CN111709592A - 基于神经网络与粗糙集分类的深基坑变形预测方法及系统 - Google Patents
基于神经网络与粗糙集分类的深基坑变形预测方法及系统 Download PDFInfo
- Publication number
- CN111709592A CN111709592A CN202010840088.3A CN202010840088A CN111709592A CN 111709592 A CN111709592 A CN 111709592A CN 202010840088 A CN202010840088 A CN 202010840088A CN 111709592 A CN111709592 A CN 111709592A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- model
- monitoring
- foundation pit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 claims description 88
- 238000004140 cleaning Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 239000002689 soil Substances 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000009412 basement excavation Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 8
- 241000264877 Hippospongia communis Species 0.000 claims description 7
- 230000035699 permeability Effects 0.000 claims description 7
- 238000005336 cracking Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 6
- 230000037431 insertion Effects 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000004445 quantitative analysis Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 14
- 238000010276 construction Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于神经网络与粗糙集分类的深基坑变形预测方法及系统,利用粗糙集理论能够定量分析,从而推理和解释数据间关系的特点,对影响深基坑变形的大量指标属性进行约简,减少神经网络的输入维数,并把约简后的指标属性输入到神经网络中进行预测,以提高深基坑风险预测的效率和准确性。
Description
技术领域
本发明涉及基坑沉降监测技术相关领域,尤其涉及一种基于神经网络与粗糙集分类的深基坑变形预测方法及系统。
背景技术
在城市建设加速发展过程中,受地表空间的限制,越来越多的建筑物向超高和地下纵深发展,因而出现了大量的深基坑工程。由于受地质条件、水文条件、施工技术和周围环境等复杂因素影响,深基坑在开挖施工过程中,为保证现场的干燥和安全,通常要通过降水使地下水位低于开挖面。深基坑降水引起的地下水渗流场改变、周围土体变形、地面沉降、基坑围护结构变形等,严重时势必会造成坑周建筑物倾斜、地下管线断裂等工程事故。其中地面沉降对周边环境的破坏很大,是深基坑工程监测的重要一环,如何及时、有效预测地面沉降,为下一步的施工提供决策指导,做好施工预案,确保施工安全,已成为岩土工程中的技术难度和热点。
近年来,针对深基坑变形预测问题,国内外学者和工程人员开展了大量研究,例如,采用分层总和法分别计算水位降落曲线上下疏干土与饱和土的地面沉降量,经叠加得到坑周地面沉降量,并使用有限元法对该基坑降水工程进行数值模拟,结果表明模拟值与监测值较为吻合,但是该简化计算方法忽略了越流现象、地层分布、围护结构约束等影响因素,使得预测结果稳定性不够,影响其工程实用价值。采用支持向量机对基坑非线性水平位移进行预测,实验结果表明,工况未发生改变时,未来1-5周的预测精度非常高。但该预测模型没有考虑惩罚因子C 的最优取值和影响基坑变形的输入参数,使得模型在应对工况变化时的泛化能力较弱。综合上述提及的深基坑变形预测方法,关于深基坑变形的预测方法主要有工程经验法、有限元模拟法、支持向量机法和神经网络法等。其中神经网络法是可以应用于学习任务的多功能学习方法,具有非线性、非局限性和非常定性的特征,符合深基坑施工变形这一非线性演化过程。
而在深基坑的变形预测过程中,可能影响基坑变形风险的指标属性种类非常多,神经网络处理方法不能自动地选择需要处理的输入属性,这就使得数据分析的效率低下,利用粗糙集方法进行数据分析可以去掉多余的指标属性,可以提高数据分析的效率和准确性。
发明内容
基于上述现有技术的情况,本发明的目的是提供一种基于神经网络与粗糙集分类的深基坑变形预测方法以及预测系统,利用粗糙集理论能够定量分析,从而推理和解释数据间关系的特点,对影响深基坑变形的大量指标属性进行约简,减少神经网络的输入维数,并把约简后的指标属性输入到神经网络中进行预测,以提高深基坑风险预测的效率和准确性。
为达到上述目的,根据本发明的一个方面,提供了一种基于神经网络与粗糙集分类的深基坑变形预测方法,包括步骤;
S1、在所述深基坑处布设多个深基坑数据监测点,获取所述监测点的监测历史数据;
S2、利用所述监测历史数据,采用基于粗糙集的方法进行数据清洗,以获取所述监测数据的约简子集;
S3、利用所述监测数据的约简子集建立神经网络预测模型,并通过训练获取所述神经网络预测模型的参数;
S4、验证所述神经网络预测模型的有效性;
S5、若所述神经网络预测模型验证有效,采用所述模型进行深基坑变形预测。
进一步的 ,所述基于粗糙集的数据清洗步骤为:
S21、对于所述深基坑,以各个监测点的监测数据为指标属性,以基坑风险等级为决策结果,建立评价指标决策矩阵;
S22、对其中每一个指标属性,建立该指标属性的隶属度函数;
S23、基于所述隶属度函数,计算该指标属性对应的隶属度值;
S24、当该指标属性对应的隶属度值满足预设条件时,将该指标属性纳入所述监测数据的约简子集。
进一步的,所述建立每一个数据指标的隶属度函数,包括对于不可量化指标,采用Karwowski隶属度函数,对于可量化指标,采用中间形二次抛物线隶属度函数,从而建立所述各个指标的隶属度函数。
进一步的,所述多个深基坑数据监测点的监测历史数据包括:地下水位、渗透系数、开挖深度、内支撑层数、结构开裂、蜂窝、麻面、支撑轴力超标、撑力不足、土体自稳性能差、降水不足、土体强度降低、加固失稳、坑底暴露过长、和围护结构插入深度不足。
进一步的,所述建立神经网络预测模型,以及获取所述神经网络预测模型的参数,包括步骤:
S31、采用三层神经网络模型,其输入节点数为所述监测数据的约简子集的指标属性的个数,输出节点为决策结果的个数;
S32、以所述约简子集中的指标属性作为神经网络模型的输入,定义域为[0,1],以其决策结果为神经网络的输出目标,输出范围为[0,1];
S33、采用梯度下降法对所述神经网络模型进行训练,训练所有包含于约简子集中的样本,获取最佳权重参数。
进一步的,所述梯度下降法的训练过程中,结合第t步之前的隐含层的权值修正量和第t步的权值修正量,将隐含层的权值修正量设置为:
进一步的,所述验证所述神经网络预测模型的有效性,包括:对所述建立的神经网络预测模型,基于一组监测数据样本,将所述样本数据输入到神经网络预测模型中,计算其输出信号与所述监测数据样本的预期输出信号的相似度,若所述相似度满足设定阈值,则认定该模型有效,如不满足,则继续执行模型训练。
根据本发明的另一方面,提供一种基于神经网络与粗糙集分类的深基坑变形预测系统,包括:多个深基坑数据监测点、数据清洗模块、模型建立以及验证模块、和预测模块;其中,
所述多个深基坑数据监测点布设于所述深基坑处,获取所述监测点的监测历史数据;
所述数据清洗模块,与所述多个深基坑数据监测点连接,获取所述监测历史数据,并利用所述监测历史数据,采用基于粗糙集的方法进行数据清洗,以获取所述监测数据的约简子集;
模型建立以及验证模块,与所述数据清洗模块连接,利用所述数据清洗模块输出的约简子集建立神经网络预测模型,通过训练获取所述神经网络预测模型的参数,并验证所述神经网络预测模型的有效性;
预测模块,与所述模型建立以及验证模块连接,若模型建立以及验证模块的验证结果为所述神经网络预测模型验证有效,采用所述模型进行深基坑变形预测。
进一步的,所述多个深基坑数据监测点的监测历史数据包括:地下水位、渗透系数、开挖深度、内支撑层数、结构开裂、蜂窝、麻面、支撑轴力超标、撑力不足、土体自稳性能差、降水不足、土体强度降低、加固失稳、坑底暴露过长、和围护结构插入深度不足。
进一步的,所述模型建立以及验证模块验证所述神经网络预测模型的有效性,包括:对所述建立的神经网络预测模型,基于一组监测数据样本,将所述样本数据输入到神经网络预测模型中,计算其输出信号与所述监测数据样本的预期输出信号的相似度,若所述相似度满足设定阈值,则认定该模型有效,如不满足,则继续执行模型训练。
综上所述,本发明提供了一种基于神经网络与粗糙集分类的深基坑变形预测方法以及预测系统,利用粗糙集理论能够定量分析,从而推理和解释数据间关系的特点,对影响深基坑变形的大量指标属性进行约简,减少神经网络的输入维数,并把约简后的指标属性输入到神经网络中进行预测,以提高深基坑风险预测的效率和准确性。
本发明的有益效果是:
(1)本发明将粗糙集理论与神经网络相结合,利用粗糙集理论能够定量分析,从而推理和解释数据间关系的特点,对影响深基坑变形的大量指标属性进行约简,减少神经网络的输入维数,提高了深基坑变形预测的效率。
(2)采用神经网络法对深基坑变形进行预测,神经网络对异常情况有很好的预测预警能力,其自我学习能力很强,并且有很强的容许误差的能力,能够提高对大型深基坑进行变形监测值的预测可靠性。
(3)本发明进一步利用监测数据样本计算神经网络输出信号与所述监测数据样本的预期输出信号的相似度以对神经网络模型进行验证,提高了深基坑神经网络模型预测方法的准确度。
附图说明
图1是本发明基于神经网络与粗糙集分类的深基坑变形预测系统的结构示意图。
图2是本发明基于神经网络与粗糙集分类的深基坑变形预测方法的流程图。
图3是本发明基于神经网络与粗糙集分类的深基坑变形预测方法中基于粗糙集进行数据清洗的实施流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
下面对结合附图对本发明的技术方案进行详细说明,根据本发明的一个实施例,提供了一种基于神经网络与粗糙集分类的深基坑变形预测方法,图2中示出了该基于神经网络与粗糙集分类的深基坑变形预测方法的流程图,包括步骤:
S1、在所述深基坑处布设多个深基坑数据监测点,获取所述监测点的监测历史数据。该多个深基坑数据监测点可以根据实际工程需要进行布设,主要选取可能影响到深基坑变形的一些主要指标进行监测。通常来说,这些数据监测点可以包括对以下指标数据的监测:地下水位、渗透系数、开挖深度、内支撑层数、结构开裂、蜂窝、麻面、支撑轴力超标、撑力不足、土体自稳性能差、降水不足、土体强度降低、加固失稳、坑底暴露过长、和围护结构插入深度不足等。根据开挖地情况的不同,也可以选取其他相应的指标进行监测。
S2、利用所述监测历史数据,采用基于粗糙集的方法进行数据清洗,以获取所述监测数据的约简子集。粗糙集理论是离散数据推理的一种新方法,目前粗糙集方法已成为据挖掘应用的主要技术之一。它的基本思想是根据目前已有的对给定问题的知识,将问题的论域进行划分,然后对划分后的每一组成部分,确定其对某一决策集合的隶属程度。在深基坑的变形预测过程中,可能影响基坑变形风险的指标属性种类非常多,神经网络处理方法不能自动地选择需要处理的输入属性,这就使得数据分析的效率低下,利用粗糙集方法进行数据分析可以去掉多余的指标属性,可以提高数据分析的效率和准确性。图3示出了本发明基于神经网络与粗糙集分类的深基坑变形预测方法中基于粗糙集进行数据清洗的实施流程图,根据本发明的该实施例,所述基于粗糙集的数据清洗步骤为:
S21、对于所述深基坑,以各个监测点的监测数据为指标属性,以基坑风险等级为决策结果,建立评价指标决策矩阵;
S22、对其中每一个指标属性,建立该指标属性的隶属度函数;
S23、基于所述隶属度函数,计算该指标属性对应的隶属度值;
S24、当该指标属性对应的隶属度值满足预设条件时,将该指标属性纳入所述监测数据的约简子集。
根据上文中选取的所监测的指标数据作为评价指标进行基坑风险评价。按照基坑风险分析方法,可以设定5 级风险因素进行判别: 5级,风险最高,风险事故后果是灾难性的,并造成恶劣的社会影响和政治影响; 4 级,风险较高,风险事故后果很严重,可能在较大范围内对工程造成破坏或有人员伤亡; 3 级,风险一般,风险事故后果一般,对工程可能造成破坏的范围较小; 2 级,风险较低,风险事故后果在一定条件下可以忽略,对工程本身以及人员、设备等不会造成较大损失; 1 级,风险最低,风险事故后果可以忽略,对工程本身以及人员、设备等造成的损失极小。其中,所述隶属度函数的选取,可以遵循以下规则:对于不可量化指标,例如,蜂窝、麻面、降水不足等指标,采用Karwowski隶属度函数,对于可量化指标,例如地下水位,渗透系数,开挖深度等指标,采用中间形二次抛物线隶属度函数,从而建立所述各个指标的隶属度函数。
S3、利用所述监测数据的约简子集建立神经网络预测模型,并通过训练获取所述神经网络预测模型的参数,具体可包括如下步骤:
S31、采用三层神经网络模型,其输入节点数为所述监测数据的约简子集的指标属性的个数,输出节点为决策结果的个数;
S32、以所述约简子集中的指标属性作为神经网络模型的输入,定义域为[0,1],以其决策结果为神经网络的输出目标,输出范围为[0,1];
S33、采用梯度下降法对所述神经网络模型进行训练,训练所有包含于约简子集中的样本,获取最佳权重参数。
在神经网络的建模过程中,表示输入层第i 个神经元到隐含层第j 个神经元的连接权值。神经网络最速下降这一特性是有局限的,其只会发生在的周围,因此必须尽可能取到最小。但是不能太小,若取值太小,则会对产生影响,使神经网络的学习时间变长。在最开始的时候可以将的取值简单化,因此,所述梯度下降法的训练过程中,结合第t步之前的隐含层的权值修正量和第t步的权值修正量,将隐含层的权值修正量设置为:
S4、验证所述神经网络预测模型的有效性。该步骤可包括:对所述建立的神经网络预测模型,基于一组监测数据样本,将所述样本数据输入到神经网络预测模型中,计算其输出信号与所述监测数据样本的预期输出信号的相似度,若所述相似度满足设定阈值,则认定该模型有效,如不满足,则继续执行模型训练。
S5、若所述神经网络预测模型验证有效,采用所述模型进行深基坑变形预测。
根据本发明的另一个实施例,提供了一种基于神经网络与粗糙集分类的深基坑变形预测系统,图1是本发明基于神经网络与粗糙集分类的深基坑变形预测系统的结构示意图,如图1所示,该预测系统包括:多个深基坑数据监测点、数据清洗模块、模型建立以及验证模块、和预测模块;其中,
所述多个深基坑数据监测点布设于所述深基坑处,获取所述监测点的监测历史数据;
所述数据清洗模块,与所述多个深基坑数据监测点连接,获取所述监测历史数据,并利用所述监测历史数据,采用基于粗糙集的方法进行数据清洗,以获取所述监测数据的约简子集;
模型建立以及验证模块,与所述数据清洗模块连接,利用所述数据清洗模块输出的约简子集建立神经网络预测模型,通过训练获取所述神经网络预测模型的参数,并验证所述神经网络预测模型的有效性;
预测模块,与所述模型建立以及验证模块连接,若模型建立以及验证模块的验证结果为所述神经网络预测模型验证有效,采用所述模型进行深基坑变形预测。
进一步的,所述多个深基坑数据监测点的监测历史数据包括:地下水位、渗透系数、开挖深度、内支撑层数、结构开裂、蜂窝、麻面、支撑轴力超标、撑力不足、土体自稳性能差、降水不足、土体强度降低、加固失稳、坑底暴露过长、和围护结构插入深度不足。
进一步的,所述模型建立以及验证模块验证所述神经网络预测模型的有效性,包括:对所述建立的神经网络预测模型,基于一组监测数据样本,将所述样本数据输入到神经网络预测模型中,计算其输出信号与所述监测数据样本的预期输出信号的相似度,若所述相似度满足设定阈值,则认定该模型有效,如不满足,则继续执行模型训练。
综上所述,本发明提供了一种基于神经网络与粗糙集分类的深基坑变形预测方法以及系统,利用粗糙集理论能够定量分析,从而推理和解释数据间关系的特点,对影响深基坑变形的大量指标属性进行约简,减少神经网络的输入维数,并把约简后的指标属性输入到神经网络中进行预测,以提高深基坑风险预测的效率和准确性。将粗糙集理论与神经网络相结合,利用粗糙集理论能够定量分析,从而推理和解释数据间关系的特点,对影响深基坑变形的大量指标属性进行约简,减少神经网络的输入维数,提高了深基坑变形预测的效率。采用神经网络法对深基坑变形进行预测,神经网络对异常情况有很好的预测预警能力,其自我学习能力很强,并且有很强的容许误差的能力,能够提高对大型深基坑进行变形监测值的预测可靠性。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种基于神经网络与粗糙集分类的深基坑变形预测方法,其特征在于,包括步骤;
S1、在所述深基坑处布设多个深基坑数据监测点,获取所述监测点的监测历史数据;
S2、利用所述监测历史数据,采用基于粗糙集的方法进行数据清洗,以获取监测数据的约简子集;
S3、利用所述监测数据的约简子集建立神经网络预测模型,并通过训练获取所述神经网络预测模型的参数;
S4、验证所述神经网络预测模型的有效性;
S5、若所述神经网络预测模型验证有效,采用所述模型进行深基坑变形预测。
2.根据权利要求1所述的预测方法,其特征在于,所述基于粗糙集的数据清洗步骤为:
S21、对于所述深基坑,以各个监测点的监测数据为指标属性,以基坑风险等级为决策结果,建立评价指标决策矩阵;
S22、对其中每一个指标属性,建立该指标属性的隶属度函数;
S23、基于所述隶属度函数,计算该指标属性对应的隶属度值;
S24、当该指标属性对应的隶属度值满足预设条件时,将该指标属性纳入所述监测数据的约简子集。
3.根据权利要求2所述的预测方法,其特征在于,所述对其中每一个指标属性,建立该指标属性的隶属度函数,包括对于不可量化指标,采用Karwowski隶属度函数,对于可量化指标,采用中间形二次抛物线隶属度函数,从而建立所述各个指标的隶属度函数。
4.根据权利要求1所述的预测方法,其特征在于,所述多个深基坑数据监测点的监测历史数据包括:地下水位、渗透系数、开挖深度、内支撑层数、结构开裂、蜂窝、麻面、支撑轴力超标、撑力不足、土体自稳性能差、降水不足、土体强度降低、加固失稳、坑底暴露过长、和围护结构插入深度不足。
5.根据权利要求4所述的预测方法,其特征在于,所述建立神经网络预测模型,以及获取所述神经网络预测模型的参数,包括步骤:
S31、采用三层神经网络模型,其输入节点数为所述监测数据的约简子集的指标属性的个数,输出节点为决策结果的个数;
S32、以所述约简子集中的指标属性作为神经网络模型的输入,定义域为[0,1],以其决策结果为神经网络的输出目标,输出范围为[0,1];
S33、采用梯度下降法对所述神经网络模型进行训练,训练所有包含于约简子集中的样本,获取最佳权重参数。
7.根据权利要求1-6中任意一项所述的预测方法,其特征在于,所述验证所述神经网络预测模型的有效性,包括:对所述建立的神经网络预测模型,基于一组监测数据样本,将所述数据样本输入到神经网络预测模型中,计算其输出信号与所述监测数据样本的预期输出信号的相似度,若所述相似度满足设定阈值,则认定该模型有效,如不满足,则继续执行模型训练。
8.一种基于神经网络与粗糙集分类的深基坑变形预测系统,其特征在于,包括:多个深基坑数据监测点、数据清洗模块、模型建立以及验证模块、和预测模块;其中,
所述多个深基坑数据监测点布设于所述深基坑处,获取所述监测点的监测历史数据;
所述数据清洗模块,与所述多个深基坑数据监测点连接,获取所述监测历史数据,并利用所述监测历史数据,采用基于粗糙集的方法进行数据清洗,以获取监测数据的约简子集;
模型建立以及验证模块,与所述数据清洗模块连接,利用所述数据清洗模块输出的约简子集建立神经网络预测模型,通过训练获取所述神经网络预测模型的参数,并验证所述神经网络预测模型的有效性;
预测模块,与所述模型建立以及验证模块连接,若模型建立以及验证模块的验证结果为所述神经网络预测模型验证有效,采用所述模型进行深基坑变形预测。
9.根据权利要求8所述的预测系统,其特征在于,所述多个深基坑数据监测点的监测历史数据包括:地下水位、渗透系数、开挖深度、内支撑层数、结构开裂、蜂窝、麻面、支撑轴力超标、撑力不足、土体自稳性能差、降水不足、土体强度降低、加固失稳、坑底暴露过长、和围护结构插入深度不足。
10.根据权利要求8所述的预测系统,其特征在于,所述模型建立以及验证模块验证所述神经网络预测模型的有效性,包括:对所述建立的神经网络预测模型,基于一组监测数据样本,将所述数据样本输入到神经网络预测模型中,计算其输出信号与所述监测数据样本的预期输出信号的相似度,若所述相似度满足设定阈值,则认定该模型有效,如不满足,则继续执行模型训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010840088.3A CN111709592A (zh) | 2020-08-20 | 2020-08-20 | 基于神经网络与粗糙集分类的深基坑变形预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010840088.3A CN111709592A (zh) | 2020-08-20 | 2020-08-20 | 基于神经网络与粗糙集分类的深基坑变形预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111709592A true CN111709592A (zh) | 2020-09-25 |
Family
ID=72547305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010840088.3A Pending CN111709592A (zh) | 2020-08-20 | 2020-08-20 | 基于神经网络与粗糙集分类的深基坑变形预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709592A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112911532A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种基坑大数据检测系统 |
CN113240095A (zh) * | 2021-06-07 | 2021-08-10 | 北京理工大学 | 基于粗糙集和神经网络的铸造气缸盖力学性能预测方法 |
CN115182395A (zh) * | 2022-06-29 | 2022-10-14 | 山东大学 | 一种海底地层稳定性评估预测方法及系统 |
CN115182395B (zh) * | 2022-06-29 | 2024-06-04 | 山东大学 | 一种海底地层稳定性评估预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107119657A (zh) * | 2017-05-15 | 2017-09-01 | 苏州科技大学 | 一种基于视觉测量基坑监测方法 |
CN108566257A (zh) * | 2018-04-27 | 2018-09-21 | 电子科技大学 | 一种基于反向传播神经网络的信号恢复方法 |
CN111339486A (zh) * | 2020-02-28 | 2020-06-26 | 青岛理工大学 | 一种深基坑爆破振速风险等级大数据评价方法 |
-
2020
- 2020-08-20 CN CN202010840088.3A patent/CN111709592A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107119657A (zh) * | 2017-05-15 | 2017-09-01 | 苏州科技大学 | 一种基于视觉测量基坑监测方法 |
CN108566257A (zh) * | 2018-04-27 | 2018-09-21 | 电子科技大学 | 一种基于反向传播神经网络的信号恢复方法 |
CN111339486A (zh) * | 2020-02-28 | 2020-06-26 | 青岛理工大学 | 一种深基坑爆破振速风险等级大数据评价方法 |
Non-Patent Citations (4)
Title |
---|
HE JIAN 等: "Construction Risk of Foundation Pit of Subway Station Based on Rough Set Theory and Catastrophe Progression Method", 《EJGE》 * |
张正禄 等: "《工程的变形监测分析与预报》", 30 November 2007 * |
王晓睿 等: "基于粗糙集和神经网络的深基坑工程风险评价", 《人民黄河》 * |
马晨阳 等: "基于粗糙集理论BP网络的地铁深基坑监控预测分析与优化", 《施工技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112911532A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种基坑大数据检测系统 |
CN112911532B (zh) * | 2021-01-13 | 2022-06-14 | 淮阴工学院 | 一种基坑大数据检测系统 |
CN113240095A (zh) * | 2021-06-07 | 2021-08-10 | 北京理工大学 | 基于粗糙集和神经网络的铸造气缸盖力学性能预测方法 |
CN115182395A (zh) * | 2022-06-29 | 2022-10-14 | 山东大学 | 一种海底地层稳定性评估预测方法及系统 |
CN115182395B (zh) * | 2022-06-29 | 2024-06-04 | 山东大学 | 一种海底地层稳定性评估预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107525907B (zh) | 地下水污染监测网多目标优化方法 | |
CN104851360A (zh) | 一种洪水风险图的生成方法和系统 | |
CN102867110A (zh) | 一种输电线路杆塔基础边坡暴雨灾害风险评估方法 | |
CN111709592A (zh) | 基于神经网络与粗糙集分类的深基坑变形预测方法及系统 | |
Zhang et al. | Collapse risk analysis of deep foundation pits in metro stations using a fuzzy Bayesian network and a fuzzy AHP | |
CN105095997A (zh) | 基于蒙特卡洛和层次分析法的突发性水污染事故预警方法 | |
CN110866367B (zh) | 复杂河网水流条件下常规突发水污染团的实时追踪方法 | |
CN110162932A (zh) | 基于有限元分格的自动化监测边坡稳定性的计算方法 | |
CN111178712A (zh) | 一种用于引调水工程事故后援救预警方法及系统 | |
CN109118004B (zh) | 一种工程构筑选址适宜区预测方法 | |
Huang et al. | An integrated approach based on Markov Chain and cellular automata to simulation of urban land use changes | |
AU2021103225A4 (en) | Embankment dam analysis to reduce flood impact using sensor modelling and gis techniques | |
CN112231821B (zh) | 一种基于可靠度分析的基础隔震结构体系优化方法 | |
Lin et al. | Automatic calibration of an unsteady river flow model by using dynamically dimensioned search algorithm | |
CN113221440B (zh) | 一种排水系统监测点优化布置与实时全局反演方法 | |
Wang et al. | A non-uniform grid approach for high-resolution flood inundation simulation based on GPUs | |
CN111767649B (zh) | 一种软基地区变电站地质变形安全评估方法 | |
Mahmoud et al. | Hybrid meta-heuristic adaptive fuzzy inference systems in rockfill dam multi-objective shape optimization | |
Deng et al. | Optimising the supporting structure of a bridge's foundation pit based on hybrid neural network | |
Wang et al. | Life loss estimation based on dam-break flood uncertainties and lack of information in mountainous regions of Western China | |
CN115719161B (zh) | 一种崩岗灾害风险综合评估的方法 | |
Jin et al. | Using Machine Learning to Identify and Optimize Sensitive Parameters in Urban Flood Model Considering Subsurface Characteristics | |
CN114925923B (zh) | 一种提高非监测单元积水深度预报精度的方法 | |
Lansey | Uncertainty in water distribution network modeling | |
Sivan et al. | A Fuzzy Based Approach for Improving Seismic Safety of Masonry Building in Kerala Context |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200925 |