【技术实现步骤摘要】
本专利技术涉及建筑大数据采集与智能化监测与处理，具体涉及基坑大数据采集与智能化监测方法及其物联网系统。
技术介绍
1、基坑工程作为建筑工程项目中的基础部分，对工程项目质量有着极大影响，且通常设置在人口密集区域，需要对其进行有效监测。随着信息时代的到来，自动化检测系统逐渐完善，使得监测效率和监测质量迅速提高，提升了深基坑工程建设的安全性，对整个建筑行业发展具有重要意义。随着自动化监测技术的不断成熟以及有效利用，能够实现自动监测基坑数据工作的持续性，提高监测基坑数据工作的效率，保持基坑工程的稳定性，在面对突发情况时能够进行全面的监测，并在此基础上提出有针对性的解决措施。同时还能将相关信息及时反馈给施工人员，提高施工人员的安全意识，使深基坑工程的安全属性得到显著提升。本申请的基坑大数据采集与智能化监测方法及其物联网系统基于物联网、5g通信和大数据等技术的自动化监测系统，通过在基坑作业现场安装传感器等，并将传感器现场采集到的数据回传至计算中心，对基坑进行不间断地数据采集和分析实现对基坑作业过程中基坑变形、沉降和倾侧的实时监测和判断,能够及时发现...
【技术保护点】
1. 基坑大数据采集与智能化监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基坑大数据采集与智能化监测方法，其特征在于，所述步骤1中，多个参数传感器输出的时间序列值分别作为多个对应的AANN自联想神经网络模型-CNN卷积神经网络模型的输入和AANN自联想神经网络模型-新陈代谢灰色GM（1，1）模型的多个对应输入，多个AANN自联想神经网络模型-CNN卷积神经网络模型输出值分别作为AP聚类分类器和BiGRU神经网络模型-CNN卷积神经网络模型的输入，AP聚类分类器输出的3类AANN自联想神经网络模型-CNN卷积神经网络模型输出值分别作为PSO的...
【技术特征摘要】
1. 基坑大数据采集与智能化监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基坑大数据采集与智能化监测方法，其特征在于，所述步骤1中，多个参数传感器输出的时间序列值分别作为多个对应的aann自联想神经网络模型-cnn卷积神经网络模型的输入和aann自联想神经网络模型-新陈代谢灰色gm（1，1）模型的多个对应输入，多个aann自联想神经网络模型-cnn卷积神经网络模型输出值分别作为ap聚类分类器和bigru神经网络模型-cnn卷积神经网络模型的输入，ap聚类分类器输出的3类aann自联想神经网络模型-cnn卷积神经网络模型输出值分别作为pso的esn神经网络模型1、pso的esn神经网络模型2和pso的esn神经网络模型3的对应输入，pso的esn神经网络模型1与pso的esn神经网络模型2的输出时间序列差和pso的esn神经网络模型2与pso的esn神经网络模型3的输出时间序列差分别作为bigru神经网络模型1和bigru神经网络模型2的对应输入，bigru神经网络模型1和bigru神经网络模型2的输出分别作为tdl按拍延迟线1和tdl按拍延迟线2的输入，tdl按拍延迟线1输出分别作为bigru神经网络模型1的对应输入和动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型的对应输入，tdl按拍延迟线2输出分别作为bigru神经网络模型2的对应输入和动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型的对应输入；bigru神经网络模型-cnn卷积神经网络模型输出与aann自联想神经网络模型-新陈代谢灰色gm（1，1）模型输出的时间序列差和aann自联想神经网络模型-新陈代谢灰色gm（1，1）模型输出分别作为bigru神经网络模型-pso的esn神经网络模型的对应输入，bigru神经网络模型-pso的esn神经网络模型输出作为tdl按拍延迟线3的输入，tdl按拍延迟线3的输出分别作为bigru神经网络模型-pso的esn神经网络模型和动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型的对应输入，tdl按拍延迟线4输出作为动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型的对应输入，动态三...
【专利技术属性】
技术研发人员：史煜，丁晓红，徐硕，马从国，周红标，王建国，秦小芹，李亚洲，张静，孙娜，金德飞，马海波，周恒瑞，赵宏亮，黄凤芝，王睿，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。