【技术实现步骤摘要】
本专利技术涉及基坑变形预测，尤其涉及一种基坑变形预测方法和系统。
技术介绍
1、随着城市化进程的加速和城市建设的不断扩展，深基坑工程变得越来越常见。这些工程通常包括地下基础、地铁站、隧道等。然而，由于复杂的地下条件和多种不确定因素，这些工程可能出现变形和安全问题。因此，监测和预测深基坑的变形变得至关重要，以减少事故风险、降低成本和确保人员安全。
2、目前，主要是通过回归分析、灰色理论、时序分析、人工神经网络等方法来预测深基坑的变形，但这些方法在不同程度上存在局限性，例如，回归分析难以处理动态数据，灰色理论对数据要求较高，神经网络容易受初始值的影响，降低了深基坑预测的精度。
技术实现思路
1、本专利技术提供了一种基坑变形预测方法和系统，解决了目前通过回归分析、灰色理论、时序分析、人工神经网络等方法来预测深基坑的变形，但这些方法在不同程度上存在局限性，例如，回归分析难以处理动态数据，灰色理论对数据要求较高，神经网络容易受初始值的影响，降低了深基坑预测的精度的技术问题。
2、本专利技术第一方面提供的一种基坑变形预测方法，包括：
3、当接收到训练数据集时，对所述训练数据集进行数据预处理，生成对应的训练特征数据；
4、采用所述训练特征数据对预设的初始基坑预测模型进行训练，生成目标基坑预测模型，其中，所述目标基坑预测模型包括特征输入层、主干网络和预测模块；
5、当接收到待预测基坑数据时，采用所述特征输入层对所述待预测基坑数据进行数据处
6、采用所述主干网络对所述数据特征图进行特征提取，生成基坑特征图；
7、采用所述预测模块对所述基坑特征图进行变形预测，判断所述待预测基坑数据是否变形。
8、可选地，所述采用所述训练特征数据对预设的初始基坑预测模型进行训练，生成目标基坑预测模型的步骤，包括：
9、采用所述训练特征数据对预设的初始基坑预测模型进行训练，输出对应的训练分数值；
10、计算所述训练分数值与预设的标准分数值之间的偏差值；
11、当所述偏差值小于预设标准损失值时，输出目标基坑预测模型。
12、可选地，所述主干网络包括依次连接的特征提取网络和bilstm网络，所述采用所述主干网络对所述数据特征图进行特征提取，生成基坑特征图的步骤，包括：
13、通过所述特征提取网络对所述数据特征图进行特征提取，生成初始基坑特征图，其中所述特征提取网络包括依次连接的归一化层、特征提取分支、特征融合层和relu激活层；
14、通过所述bilstm网络对所述初始基坑特征图进行进行预测处理，生成基坑特征图。
15、可选地，所述通过所述特征提取网络对所述数据特征图进行特征提取，生成初始基坑特征图的步骤，包括：
16、采用归一化层对所述数据特征图进行图像预处理，生成第一基坑特征图；
17、通过所述特征提取分支对所述第一基坑特征图像进行特征提取，生成第二基坑特征图，其中所述特征提取分支包括依次连接的1×1多通道标准卷积层、relu激活层、1×1多通道标准卷积层、relu激活层和droupout层；
18、通过特征融合层对所述第一基坑特征图和所述第二基坑特征图进行特征融合，生成第三基坑特征图；
19、采用relu激活层对所述第三基坑特征图进行特征提取，生成初始基坑特征图。
20、可选地，所述预测模块包括缩放点积注意力层和全连接层，所述采用所述预测模块对所述基坑特征图进行变形预测，判断所述待预测基坑数据是否变形的步骤，包括：
21、采用所述缩放点积注意力层对所述基坑特征图进行特征提取，生成第一基坑分析特征图；
22、通过全连接层对所述第一基坑分析特征图进行特征标识，生成第二基坑分析特征图；
23、提取所述第二基坑分析特征图中的评价指标值；
24、判断所述评价指标值是否大于或等于预设的标准指标值；
25、当所述评价指标值大于或等于所述标准指标值，则判定所述待预测基坑数据变形。
26、可选地，述待预测基坑数据包括临近建筑物沉降数据、地下水位数据、锚杆轴力数据、冠梁顶水平位移数据、冠梁顶沉降数据、坡顶部水平位移数据、坡顶部沉降数据、地下管线沉降数据和地面沉降数据。
27、本专利技术第二方面提供的一种基坑变形预测系统，包括：
28、数据处理模块，用于当接收到训练数据集时，对所述训练数据集进行数据预处理，生成对应的训练特征数据；
29、训练模块，用于采用所述训练特征数据对预设的初始基坑预测模型进行训练，生成目标基坑预测模型，其中，所述目标基坑预测模型包括特征输入层、主干网络和预测模块；
30、第一特征提取模块，用于当接收到待预测基坑数据时，采用所述特征输入层对所述待预测基坑数据进行数据处理，生成数据特征图；
31、第二特征提取模块，用于采用所述主干网络对所述数据特征图进行特征提取，生成基坑特征图；
32、分析模块，用于采用所述预测模块对所述基坑特征图进行变形预测，判断所述待预测基坑数据是否变形。
33、可选地，所述训练模块，包括：
34、第一训练子模块，用于采用所述训练特征数据对预设的初始基坑预测模型进行训练，输出对应的训练分数值；
35、第二训练子模块，用于计算所述训练分数值与预设的标准分数值之间的偏差值；
36、当所述偏差值小于预设标准损失值时，输出目标基坑预测模型。
37、可选地，述主干网络包括依次连接的特征提取网络和bilstm网络，所述第二特征提取模块，包括：
38、第一提取子模块，用于通过所述特征提取网络对所述数据特征图进行特征提取，生成初始基坑特征图，其中所述特征提取网络包括依次连接的归一化层、特征提取分支、特征融合层和relu激活层；
39、第二提取子模块，用于通过所述bilstm网络对所述初始基坑特征图进行进行预测处理，生成基坑特征图。
40、可选地，所述预测模块包括缩放点积注意力层和全连接层，所述分析模块，包括：
41、第三提取子模块，用于采用所述缩放点积注意力层对所述基坑特征图进行特征提取，生成第一基坑分析特征图；
42、标识子模块，用于通过全连接层对所述第一基坑分析特征图进行特征标识，生成第二基坑分析特征图；
43、提取子模块，用于提取所述第二基坑分析特征图中的评价指标值；
44、分析子模块，用于判断所述评价指标值是否大于或等于预设的标准指标值；
45、当所述评价指标值大于或等于所述标准指标值，则判定所述待预测基坑数据变形。
46、从以上技术方案可以看出，本专利技术具有以下优点：
47、当接收到训练数据集时，对训练数据集进行数据预处理，生成对应的训练特征数据，采用训练特征数据对预设的初始基本文档来自技高网...
【技术保护点】
1.一种基坑变形预测方法，其特征在于，包括：
2.根据权利要求1所述的基坑变形预测方法，其特征在于，所述采用所述训练特征数据对预设的初始基坑预测模型进行训练，生成目标基坑预测模型的步骤，包括：
3.根据权利要求1所述的基坑变形预测方法，其特征在于，所述主干网络包括依次连接的特征提取网络和BiLSTM网络，所述采用所述主干网络对所述数据特征图进行特征提取，生成基坑特征图的步骤，包括：
4.根据权利要求3所述的基坑变形预测方法，其特征在于，所述通过所述特征提取网络对所述数据特征图进行特征提取，生成初始基坑特征图的步骤，包括：
5.根据权利要求1所述的基坑变形预测方法，其特征在于，所述预测模块包括缩放点积注意力层和全连接层，所述采用所述预测模块对所述基坑特征图进行变形预测，判断所述待预测基坑数据是否变形的步骤，包括：
6.根据权利要求1所述的基坑变形预测方法，其特征在于，所述待预测基坑数据包括临近建筑物沉降数据、地下水位数据、锚杆轴力数据、冠梁顶水平位移数据、冠梁顶沉降数据、坡顶部水平位移数据、坡顶部沉降数据、地下管线沉降数据
7.一种基坑变形预测系统，其特征在于，包括：
8.根据权利要求7所述的基坑变形预测系统，其特征在于，所述训练模块，包括：
9.根据权利要求7所述的基坑变形预测系统，其特征在于，所述主干网络包括依次连接的特征提取网络和BiLSTM网络，所述第二特征提取模块，包括：
10.根据权利要求7所述的基坑变形预测系统，其特征在于，所述预测模块包括缩放点积注意力层和全连接层，所述分析模块，包括：
...【技术特征摘要】
1.一种基坑变形预测方法，其特征在于，包括：
2.根据权利要求1所述的基坑变形预测方法，其特征在于，所述采用所述训练特征数据对预设的初始基坑预测模型进行训练，生成目标基坑预测模型的步骤，包括：
3.根据权利要求1所述的基坑变形预测方法，其特征在于，所述主干网络包括依次连接的特征提取网络和bilstm网络，所述采用所述主干网络对所述数据特征图进行特征提取，生成基坑特征图的步骤，包括：
4.根据权利要求3所述的基坑变形预测方法，其特征在于，所述通过所述特征提取网络对所述数据特征图进行特征提取，生成初始基坑特征图的步骤，包括：
5.根据权利要求1所述的基坑变形预测方法，其特征在于，所述预测模块包括缩放点积注意力层和全连接层，所述采用所述预测模块对所述基坑特征图进行变形预测...
【专利技术属性】
技术研发人员：黄文聪，罗沈，李建斌，熊振东，崔益国，范长俊，孙敬贤，胡筱曼，张洛，王荏朋，孟飞，彭海庭，张程，郭添亨，杜彦锟，李国春，李晓晴，崔乔智，黄文彬，罗其锋，江清楷，张一，陈锐，
申请(专利权)人：广东电网有限责任公司，
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。