CN112627244B - 一种上软下硬基坑吊脚桩锚索力智能预测方法及系统 - Google Patents

Abstract

本发明公开了上软下硬基坑吊脚桩锚索力智能预测方法及系统，包括通过布设在基坑中多种传感器采集基坑中的多元信息获得吊脚桩基坑监测信息序列，利用随机森林回归法对吊脚桩基坑监测信息序列建立回归模型，通过回归模型预测下一时刻的锚索力。本方法通过采集基坑中锚索力、地下水位、气温、基坑开挖一端距离锚索固定端的水平距离以及基坑开挖底部距离锚索固定端的竖向距离等信息，并通过上述信息建立锚索力的回归模型，通过该模型可以精确地预测下一时刻的锚索力，以保证基坑的施工安全。本发明并公开了上软下硬基坑吊脚桩锚索力智能预测系统，可以实现对基坑的锚索力精确地预测。

Description

一种上软下硬基坑吊脚桩锚索力智能预测方法及系统

技术领域

本发明涉及基坑施工技术领域，具体涉及上软下硬基坑吊脚桩锚索力智能预测方法及系统。

背景技术

在上软下硬地层的基坑开挖施工过程中，围护桩的桩脚不是深入基坑底部，而是出于硬岩地层之中，悬于基坑侧壁的中部，形象地称为“吊脚桩”。吊脚桩围护结构节省了桩基施工工程量，具有很好的经济效益。但是，为了保护桩脚的稳定性，需要在预留合理岩肩宽度的基础上，采用锁脚锚索来进行桩脚的加固。锚索力的大小和变化反映了桩脚结构稳定程度，对于其进行预测是保证基坑结构稳定的关键。现阶段对锚索力的监测只能反映当前锚索的受力状态，尚缺乏锚索力的超前预测分析的方法。

目前吊脚桩锚索力预测控制存在以下问题：

1)由于地质水文条件的复杂性，锚索力也受到了温度、地下水、基坑开挖空间效应的诸多因素的影响，如何自动获得锚索力预测影响的信息是有待解决的关键问题。

2)一般的时间序列预测机器学习模型存在过度拟合的问题，考虑的因素也往往限于单一信息的时间序列预测。如何选取合理的多因素时间序列预测预测模型是有待解决的问题。

3)在预测基础上进行报警和控制的装置也需要开展。

因此，针对上述问题本发明首先选取了影响上软下硬基坑吊脚桩锚索力的关键因素并建立了多元信息的自动监测装置。然后建立了基于多决策树的多因素时间序列综合预测模型。最后形成了预测报警流程和装置。

发明内容

本发明针对以上问题的提出了一种基于随机森林回归模型的上软下硬基坑吊脚桩锚索力智能预测方法。

本发明采用的技术手段如下：

一种上软下硬基坑吊脚桩锚索力智能预测方法，包括以下步骤：

步骤1：在上软下硬的吊脚桩基坑开挖过程中布设锚索计、水位计、温度计、水平激光测距仪以及竖直激光测距仪，用于每隔预设的时间间隔采集一组吊脚桩基坑监测信息获得吊脚桩基坑监测信息序列，所述吊脚桩基坑监测信息包括锚索力、地下水位、气温、基坑开挖一端距离锚索固定端的水平距离以及基坑开挖底部距离锚索固定端的竖向距离；

步骤2：根据所述吊脚桩基坑监测信息序列建立具有n个样本的样本集，所述样本为以第h-1、h-2、h-3、…h-N时刻的吊脚桩基坑监测信息作为输入信号，以第h时刻的吊脚桩基坑监测信息的锚索力作为输出信号，h为吊脚桩基坑监测信息时刻序列号，N为样本的输入信号的数量，h＞N；

步骤3：对所述样本集采用bootstrap抽样法进行有放回的抽样，获得K个样本数量为M的训练样本集和K个样本数量为n-M的测试数据集，每个样本数量为M的训练样本集为一棵决策树，对K棵决策树进行学习训练，测试数据集对决策树训练效果进行评价；

步骤4：假设每个训练样本集有p个输入变量，从每棵决策树的每个内部节点随机抽取某个变量作为候补分枝变量，依据分枝优度准则选择最佳分枝；

步骤5：每棵决策树内部的数据集从根部至叶子进行递归分枝，在回归模型中可按需求自由调节叶子尺寸，确保决策树生长和回归模型建立的准确度；

步骤6：重复步骤3至步骤5产生了K棵决策树，将这K棵决策树建立随机森林回归模型，随机森林回归模型的回归预测效果通过K棵决策树对测试数据集预测平均误差率进行评价；

步骤7：采集吊脚桩基坑最近时刻的吊脚桩基坑监测信息，并将最近时刻的吊脚桩基坑监测信息作为输入信息输入至随机森林回归模型，通过所述随机森林回归模型输出下一时刻的锚索力预测值。

进一步地，还包括步骤8：判断下一时刻的锚索力预测值是否小于锚索力安全阈值，如果是返回步骤2，如果否则执行步骤9：输出报警提示信息。

进一步地，所述步骤9还包括开启油缸控制单元对锚索力进行调节。

一种上软下硬基坑吊脚桩锚索力智能预测系统，包括，

安装在基坑锚脚锚索上用于采集锚索力的锚索计；

设置在基坑内用于采集基坑中地下水位的水位计；

设置在基坑内用于采集基坑的气温的温度计；

设置在基坑内用于采集基坑开挖一端距离锚索固定端的水平距离的水平激光测距仪；

设置在基坑内用于采集基坑开挖底部距离锚索固定端的竖向距离的竖直激光测距仪；

按照预设的时间间隔采集所述锚索力、所述地下水位、所述气温、所述基坑开挖一端距离锚索固定端的水平距离以及所述基坑开挖底部距离锚索固定端的竖向距离并形成吊脚桩基坑监测信息序列的数据采集箱；

用于将所述吊脚桩基坑监测信息序列无线发送至锚索力预测模块的数据发射箱；

用于获得所述吊脚桩基坑监测信息序列并根据所述吊脚桩基坑监测信息序列预测下一时刻锚索力的锚索力预测模块。

进一步地，所述锚索力预测模块包括吊脚桩基坑监测信息序列获取模块、样本集建立模块、训练样本集和测试数据集建立模块、随机森林回归模型建立模块以及锚索力预测输出模块；

吊脚桩基坑监测信息序列获取模块，用于获取由所述数据发射箱发送的吊脚桩基坑监测信息序列并发送至所述样本集建立模块；

样本集建立模块，用于根据所述吊脚桩基坑监测信息序列建立具有n个样本的样本集并将所述样本集发送至训练样本集和测试数据集建立模块，所述样本为以第h-1、h-2、h-3、…h-N时刻的吊脚桩基坑监测信息作为输入信号，以第h时刻的吊脚桩基坑监测信息的锚索力作为输出信号，h为吊脚桩基坑监测信息时刻序列号，N为样本的输入信号的数量，h＞N；

训练样本集和测试数据集建立模块，用于对所述样本集采用bootstrap抽样法进行有放回的抽样，获得K个样本数量为M的训练样本集和K个样本数量为n-M的测试数据集，每个样本数量为M的训练样本集为一棵决策树，共形成K棵决策树；

随机森林回归模型建立模块，用于根据所述训练样本集产生K棵决策树，并采用森林回归算法将所述K棵决策树进行学习训练，建立基于随机森林回归算法的锚索力预测模型；

锚索力预测输出模块，采集吊脚桩基坑最近时刻的吊脚桩基坑监测信息，并将最近时刻的吊脚桩基坑监测信息作为输入信息输入至随机森林回归模型，预测并输出下一时刻的锚索力预测值。

进一步地，还包括当所述锚索力预测值大于锚索力安全阈值时进行预警的预警模块。

进一步地，还包括当所述锚索力预测值大于锚索力安全阈值时对锚索力进行调节的锚索力调节模块。

进一步地，所述随机森林回归模型建立模块包括决策树分裂单元、第一判断单元以及决策树回归单元；

所述决策树分裂单元，用于回归决策树的分裂，每棵决策树对各自的样本训练集进行训练，非叶节点处从全部特征变量中随机抽取m个变量组成特征变量子集，再从所述特征变量子集中选出均方误差之和最小的一个特征变量作为分裂节点，每棵决策树独立生长，得到不同的分支结构；

所述第一判断单元，用于判断K棵决策树是否完成，如果完成进入转决策树回归单元，否则转到下一棵决策树的决策树分裂单元；

所述决策树回归单元，用于计算输入数据由K棵决策树进行决策时获得的K个回归结果的算术平均值，并将所述算术平均值作为基于随机森林回归算法的锚索力预测模型的最终预测结果。

与现有技术比较，本发明所述的一种上软下硬基坑吊脚桩锚索力智能预测方法具有以下有益效果：通过采集基坑中锚索力、地下水位、气温、基坑开挖一端距离锚索固定端的水平距离以及基坑开挖底部距离锚索固定端的竖向距离等信息，并通过上述信息建立锚索力的回归模型，通过该模型可以精确地预测下一时刻的锚索力，以保证基坑的施工安全。

附图说明

图1为本发明中上软下硬基坑吊脚桩示意图；

图2为本发明的公开的上软下硬基坑吊脚桩锚索力智能预测方法流程图；

图3为本发明公开的上软下硬基坑吊脚桩锚索力智能预测系统的功能框图；

图4为本发明的传感器监测传输装置图；

图5为具有本发明的智能预测系统的基坑横断面图，图中显示了多种传感器布设位置；

图6为具有本发明的智能预测系统的基坑纵断面图；

图7为通过本发明公开的锚索力智能预测方法进行锚索力预测的曲线图；

图8为预警模块和锚索力调整模块的结构图。

具体实施方式

如图1所示的是一个典型的上软下硬基坑的吊脚桩的示意图，由图可见，基坑吊脚桩的锚索安装的典型型式，在基坑的稳定性方面起着重要的作用。

如图2所示是本发明的锚索力预测方法的流程图。该流程表明了本方法既考虑锚索力本身信息的时间序列，也考虑了锚索力的诸多影响因素。所提出的一种基于随机森林回归模型的上软下硬基坑的锚索力的多因素时间序列方法，包括如下步骤：

步骤1：在上软下硬的吊脚桩基坑开挖过程中布设锚索计、水位计、温度计、水平激光测距仪以及竖直激光测距仪，用于每隔预设的时间间隔采集一组吊脚桩基坑监测信息获得吊脚桩基坑监测信息序列，所述吊脚桩基坑监测信息包括锚索力、地下水位、气温、基坑开挖一端距离锚索固定端的水平距离以及基坑开挖底部距离锚索固定端的竖向距离；

步骤2：根据所述吊脚桩基坑监测信息序列建立具有n个样本的样本集，所述样本为以第h-1、h-2、h-3、…h-N时刻的吊脚桩基坑监测信息作为输入信号，以第h时刻的吊脚桩基坑监测信息的锚索力作为输出信号，h为吊脚桩基坑监测信息时刻序列号，N为样本的输入信号的数量，h＞N；

步骤3：对所述样本集采用bootstrap抽样法进行有放回的抽样，获得K个样本数量为M的训练样本集和K个样本数量为n-M的测试数据集，每个样本数量为M的训练样本集为一棵决策树，对K棵决策树进行学习训练；即利用步骤2中的样本集(样本数量为n)，对原始数据集采用bootstrap抽样法对样本进行有放回的抽样，抽取M(M＜n)个样本K次，形成K棵决策树进行学习训练。此时会有n－M个样本将不会被抽取到，该类样本便会成为袋外(out-of-bag，OOB)数据，作为后续模型的测试数据，形成测试数据集；

步骤4：假设每个训练样本集有p个输入变量，从每棵决策树的每个内部节点随机抽取某个变量作为候补分枝变量，依据分枝优度准则选择最佳分枝；

步骤5：每棵决策树内部的数据集从根部至叶子进行递归分枝，在回归模型中可按需求自由调节叶子尺寸，确保决策树生长和回归模型建立的准确度；

步骤6：重复步骤3至步骤5产生了K棵决策树，将这K棵决策树建立随机森林回归模型，随机森林回归模型的回归预测效果通过K棵决策树对测试数据集预测平均误差率进行评价；

步骤7：采集吊脚桩基坑最近时刻的吊脚桩基坑监测信息，并将最近时刻的吊脚桩基坑监测信息作为输入信息输入至回归模型，通过所述回归模型输出下一时刻的锚索力预测值。

通过该方法流程，可以根据监测的多元信息数据(锚索力、地下水位、气温、基坑开挖一端距离锚索固定端的水平距离以及基坑开挖底部距离锚索固定端的竖向距离)，预测出下一个时间步之后的锚索力数值，提高了预测的准确性。多元信息解决了一般方法的时间序列单一信息问题；多决策树法解决了一般预测方法的过度预测的问题。

进一步地，还包括步骤8：判断下一时刻的锚索力预测值是否小于锚索力安全阈值，如果是返回步骤2，如果否则执行步骤9：输出报警提示信息。通过判断下一时刻的锚索力预测值是否小于锚索力安全阈值，并在锚索力预测值大于锚索力安全阈值时，进行声音报警、灯光报警或手机短信报警等，可以便于工作人员及时处理。

进一步地，所述步骤9还包括开启油缸控制单元对锚索力进行调节，保证基坑的安全性。

所述回归模型建立具体包括如下步骤：

随机森林回归模型需使用回归决策树，一个回归树对应着输入空间(即特征空间)的一个划分以及在划分单元上的输出值。回归树对输入空间的划分采用一种启发式的方法，会遍历所有输入变量，找到最优的切分变量j和最优的切分点s，即选择第j个特征x^j和它的取值s将输入空间划分为两部分，然后重复这个操作。空间划分两部分确定的标准是令两个区域各自的平方误差相加之和最小。

找到最优的j和s是通过比较不同的划分的误差来得到的，过程如下：每次划分逐一考察当前集合中选取特征的所有取值，根据平方误差最小化准则选择其中最优的一个作为切分点。如对训练集中第j个特征变量和它的取值s，作为切分变量和切分点，并定义两个区域R₁(j，s)＝{x|x^(j)≤s}和R₂(j，s)＝{x|x^(j)＞s}，对下式求解，

对选取的特征变量全部进行以上公式计算，选出使两个区域平方误差和最小的切分变量和切分点，作为最优切分变量j和最优的切分点s。

其中，c₁，c₂为划分后两个区域内固定的输出值，方括号内的两个min意为使用的是最优的c₁和c₂，也就是使各自区域内平方误差最小的c₁和c₂，易知这两个最优的输出值就是各自对应区域内Y的均值

在选取最优特征变量和它的取值s时，要从全部特征变量中随机抽取m个变量组成特征变量子集，再从这个子集中选出回归效果最好(均方误差之和最小)的一个特征变量作为分裂节点。假设样本共有L个特征属性，在随机森林回归算法中，通常取m＝L/3。遍历变量j，分别计算所有不同的切分变量j扫描切分点s，直到取到特征j的取值s，使得损失函数最小，这样就得到了一个划分点，选择使上式达到最小值的对(j，s)。

用选定的对(j，s)划分区域并决定相应的输出值：

其中，R₁(j，s)＝{x|x^(j)≤s}，R₂(j，s)＝{x|x^(j)＞s}

继续对两个子区域重复调用以上步骤，直至满足停止条件，这样就生成了一棵回归树。

每棵决策树独立生长，得到不同的分支结构，在做决策时，输入数据会经过全部K棵决策树并得到K个回归结果，模型的最终预测结果为所有决策树各自回归结果的算术平均值，假设输入数据x经过第i个决策树获得的回归结果为h_i(x)，那么回归随机森林的预测结果为

图4是本发明的上软下硬基坑吊脚桩锚索力智能预测系统的结构图，如图5为该系统在基坑中的安装图。

如图4所示，上软下硬基坑吊脚桩锚索力智能预测系统包括安装在基坑锚脚锚索上用于采集锚索力的锚索计1；

设置在基坑内靠近吊脚桩10附近用于采集基坑中地下水位的水位计2；

设置在基坑内靠近吊脚桩附近用于采集基坑的气温的温度计3；

设置在基坑内基坑短边侧壁处用于采集基坑开挖一端距离锚索固定端的水平距离的水平激光测距仪4；

设置在基坑内预测锚索计所在位置的桩顶处用于采集基坑开挖底部距离锚索固定端的竖向距离的竖直激光测距仪8；

按照预设的时间间隔采集所述锚索力、所述地下水位、所述气温、所述基坑开挖一端距离锚索固定端的水平距离以及所述基坑开挖底部距离锚索固定端的竖向距离并形成吊脚桩基坑监测信息序列的数据采集箱5，数据采集箱5通过数据线与以上传感器连接；

用于将所述吊脚桩基坑监测信息序列无线发送至锚索力预测模块的数据发射箱6；数据采集箱5将采集到的锚索计1、水位计2、温度计3、水平激光测距仪4和竖直激光测距仪8的监测数据通过无线的方式传递给数据发射箱6；

用于获得所述吊脚桩基坑监测信息序列并根据所述吊脚桩基坑监测信息序列预测下一时刻锚索力的锚索力预测模块7，锚索力预测模块7设置在服务器终端上，通过该装置可以精确的预测下一时刻的锚索力。

进一步地，所述锚索力预测模块包括吊脚桩基坑监测信息序列获取模块、样本集建立模块、训练样本集和测试数据集建立模块、随机森林回归模型建立模块以及锚索力预测输出模块；

吊脚桩基坑监测信息序列获取模块，用于获取由所述数据发射箱发送的吊脚桩基坑监测信息序列并发送至所述样本集建立模块；

样本集建立模块，用于根据所述吊脚桩基坑监测信息序列建立具有n个样本的样本集并将所述样本集发送至训练样本集和测试数据集建立模块，所述样本为以第h-1、h-2、h-3、...h-N时刻的吊脚桩基坑监测信息作为输入信号，以第h时刻的吊脚桩基坑监测信息的锚索力作为输出信号，h为吊脚桩基坑监测信息时刻序列号，N为样本的输入信号的数量，h＞N；

训练样本集和测试数据集建立模块，用于对所述样本集采用bootstrap抽样法进行有放回的抽样，获得K个样本数量为M的训练样本集和K个样本数量为n-M的测试数据集，每个样本数量为M的训练样本集为一棵决策树，共形成K棵决策树；

随机森林回归模型建立模块，用于根据所述训练样本集产生K棵决策树，并采用森林回归算法将所述K棵决策树进行学习训练，建立基于随机森林回归算法的锚索力预测模型；

锚索力预测输出模块，采集吊脚桩基坑最近时刻的吊脚桩基坑监测信息，并将最近时刻的吊脚桩基坑监测信息作为输入信息输入至随机森林回归模型，预测并输出下一时刻的锚索力预测值。

进一步地，还包括当所述锚索力预测值大于锚索力安全阈值时进行预警的预警模块。

进一步地，还包括当所述锚索力预测值大于锚索力安全阈值时对锚索力进行调节的锚索力调节模块。

进一步地，图3所示，所述随机森林回归模型建立模块包括决策树分裂单元、第一判断单元以及决策树回归单元；

所述决策树分裂单元，用于回归决策树的分裂，每棵决策树对各自的样本训练集进行训练，非叶节点处从全部特征变量中随机抽取m个变量组成特征变量子集，再从所述特征变量子集中选出均方误差之和最小(回归效果最好)的一个特征变量作为分裂节点，每棵决策树独立生长，得到不同的分支结构；

所述第一判断单元，用于判断K棵决策树是否完成，如果完成进入转决策树回归单元，否则转到下一棵决策树的决策树分裂单元；所述决策树回归单元，用于计算输入数据由K棵决策树进行决策时获得的K个回归结果的算术平均值，并将所述算术平均值作为基于随机森林回归算法的锚索力预测模型的最终预测结果。

图5、图6分别为基坑多元信息传感器布设横、纵断面图，表达了锚索计、水位计、及温度计、激光传感器的安装位置。通过多元信息传感器监测的数据见表1。通过本发明预测的结果见表2。预测结果见图7。

表1工程监测数据

表2本发明回归模预测结果

表3输入输出样本的示例(历史步数为3步，作为例子)

进一步地，还包括当所述锚索力预测值大于锚索力安全阈值时进行预警的预警模块。

进一步地，还包括当所述锚索力预测值大于锚索力安全阈值时对锚索力进行调节的锚索力调节模块。

图8是预警模块和锚索力调节模块的硬件组成，包括报警和锚索力调节两部分，报警模块又可以具体包括声音报警、灯光报警和手机短信报警。锚索力调节模块构成控制系统具体包括油缸位移传感器、液压站压力传感器、电磁换向阀、电机、比例溢流阀等。实现了当预测值超过安全限界时的报警和锚索力控制。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种上软下硬基坑吊脚桩锚索力智能预测方法，其特征在于：包括以下步骤：

步骤1：在上软下硬的吊脚桩基坑开挖过程中布设锚索计、水位计、温度计、水平激光测距仪以及竖直激光测距仪，用于每隔预设的时间间隔采集一组吊脚桩基坑监测信息获得吊脚桩基坑监测信息序列，所述吊脚桩基坑监测信息包括锚索力、地下水位、气温、基坑开挖一端距离锚索固定端的水平距离以及基坑开挖底部距离锚索固定端的竖向距离；

步骤2：根据所述吊脚桩基坑监测信息序列建立具有n个样本的样本集，所述样本为以第h-1、h-2、h-3、…h-N时刻的吊脚桩基坑监测信息作为输入信号，以第h时刻的吊脚桩基坑监测信息的锚索力作为输出信号，h为吊脚桩基坑监测信息时刻序列号，N为样本的输入信号的数量，h＞N；

步骤3：对所述样本集采用bootstrap抽样法进行有放回的抽样，获得K个样本数量为M的训练样本集和K个样本数量为n-M的测试数据集，每个样本数量为M的训练样本集为一棵决策树，对K棵决策树进行学习训练，测试数据集对决策树训练效果进行评价；

步骤4：假设每个训练样本集有p个输入变量，从每棵决策树的每个内部节点随机抽取某个变量作为候补分枝变量，依据分枝优度准则选择最佳分枝；

步骤5：每棵决策树内部的数据集从根部至叶子进行递归分枝，在回归模型中可按需求自由调节叶子尺寸，确保决策树生长和回归模型建立的准确度；

步骤6：重复步骤3至步骤5产生了K棵决策树，将这K棵决策树建立随机森林回归模型，随机森林回归模型的回归预测效果通过K棵决策树对测试数据集预测平均误差率进行评价；

步骤7：采集吊脚桩基坑最近时刻的吊脚桩基坑监测信息，并将最近时刻的吊脚桩基坑监测信息作为输入信息输入至随机森林回归模型，通过所述随机森林回归模型输出下一时刻的锚索力预测值。

2.根据权利要求1所述的上软下硬基坑吊脚桩锚索力智能预测方法，其特征在于：还包括步骤8：判断下一时刻的锚索力预测值是否小于锚索力安全阈值，如果是返回步骤2，如果否则执行步骤9：输出报警提示信息。

3.根据权利要求2所述的上软下硬基坑吊脚桩锚索力智能预测方法，其特征在于：所述步骤9还包括开启油缸控制单元对锚索力进行调节。

4.一种上软下硬基坑吊脚桩锚索力智能预测系统，其特征在于：包括，

安装在基坑锚脚锚索上用于采集锚索力的锚索计；

设置在基坑内用于采集基坑中地下水位的水位计；

设置在基坑内用于采集基坑的气温的温度计；

设置在基坑内用于采集基坑开挖一端距离锚索固定端的水平距离的水平激光测距仪；

设置在基坑内用于采集基坑开挖底部距离锚索固定端的竖向距离的竖直激光测距仪；

按照预设的时间间隔采集所述锚索力、所述地下水位、所述气温、所述基坑开挖一端距离锚索固定端的水平距离以及所述基坑开挖底部距离锚索固定端的竖向距离并形成吊脚桩基坑监测信息序列的数据采集箱；

用于将所述吊脚桩基坑监测信息序列无线发送至锚索力预测模块的数据发射箱；

用于获得所述吊脚桩基坑监测信息序列并根据所述吊脚桩基坑监测信息序列预测下一时刻锚索力的锚索力预测模块；

所述锚索力预测模块包括吊脚桩基坑监测信息序列获取模块、样本集建立模块、训练样本集和测试数据集建立模块、随机森林回归模型建立模块以及锚索力预测输出模块；

吊脚桩基坑监测信息序列获取模块，用于获取由所述数据发射箱发送的吊脚桩基坑监测信息序列并发送至所述样本集建立模块；

样本集建立模块，用于根据所述吊脚桩基坑监测信息序列建立具有n个样本的样本集并将所述样本集发送至训练样本集和测试数据集建立模块，所述样本为以第h-1、h-2、h-3、…h-N时刻的吊脚桩基坑监测信息作为输入信号，以第h时刻的吊脚桩基坑监测信息的锚索力作为输出信号，h为吊脚桩基坑监测信息时刻序列号，N为样本的输入信号的数量，h＞N；

训练样本集和测试数据集建立模块，用于对所述样本集采用bootstrap抽样法进行有放回的抽样，获得K个样本数量为M的训练样本集和K个样本数量为n-M的测试数据集，每个样本数量为M的训练样本集为一棵决策树，共形成K棵决策树；

随机森林回归模型建立模块，用于根据所述训练样本集产生K棵决策树，并采用森林回归算法将所述K棵决策树进行学习训练，建立基于随机森林回归算法的锚索力预测模型；

锚索力预测输出模块，采集吊脚桩基坑最近时刻的吊脚桩基坑监测信息，并将最近时刻的吊脚桩基坑监测信息作为输入信息输入至随机森林回归模型，预测并输出下一时刻的锚索力预测值。

5.根据权利要求4所述的上软下硬基坑吊脚桩锚索力智能预测系统，其特征在于：还包括当所述锚索力预测值大于锚索力安全阈值时进行预警的预警模块。

6.根据权利要求4或5所述的上软下硬基坑吊脚桩锚索力智能预测系统，其特征在于：还包括当所述锚索力预测值大于锚索力安全阈值时对锚索力进行调节的锚索力调节模块。

7.根据权利要求6所述的上软下硬基坑吊脚桩锚索力智能预测系统，其特征在于：所述随机森林回归模型建立模块包括决策树分裂单元、第一判断单元以及决策树回归单元；

所述决策树分裂单元，用于回归决策树的分裂，每棵决策树对各自的样本训练集进行训练，非叶节点处从全部特征变量中随机抽取m个变量组成特征变量子集，再从所述特征变量子集中选出均方误差之和最小的一个特征变量作为分裂节点，每棵决策树独立生长，得到不同的分支结构；

所述第一判断单元，用于判断K棵决策树是否完成，如果完成进入决策树回归单元，否则转到下一棵决策树的决策树分裂单元；

所述决策树回归单元，用于计算输入数据由K棵决策树进行决策时获得的K个回归结果的算术平均值，并将所述算术平均值作为基于随机森林回归算法的锚索力预测模型的最终预测结果。

Images