现有的预测方法对于复杂数据的处理能力不足，特别是对于含有大量噪声和缺失值的数据，现有方法往往无法有效处理。
[0007]2、特征提取能力有限：现有的预测方法的特征提取能力有限，往往无法有效地提取出对预测有用的特征。
[0008]3、预测精度不高：现有的预测方法的预测精度往往不高，尤其是对于难以预测的样本，现有方法往往无法做出准确的预测。
[0009]4、鲁棒性不足：现有的预测方法的鲁棒性不足，对于数据的小幅度变动往往会导致预测结果的大幅度变动。

技术实现思路

[0010]本专利技术提供一种PBA车站钢管柱结构变形预测方法、系统，通过对车站数据进行清洗和纠正，提取出对车站结构变形预测有用的特征，构建预测模型，能够准确、有效地对车站结构变形进行预测，预测结果可以为车站的建造提供重要的决策支持，有助于提前发现
和解决潜在的结构问题，从而保证地铁运行的安全和稳定。
[0011]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0012]本专利技术首先提供一种PBA车站钢管柱结构变形预测方法，包括：步骤一：收集历史PBA车站钢管柱应变监测数据，得到历史车站数据集；步骤二：对所述历史车站数据集进行向量化处理，得到能够用于机器模型使用的特征；步骤三：将向量化处理后的历史车站数据集进行数据预处理；步骤四：采用全连接神经网络对预处理后的历史车站数据集进行特征提取，得到数据的特征向量；步骤五：基于特征提取后数据的特征向量，采用改进型随机森林预测算法进行模型训练，构建预测模型；步骤六：使用预测模型进行待预测PBA车站钢管柱结构变形预测。借助本专利技术的预测方法，对历史车站数据进行清洗和纠正，提取出对车站结构变形预测有用的特征，构建预测模型，再借助实测数据，能够准确、有效地对车站结构变形进行预测，预测结果可以为车站的建造提供重要的决策支持。
[0013]本专利技术还提供一种PBA车站钢管柱结构变形预测系统，该系统用于执行本专利技术的预测方法。该系统可以利用各种方式来实现，包括软件、硬件、固件或其任意组合，以确保本专利技术的预测方法能够容易地被执行，但本专利技术对此不作特别限制。
[0014]本专利技术提供一种PBA车站钢管柱结构变形预测方法、系统，能够准确、有效地对车站结构变形进行预测，预测结果可以为车站的建造提供重要的决策支持，有助于提前发现和解决潜在的结构问题，从而保证地铁运行的安全和稳定。具体而言，至少具有如下具体的优点：
[0015]（1）数据处理：收集到的历史车站数据集首先进行向量化处理，得到能够用于机器模型使用的特征；结构变形数据可能包含噪声、有缺失值、不一致等问题，现有对于复杂数据的处理能力不足，特别是对于含有大量噪声和缺失值的数据，现有的方法往往无法有效处理，本专利技术采用有效的数据处理策略进行清洗和纠正，满足模型训练需求。
[0016]（2）特征提取：现有的方法的特征提取能力有限，往往无法有效地提取出对预测有用的特征，设计一种创新性的特征提取算法（全连接神经网络），能够准确地从大量的、复杂的数据中提取出对车站结构变形预测有用的特征，进而提高预测的精度和可靠性。
[0017]（3）参数优化：在进行模型参数优化时，如何找到最优的模型参数是一个重要的问题，本专利技术设计出一种创新性的优化算法（增强自适应粒子群优化算法）对全连接神经网络进行优化，用于寻找神经网络模型的最优参数，能够提高预测的准确性，尤其是对于难以预测的样本。
[0018]（4）预测模型：现有的预测方法的预测精度往往不高，尤其是对于难以预测的样本，现有方法往往无法做出准确的预测。本专利技术设计出一种创新性的预测算法（改进型随机森林预测算法），能够准确、有效地对车站结构变形进行预测。这种预测模型考虑到数据的不均衡性、模型的鲁棒性等因素。
[0019]（5）借助本专利技术的预测方法，预测结果可以为车站的建造提供重要的决策支持，有助于提前发现和解决潜在的结构问题，从而保证地铁运行的安全和稳定。
[0020]应当理解，本专利技术任一实施方式的实现并不意味要同时具备或达到上述有益效果的多个或全部。
附图说明
[0021]为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
[0022]本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
涵盖的范围内。
[0023]图1为本专利技术实施例的整体流程示意图；图2为本专利技术实施例的A类监测断面钢管柱监测点位置示意图；图3为本专利技术实施例的A类监测断面钢管柱的横断面示意图，其中（a）为1
‑
1断面，（b）为2
‑
2断面；图4为本专利技术实施例的B类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种PBA车站钢管柱结构变形预测方法，其特征在于包括：步骤一：收集历史PBA车站钢管柱应变监测数据，得到历史车站数据集；步骤二：对所述历史车站数据集进行向量化处理，得到能够用于机器模型使用的特征；步骤三：将向量化处理后的历史车站数据集进行数据预处理；步骤四：采用全连接神经网络对预处理后的历史车站数据集进行特征提取，得到数据的特征向量；步骤五：基于特征提取后数据的特征向量，采用改进型随机森林预测算法进行模型训练，构建预测模型；步骤六：使用预测模型进行待预测PBA车站钢管柱结构变形预测。2.根据权利要求1所述的预测方法，其特征在于，步骤二中，所述向量化处理包括：将历史车站数据集中的文本特征进行向量化处理，并将向量化后的特征与其中的非文本特征组合。3.根据权利要求2所述的预测方法，其特征在于，所述将历史车站数据集中的文本特征进行向量化处理包括：对收集到的历史车站数据集中的文本特征，使用TF
‑
IDF向量化方法进行向量化处理，其中：TF公式表示如下：其中，n
i,j
表示词条t
i
在历史车站数据集d
j
中出现的次数，n
k,j
表示第k个词条在历史车站数据集d
j
中出现的次数，k的取值范围为[1,Ku]，Ku为需要统计的词语的总数，TF
i,j
表示词条t
i
在历史车站数据集d
j
中出现的频率；对于某一特定词语的IDF
i
，由样本的总数除以包含该词语的样本的数目的商取对数得到：其中，IDF
i
即词条t
i
的逆文本频率指数，表示关键词的普遍程度，|n+m|表示所有样本的数量，|j:t
i
∈d
j
|表示包含词条t
i
的样本数量；因此，TF
‑
IDF表达为：其中，TF_IDF
i
为用于评估一字词对于一个历史车站数据集或一个语料库中的其中一个样本的重要程度系数；通过计算TF
‑
IDF系数，将文本特征转化为向量，公式如下：其中，X
vec
为向量化后的特征，X
all
为所有数据，TI表示TF
‑
IDF计算。4.根据权利要求1所述的预测方法，其特征在于，步骤三中，所述将向量化处理后的历史车站数据集进行数据预处理包括：
（1）缺失值的处理，对所述历史车站数据集中丢失的车站数据根据数据的重要性采取不同的措施，包括插值、删除；（2）异常数据的处理，对所述历史车站数据集中不合理的车站数据进行删除操作；（3）数据的归一化，对所述历史车站数据集中车站数据不同的数值范围和取值范围进行归一化操作，具体采用极差标准化方法对数据进行归一化：其中，x
min
、x
max
分别表示整体数据样本中的最小值和最大值，x
in
表示输入的车站数据，x
out
表示归一化后的车站数据。5.根据权利要求1所述的预测方法，其特征在于，步骤四中，所述采用全连接神经网络对预处理后的历史车站数据集进行特征提取包括：所述全连接神经网络为多层前馈神经网络，该网络有d个输入神经元、q个隐层单元和L个输出单元，隐含层第h个神经元的阈值为γ
h
，输出层第j个神经元的阈值为θ
j
，输入层第i个神经元与隐含层第h个神经元的连接权重为v
ih
，隐含层第h个神经元与输出层第j个神经元的连接权重为w
hj
；隐含层使用ReLU激活函数，表示如下：输出层使用Softmax函数，表示如下：其中v为d
×
q大小的权值矩阵，x为...

【专利技术属性】
技术研发人员：江华，张珂，张晋勋，武福美，殷明伦，安冬，孙晓鹏，张雷，
申请(专利权)人：北京城建集团有限责任公司，
类型：发明
国别省市：