CN114792044A - 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统 - Google Patents

一种耦合空间特性基坑邻近地表沉降智能预警方法及系统 Download PDF

Info

Publication number
CN114792044A
CN114792044A CN202210287334.6A CN202210287334A CN114792044A CN 114792044 A CN114792044 A CN 114792044A CN 202210287334 A CN202210287334 A CN 202210287334A CN 114792044 A CN114792044 A CN 114792044A
Authority
CN
China
Prior art keywords
monitoring point
early warning
deformation
settlement
result
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
CN202210287334.6A
Other languages
English (en)
Other versions
CN114792044B (zh
Inventor
宁欣
安月
吴春林
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.)
Dongbei University Of Finance & Economics
Beihang University
Original Assignee
Dongbei University Of Finance & Economics
Beihang University
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 Dongbei University Of Finance & Economics, Beihang University filed Critical Dongbei University Of Finance & Economics
Priority to CN202210287334.6A priority Critical patent/CN114792044B/zh
Publication of CN114792044A publication Critical patent/CN114792044A/zh
Application granted granted Critical
Publication of CN114792044B publication Critical patent/CN114792044B/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]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Emergency Management (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种耦合空间特性基坑邻近地表沉降智能预警方法及系统，方法包括：遍历第一选定监测点，获得第一邻近监测点；对第一选定监测点和第一邻近监测点进行地表变形性的关联度分析，获得第一关联度分析结果；基于第一关联度分析结果对第一邻近监测点进行序列化调整，获得第一调整结果；构建第一变形因子提取规则，基于第一调整结果进行提取，获得第一变形因子；基于第一选定监测点和第一变形因子构建地表变形预测模型，获得第一输出偏离度满足第一预设偏离区间，遍历第一选定监测点和第一变形因子依次输入地表变形预测模型，获得第一预测结果，包括地表沉降预测值区间，对地表沉降风险进行预警。

Description

一种耦合空间特性基坑邻近地表沉降智能预警方法及系统
技术领域
本发明涉及人工智能相关技术领域，具体涉及一种耦合空间特性基坑邻近地表沉降智能预警方法及系统。
背景技术
基坑指的是依照建筑物基底标高和基础平面尺寸挖出的土坑，开挖基坑时需要对挖掘位置的环境信息、深度信息、地质条件、气候条件、施工方法、地面载荷等多维度的信息分析，确定地表沉降的可能性，进而针对性指定预防措施，如何准确的进行预测成为一大研究趋势。
但是基坑开挖引起的邻近地表变形具有非平稳性、非线性等特点，且属于长时间序列数据，导致地表变形预警存在随机性和模糊性，现有技术中的变形预测模型常用单个监测点或整体监测点的数据进行预测，忽略了测点间的空间关联性，导致存在预测结果准确度较低的技术问题。
发明内容
本申请实施例通过提供了一种耦合空间特性基坑邻近地表沉降智能预警方法及系统，解决了现有技术中的变形预测模型常用单个监测点或整体监测点的数据进行预测，忽略了测点间的空间关联性，导致存在预测结果准确度较低的技术问题。
鉴于上述问题，本申请实施例提供了一种耦合空间特性基坑邻近地表沉降智能预警方法及系统。
第一方面，本申请实施例提供了一种耦合空间特性基坑邻近地表沉降智能预警方法，其中，所述方法包括：遍历第一选定监测点，获得第一邻近监测点，其中，所述第一选定监测点和所述第一邻近监测点一一对应；对所述第一选定监测点和所述第一邻近监测点进行地表变形性的关联度分析，获得第一关联度分析结果；基于所述第一关联度分析结果对所述第一邻近监测点进行序列化调整，获得第一调整结果；构建第一变形因子提取规则，基于所述第一调整结果进行提取，获得第一变形因子；基于所述第一选定监测点和所述第一变形因子构建地表变形预测模型，获得第一输出偏离度；当所述第一输出偏离度满足第一预设偏离区间，遍历所述第一选定监测点和所述第一变形因子依次输入所述地表变形预测模型，获得第一预测结果，其中，所述第一预测结果包括地表沉降预测值区间；基于所述地表沉降预测值区间，对地表沉降风险进行预警。
另一方面，本申请实施例提供了一种耦合空间特性基坑邻近地表沉降智能预警系统，其中，所述系统包括：第一获得单元，用于遍历第一选定监测点，获得第一邻近监测点，其中，所述第一选定监测点和所述第一邻近监测点一一对应；第二获得单元，用于对所述第一选定监测点和所述第一邻近监测点进行地表变形性的关联度分析，获得第一关联度分析结果；第三获得单元，用于基于所述第一关联度分析结果对所述第一邻近监测点进行序列化调整，获得第一调整结果；第一构建单元，用于构建第一变形因子提取规则，基于所述第一调整结果进行提取，获得第一变形因子；第二构建单元，用于基于所述第一选定监测点和所述第一变形因子构建地表变形预测模型，获得第一输出偏离度；第一遍历单元，用于当所述第一输出偏离度满足第一预设偏离区间，遍历所述第一选定监测点和所述第一变形因子依次输入所述地表变形预测模型，获得第一预测结果，其中，所述第一预测结果包括地表沉降预测值区间；第一预警单元，用于基于所述地表沉降预测值区间，对地表沉降风险进行预警。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，其中，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一项所述的方法。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了通过确定基坑的监测点位，进而筛选除邻近监测点，基于监测点位和邻近监测点位的关联性对邻近监测点位进行二次筛选，得到关联性较高的监测点位；基于筛选的监测点位构建地表变形预测模型，构建完成后，评估模型输出偏离度；若是偏离度满足预设偏离度区间，则将关联性较高的监测点位输入地表变形预测模型，得到预测结果，基于预测结果进行预警的技术方案，综合考虑关联点位之间的耦合关系，使得输出数据不依赖于单点位的预测结果，达到了提高预测结果准确性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种耦合空间特性基坑邻近地表沉降智能预警方法流程示意图；
图2为本申请实施例提供了一种耦合空间特性基坑邻近地表沉降智能预警方法中的地表沉降风险预警流程示意图；
图3为本申请实施例提供了一种耦合空间特性基坑邻近地表沉降智能预警系统结构示意图；
图4为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第一构建单元14，第二构建单元15，第一遍历单元16，第一预警单元17，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
本申请实施例通过提供了一种耦合空间特性基坑邻近地表沉降智能预警方法及系统，解决了现有技术中的变形预测模型常用单个监测点或整体监测点的数据进行预测，忽略了测点间的空间关联性，导致存在预测结果准确度较低的技术问题。在技术方案中综合考虑关联点位之间的耦合关系，使得输出数据不依赖于单点位的预测结果，达到了提高预测结果准确性的技术效果。
申请概述
基坑指的是依照建筑物基底标高和基础平面尺寸挖出的土坑，开挖基坑时需要对挖掘位置的环境信息、深度信息、地质条件、气候条件、施工方法、地面载荷等多维度的信息分析，确定地表沉降的可能性，进而针对性指定预防措施，如何准确的进行预测成为一大研究趋势。但是基坑开挖引起的邻近地表变形具有非平稳性、非线性等特点，且属于长时间序列数据，导致地表变形预警存在随机性和模糊性，现有技术中的变形预测模型常用单个监测点或整体监测点的数据进行预测，忽略了测点间的空间关联性，导致存在预测结果准确度较低的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例通过提供了一种耦合空间特性基坑邻近地表沉降智能预警方法及系统，由于采用了通过确定基坑的监测点位，进而筛选除邻近监测点，基于监测点位和邻近监测点位的关联性对邻近监测点位进行二次筛选，得到关联性较高的监测点位；基于筛选的监测点位构建地表变形预测模型，构建完成后，评估模型输出偏离度；若是偏离度满足预设偏离度区间，则将关联性较高的监测点位输入地表变形预测模型，得到预测结果，基于预测结果进行预警的技术方案，综合考虑关联点位之间的耦合关系，使得输出数据不依赖于单点位的预测结果，达到了提高预测结果准确性的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种耦合空间特性基坑邻近地表沉降智能预警方法，其中，所述方法包括：
S100：遍历第一选定监测点，获得第一邻近监测点，其中，所述第一选定监测点和所述第一邻近监测点一一对应；
具体而言，所述第一选定监测点指的是为了预测基坑深挖时地表沉降信息的一个或多个监测位置；所述第一邻近监测点指的是为了提高预测基坑深挖时第一选定监测点位置处地表沉降信息的准确性而初步筛选的可能会对第一选定监测点位置处地表沉降造成影响的周围的一个或多个辅助监测位。第一邻近监测点的选取与施工环境相关性较高，示例性地：若是施工环境为土壤黏性较高且岩石较少的区域，则不同监测点之间的沉降关联性就较低，进而在第一选定监测点周围较小的区域内确定第一邻近监测点；若是施工环境为岩石较多且较大的类型，而第一选定监测点恰好在大型岩石上方，则该岩石上方的区域都为第一邻近监测点确定位置；若是土壤较潮湿，地下水位较高，则需要在第一选定监测点周围较大的区域内确定较多的第一邻近监测点。
进一步的，将采集到的第一选定监测点和第一邻近监测点一一对应优选的以列表的形式进行存储，便于后步快速调用，通过对第一邻近监测点的确定，为后步选取多个关联度较高的监测点奠定了数据基础。
S200：对所述第一选定监测点和所述第一邻近监测点进行地表变形性的关联度分析，获得第一关联度分析结果；
具体而言，所述第一关联度分析结果指的是对一一对应的第一选定监测点和第一邻近监测点进行关联度分析之后得到的表征第一邻近监测点中和第一选定监测点关联度的信息；关联度分析指的是基于地表变形性的影响关系评估一一对应的第一选定监测点和第一邻近监测点之间的关联性的过程。
由于地表变形性关联度分析考虑的要素是多维的，示例性地：环境信息、深度信息、地质条件、气候条件、施工方法、地面载荷等信息，所以优选的使用灰色关联度分析，灰色关联度分析常用来多因素统计分析，地表多个位置的变形性既有差异又有关联，且任意两个监测点变形性的关联度未必相同。当选定对某监测点进行预测分析，该点受相同环境量和邻近监测点的耦合作用，进行地表沉降预测时不仅需要考虑监测点位置的变化信息，还需要考虑关联度较高的邻近监测点的耦合作用。通过灰色关联度分析法可以基于多因素统计历史数据，将第一邻近监测点和相应第一关联度分析结果一一对应进行存储，便于后步调用，从第一邻近监测点筛选出和第一选定监测点一一对应的关联度较高的监测点，进而提高地表沉降预测准确性。
S300：基于所述第一关联度分析结果对所述第一邻近监测点进行序列化调整，获得第一调整结果；
具体而言，所述第一调整结果指的是基于第一关联度分析结果对第一邻近监测点进行序列化调整后的结果，序列化调整指的是为了便于筛选关联度较高的第一邻近监测点而对第一邻近监测点的排列顺序进行调整的过程，优选的根据第一关联度分析结果从大到小依次将相应的第一邻近监测点进行排序，记为第一调整结果。通过第一调整结果可以确定第一邻近监测点和第一选定监测点关联度大小排序，便于后步信息反馈处理。
S400：构建第一变形因子提取规则，基于所述第一调整结果进行提取，获得第一变形因子；
具体而言，所述第一变形因子提取规则指的是为了从第一调整结果提取出和第一选定监测点关联度较高的监测点而设定的选取规则，详细内容由工作人员根据实际场景而自定义设定，本申请实施例举不设限制的一例：
第一步，确定预设关联度，表征关联性筛选的最低关联度，将第一调整结果和预设关联度比较，将第一调整结果中包括小于预设关联度在内的第一邻近监测点之后的监测点全部筛除，其中，第一调整结果和预设关联度比较的比较规则，优选为，首先将第一调整结果中间位置的第一邻近监测点的第一关联度分析结果和预设关联度比较，若是该邻近监测点等于预设关联度则将该邻近监测点之后的邻近监测点筛除；若是该邻近监测点小于预设关联度，则将该邻近监测点和排序第一位监测点区间中间位置的邻近监测点和预设关联度比较，比较方式与该邻近监测点相同；若是该邻近监测点大于预设关联度，则将该邻近监测点和排序末位监测点区间中间位置的邻近监测点和预设关联度比较，比较方式与该邻近监测点相同。进而可以快速筛除不满足预设关联度的邻近监测点。
第二步，确定选取长度，表征第一步筛除后的第一调整结果中的选取关联度较高的邻近监测点的最短长度。优选选取长度位排序前3~前5的邻近监测点，若是筛除后的邻近监测点不足前3~前5，则全部选取，若是筛除后的邻近监测点为零，则仅对第一选定监测点进行分析。
所述第一变形因子指的是按照第一变形因子提取规则从第一调整结果提取的表征关联度较高的邻近监测点的信息。将第一变形因子和第一选定监测点一一对应进行存储，其中，每个第一选定监测点可能对应于多个第一变形因子，因此得到多组一对多的数据，置为待响应状态，便于后步快速调用。
S500：基于所述第一选定监测点和所述第一变形因子构建地表变形预测模型，获得第一输出偏离度；
具体而言，所述地表变形预测模型指的是基于LSTM神经网络构建的基于第一选定监测点和第一变形因子评估基坑地表沉降预测结果的智能化模型，构建方式举不设限制的一例：基于第一选定监测点和第一变形因子采集对应位置处的历史地表沉降时序信息，使用历史地表沉降时序信息作为训练数据集，基于LSTM神经网络训练构建智能化模型，LSTM神经网络是基于循环神经网络的改进网络，称为长短期神经网络，循环神经网络中，隐状态能够存储历史信息，并且被每个时刻重写，称为短期记忆的。而在训练数据过程中，更新学习获得的经验速度远小于短期记忆，遂称长期记忆。相较于循环神经网络，LSTM神经网络将门控单元和记忆细胞结合进行时间信息的筛选，而且由于具有选择性更新和遗忘信息的能力而解决的循环神经网络梯度爆炸的问题，记忆单元能够将某刻学习的关键信息存储多个时间间隔，记忆周期处于长、短期记忆区间，因此称此长短期记忆，对于长时间隔的时序依赖问题具有较好的处理能力，一般情况下，LSTM神经网络训练过程是离线状态，得到的为离线模型。所述第一输出偏离度指的是训练完成的LSTM神经网络模型的输出偏差。通过第一输出偏离度可以评估LSTM神经网络模型的输出准确性。
S600：当所述第一输出偏离度满足第一预设偏离区间，遍历所述第一选定监测点和所述第一变形因子依次输入所述地表变形预测模型，获得第一预测结果，其中，所述第一预测结果包括地表沉降预测值区间；
S700：基于所述地表沉降预测值区间，对地表沉降风险进行预警。
具体而言，所述第一预设偏离区间指的是表征地表变形预测模型输出准确性的偏离度区间，若是第一输出偏离度不属于第一预设偏离区间，则说明地表变形预测模型输出准确性不满足要求，需要采集数据继续训练；若是第一输出偏离度属于第一预设偏离区间，则说明地表变形预测模型输出准确性满足要求，则可以输入实时数据，即将多组第一选定监测点和第一变形因子依次输入地表变形预测模型进行预测，得到多组表征第一选定监测点地表沉降的预测信息，记为所述第一预测结果。所述地表沉降预测值区间指的是多个第一选定监测点的地表沉降预测结果组成的预测值区间，第一选定监测点选取多个是为了避免单点监测导致预测结果不准确，进而使用多个点监测，得到预测值区间，进而可以中预测值区间中选取中间值，提高预测准确性。
进一步的，当预测值区间的中间值落在预设预警区间之内，则需要进行预警，提供相关工作人员进行预防，其中，预设预警区间为预设的进行需要进行预警的沉降值预测信息。通过针对第一选定监测点匹配第一变形因子，进而拟合多个监测点之间的耦合关系，进行沉降值预测，提高了预测结果的准确性，进一步的采用多个第一选定监测点进行预测，优选的提取中间值作为预测结果，进一步提高了预测结果的准确性。
进一步的，基于所述对所述第一选定监测点和所述第一邻近监测点进行地表变形性的关联度分析，获得第一关联度分析结果，步骤S200包括：
S210：基于所述第一选定监测点，生成第一参考序列；
S220：基于所述第一邻近监测点，生成第一比较序列；
S230：对所述第一参考序列和所述第一比较序列进行无量纲调整，获得第二参考序列和第二比较序列；
S240：遍历所述第二参考序列和所述第二比较序列，计算第一关联系数集合；
S250：根据所述第一关联系数集合，获得第一关联度集合。
具体而言，关联度的计算详细如下：所述第一参考序列指的是为了便于计算将多个第一选定监测点进行表征的结果，优选的形式为：
Figure 996990DEST_PATH_IMAGE001
其中
Figure 342521DEST_PATH_IMAGE002
表示第一参考序列，
Figure 305929DEST_PATH_IMAGE003
表示第一选定监测点的第一个监测点，
Figure 510645DEST_PATH_IMAGE004
表示第一选定监测点的总数，假设共有n个；
所述第一比较序列指的是为了便于计算将多个第一邻近监测点进行表征的结果，优选的形式为：
Figure 240704DEST_PATH_IMAGE005
其中
Figure 316107DEST_PATH_IMAGE006
表示第一比较序列和第一选定监测点对应第i组的第一邻近监测点，
Figure 106209DEST_PATH_IMAGE007
表示第i组第一比较监测点的第一个监测点，
Figure 771457DEST_PATH_IMAGE004
表示第i组第一邻近监测点的总数，假设共有m个；通过序列化表征可以将第一选定监测点和第一邻近监测点转化为计算机可识别处理的数据，便于高效快速调用处理。
进一步的，第二参考序列和第二比较序列指的是为了统一第一参考序列和第一比较序列的量纲，分别对第一参考序列和第一比较序列进行无量纲调整之后得到的结果，调整方式举不设限制的一例：
第一参考序列的量纲调整方式：
Figure 39628DEST_PATH_IMAGE008
，其中，
Figure 297434DEST_PATH_IMAGE009
表示第一参考序列中1到r中的第k个选定监测点的量纲调整结果，
Figure 133803DEST_PATH_IMAGE010
表示
Figure 172166DEST_PATH_IMAGE011
中的任意一个值；
第一比较序列的量纲调整方式：
Figure 853814DEST_PATH_IMAGE012
，其中，
Figure 28444DEST_PATH_IMAGE013
表示第一比较序列中1到r中的第k个邻近监测点的量纲调整结果，
Figure 770135DEST_PATH_IMAGE014
表示
Figure 30215DEST_PATH_IMAGE015
中的任意一个值；
通过遍历第一参考序列和第一比较序列完成量纲调整，进而保证了量纲的统一，降低了误差概率。
更进一步的，第一关联系数集合指的是表征每个第一选定监测点和其对应的第一邻近监测点之间的关联程度的系数，优选的确定方式如下：
Figure 843450DEST_PATH_IMAGE016
，
Figure 246487DEST_PATH_IMAGE017
，
Figure 549292DEST_PATH_IMAGE018
，
Figure 1
，
其中，
Figure 320119DEST_PATH_IMAGE020
表示第i组第一比较序列和与第i组第一比较序列对应的第一参考序列中的第k个选定监测点之间的序列接近度，
Figure 79128DEST_PATH_IMAGE021
为分辨系数，为预设的固定值，有工作人员设定，
Figure 552835DEST_PATH_IMAGE022
表示第i组第一比较序列和与第i组第一比较序列对应的第一参考序列中的第k个选定监测点之间的关联系数，
Figure 397294DEST_PATH_IMAGE023
和
Figure 349069DEST_PATH_IMAGE024
为计算
Figure 523436DEST_PATH_IMAGE022
设定参数值。通过上述公式遍历第一参考序列中的每一个选定监测点对应的邻近监测点，得到多个关联系数，为后步关联度的计算奠定了数据基础。
更进一步的，第一关联度集合指的是基于关联系数集合一一计算每一个选定监测点和其对应的邻近监测点之间的关联度的计算结果，优选的计算方式如下：通过如下公式：
Figure 43411DEST_PATH_IMAGE025
，
Figure 703062DEST_PATH_IMAGE026
指的是第i组第一比较序列和与第i组第一比较序列对应的第一参考序列中的第k个选定监测点之间的关联度，共有n个关联系数之和的平均值。遍历全部的第一参考序列，一一对应的存储多组关联度集合表征选定监测点和其对应的邻近监测点之间的关联度，为后步进程提供信息反馈基础。
进一步的，所述基于所述第一选定监测点和所述第一变形因子构建地表变形预测模型，步骤S500包括：
S510：基于所述第一选定监测点，采集第一历史沉降时序数据，基于所述第一变形因子，采集第二历史沉降时序数据；
S520：将所述第一历史沉降时序数据和所述第二历史沉降时序数据设为第一样本数据集，其中，所述第一样本数据集具有第一预设长度；
S530：获得第一预设分割长度对所述第一样本数据集进行分割，获得第一训练数据集；
S540：基于所述第一训练数据集，构建所述地表变形预测模型。
具体而言，所述第一历史沉降时序数据指的是基于第一选定监测点位置处的环境信息基于大数据采集的类似环境中深挖基坑时历史沉降情况变化数据，依据时序进行存储的结果；所述第二历史沉降时序数据指的是基于第一变形因子位置处的环境信息基于大数据采集的类似环境中深挖基坑时历史沉降情况变化数据，依据时序进行存储的结果。
所述第一样本数据集指的是将第一历史沉降时序数据和第二历史沉降时序数据合并存储得到的数据集；所述第一预设长度指的是表征第一样本数据集需要用来作为训练数据的数据量的信息，将第一样本数据集分割为多组数据，存储形式优选的如下：
Figure 458529DEST_PATH_IMAGE027
，其中，
Figure 192129DEST_PATH_IMAGE028
表示第一样本数据集，
Figure 7639DEST_PATH_IMAGE029
表示第一样本数据集的数据量，N为第一预设长度，表示至少可以将
Figure 826690DEST_PATH_IMAGE028
分割为N组时刻的数据。进一步的，所述第一预设分割长度指的是从满足第一预设长度的第一样本数据集中选取用来训练的标签数据的长度，即时序长度的选取。优选的使用P值表示，则训练时的输入数据就是N-P，表示取P时刻到N时刻的第一样本数据集作为训练数据，P时刻默认值为1，其中，历史数据的时序记为t，其中，T-N≤t≤T-1，t∈T，2≤N＜T，1≤P＜T。更进一步的，使用和训练样本相同的方式采集预测样本的数据，记为
Figure 385847DEST_PATH_IMAGE030
，预测样本的标签信息P值默认值也为1，基于上述方式筛选训练数据集和预测标签数据集对地表变形预测模型进行训练，构建预测模型，当模型输出稳定后，使用未选取的第一样本数据集对应的预测样本数据作为验证数据集，验证地表变形预测模型的泛化能力，当满足泛化预设要求后，即可用于实际。可基于邻近监测点的耦合关系以及多监测点的同步预测提高预测准确性。
进一步的，可通过如下公式对地表变形预测模型的输出稳定性进行评估，
Figure 301851DEST_PATH_IMAGE031
；
Figure 396583DEST_PATH_IMAGE032
，其中
Figure 827565DEST_PATH_IMAGE033
表征地表变形预测模型的输出均方根误差，
Figure 800200DEST_PATH_IMAGE034
表征地表变形预测模型的输出平均绝对误差，
Figure 633027DEST_PATH_IMAGE035
表示
Figure 400126DEST_PATH_IMAGE036
中选取的预测标签信息，当均方根误差合和平均绝对误差满足预设值时，表示输出稳定。
进一步的，基于所述将所述第一历史沉降时序数据和所述第二历史沉降时序数据设为第一样本数据集，步骤S520包括：
S521：对所述第一历史沉降时序数据和所述第二历史沉降时序数据进行差分处理，获得第一处理结果数据集；
S522：对所述第一处理结果数据集进行Z-Score标准化处理，获得所述第一样本数据集。
具体而言，将第一历史沉降时序数据和第二历史沉降时序数据进行合并的过程如下：
第一步：所述第一处理结果数据集指的是将第一历史沉降时序数据和第二历史沉降时序数进行差分处理后的结果，其中，所述差分处理指的是由于基坑开挖施工过程的复杂性，引发的邻近地表变形具有强非线性导致在数据分析与挖掘中会影响地表沉降预测及预警的准确性、实时性、稳定性，为了降低这种影响而对第一历史沉降时序数据和第二历史沉降时序数中的部分数据进行目的性的增大或减少的过程，进而使得处理后的数据排除不确定性的因素，得到泛化性质较强的数据集的过程。
第二步，所述第一样本数据集指的是将经过差分处理后的第一处理结果数据集进行标准化处理后的结果，优选的使用Z-Score标准化处理，Z-Score标准化处理为常规所述Z-Score标准化方法，数据归一化为相同尺度，处理公式如下：
Figure 318403DEST_PATH_IMAGE037
其中，
Figure 94729DEST_PATH_IMAGE038
表示第t时刻的第一处理结果数据集的标准化结果，T表示第一处理结果数据集时序最新值。通过标准化后的数据训练可以降低参数初始化难度、提高收敛效率。
进一步的，基于所述第一训练数据集，构建所述地表变形预测模型，步骤S540包括：
S541：获得第一待优化参数和第二待优化参数，其中，所述第一待优化参数为表征所述地表变形预测模型的学习参数，所述第二待优化参数为表征所述地表变形预测模型网络性能的超参数；
S542：构建第一损失函数，基于Adam算法对所述第一待优化参数进行优化，获得第一优化结果；
S543：构建第一随机匹配规则，对所述第二待优化参数进行随机组合，获得第二优化结果；
S544：通过所述第一优化结果和所述第二优化结果对所述地表变形预测模型进行配置。
具体而言，所述第一待优化参数为表征所述地表变形预测模型的学习参数，包括但不限于：样本分割长度、网络层数、隐层节点数、学习率、训练次数等参数；所述第二待优化参数为表征所述地表变形预测模型网络性能的超参数，不同网络存在不同超参数，且其对网络性能影响较大。
所述第一损失函数为基于学习参数构建的表征地表变形预测模型学习训练效果的经验函数，具体形式由工作人员基于LSTM神经网络的训练过程进行构建，通过第一损失函数可以表征样本分割长度、网络层数、隐层节点数、学习率、训练次数等参数的变化对地表变形预测模型学习效果的影响，其中，样本分割长度、网络层数、隐层节点数、训练次数等参数在LSTM神经网络一般是确定的，而学习率可以通过设定第一损失函数的目标值，进而以目标值为优化目标，使用Adam算法对所述第一待优化参数进行自适应优化，将满足优化目标的第一待优化参数作为第一优化结果，其中，Adam算法用于自适应优化深度学习模型学习率可以较平稳且高效的得到第一待优化参数的较优值。
所述第一随机匹配规则指的是为了匹配到LSTM神经网络较优的超参数而设定随机匹配规则，优选的方式为：将多组超参数分割为多个小段，从每个小段中单次随机提取出预设数量的超参数组合，比较出较优值；最后再将多个小段之间的超参数随机取预设数量的超参数组合，比较选出较优值，其中，预设数量为自定义值，默认为5，将最终的较优值记为第二优化结果。更进一步的，基于通过所述第一优化结果和所述第二优化结果对所述地表变形预测模型进行配置，完成模型的初始化。
进一步的，所述方法包括步骤S800：
S810：基于所述地表变形预测模型，确定第一输出偏差数据，生成第一中心限信息和第一控制限信息，其中，所述第一输出偏差数据表征所述地表变形预测模型历史输出偏差；
S820：根据所述第一中心限信息和所述第一控制限信息，获得所述第一预设偏离区间；
S830：获得所述第一偏离度，其中，所述第一偏离度表征所述地表变形预测模型的实时输出偏差；
S840：当所述第一偏离度不满足所述第一预设偏离区间时，获得第一更新指令；
S850：根据所述第一更新指令对所述地表变形预测模型进行更新训练。
具体而言，所述第一输出偏差数据表征所述地表变形预测模型历史输出偏差，即训练过程产生的偏差，所述第一中心限指的是表征第一输出偏差数据的残差分布的中心值信息，所述第一控制限信息指的是表征第一输出偏差数据的残差分布的端值信息。从历史数据训练情况来看，基本服从正态分布；所述第一预设偏离区间指的是基于第一中心限和第一控制限信息构建的表征可允许误差值的区间范围，假设服从正态分布，第一中心限为u，第一控制限为3d，则第一预设偏离区间为（u-3d，u+3d）。进一步的，所述第一偏离度表征所述地表变形预测模型的实时输出偏差；所述第一更新指令指的是当所述第一偏离度不属于第一预设偏离区间时，输出的对地表变形预测模型进行在线更新训练的控制信号。通过在线更新弥补了传统离线模型的缺点，提高了模型输出的稳定性和准确性。
进一步的，如图2所示，基于所述地表沉降预测值区间，对地表沉降风险进行预警，步骤S700包括：
S710：获得第一地表沉降预警阈值，其中，所述第一地表沉降预警阈值包括一级预警阈值区间、二级预警阈值区间、三级预警阈值区间和四级预警阈值区间；
S720：判断所述地表沉降预测值区间是否满足所述第一地表沉降预警阈值；
S730：当所述地表沉降预测值区间满足所述第一地表沉降预警阈值，获得第一预警指令，其中，所述第一预警指令包括第一地表沉降风险等级信息；
S740：基于所述第一地表沉降风险等级信息进行预警。
具体而言，所述第一地表沉降预警阈值指的是预设进行预警的沉降值分布区间，包括但不限于四个等级：分别为，一级预警阈值区间、二级预警阈值区间、三级预警阈值区间和四级预警阈值区间，沉降预测值越大，则预警等级越高，举不设限制的一例：当沉降预测值<21mm时，归入一级预警阈值区间；当沉降预测值属于[21,24)，单位：mm时，归入二级预警阈值区间；当沉降预测值属于[24,30)，单位：mm时，归入三级预警阈值区间；当沉降预测值≥30mm时，归入四级预警阈值区间。
所述第一预警指令指的是控制耦合空间特性基坑邻近地表沉降智能预警系统继续宁预警的信号，当地表沉降预测值区间满足所述第一地表沉降预警阈值时，需要通过第一预警指令控制耦合空间特性基坑邻近地表沉降智能预警系统进行预警；所述第一地表沉降风险等级信息指的是和第一地表沉降预警阈值一一对应的沉降风险等级，当归入一级预警阈值区间，第一地表沉降风险等级信息为一级风险；归入二级预警阈值区间，第一地表沉降风险等级信息为二级风险；归入三级预警阈值区间，第一地表沉降风险等级信息为三级风险；归入四级预警阈值区间，第一地表沉降风险等级信息为四级风险。不同的风险等级可自定义不同预警方式，示例性地如：一级风险预警方式为黄灯，二级为红灯，三级为红黄长时间交替，四级为红黄快节奏交替。通过对地表沉降信息的预测值进行风险等级的预测，为工作人员提供参考数据。
综上所述，本申请实施例所提供的一种耦合空间特性基坑邻近地表沉降智能预警方法及系统具有如下技术效果：
1. 本申请实施例通过提供了一种耦合空间特性基坑邻近地表沉降智能预警方法及系统，由于采用了通过确定基坑的监测点位，进而筛选除邻近监测点，基于监测点位和邻近监测点位的关联性对邻近监测点位进行二次筛选，得到关联性较高的监测点位；基于筛选的监测点位构建地表变形预测模型，构建完成后，评估模型输出偏离度；若是偏离度满足预设偏离度区间，则将关联性较高的监测点位输入地表变形预测模型，得到预测结果，基于预测结果进行预警的技术方案，综合考虑关联点位之间的耦合关系，使得输出数据不依赖于单点位的预测结果，达到了提高预测结果准确性的技术效果。
2. 通过在线更新弥补了传统离线模型的缺点，提高了模型输出的稳定性和准确性。
实施例二
基于与前述实施例中一种耦合空间特性基坑邻近地表沉降智能预警方法相同的发明构思，如图3所示，本申请实施例提供了一种耦合空间特性基坑邻近地表沉降智能预警系统，其中，所述系统包括：
第一获得单元11，用于遍历第一选定监测点，获得第一邻近监测点，其中，所述第一选定监测点和所述第一邻近监测点一一对应；
第二获得单元12，用于对所述第一选定监测点和所述第一邻近监测点进行地表变形性的关联度分析，获得第一关联度分析结果；
第三获得单元13，用于基于所述第一关联度分析结果对所述第一邻近监测点进行序列化调整，获得第一调整结果；
第一构建单元14，用于构建第一变形因子提取规则，基于所述第一调整结果进行提取，获得第一变形因子；
第二构建单元15，用于基于所述第一选定监测点和所述第一变形因子构建地表变形预测模型，获得第一输出偏离度；
第一遍历单元16，用于当所述第一输出偏离度满足第一预设偏离区间，遍历所述第一选定监测点和所述第一变形因子依次输入所述地表变形预测模型，获得第一预测结果，其中，所述第一预测结果包括地表沉降预测值区间；
第一预警单元17，用于基于所述地表沉降预测值区间，对地表沉降风险进行预警。
进一步的，所述系统还包括：
第一生成单元，用于基于所述第一选定监测点，生成第一参考序列；
第二生成单元，用于基于所述第一邻近监测点，生成第一比较序列；
第四获得单元，用于对所述第一参考序列和所述第一比较序列进行无量纲调整，获得第二参考序列和第二比较序列；
第一计算单元，用于遍历所述第二参考序列和所述第二比较序列，计算第一关联系数集合；
第五获得单元，用于根据所述第一关联系数集合，获得第一关联度集合。
进一步的，所述系统还包括：
第一采集单元，用于基于所述第一选定监测点，采集第一历史沉降时序数据，基于所述第一变形因子，采集第二历史沉降时序数据；
第一处理单元，用于将所述第一历史沉降时序数据和所述第二历史沉降时序数据设为第一样本数据集，其中，所述第一样本数据集具有第一预设长度；
第六获得单元，用于获得第一预设分割长度对所述第一样本数据集进行分割，获得第一训练数据集；
第三构建单元，用于基于所述第一训练数据集，构建所述地表变形预测模型。
进一步的，所述系统还包括：
第二处理单元，用于对所述第一历史沉降时序数据和所述第二历史沉降时序数据进行差分处理，获得第一处理结果数据集；
第七获得单元，用于对所述第一处理结果数据集进行Z-Score标准化处理，获得所述第一样本数据集。
进一步的，所述系统还包括：
第八获得单元，用于获得第一待优化参数和第二待优化参数，其中，所述第一待优化参数为表征所述地表变形预测模型的学习参数，所述第二待优化参数为表征所述地表变形预测模型网络性能的超参数；
第四构建单元，用于构建第一损失函数，基于Adam算法对所述第一待优化参数进行优化，获得第一优化结果；
第五构建单元，用于构建第一随机匹配规则，对所述第二待优化参数进行随机组合，获得第二优化结果；
第一配置单元，用于通过所述第一优化结果和所述第二优化结果对所述地表变形预测模型进行配置。
进一步的，所述系统还包括：
第一确定单元，用于基于所述地表变形预测模型，确定第一输出偏差数据，生成第一中心限信息和第一控制限信息，其中，所述第一输出偏差数据表征所述地表变形预测模型历史输出偏差；
第九获得单元，用于根据所述第一中心限信息和所述第一控制限信息，获得所述第一预设偏离区间；
第十获得单元，用于获得所述第一偏离度，其中，所述第一偏离度表征所述地表变形预测模型的实时输出偏差；
第十一获得单元，用于当所述第一偏离度不满足所述第一预设偏离区间时，获得第一更新指令；
第一更新单元，用于根据所述第一更新指令对所述地表变形预测模型进行更新训练。
进一步的，所述系统还包括：
第十二获得单元，用于获得第一地表沉降预警阈值，其中，所述第一地表沉降预警阈值包括一级预警阈值区间、二级预警阈值区间、三级预警阈值区间和四级预警阈值区间；
第一判断单元，用于判断所述地表沉降预测值区间是否满足所述第一地表沉降预警阈值；
第十三获得单元，用于当所述地表沉降预测值区间满足所述第一地表沉降预警阈值，获得第一预警指令，其中，所述第一预警指令包括第一地表沉降风险等级信息；
第二预警单元，用于基于所述第一地表沉降风险等级信息进行预警。
实施例三
基于与前述实施例中一种耦合空间特性基坑邻近地表沉降智能预警方法相同的发明构思，本申请实施例提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现实施例一任一项所述的方法。
示例性电子设备
下面参考图4来描述本申请实施例的电子设备，
基于与前述实施例中一种耦合空间特性基坑邻近地表沉降智能预警方法相同的发明构思，本申请实施例还提供了一种电子设备，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法。
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的系统，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdisc
read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种耦合空间特性基坑邻近地表沉降智能预警方法。
可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。
本申请实施例通过提供了一种耦合空间特性基坑邻近地表沉降智能预警方法及系统，由于采用了通过确定基坑的监测点位，进而筛选除邻近监测点，基于监测点位和邻近监测点位的关联性对邻近监测点位进行二次筛选，得到关联性较高的监测点位；基于筛选的监测点位构建地表变形预测模型，构建完成后，评估模型输出偏离度；若是偏离度满足预设偏离度区间，则将关联性较高的监测点位输入地表变形预测模型，得到预测结果，基于预测结果进行预警的技术方案，综合考虑关联点位之间的耦合关系，使得输出数据不依赖于单点位的预测结果，达到了提高预测结果准确性的技术效果。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a ,b,或c中的至少一项(个、种)，可以表示：a ,b,c,a -b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指
令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑系统，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算系统的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (10)

1.一种耦合空间特性基坑邻近地表沉降智能预警方法，其特征在于，所述方法包括：
遍历第一选定监测点，获得第一邻近监测点，其中，所述第一选定监测点和所述第一邻近监测点一一对应；
对所述第一选定监测点和所述第一邻近监测点进行地表变形性的关联度分析，获得第一关联度分析结果；
基于所述第一关联度分析结果对所述第一邻近监测点进行序列化调整，获得第一调整结果；
构建第一变形因子提取规则，基于所述第一调整结果进行提取，获得第一变形因子；
基于所述第一选定监测点和所述第一变形因子构建地表变形预测模型，获得第一输出偏离度；
当所述第一输出偏离度满足第一预设偏离区间，遍历所述第一选定监测点和所述第一变形因子依次输入所述地表变形预测模型，获得第一预测结果，其中，所述第一预测结果包括地表沉降预测值区间；
基于所述地表沉降预测值区间，对地表沉降风险进行预警。
2.如权利要求1所述的方法，其特征在于，所述对所述第一选定监测点和所述第一邻近监测点进行地表变形性的关联度分析，获得第一关联度分析结果，包括：
基于所述第一选定监测点，生成第一参考序列；
基于所述第一邻近监测点，生成第一比较序列；
对所述第一参考序列和所述第一比较序列进行无量纲调整，获得第二参考序列和第二比较序列；
遍历所述第二参考序列和所述第二比较序列，计算第一关联系数集合；
根据所述第一关联系数集合，获得第一关联度集合。
3.如权利要求1所述的方法，其特征在于，所述基于所述第一选定监测点和所述第一变形因子构建地表变形预测模型，包括：
基于所述第一选定监测点，采集第一历史沉降时序数据，基于所述第一变形因子，采集第二历史沉降时序数据；
将所述第一历史沉降时序数据和所述第二历史沉降时序数据设为第一样本数据集，其中，所述第一样本数据集具有第一预设长度；
获得第一预设分割长度对所述第一样本数据集进行分割，获得第一训练数据集；
基于所述第一训练数据集，构建所述地表变形预测模型。
4.如权利要求3所述的方法，其特征在于，所述将所述第一历史沉降时序数据和所述第二历史沉降时序数据设为第一样本数据集，包括：
对所述第一历史沉降时序数据和所述第二历史沉降时序数据进行差分处理，获得第一处理结果数据集；
对所述第一处理结果数据集进行Z-Score标准化处理，获得所述第一样本数据集。
5.如权利要求3所述的方法，其特征在于，所述基于所述第一训练数据集，构建所述地表变形预测模型，包括：
获得第一待优化参数和第二待优化参数，其中，所述第一待优化参数为表征所述地表变形预测模型的学习参数，所述第二待优化参数为表征所述地表变形预测模型网络性能的超参数；
构建第一损失函数，基于Adam算法对所述第一待优化参数进行优化，获得第一优化结果；
构建第一随机匹配规则，对所述第二待优化参数进行随机组合，获得第二优化结果；
通过所述第一优化结果和所述第二优化结果对所述地表变形预测模型进行配置。
6.如权利要求1所述的方法，其特征在于，所述方法包括：
基于所述地表变形预测模型，确定第一输出偏差数据，生成第一中心限信息和第一控制限信息，其中，所述第一输出偏差数据表征所述地表变形预测模型历史输出偏差；
根据所述第一中心限信息和所述第一控制限信息，获得所述第一预设偏离区间；
获得所述第一偏离度，其中，所述第一偏离度表征所述地表变形预测模型的实时输出偏差；
当所述第一偏离度不满足所述第一预设偏离区间时，获得第一更新指令；
根据所述第一更新指令对所述地表变形预测模型进行更新训练。
7.如权利要求1所述的方法，其特征在于，所述基于所述地表沉降预测值区间，对地表沉降风险进行预警，包括：
获得第一地表沉降预警阈值，其中，所述第一地表沉降预警阈值包括一级预警阈值区间、二级预警阈值区间、三级预警阈值区间和四级预警阈值区间；
判断所述地表沉降预测值区间是否满足所述第一地表沉降预警阈值；
当所述地表沉降预测值区间满足所述第一地表沉降预警阈值，获得第一预警指令，其中，所述第一预警指令包括第一地表沉降风险等级信息；
基于所述第一地表沉降风险等级信息进行预警。
8.一种耦合空间特性基坑邻近地表沉降智能预警系统，其特征在于，所述系统包括：
第一获得单元，用于遍历第一选定监测点，获得第一邻近监测点，其中，所述第一选定监测点和所述第一邻近监测点一一对应；
第二获得单元，用于对所述第一选定监测点和所述第一邻近监测点进行地表变形性的关联度分析，获得第一关联度分析结果；
第三获得单元，用于基于所述第一关联度分析结果对所述第一邻近监测点进行序列化调整，获得第一调整结果；
第一构建单元，用于构建第一变形因子提取规则，基于所述第一调整结果进行提取，获得第一变形因子；
第二构建单元，用于基于所述第一选定监测点和所述第一变形因子构建地表变形预测模型，获得第一输出偏离度；
第一遍历单元，用于当所述第一输出偏离度满足第一预设偏离区间，遍历所述第一选定监测点和所述第一变形因子依次输入所述地表变形预测模型，获得第一预测结果，其中，所述第一预测结果包括地表沉降预测值区间；
第一预警单元，用于基于所述地表沉降预测值区间，对地表沉降风险进行预警。
9.一种电子设备，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，其特征在于，当所述程序被所述处理器执行时，使系统以执行如权利要求1~7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1~7中任一项所述的方法。
CN202210287334.6A 2022-03-23 2022-03-23 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统 Active CN114792044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210287334.6A CN114792044B (zh) 2022-03-23 2022-03-23 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210287334.6A CN114792044B (zh) 2022-03-23 2022-03-23 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统

Publications (2)

Publication Number Publication Date
CN114792044A true CN114792044A (zh) 2022-07-26
CN114792044B CN114792044B (zh) 2024-09-27

Family

ID=82459633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210287334.6A Active CN114792044B (zh) 2022-03-23 2022-03-23 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统

Country Status (1)

Country Link
CN (1) CN114792044B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423295A (zh) * 2022-08-30 2022-12-02 青岛艾德森物联科技有限公司 一种空调水系统的双平衡状态监测的评估方法及系统
CN115511339A (zh) * 2022-10-10 2022-12-23 呼和浩特市肃博电子技术有限公司 一种基于大数据的信息智能处理系统及方法
CN117084683A (zh) * 2023-08-07 2023-11-21 中国人民解放军32302部队 一种技术人员心理状态监测评估方法及系统
CN118036118A (zh) * 2023-11-28 2024-05-14 天津大学 基于bim融合的勘察方法、系统、电子设备以及计算机可读介质
CN118531849A (zh) * 2024-07-24 2024-08-23 山东大学 地下结构群深基坑监测系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778369A (zh) * 2015-04-20 2015-07-15 河海大学 一种基于地面沉降监测的决策与预警方法及其系统
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
CN109543237A (zh) * 2018-10-29 2019-03-29 苏州科技大学 基于ga-bp神经网络的基坑位移预测方法
WO2020073686A1 (zh) * 2018-10-08 2020-04-16 上海建工集团股份有限公司 基于图像识别的基坑自动监测数据筛选方法及系统
CN111461457A (zh) * 2020-04-17 2020-07-28 福州大学 一种基于粒子群优化bp神经网络的基坑位移预测方法
CN111680343A (zh) * 2020-04-27 2020-09-18 中煤科工集团武汉设计研究院有限公司 一种基于深度学习的深基坑围护结构变形预测的方法
CN111967079A (zh) * 2020-08-17 2020-11-20 河海大学 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法
CN112035941A (zh) * 2020-09-17 2020-12-04 辽宁工程技术大学 一种基于bas-bp模型的深基坑开挖地表沉降预测方法
CN113886917A (zh) * 2021-09-30 2022-01-04 电子科技大学 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778369A (zh) * 2015-04-20 2015-07-15 河海大学 一种基于地面沉降监测的决策与预警方法及其系统
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
WO2020073686A1 (zh) * 2018-10-08 2020-04-16 上海建工集团股份有限公司 基于图像识别的基坑自动监测数据筛选方法及系统
CN109543237A (zh) * 2018-10-29 2019-03-29 苏州科技大学 基于ga-bp神经网络的基坑位移预测方法
CN111461457A (zh) * 2020-04-17 2020-07-28 福州大学 一种基于粒子群优化bp神经网络的基坑位移预测方法
CN111680343A (zh) * 2020-04-27 2020-09-18 中煤科工集团武汉设计研究院有限公司 一种基于深度学习的深基坑围护结构变形预测的方法
CN111967079A (zh) * 2020-08-17 2020-11-20 河海大学 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法
CN112035941A (zh) * 2020-09-17 2020-12-04 辽宁工程技术大学 一种基于bas-bp模型的深基坑开挖地表沉降预测方法
CN113886917A (zh) * 2021-09-30 2022-01-04 电子科技大学 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
XIAO LI 等: "Foundation pit displacement monitoring and prediction using least squares support vector machines based on multi-point measurement", SAGE, 23 April 2018 (2018-04-23) *
刘戈;仝国柱;: "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, no. 03, 28 June 2016 (2016-06-28) *
周昀琦 等: "顾及邻近点变形因素的高斯过程建模及预测", 测绘科学, vol. 43, no. 4, 30 April 2018 (2018-04-30), pages 114 - 121 *
姜登坤;贺可强;阳吉宝;荆丽梅;信校阳;: "基坑开挖对临近建筑沉降的影响因素分析", 工程建设, no. 10, 15 October 2017 (2017-10-15) *
王跃宾: "煤矿工广地表移动变形预警系统的研发——以祁东矿选煤系统为例", 工程科技Ⅰ辑, no. 05, 15 May 2012 (2012-05-15) *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423295A (zh) * 2022-08-30 2022-12-02 青岛艾德森物联科技有限公司 一种空调水系统的双平衡状态监测的评估方法及系统
CN115423295B (zh) * 2022-08-30 2023-12-05 青岛艾德森物联科技有限公司 一种空调水系统的双平衡状态监测的评估方法及系统
CN115511339A (zh) * 2022-10-10 2022-12-23 呼和浩特市肃博电子技术有限公司 一种基于大数据的信息智能处理系统及方法
CN117084683A (zh) * 2023-08-07 2023-11-21 中国人民解放军32302部队 一种技术人员心理状态监测评估方法及系统
CN117084683B (zh) * 2023-08-07 2024-04-19 中国人民解放军32302部队 一种技术人员心理状态监测评估方法及系统
CN118036118A (zh) * 2023-11-28 2024-05-14 天津大学 基于bim融合的勘察方法、系统、电子设备以及计算机可读介质
CN118531849A (zh) * 2024-07-24 2024-08-23 山东大学 地下结构群深基坑监测系统及方法
CN118531849B (zh) * 2024-07-24 2024-10-08 山东大学 地下结构群深基坑监测系统及方法

Also Published As

Publication number Publication date
CN114792044B (zh) 2024-09-27

Similar Documents

Publication Publication Date Title
CN114792044A (zh) 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统
CN115238850B (zh) 一种基于mi-gra与改进pso-lstm的山区边坡位移预测方法
CN109840587B (zh) 基于深度学习的水库入库流量预测方法
CN112506990A (zh) 一种基于时空信息的水文数据异常检测方法
Bashari et al. Estimation of deformation modulus of rock masses by using fuzzy clustering-based modeling
CN115061219B (zh) 基于石油天然气探测的裂缝型储层预测识别方法及系统
KR20200058258A (ko) 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체
CN115952590A (zh) 基于bo-rf-mompa混合算法的盾构隧道优化设计方法及设备
CN118312723A (zh) 一种基于监测数据的边坡位移预测方法及系统
CN115221793A (zh) 一种隧道围岩变形预测方法及装置
Yin et al. Flash flood susceptibility mapping based on catchments using an improved Blending machine learning approach
CN117669808A (zh) 一种基于贝叶斯优化的滑坡易发性预测方法
Vanegas et al. Prioritizing inspection of sewer pipes based on self-cleansing criteria
CN111460737B (zh) 泥水气压平衡盾构的智能沉降预测方法及系统
Lu et al. Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions
CN116738822A (zh) 一种基于LightGBM的排水管道最大腐蚀深度预测方法
Zhang et al. Time Series Prediction on Settlement of Metro Tunnels Adjacent to Deep Foundation Pit by Clustering Monitoring Data
Lee et al. Machine learning-based predictive model of ground subsidence risk using characteristics of underground pipelines in urban areas
Muhammad et al. Modelling short‐scale variability and uncertainty during mineral resource estimation using a novel fuzzy estimation technique
Parasyris et al. A decision support tool for optimising groundwater-level monitoring networks using an adaptive genetic algorithm
CN115270140B (zh) 一种软件安全漏洞管理方法及系统
CN118643281B (zh) 基于ai的森林碳汇量预测系统
CN118626809B (zh) 基于序列重构的径流非一致性变化识别方法及系统
CN113762635B (zh) Epb隧道施工地表沉降全周期自适应模糊推理预测方法
Huang et al. Data‐Driven Method for Predicting Soil Pressure of Foot Blades within a Large Underwater Caisson

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