CN114154226A - 一种基坑稳定性监测方法 - Google Patents

一种基坑稳定性监测方法 Download PDF

Info

Publication number
CN114154226A
CN114154226A CN202210123628.5A CN202210123628A CN114154226A CN 114154226 A CN114154226 A CN 114154226A CN 202210123628 A CN202210123628 A CN 202210123628A CN 114154226 A CN114154226 A CN 114154226A
Authority
CN
China
Prior art keywords
stability
foundation pit
stress
change
settlement
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.)
Granted
Application number
CN202210123628.5A
Other languages
English (en)
Other versions
CN114154226B (zh
Inventor
郑磊
王雷
马建华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jining Mingzhu Construction Engineering Co ltd
Original Assignee
Jining Mingzhu Construction Engineering Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jining Mingzhu Construction Engineering Co ltd filed Critical Jining Mingzhu Construction Engineering Co ltd
Priority to CN202210123628.5A priority Critical patent/CN114154226B/zh
Publication of CN114154226A publication Critical patent/CN114154226A/zh
Application granted granted Critical
Publication of CN114154226B publication Critical patent/CN114154226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基坑稳定性监测方法。该方法根据基坑的支护墙体压力的变化、锚杆接触点的应力变化以及基坑的沉降量变化获取对应时段基坑的整体稳定性；将多个历史时段基坑的整体稳定性输入稳定预测网络中得到下一时段基坑的稳定预测值，利用误差修正系数对稳定预测值进行修正得到实际稳定预测值。通过训练稳定预测网络和改进该网络的损失函数，使得预测结果更加准确，且能够根据预测结果进行及时正确预警，降低事故发生。

Description

一种基坑稳定性监测方法
技术领域
本发明涉及人工智能技术领域，具体涉及一种基坑稳定性监测方法。
背景技术
基坑监测是基坑工程施工中的一个重要环节，是指在基坑开挖及地下工程施工过程中进行各种观察及分析工作，并将监测结果及时反馈，预测进一步施工后将导致的变形及稳定状态的发展，根据预测判定施工对周围环境造成影响的程度，来知道设计与施工，实现所谓信息化施工。
对于基坑稳定性的监测，目前大多数都是通过获取基坑的实时数据进行处理和分析，进而基于分析结果监测基坑的稳定情况以进行及时预警，但是该方法无法做到基坑监测及时，从而导致预警不及时，容易造成基坑工程事故的发生。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基坑稳定性监测方法，所采用的技术方案具体如下：
根据设定时间间隔分别获取基坑的支护墙体压力、锚杆接触点的应力和基坑的沉降量，结合每个时段所述支护墙体压力的第一变化、所述应力的第二变化和所述沉降量的第三变化得到对应时段的基坑的整体稳定性；
将多个历史时段的所述整体稳定性输入稳定预测网络中得到下一时段基坑的稳定预测值；利用误差修正系数对所述稳定预测值进行修正得到实际稳定预测值；所述误差修正系数是由已知的所述稳定预测值与对应时段实际计算的所述整体稳定性之间的比值得到的。
进一步地，所述稳定预测网络的训练集中包含M个训练样本，且每个训练样本包括N个时段对应基坑的所述整体稳定性所构成的序列，其中M为大于或等于1的正整数，N为大于或等于2的正整数，且一个时段对应一个所述整体稳定性。
进一步地，所述稳定预测网络采用均方差损失函数，所述均方差损失是根据每个训练样本的输入和输出数据之间的均方差损失的加权求和所计算的损失均值；每个训练样本的权重与对应时段基坑的稳定检测评价系数呈正相关关系。
进一步地，所述稳定检测评价系数的获取方法，包括：
将多个历史时段对应的所述整体稳定性构成稳定序列，分别计算当前时段的所述整体稳定性与所述稳定序列中每个所述整体稳定性之间的差值，根据所有差值之和获取当前时段的所述整体稳定性的所述稳定检测评价系数。
进一步地，所述差值之和与所述稳定检测评价系数呈负相关关系。
进一步地，所述支护墙体的第一变化的获取方法，包括：
分别对所述支护墙体的四个夹角安装四个压力感应器，利用压力感应器获取每个夹角对应两侧墙体之间的压力；根据设定的时间间隔对每个夹角对应的压力进行采集以得到每个夹角对应的压力序列；
对于任意一个夹角，分别计算当前时段的压力与其所属压力序列中每个压力之间的差值，得到差值之和，由所述差值之和得到对应夹角在当前时段的压力变化；
将同一时段中四个夹角所对应的压力变化中的最大值作为该时段所述支护墙体的所述第一变化。
进一步地，所述锚杆接触点对应应力的第二变化的获取方法，包括：
分别获取每个锚杆在不同时段的应力以构成第一应力序列，同时获取每个时段所有锚杆对应应力所构成的第二应力序列；
根据所述第一应力序列分别计算每个锚杆所对应的受力均值和受力标准差，基于所述第二应力序列计算相邻时段之间的应力相似度；
结合所述受力均值、所述受力标准差和所述应力相似度计算每个时段所有锚杆对应应力的所述第二变化。
进一步地，所述基坑对应沉降量的第三变化的获取方法，包括：
根据静力水准仪获取每个时段基坑的沉降量，得到沉降量序列；根据所述沉降量序列计算第一沉降量均值，同时计算去除当前时段的沉降量后剩余沉降量的第二沉降量均值；
计算当前时段的沉降量与前一时段的沉降量之间的沉降量差值，结合所述第一沉降量、所述第二沉降量和所述沉降量差值能够得到当前时段沉降量的所述第三变化。
进一步地，所述基坑的整体稳定性是根据所述第一变化、所述第二变化和所述第三变化之间的乘积所得到的。
本发明实施例至少具有如下有益效果：通过检测基坑每个时段的稳定性，并利用其训练稳定预测网络，同时将每个时段对应的稳定检测评价系数作为网络输入和输出数据之间均方差损失的权重，以改进稳定预测网络的损失函数，使得预测结果更加准确，且能够根据预测结果进行及时正确预警，降低事故发生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种基坑稳定性监测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基坑稳定性监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基坑稳定性监测方法的具体方案。
本发明实施例所针对的具体场景为：以土钉墙支护为例进行基坑稳定性监测。
请参阅图1，其示出了本发明一个实施例提供的一种基坑稳定性监测方法的步骤流程图，该方法包括以下步骤：
步骤S001，根据设定时间间隔分别获取基坑的支护墙体压力、锚杆接触点的应力和基坑的沉降量，结合每个时段支护墙体压力的第一变化、应力的第二变化和沉降量的第三变化得到对应时段的基坑的整体稳定性。
具体的，本发明实施例中将时间间隔设定为1个小时，即1个小时采集一次数据。首先在两个墙体的夹角之间放置一个压力感应器，以实时获取支护墙体的压力变化：将压力传感器的两端固定在两侧的墙体上，当两个墙体之间开始出现形变挤压或者张裂时，压力感应器感应到挤压力或拉伸力时，感应器的数值会发生变化，则支护墙体会有4个夹角，获取每个夹角每小时的压力，以构成压力序列
Figure DEST_PATH_IMAGE001
，其中，
Figure 680264DEST_PATH_IMAGE002
表示第
Figure 535087DEST_PATH_IMAGE002
个小时，
Figure DEST_PATH_IMAGE003
表示第
Figure 659032DEST_PATH_IMAGE003
个夹角。
根据每个夹角压力序列
Figure 319821DEST_PATH_IMAGE001
分别计算对应夹角每小时的压力变化，以夹角1为例计算其每小时对应夹角的压力变化：
Figure 337455DEST_PATH_IMAGE004
，其中，
Figure DEST_PATH_IMAGE005
为夹角1在第
Figure 501196DEST_PATH_IMAGE002
个小时的压力变化，
Figure 33808DEST_PATH_IMAGE006
表示夹角1在第
Figure 435971DEST_PATH_IMAGE002
个小时的压力与对应压力序列中每个压力之间的差值总和，进而能够得到支护墙体4个夹角在第
Figure 245795DEST_PATH_IMAGE002
个小时的压力变化，以构成压力变化序列
Figure DEST_PATH_IMAGE007
，进而根据压力变化序列得到每个小时支护墙体压力的第一变化
Figure 973580DEST_PATH_IMAGE008
，将4个夹角的压力变化中最大值作为对应小时支护墙体压力的第一变化，因此能够得到每个小时支护墙体压力的第一变化。
由于锚杆是向基坑提供稳定性支撑、提供支持力的，因此在锚杆与墙体的接触段加装一个压力感应器，以反映锚杆接触点的应力变化：接触点的力直接反应锚杆的工况，当锚杆接触的测土层密度下降时，锚杆的受力也会随之下降，则记录第
Figure DEST_PATH_IMAGE009
根锚杆每个小时的应力情况
Figure 806537DEST_PATH_IMAGE010
，而在第
Figure 746812DEST_PATH_IMAGE002
个小时所有锚杆的应力情况为
Figure DEST_PATH_IMAGE011
，其中，
Figure 759546DEST_PATH_IMAGE012
为锚杆的数量。
基于第一个小时所有锚杆的应力情况分别计算后续每个小时锚杆对应的应力的第二变化，以第
Figure 330336DEST_PATH_IMAGE002
个小时锚杆的应力为例：计算第
Figure 775224DEST_PATH_IMAGE002
个小时所有锚杆的应力情况
Figure DEST_PATH_IMAGE013
与第
Figure 519189DEST_PATH_IMAGE014
个小时所有锚杆的应力情况
Figure DEST_PATH_IMAGE015
之间的相似度，即
Figure 506868DEST_PATH_IMAGE016
，该相似度表达的是相邻单位时间内所有锚杆的整体受力变化，其值越趋近于0，说明相邻时间内所有锚杆的整体受力变化越大，其值越趋近于1，说明相邻时间内所有锚杆的整体受力变化越小；任选一个锚杆
Figure 373192DEST_PATH_IMAGE009
，根据其每个小时的受力情况
Figure DEST_PATH_IMAGE017
分别计算该锚杆的受力均值
Figure 180743DEST_PATH_IMAGE018
和受力标准差
Figure DEST_PATH_IMAGE019
，结合所有锚杆的受力均值和受力标准差、以及第
Figure 991048DEST_PATH_IMAGE002
个小时对应的相似度计算第
Figure 629971DEST_PATH_IMAGE002
个小时所有锚杆对应的应力的第二变化，则第二变化的计算公式为：
Figure 604880DEST_PATH_IMAGE020
，进而能够通过第二变化的计算公式得到每个小时锚杆的应力的第二变化。
在基坑内设置一个静力水准仪，利用静力水准仪对基坑的沉降情况进行监测：静力水准仪利用连通器原理，以地面为基准点将基坑的四个角作为测试点，当基坑开始发生沉降时，U型管出现液位差，液位差开始加大，当基坑未发生沉降时，液位不变，因此记录每个小时静力水准仪的液位作为对应时段基坑的沉降量，构成沉降量序列
Figure DEST_PATH_IMAGE021
，其中，
Figure 24360DEST_PATH_IMAGE022
表示第
Figure 47811DEST_PATH_IMAGE002
个小时基坑的沉降量。
以第一个小时基坑的沉降量为基准，分别计算后续每个小时基坑的沉降量的第三变化，以第
Figure 603557DEST_PATH_IMAGE002
个小时的沉降量为例：首先根据沉降量序列计算第一沉降量均值
Figure DEST_PATH_IMAGE023
，且同时计算去除当前小时的沉降量后剩余沉降量的第二沉降量均值
Figure 14947DEST_PATH_IMAGE024
；获取第
Figure 390565DEST_PATH_IMAGE002
个小时与第
Figure 949198DEST_PATH_IMAGE014
个小时之间的沉降量差值，将其作为第
Figure 359450DEST_PATH_IMAGE002
个小时的沉降量变化，结合第一沉降量均值、第二沉降量均值和沉降量差值得到第
Figure 4058DEST_PATH_IMAGE002
个小时沉降量的第三变化，则第三变化的计算公式为：
Figure DEST_PATH_IMAGE025
，进而能够通过第三变化的计算公式得到每个小时基坑的沉降量的第三变化。
需要说明的是，计算第一沉降量均值和第二沉降量均值之间的差值的目的是为了更加体现沉降量的突变。
进一步地，结合每个小时支护墙体压力的第一变化、应力的第二变化和沉降量的第三变化得到每个小时的基坑的整体稳定性，则整体稳定性的计算公式：
Figure 273497DEST_PATH_IMAGE026
，其中
Figure DEST_PATH_IMAGE027
为第
Figure 966646DEST_PATH_IMAGE002
个小时的基坑的整体稳定性；
Figure 965826DEST_PATH_IMAGE028
为第
Figure 656702DEST_PATH_IMAGE002
个小时沉降量的第三变化；
Figure DEST_PATH_IMAGE029
为第
Figure 538070DEST_PATH_IMAGE002
个小时支护墙体压力的第一变化；
Figure 766402DEST_PATH_IMAGE030
为第
Figure 354509DEST_PATH_IMAGE002
个小时应力的第二变化，进而通过整体稳定性的计算公式能够得到每个小时基坑的整体稳定性。
步骤S002，将多个历史时段的整体稳定性输入稳定预测网络中得到下一时段基坑的稳定预测值；利用误差修正系数对稳定预测值进行修正得到实际稳定预测值；误差修正系数是由已知的稳定预测值与对应时段实际计算的整体稳定性之间的比值得到的。
具体的，稳定预测网络采用TCN网络，该TCN网络的训练过程包括：首先获取训练集，该训练集包括多个训练样本，每个训练样本所包括的数据是由N个小时对应基坑的整体稳定性所构成的序列，一个小时对应一个整体稳定性，且每个小时的基坑的整体稳定性是利用步骤S001的方法得到的，然后以一个训练样本为例，令第一个小时基坑的整体稳定性为
Figure DEST_PATH_IMAGE031
，第N个小时基坑的整体稳定性为
Figure 13023DEST_PATH_IMAGE032
，将第一小时至第N个小时之间每个小时的整体稳定性按照时间序列构成一个稳定序列
Figure DEST_PATH_IMAGE033
，将稳定序列中的极值去掉得到新稳定序列，进而将该新稳定序列作为一个训练样本；将每个训练样本中的新稳定序列作为特征序列输入TCN网络中，并将该特征序列的下一值作为标签，以使TCN网络能够学习到当前序列模式下的下一个预测值，进而得到剩余的特征序列，以此进行重复训练；TCN网络的损失函数采用均方差损失函数。利用实时获取的稳定序列对TCN网络进行训练使得TCN网络能够得到对下一时段的基坑的整体稳定性的预测。
进一步地，为了使得稳定预测网络预测的更加准确，对均方差损失函数进行进一步的改进，改进后的均方差损失是根据每个训练样本的输入和输出数据之间的均方差损失的加权求和所计算的损失均值，具体的：将每小时对应整体稳定性的稳定检测评价系数为其均方差损失分配权重，所有稳定检测评价系数构成评价序列，将评价序列归一化，将归一化后的稳定检测评价系数作为相应训练样本的权重，则改进后的损失函数为：
Figure 663579DEST_PATH_IMAGE034
，其中，
Figure DEST_PATH_IMAGE035
为第
Figure 570967DEST_PATH_IMAGE002
个输出数据；
Figure 138215DEST_PATH_IMAGE036
为第
Figure 702051DEST_PATH_IMAGE002
个输入数据；
Figure DEST_PATH_IMAGE037
为对应输入数据的权重；
Figure 433378DEST_PATH_IMAGE038
为输入数据的总数量。
需要说明的是，将每个小时对应整体稳定性的稳定检测评价系数作为权重，其目的是确保损失函数的收敛，通过不断训练使得损失变小，提高预测趋势的精度。
其中，稳定检测评价系数的获取方法为：基于每个小时基坑的整体稳定性所构成的稳定序列
Figure DEST_PATH_IMAGE039
，分别计算每个整体稳定性对应的稳定检测评价系数。具体的，分别计算当前整体稳定性与稳定序列中每个整体稳定性之间的差值
Figure 272021DEST_PATH_IMAGE040
，得到差值之和，根据差值之和获取当前整体稳定性所对应的稳定检测评价系数，即
Figure DEST_PATH_IMAGE041
，其中，
Figure 506824DEST_PATH_IMAGE042
为差值之和，体现了当前整体稳定性相较于其他时段的稳定波动情况，即差值之和越小，其稳定波动越小，相应的稳定检测评价系数越大，也说明当前整体稳定性的检测结果越可靠、越准确。
进一步地，利用训练好的TCN网络能够获取基坑下一时段的稳定预测值，由于预测值和和实际计算的整体稳定性存在差异，因此利用已知的稳定预测值和对应时段所实际集散的整体稳定性之间的比值作为误差修正系数。利用误差修正系数对未来任意时段基坑的稳定预测值进行修正，以得到实际稳定预测值，其中修正的方法为：将误差修正系数与稳定预测值进行相乘即可得到实际稳定预测值，实际稳定预测值是指对下一时段基坑的稳定性所进行预测的，故可根据实际稳定预测值判断下一时段基坑的稳定情况。
需要说明的是，由于每个小时对应的预测值和实际测量值之间的误差基本相近，进而导致误差修正系数也很接近，因此误差修正系数可以选取任意时段的预测值和实际测量值进行计算。
综上所述，本发明实施例提供了一种基坑稳定性监测方法，该方法根据基坑的支护墙体压力的变化、锚杆接触点的应力变化以及基坑的沉降量变化获取对应时段基坑的整体稳定性；将多个历史时段基坑的整体稳定性输入稳定预测网络中得到下一时段基坑的稳定预测值，利用误差修正系数对稳定预测值进行修正得到实际稳定预测值。通过训练稳定预测网络和改进该网络的损失函数，使得预测结果更加准确，且能够根据预测结果进行及时正确预警，降低事故发生。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (9)

1.一种基坑稳定性监测方法，其特征在于，该方法包括：
根据设定时间间隔分别获取基坑的支护墙体压力、锚杆接触点的应力和基坑的沉降量，结合每个时段所述支护墙体压力的第一变化、所述应力的第二变化和所述沉降量的第三变化得到对应时段的基坑的整体稳定性；
将多个历史时段的所述整体稳定性输入稳定预测网络中得到下一时段基坑的稳定预测值；利用误差修正系数对所述稳定预测值进行修正得到实际稳定预测值；所述误差修正系数是由已知的所述稳定预测值与对应时段实际计算的所述整体稳定性之间的比值得到的。
2.如权利要求1所述的基坑稳定性监测方法，其特征在于，所述稳定预测网络的训练集中包含M个训练样本，且每个训练样本包括N个时段对应基坑的所述整体稳定性所构成的序列，其中一个时段对应一个所述整体稳定性。
3.如权利要求1所述的基坑稳定性监测方法，其特征在于，所述稳定预测网络采用均方差损失函数，所述均方差损失是根据每个训练样本的输入和输出数据之间的均方差损失的加权求和所计算的损失均值；每个训练样本的权重与对应时段基坑的稳定检测评价系数呈正相关关系。
4.如权利要求3所述的基坑稳定性监测方法，其特征在于，所述稳定检测评价系数的获取方法，包括：
将多个历史时段对应的所述整体稳定性构成稳定序列，分别计算当前时段的所述整体稳定性与所述稳定序列中每个所述整体稳定性之间的差值，得到差值之和，根据所述差值之和获取当前时段的所述整体稳定性的所述稳定检测评价系数。
5.如权利要求4所述的基坑稳定性监测方法，其特征在于，所述差值之和与所述稳定检测评价系数呈负相关关系。
6.如权利要求1所述的基坑稳定性监测方法，其特征在于，所述支护墙体的第一变化的获取方法，包括：
分别对所述支护墙体的四个夹角安装四个压力感应器，利用压力感应器获取每个夹角对应两侧墙体之间的压力；根据设定的时间间隔对每个夹角对应的压力进行采集以得到每个夹角对应的压力序列；
对于任意一个夹角，分别计算当前时段的压力与其所属压力序列中每个压力之间的差值，得到差值之和，由所述差值之和得到对应夹角在当前时段的压力变化；
将同一时段中四个夹角所对应的压力变化中的最大值作为该时段所述支护墙体的所述第一变化。
7.如权利要求1所述的基坑稳定性监测方法，其特征在于，所述锚杆接触点对应应力的第二变化的获取方法，包括：
分别获取每个锚杆在不同时段的应力以构成第一应力序列，同时获取每个时段所有锚杆对应应力所构成的第二应力序列；
根据所述第一应力序列分别计算每个锚杆所对应的受力均值和受力标准差，基于所述第二应力序列计算相邻时段之间的应力相似度；
结合所述受力均值、所述受力标准差和所述应力相似度计算每个时段所有锚杆对应应力的所述第二变化。
8.如权利要求1所述的基坑稳定性监测方法，其特征在于，所述基坑对应沉降量的第三变化的获取方法，包括：
根据静力水准仪获取每个时段基坑的沉降量，得到沉降量序列；根据所述沉降量序列计算第一沉降量均值，同时计算去除当前时段的沉降量后剩余沉降量的第二沉降量均值；
计算当前时段的沉降量与前一时段的沉降量之间的沉降量差值，结合所述第一沉降量、所述第二沉降量和所述沉降量差值能够得到当前时段沉降量的所述第三变化。
9.如权利要求1所述的基坑稳定性监测方法，其特征在于，所述基坑的整体稳定性是根据所述第一变化、所述第二变化和所述第三变化之间的乘积所得到的。
CN202210123628.5A 2022-02-10 2022-02-10 一种基坑稳定性监测方法 Active CN114154226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210123628.5A CN114154226B (zh) 2022-02-10 2022-02-10 一种基坑稳定性监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210123628.5A CN114154226B (zh) 2022-02-10 2022-02-10 一种基坑稳定性监测方法

Publications (2)

Publication Number Publication Date
CN114154226A true CN114154226A (zh) 2022-03-08
CN114154226B CN114154226B (zh) 2022-04-29

Family

ID=80450413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210123628.5A Active CN114154226B (zh) 2022-02-10 2022-02-10 一种基坑稳定性监测方法

Country Status (1)

Country Link
CN (1) CN114154226B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114740919A (zh) * 2022-06-13 2022-07-12 济宁海富光学科技有限公司 一种贴片式屏幕温度控制方法和系统
CN114757395A (zh) * 2022-03-22 2022-07-15 欧亚高科数字技术有限公司 一种基于智能物联网的危房监测方法
CN115096378A (zh) * 2022-08-29 2022-09-23 宇一精工科技(南通)有限公司 一种橡胶垫错位故障智能识别方法
CN116698251A (zh) * 2023-06-19 2023-09-05 广州市盛通建设工程质量检测有限公司 一种基坑支护的锚索应力自动化监测方法及其系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104452836A (zh) * 2014-12-10 2015-03-25 青岛理工大学 一种深基坑支护结构的稳定性检测预警方法
KR20160029461A (ko) * 2014-09-05 2016-03-15 현대건설주식회사 고층건물의 횡변위 보정방법
CN106759546A (zh) * 2016-12-30 2017-05-31 重庆邮电大学 基于改进多变量灰色预测模型的基坑变形预测方法及装置
CN110942199A (zh) * 2019-11-28 2020-03-31 河海大学 一种基于极限学习机的渡槽槽墩超前沉降量的预报方法
CN113205226A (zh) * 2021-05-28 2021-08-03 河北工业大学 一种结合注意力机制以及误差修正的光伏功率预测方法
CN113221434A (zh) * 2021-01-06 2021-08-06 河北建筑工程学院 一种基坑变形预测方法
CN113779835A (zh) * 2021-09-11 2021-12-10 浙江永欣联科信息科技股份有限公司 基于ai与智能监测系统的深大基坑安全预警方法
CN113807031A (zh) * 2021-11-18 2021-12-17 广东智云工程科技有限公司 基于lstm与深度残差神经网络的基坑灾害预测预警方法
CN113868967A (zh) * 2021-12-03 2021-12-31 中铁第一勘察设计院集团有限公司 结构监测数据预测方法、装置及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160029461A (ko) * 2014-09-05 2016-03-15 현대건설주식회사 고층건물의 횡변위 보정방법
CN104452836A (zh) * 2014-12-10 2015-03-25 青岛理工大学 一种深基坑支护结构的稳定性检测预警方法
CN106759546A (zh) * 2016-12-30 2017-05-31 重庆邮电大学 基于改进多变量灰色预测模型的基坑变形预测方法及装置
CN110942199A (zh) * 2019-11-28 2020-03-31 河海大学 一种基于极限学习机的渡槽槽墩超前沉降量的预报方法
CN113221434A (zh) * 2021-01-06 2021-08-06 河北建筑工程学院 一种基坑变形预测方法
CN113205226A (zh) * 2021-05-28 2021-08-03 河北工业大学 一种结合注意力机制以及误差修正的光伏功率预测方法
CN113779835A (zh) * 2021-09-11 2021-12-10 浙江永欣联科信息科技股份有限公司 基于ai与智能监测系统的深大基坑安全预警方法
CN113807031A (zh) * 2021-11-18 2021-12-17 广东智云工程科技有限公司 基于lstm与深度残差神经网络的基坑灾害预测预警方法
CN113868967A (zh) * 2021-12-03 2021-12-31 中铁第一勘察设计院集团有限公司 结构监测数据预测方法、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
郑知斌等: "基于神经网络的基坑变形预测及安全控制研究", 《铁道工程学报》 *
黄明等: "Calculation of foundation pit deformation caused by deep excavation considering influence of loading and unloading", 《JOURNAL OF CENTRAL SOUTH UNIVERSITY》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757395A (zh) * 2022-03-22 2022-07-15 欧亚高科数字技术有限公司 一种基于智能物联网的危房监测方法
CN114740919A (zh) * 2022-06-13 2022-07-12 济宁海富光学科技有限公司 一种贴片式屏幕温度控制方法和系统
CN114740919B (zh) * 2022-06-13 2022-09-20 济宁海富光学科技有限公司 一种贴片式屏幕温度控制方法和系统
CN115096378A (zh) * 2022-08-29 2022-09-23 宇一精工科技(南通)有限公司 一种橡胶垫错位故障智能识别方法
CN116698251A (zh) * 2023-06-19 2023-09-05 广州市盛通建设工程质量检测有限公司 一种基坑支护的锚索应力自动化监测方法及其系统
CN116698251B (zh) * 2023-06-19 2024-03-12 广州市盛通建设工程质量检测有限公司 一种基坑支护的锚索应力自动化监测方法及其系统

Also Published As

Publication number Publication date
CN114154226B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN114154226B (zh) 一种基坑稳定性监测方法
CN111784070A (zh) 一种基于XGBoost算法的滑坡短临智能预警方法
CN112287608B (zh) 一种基于模糊综合评价的大坝安全预测系统及方法
CN113779835A (zh) 基于ai与智能监测系统的深大基坑安全预警方法
CN102829898B (zh) 一种带减震器短吊杆的内力测定方法
CN114611778B (zh) 一种基于入库流量的水库水位预警方法及系统
CN115271186B (zh) 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法
CN110188399B (zh) 一种基于多相关序列的大坝安全监测单测点评价方法
CN117669394B (zh) 一种山区峡谷桥梁长期性能综合评估方法及系统
CN112883478B (zh) 钢结构位移预测方法、装置、终端设备和系统
CN109781863A (zh) 基于快速振动测试的结构腐蚀二阶段探测方法及其系统
Pereira et al. A hybrid approach for prediction of long-term behavior of concrete structures
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN112668606A (zh) 基于梯度提升机与二次规划的阶跃型滑坡位移预测方法
CN114757395B (zh) 一种基于智能物联网的危房监测方法
CN111178573A (zh) 一种基于灰色关联分析法的洪水动态预测方法
KR102435166B1 (ko) 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법
CN116292247A (zh) 一种基于lstm流量预测模型的液压铲主泵早期故障诊断方法及装置
CN113673145A (zh) 基于pca-lstm神经网络的地表沉降预测方法
CN115310258A (zh) 一种基于lstm的地下管道寿命预测方法
CN113532384A (zh) 一种基于无线传感器技术的地下管网管线位移沉降监测方法及云监测平台
CN113673010A (zh) 一种基于监测数据的钢箱梁评估方法与系统
CN117744315B (zh) 基于阻尼振荡衰减的沉井下沉智能调控方法及系统
CN115078239B (zh) 钢筋锈蚀数据采集器、监测子系统、区域系统及监测系统
CN118091527B (zh) 一种基于可解释性深度学习的电压互感器误差评估方法

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
GR01 Patent grant
GR01 Patent grant