CN113807031A - 基于lstm与深度残差神经网络的基坑灾害预测预警方法 - Google Patents
基于lstm与深度残差神经网络的基坑灾害预测预警方法 Download PDFInfo
- Publication number
- CN113807031A CN113807031A CN202111365939.4A CN202111365939A CN113807031A CN 113807031 A CN113807031 A CN 113807031A CN 202111365939 A CN202111365939 A CN 202111365939A CN 113807031 A CN113807031 A CN 113807031A
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- neural network
- foundation pit
- training
- 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 76
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000006073 displacement reaction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 75
- 238000012360 testing method Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 239000003673 groundwater Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000009412 basement excavation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的属于人工智能中的时序模型处理与岩土工程灾害预测技术领域，具体为基于LSTM与深度残差神经网络的基坑灾害预测预警方法，包括以下步骤：S1，在所测基坑的关键处，安置测量点位，用于测量所处点位的地下水位、支护支撑轴力、地连墙应力和深层水平位移的数据；S2，收集上述的数据，对其进行预处理；本发明的有益效果是：综合考虑了预测数据的不同特性对预测精度的影响，对采集到的每种数据使用不同的神经网络模型进行预测，提高了预测精度；结合LSTM与残差网络模型进行基坑灾害预测，相比于单一模型，极大地提高了预测精度，有助于提高基坑监测数据预测，在一定程度上预防和避免基坑灾害的发生。
Description
技术领域
本发明涉及人工智能中的时序模型处理与岩土工程灾害预测技术领域，具体为基于LSTM与深度残差神经网络的基坑灾害预测预警方法。
背景技术
传统的灰色理论模型如灰色DNGM（1,1）、TPGM（1,1）和ARIMA预测模型等，受多方面影响，对于多因素共同影响的基坑灾害预测不够准确；随着神经网络和大数据的发展，利用深度神经网络处理和预测灾害信息的方法渐渐崭露头角。
传统BP神经网络对于处理与时间有关的数据的准确度不高，而且神经网络深度越深，其准确率并没有提高太多，也增加了训练模型的时间；循环神经网络能够很好的处理与时间有关的数据，但是其记忆能力不足，不能够处理相隔时间太长的数据，还容易发生梯度爆炸和梯度消失的问题。
发明内容
鉴于现有基于LSTM与深度残差神经网络的基坑灾害预测预警方法中存在的问题，提出了本发明。
因此，本发明的目的是提供基于LSTM与深度残差神经网络的基坑灾害预测预警方法，预测数据的不同特性对预测精度的影响，对采集到的每种数据使用不同的神经网络模型进行预测，提高了预测精度；结合LSTM与残差网络模型进行基坑灾害预测，相比于单一模型，极大地提高了预测精度，有助于提高基坑监测数据预测，在一定程度上预防和避免基坑灾害的发生，解决了传统BP神经网络对于处理与时间有关的数据的准确度不高，而且神经网络深度越深，其准确率并没有提高太多，也增加了训练模型的时间；循环神经网络能够很好的处理与时间有关的数据，但是其记忆能力不足，不能够处理相隔时间太长的数据，还容易发生梯度爆炸和梯度消失的问题。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
基于LSTM与深度残差神经网络的基坑灾害预测预警方法，包括以下步骤：S1，在所测基坑的关键处，安置测量点位，用于测量所处点位的地下水位、支护支撑轴力、地连墙应力和深层水平位移的数据；
S2，收集上述的数据，对其进行预处理；
S3，为地下水位数据构建LSTM四层神经网络；
S4，为支护支撑轴力数据构建LSTM两层+GRU两层神经网络；
S5，为地连墙应力和深层水平位移数据构建LSTM三层+GRU一层神经网络；
S6，训练各个神经网络，得出四种数据的预测结果；
S7，构建残差BP神经网络，按数据的情况，将其安全等级分为稳定、预警、失稳、超控；
S8，用残差BP网络训练LSTM得出的四种数据的权重矩阵和最终预测结果。
作为本发明所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法的一种优选方案，其中：所述S1具体包括以下步骤：
<1.1>：由于基坑各位置的地下水流动速度，土体土层密集程度不同，故需要在多个点位设置地下水位测量点；
<1.2>：在基坑开挖过程中，每个支护结构支撑轴都设置为支撑轴力测量点；
<1.3>：在基坑地连墙位置每隔一段水平距离设置一个测量点位，按照基坑深度对在每一个测量点位的垂直方向均匀地安装测量仪器；
<1.4>：在基坑外围绕基坑每隔一段水平距离设置一个测量点位，按照基坑深度对每一个测量点位的垂直方向均匀地安装测量仪器。
作为本发明所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法的一种优选方案，其中：所述S3具体包括以下步骤：
<2.1>：对于每个时间段（每小时）采集的数据，根据施工环境的和事故情况，划分各个时间段对应的数据的安全等级（稳定、预警、失稳、超控）；
<2.2>：由于测量仪器的测量特性不同，要对采集到的不同数据做以下处理：
<2.2.1>：删除由于仪器异常的原因测得的异常数据；
<2.2.2>：取某段间隔时间（24小时），将其平均划分为24个时间段，对于所测得的每个数据进行线性差值，去除该24个时间段外的其余数据，作为24个时间段的数据；
<2.2.3>：将线性差值后的数据进行归一化处理。
作为本发明所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法的一种优选方案，其中：所述S3具体包括以下步骤：
<3.1>：通过LSTM单元构建4层LSTM网络，最后用全连接层连接；
<3.2>：将归一化处理后的地下水位数据分为训练集和测试集；
<3.3>：将训练集分Batch在模型中训练，得到预测值；
<3.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。
作为本发明所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法的一种优选方案，其中：所述S4具体包括以下步骤：
<4.1>：构建2层LSTM单元和2层GRU单元的神经网络，最后用全连接层连接；
<4.2>：将归一化处理后的支护支撑轴力数据分为训练集和测试集；
<4.3>：将训练集分Batch在模型中训练，得到预测值；
<4.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。
作为本发明所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法的一种优选方案，其中：所述S5具体包括以下步骤：
<5.1>：构建3层LSTM单元和1层GRU单元的神经网络，最后用全连接层连接；
<5.2>：将归一化处理后的数据分为训练集和测试集；
<5.3>：将训练集分Batch在模型中训练，得到预测值；
<5.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。
作为本发明所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法的一种优选方案，其中：所述S6具体包括以下步骤：
<6.1>：调整网络的超参数，训练出最优的模型；
<6.2>：用训练模型预测所有点位四类数据，并为预测值标记对应数据的真实值的危险等级。
作为本发明所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法的一种优选方案，其中：所述S7具体包括以下步骤：
<7.1>：构建8层BP神经网络，将每两层设计为一个残差块，最后用一层全连接层连接；
<7.2>：全连接层使用sigmoid激活函数，用于处理多分类问题。
作为本发明所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法的一种优选方案，其中：所述S8具体包括以下步骤：
<8.1>：将LSTM网络预测出的四种数据按时间段合并成一维数组后划分，每个时间段的数据对应一个安全等级；
<8.2>：将所有数据分为训练集和测试集；
<8.3>：将训练集分Batch在模型中训练，得到预测值；
<8.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。
与现有技术相比：
1、通过深度学习技术，提高预测发生基坑灾害的概率和可能性，对可能发生灾害的地方提前预警，降低灾害损失；克服了以往BP神经网络学习难以处理的时间序列多点位多物理量预测；
2、本发明选择其中四项时序数据，采用不同的LSTM网络同时学习地下水位、支护支撑轴力、地连墙应力和深层水平位移，最后用残差深度神经网络衡量各个物理量的影响系数，在不增加时间复杂度的同时，达到预测预警效果；
3、综合考虑了预测数据的不同特性对预测精度的影响，对采集到的每种数据使用不同的神经网络模型进行预测，提高了预测精度；结合LSTM与残差网络模型进行基坑灾害预测，相比于单一模型，极大地提高了预测精度，有助于提高基坑监测数据预测，在一定程度上预防和避免基坑灾害的发生。
附图说明
图1为本发明提供的网络模型总体框图；
图2为本发明提供的算法具体实施步骤图；
图3为本发明提供的循环神经网络RNN图；
图4为本发明提供的LSTM单元图；
图5为本发明提供的GRU单元图；
图6为本发明提供的地下水位数据处理LSTM网络结构图；
图7为本发明提供的支护支撑轴力数据处理LSTM-GRU网络结构图；
图8为本发明提供的地连墙应力与深层水平位移数据处理LSTM-GRU网络结构图；
图9为本发明提供的残差块图；
图10为本发明提供的深度残差网络结构图。
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，下面将结合附图对本发明的实施方式做进一步的详细描述。
本发明提供基于LSTM与深度残差神经网络的基坑灾害预测预警方法，请参阅图1-10，包括以下步骤：
S1，在所测基坑的关键处，安置测量点位，用于测量所处点位的地下水位、支护支撑轴力、地连墙应力和深层水平位移的数据；
S2，收集上述的数据，对其进行预处理；
S3，为地下水位数据构建LSTM四层神经网络；
S4，为支护支撑轴力数据构建LSTM两层+GRU两层神经网络；
S5，为地连墙应力和深层水平位移数据构建LSTM三层+GRU一层神经网络；
S6，训练各个神经网络，得出四种数据的预测结果；
S7，构建残差BP神经网络，按数据的情况，将其安全等级分为稳定、预警、失稳、超控；
S8，用残差BP网络训练LSTM得出的四种数据的权重矩阵和最终预测结果；
S1具体包括以下步骤：
<1.1>：由于基坑各位置的地下水流动速度，土体土层密集程度不同，故需要在多个点位设置地下水位测量点；
<1.2>：在基坑开挖过程中，每个支护结构支撑轴都设置为支撑轴力测量点；
<1.3>：在基坑地连墙位置每隔一段水平距离设置一个测量点位，按照基坑深度对在每一个测量点位的垂直方向均匀地安装测量仪器；
<1.4>：在基坑外围绕基坑每隔一段水平距离设置一个测量点位，按照基坑深度对每一个测量点位的垂直方向均匀地安装测量仪器。
S3具体包括以下步骤：
<2.1>：对于每个时间段（每小时）采集的数据，根据施工环境的和事故情况，划分各个时间段对应的数据的安全等级（稳定、预警、失稳、超控）；
<2.2>：由于测量仪器的测量特性不同，要对采集到的不同数据做以下处理：
<2.2.1>：删除由于仪器异常等原因测得的异常数据；
<2.2.2>：取某段间隔时间（24小时），将其平均划分为24个时间段，对于所测得的每个数据进行线性差值，去除该24个时间段外的其余数据，作为24个时间段的数据；
<2.2.3>：将线性差值后的数据进行归一化处理。
S3具体包括以下步骤：
<3.1>：通过LSTM单元构建4层LSTM网络，最后用全连接层连接；
<3.2>：将归一化处理后的地下水位数据分为训练集和测试集；
<3.3>：将训练集分Batch在模型中训练，得到预测值；
<3.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。
S4具体包括以下步骤：
<4.1>：构建2层LSTM单元和2层GRU单元的神经网络，最后用全连接层连接；
<4.2>：将归一化处理后的支护支撑轴力数据分为训练集和测试集；
<4.3>：将训练集分Batch在模型中训练，得到预测值；
<4.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型；由于地连墙应力和深层水平位移数据有着类似的变化，故用一种网络进行处理。
S5具体包括以下步骤：
<5.1>：构建3层LSTM单元和1层GRU单元的神经网络，最后用全连接层连接；
<5.2>：将归一化处理后的数据分为训练集和测试集；
<5.3>：将训练集分Batch在模型中训练，得到预测值；
<5.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。
S6具体包括以下步骤：
<6.1>：调整网络的超参数，训练出最优的模型；
<6.2>：用训练模型预测所有点位四类数据，并为预测值标记对应数据的真实值的危险等级。
S7具体包括以下步骤：
<7.1>：构建8层BP神经网络，将每两层设计为一个残差块，最后用一层全连接层连接；
<7.2>：全连接层使用sigmoid激活函数，用于处理多分类问题。
S8具体包括以下步骤：
<8.1>：将LSTM网络预测出的四种数据按时间段合并成一维数组后划分，每个时间段的数据对应一个安全等级；
<8.2>：将所有数据分为训练集和测试集；
<8.3>：将训练集分Batch在模型中训练，得到预测值；
<8.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。
基坑要素信息经过预处理后，将四种数据分别用四种LSTM网络结构进行预测，预测得到的结果，用深度残差网络进行训练，得到权重矩阵和最终预测结果，其中，设地下水位数据有测点
个，支撑轴力测点
个。地连墙应力和深层水平位移，在每个测点处又根据深度设置
个测点，故地连墙应力测点
个，深层水平位移测点
个。则第i个地下水位测点在时间t测得的数据为
。以每小时作为一个处理的时间段，对所采集的数据，根据基坑工程环境及施工现状，标记安全等级，分为稳定、预警、失稳、超控。即当安全等级达到危险时，及时作出预警。本发明根据前24个小时的基坑要素信息预测后一个小时基坑安全等级情况。
首先，收集上述数据，将仪器故障等出现的异常值筛除。由于仪器型号问题，采集的数据并不完全按固定时间进行采样。为了方便模型处理，将采集的数据根据公式（1）线性插值到整点，取整点时的数据。
其中，（x,y）为整点x时的值y, （x,y）,（x,yx）为离（x,y）最近的两个点。
接下来对经过线性插值后的数据用公式（2）进行归化处理。
其中，x’为归一化后的数据，max （x）指对x所在测点的所有数据取最大值，min（x）指对x所在测点的所有数据取最小值。
将归一化后的数据按数量类型分类，分别为地下水位、支护支撑轴力、地连墙应力和深层水平位移数据构建LSTM+GRU神经网络组合模型。
RNN与传统BP神经网络不同，其每个神经元之间存在联系，前一个神经元的输入可以影响到后一个神经元的输出，适合处理时序数据。但神经元个数过多时，位于RNN网络层前面，无法影响到后面较远距离的神经元，同时容易发生梯度爆炸和梯度消失。
LSTM单元的关键是引入了三个门（遗忘门、更新门和输出门）。遗忘门的作用是限制上个单元对该单元的影响权重，计算公式如下：
其中，σ为sigmoid函数，Wf和bf为遗忘门的权重和偏差，
为t时间步的隐藏状态。更新门的作用是限制当前单元的输入权重，计算公式如下：
其中，
为上一单元的影响细胞状态。
输出门的作用是控制当前单元的输入对输出的影响，计算公式如下：
该单元的最终输出为：
GRU单元是LSTM单元的简化版本，它将LSTM的遗忘门和输出门合成为一个单一的更新门，而且还混合了细胞状态
和隐藏状态
。GRU相对于LSTM有以下改动：
令
为地下水位数据构建LSTM四层神经网络，其结构如图6所示。
设置第一层为只有最后128个神经元输出，第二层为64个，第三层为32个，第四层为16个，最后一层为全连接层，每层的激活函数都为y=x.
该网络采用Adam优化器，Adam优化算法结合了Momentum优化算法与RMSprop优化算法，是通用性最高的优化器之一。
损失函数为均方误差（MSE），即
其中，
为x的期望。
采用mini-batch梯度下降算法，batch大小为64.
为支护支撑轴力数据构建LSTM两层+GRU两层神经网络，其简化结构如图7所示，最后用一层全连接层连接，每层的激活函数都为y=x.
为地连墙应力和深层水平位移数据构建LSTM三层+GRU一层神经网络其简化结构如图8所示，最后用一层全连接层连接，每层的激活函数都为y=x.
构建LSTM-GRU神经网络训练集和测试集，将70%的数据设置为训练集，30%为测试集。每个测点的数据单独输入模型中训练。将每24个数据作为输入，后1个数据作为验证，输入维度为
。第一层输出维度为（None,None,128），第二层输出维度为（None,None,64），第三层输出维度为（None,None,32），第四层输出维度为（None,None,16），最后一层输出维度为（None，1）与后1个数据作比较，计算损失，反向传播训练模型。最终训练出模型的权重矩阵和预测结果。综合所有的数据，将每小时预测的所有测点的四种数据（地下水位、支护支撑应力、地连墙应力和深层水平位移）结果贴上该小时的安全等级标签，与该小时的真实值做比较，若准确率达到预期，则进行下一步。否则，可以为更改模型的学习率、增加并调整L2正则化等超参数，重新训练模型。模型训练完成后，该预测结果与标签作为深度残差网络的真实值。
若LSTM模型训练完成，构建深度残差网络，将预测结果与标签输入网络进行训练。
传统网络结构随着层数增加，其训练误差不降反升。残差网络就是利用前面网络层的输出值来修正后面的输出，使得深层网络的学习效果随着层数的增加，训练误差能保持继续降低。
残差块的表示方式为
其中，
为激活函数，
为直接映射，
为该层网络的输出。
本发明构建8层的残差神经网络，将每两层设计为一个残差块，其中每一层都为全连接层，激活函数为tanh，最后一层的激活函数为softmax。在该网络中，第l个残差块的输入
会等于当前残差块的输出
加上上一个残差块地输出
。
将LSTM网络的预测结果数据进行归一化处理，然后按7:3划分为训练集和测试集，将训练集分Batch在模型中训练，得到预测值。将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型，并用该模型预测出最终预测结果，即用前24小时各测点数据预测出下一小时的基坑安全等级。
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。
Claims (9)
1.基于LSTM与深度残差神经网络的基坑灾害预测预警方法，其特征在于，包括以下步骤：
S1，在所测基坑的关键处，安置测量点位，用于测量所处点位的地下水位、支护支撑轴力、地连墙应力和深层水平位移的数据；
S2，收集上述的数据，对其进行预处理；
S3，为地下水位数据构建LSTM四层神经网络；
S4，为支护支撑轴力数据构建LSTM两层+GRU两层神经网络；
S5，为地连墙应力和深层水平位移数据构建LSTM三层+GRU一层神经网络；
S6，训练各个神经网络，得出四种数据的预测结果；
S7，构建残差BP神经网络，按数据的情况，将其安全等级分为稳定、预警、失稳、超控；
S8，用残差BP网络训练LSTM得出的四种数据的权重矩阵和最终预测结果。
2.根据权利要求1所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述S1具体包括以下步骤：
<1.1>：由于基坑各位置的地下水流动速度，土体土层密集程度不同，故需要在多个点位设置地下水位测量点；
<1.2>：在基坑开挖过程中，每个支护结构支撑轴都设置为支撑轴力测量点；
<1.3>：在基坑地连墙位置每隔一段水平距离设置一个测量点位，按照基坑深度对在每一个测量点位的垂直方向均匀地安装测量仪器；
<1.4>：在基坑外围绕基坑每隔一段水平距离设置一个测量点位，按照基坑深度对每一个测量点位的垂直方向均匀地安装测量仪器。
3.根据权利要求1所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述S3具体包括以下步骤：
<2.1>：对于每个时间段采集的数据，根据施工环境的和事故情况，划分各个时间段对应的数据的安全等级；
<2.2>：由于测量仪器的测量特性不同，要对采集到的不同数据做以下处理：
<2.2.1>：删除由于仪器异常的原因测得的异常数据；
<2.2.2>： 取某段间隔时间，将其平均划分为24个时间段，对于所测得的每个数据进行线性差值，去除该24个时间段外的其余数据，作为24个时间段的数据；
<2.2.3>：将线性差值后的数据进行归一化处理。
4.根据权利要求1所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述S3具体包括以下步骤：
<3.1>：通过LSTM单元构建4层LSTM网络，最后用全连接层连接；
<3.2>：将归一化处理后的地下水位数据分为训练集和测试集；
<3.3>：将训练集分Batch在模型中训练，得到预测值；
<3.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。
5.根据权利要求1所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述S4具体包括以下步骤：
<4.1>：构建2层LSTM单元和2层GRU单元的神经网络，最后用全连接层连接；
<4.2>：将归一化处理后的支护支撑轴力数据分为训练集和测试集；
<4.3>：将训练集分Batch在模型中训练，得到预测值；
<4.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。
6.根据权利要求1所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述S5具体包括以下步骤：
<5.1>：构建3层LSTM单元和1层GRU单元的神经网络，最后用全连接层连接；
<5.2>：将归一化处理后的数据分为训练集和测试集；
<5.3>：将训练集分Batch在模型中训练，得到预测值；
<5.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。
7.根据权利要求1所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述S6具体包括以下步骤：
<6.1>：调整网络的超参数，训练出最优的模型；
<6.2>：用训练模型预测所有点位四类数据，并为预测值标记对应数据的真实值的危险等级。
8.根据权利要求1所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述S7具体包括以下步骤：
<7.1>：构建8层BP神经网络，将每两层设计为一个残差块，最后用一层全连接层连接；
<7.2>：全连接层使用sigmoid激活函数，用于处理多分类问题。
9.根据权利要求1所述的基于LSTM与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述S8具体包括以下步骤：
<8.1>：将LSTM网络预测出的四种数据按时间段合并成一维数组后划分，每个时间段的数据对应一个安全等级；
<8.2>：将所有数据分为训练集和测试集；
<8.3>：将训练集分Batch在模型中训练，得到预测值；
<8.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111365939.4A CN113807031A (zh) | 2021-11-18 | 2021-11-18 | 基于lstm与深度残差神经网络的基坑灾害预测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111365939.4A CN113807031A (zh) | 2021-11-18 | 2021-11-18 | 基于lstm与深度残差神经网络的基坑灾害预测预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113807031A true CN113807031A (zh) | 2021-12-17 |
Family
ID=78938351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111365939.4A Pending CN113807031A (zh) | 2021-11-18 | 2021-11-18 | 基于lstm与深度残差神经网络的基坑灾害预测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113807031A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114154226A (zh) * | 2022-02-10 | 2022-03-08 | 济宁明珠建筑工程有限公司 | 一种基坑稳定性监测方法 |
| CN115346140A (zh) * | 2022-10-18 | 2022-11-15 | 成都大汇物联科技有限公司 | 一种基于实时数据监测的地灾预警方法及系统 |
| CN115404840A (zh) * | 2022-08-24 | 2022-11-29 | 中南大学 | 一种基于深度学习的损伤感知和灾变预警智能土工织物 |
| CN116805088A (zh) * | 2023-07-24 | 2023-09-26 | 中国建筑第二工程局有限公司 | 基于深度学习的飘窗位置花篮式悬挑架施工优化方法 |
| CN116821799A (zh) * | 2023-08-28 | 2023-09-29 | 成都理工大学 | 基于gru-dnn的地灾预警数据分类方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
| CN111625994A (zh) * | 2020-05-25 | 2020-09-04 | 齐鲁工业大学 | 一种基于动态集成神经网络的多源信息融合火灾预测方法 |
| CN112101664A (zh) * | 2020-09-16 | 2020-12-18 | 哈尔滨工业大学 | 基于堆叠lstm-gru的多参数大气环境数据生成方法 |
| CN112836789A (zh) * | 2020-12-27 | 2021-05-25 | 苏州大学 | 一种基于复合神经网络算法的地连墙变形动态预测方法 |
| CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
| CN113625144A (zh) * | 2021-08-11 | 2021-11-09 | 北京信息科技大学 | Igbt故障预测方法和系统 |
| CN113642231A (zh) * | 2021-07-09 | 2021-11-12 | 西北大学 | 一种基于压缩激励网络的cnn-gru滑坡位移预测方法及应用 |
-
2021
- 2021-11-18 CN CN202111365939.4A patent/CN113807031A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
| CN111625994A (zh) * | 2020-05-25 | 2020-09-04 | 齐鲁工业大学 | 一种基于动态集成神经网络的多源信息融合火灾预测方法 |
| CN112101664A (zh) * | 2020-09-16 | 2020-12-18 | 哈尔滨工业大学 | 基于堆叠lstm-gru的多参数大气环境数据生成方法 |
| CN112836789A (zh) * | 2020-12-27 | 2021-05-25 | 苏州大学 | 一种基于复合神经网络算法的地连墙变形动态预测方法 |
| CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
| CN113642231A (zh) * | 2021-07-09 | 2021-11-12 | 西北大学 | 一种基于压缩激励网络的cnn-gru滑坡位移预测方法及应用 |
| CN113625144A (zh) * | 2021-08-11 | 2021-11-09 | 北京信息科技大学 | Igbt故障预测方法和系统 |
Non-Patent Citations (10)
| Title |
|---|
| 傅理文等: "深基坑安全监测与预警平台的开发与应用", 《地下空间与工程学报》 * |
| 刘戈等: "基于灰色BP神经网络组合模型的深基坑周围地表沉降预测研究", 《天津城建大学学报》 * |
| 张宇: "装配式预应力鱼腹梁钢支撑在深基坑支护中的应用", 《建筑技术开发》 * |
| 李惠强等: "深基坑支护结构安全预警系统研究", 《华中科技大学学报(城市科学版)》 * |
| 李科增: "地连墙与内支撑组合在地铁车站深基坑工程中的应用研究", 《佛山科学技术学院学报（自然科学版）》 * |
| 殷晟泉等: "神经网络方法在深基坑动态风险预测中的应用", 《地下空间与工程学报》 * |
| 王万通: "基于模糊神经网络的深基坑变形预测", 《重庆工学院学报(自然科学版)》 * |
| 许春芳等: "基于LSTM和RBF-BP深度学习模型的火灾预测方法", 《齐鲁工业大学学报》 * |
| 赵文清等: "基于残差BP神经网络的变压器故障诊断", 《电力自动化设备》 * |
| 陈伟珂等: "基于关联函数的地铁基坑工程施工事故可拓诊断方法", 《城市轨道交通研究》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114154226A (zh) * | 2022-02-10 | 2022-03-08 | 济宁明珠建筑工程有限公司 | 一种基坑稳定性监测方法 |
| CN115404840A (zh) * | 2022-08-24 | 2022-11-29 | 中南大学 | 一种基于深度学习的损伤感知和灾变预警智能土工织物 |
| CN115346140A (zh) * | 2022-10-18 | 2022-11-15 | 成都大汇物联科技有限公司 | 一种基于实时数据监测的地灾预警方法及系统 |
| CN116805088A (zh) * | 2023-07-24 | 2023-09-26 | 中国建筑第二工程局有限公司 | 基于深度学习的飘窗位置花篮式悬挑架施工优化方法 |
| CN116805088B (zh) * | 2023-07-24 | 2024-09-20 | 中国建筑第二工程局有限公司 | 基于深度学习的飘窗位置花篮式悬挑架施工优化方法 |
| CN116821799A (zh) * | 2023-08-28 | 2023-09-29 | 成都理工大学 | 基于gru-dnn的地灾预警数据分类方法 |
| CN116821799B (zh) * | 2023-08-28 | 2023-11-07 | 成都理工大学 | 基于gru-dnn的地灾预警数据分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113807031A (zh) | 基于lstm与深度残差神经网络的基坑灾害预测预警方法 | |
| CN107688871B (zh) | 一种水质预测方法和装置 | |
| CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
| CN110070172B (zh) | 基于双向独立循环神经网络的序列预测模型的建立方法 | |
| CN113408190B (zh) | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 | |
| CN109711617B (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
| CN109146156B (zh) | 一种用于预测充电桩系统充电量的方法 | |
| CN108487916B (zh) | 隧道稳定性防护预测系统及隧道岩体变形预测方法 | |
| CN111723523B (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
| CN112784336A (zh) | 一种基于深度学习lstm网络的桥梁静态位移预测技术 | |
| CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
| CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
| CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
| CN112734002A (zh) | 一种基于数据层和模型层联合迁移学习的寿命预测方法 | |
| CN116451556A (zh) | 一种混凝土坝变形观测量统计模型构建方法 | |
| CN114897277B (zh) | 一种基于lstm的突发型滑坡位移预测方法 | |
| CN113792372A (zh) | 一种基于cv-lstm组合模型的地连墙变形动态预测方法 | |
| CN112836789A (zh) | 一种基于复合神经网络算法的地连墙变形动态预测方法 | |
| CN114548482A (zh) | 一种基于蠕变型滑坡动能变化率临滑预警方法 | |
| CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
| CN115330036A (zh) | 基于GRU-Seq2Seq的多步长洪水预报方法及装置 | |
| CN113688770A (zh) | 高层建筑长期风压缺失数据补全方法及装置 | |
| CN117273217A (zh) | 一种空间碎片轨道预报方法、系统及电子设备 | |
| CN115935488A (zh) | 一种基于监测数据的高拱坝应力预测模型构建方法 | |
| CN115221520A (zh) | 一种基于开集识别的工控网络未知攻击检测方法 |
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 |
Application publication date: 20211217 |
|
| RJ01 | Rejection of invention patent application after publication |