CN114997072B - 基坑水平支撑布置方案确定方法、装置、设备及存储介质 - Google Patents

基坑水平支撑布置方案确定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114997072B
CN114997072B CN202210888545.5A CN202210888545A CN114997072B CN 114997072 B CN114997072 B CN 114997072B CN 202210888545 A CN202210888545 A CN 202210888545A CN 114997072 B CN114997072 B CN 114997072B
Authority
CN
China
Prior art keywords
arrangement
model
stage
foundation pit
layout
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.)
Active
Application number
CN202210888545.5A
Other languages
English (en)
Other versions
CN114997072A (zh
Inventor
陈子奇
宋婷
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.)
China Construction Fifth Bureau Third Construction Co Ltd
Original Assignee
China Construction Fifth Bureau Third Construction 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 China Construction Fifth Bureau Third Construction Co Ltd filed Critical China Construction Fifth Bureau Third Construction Co Ltd
Priority to CN202210888545.5A priority Critical patent/CN114997072B/zh
Publication of CN114997072A publication Critical patent/CN114997072A/zh
Application granted granted Critical
Publication of CN114997072B publication Critical patent/CN114997072B/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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

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

本发明公开了一种基坑水平支撑布置方案确定方法、装置、设备及存储介质，方法包括：获取待布置基坑的基坑基础信息；将所述基坑基础信息输入至预先训练的布置方案预测模型中，获得所述布置方案预测模型输出的基坑布置方案，其中，所述布置方案预测模型基于布置方案预测阶段的阶段执行顺序依次训练得到。通过分阶段训练的布置方案预测模型确定基坑布置方案，实现了快速确定基坑水平布置的最优布置方案。

Description

基坑水平支撑布置方案确定方法、装置、设备及存储介质
技术领域
本发明涉及建筑工程施工技术领域，尤其涉及一种基坑水平支撑布置方案确定方法、装置、设备及存储介质。
背景技术
基坑是建筑工程中常见的组成部分，是按基底标高和基础平面尺寸所开挖的土坑。大部分基坑由于其侧面土压力较大、基坑尺寸较大等情况，均需要布置水平支撑用于保证基坑整体安全。
目前常见的基坑计算软件，如理正、启明星、PKPM等均为人工布置水平支撑，通过以往经验选择布置。当基坑较大、或较为复杂时，其可能的布置方案数量急剧增加，但人工布置只能依据经验在可能的方案中选择几种进行验证，选择较优解作为最后的方案。
由此可见，如何实现基坑水平支撑的快速合理布置是一个亟待解决的技术问题。
发明内容
本发明提供了一种基坑水平支撑布置方案确定方法、装置、设备及存储介质，以实现快速合理的确定基坑水平支撑布置方案。
根据本发明的一方面，提供了一种基坑水平支撑布置方案确定方法，包括：
获取待布置基坑的基坑基础信息；
将基坑基础信息输入至预先训练的布置方案预测模型中，获得布置方案预测模型输出的基坑布置方案，其中，布置方案预测模型基于布置方案预测阶段的阶段执行顺序依次训练得到。
根据本发明的另一方面，提供了一种基坑水平支撑布置方案确定装置，包括：
基础信息获取模块，用于获取待布置基坑的基坑基础信息；
布置方案确定模块，用于将基坑基础信息输入至预先训练的布置方案预测模型中，获得布置方案预测模型输出的基坑布置方案，其中，布置方案预测模型基于布置方案预测阶段的阶段执行顺序依次训练得到。
根据本发明的另一方面，提供了一种电子设备，电子设备包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的基坑水平支撑布置方案确定方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的基坑水平支撑布置方案确定方法。
本发明实施例的技术方案，通过获取待布置基坑的基坑基础信息；将基坑基础信息输入至预先训练的布置方案预测模型中，获得布置方案预测模型输出的基坑布置方案，其中，布置方案预测模型基于布置方案预测阶段的阶段执行顺序依次训练得到，通过分阶段训练的布置方案预测模型确定基坑布置方案，实现了快速确定基坑水平布置的最优布置方案。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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他的附图。
图1是本发明实施例一提供的一种基坑水平支撑布置方案确定方法的流程图；
图2是本发明实施例二提供的一种基坑水平支撑布置方案确定方法的流程图；
图3a是本发明实施例三提供的一种布置器的结构示意图；
图3b是本发明实施例三提供的一种可行性布置阶段的模型结构示意图；
图3c是本发明实施例三提供的一种可行性布置阶段的模型结构示意图；
图3d是本发明实施例三提供的一种截面调整阶段的模型结构示意图；图4是本发明实施例四提供的一种基坑水平支撑布置方案确定装置的结构示意图；
图5是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种基坑水平支撑布置方案确定方法的流程图，本实施例可适用于在基坑布置中，设置基坑水平布置方案时的情况，该方法可以由基坑水平支撑布置方案确定装置来执行，该基坑水平支撑布置方案确定装置可以采用硬件和/或软件的形式实现，该基坑水平支撑布置方案确定装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取待布置基坑的基坑基础信息。
在本实施例中，通过预先训练布置方案预测模型，在需要进行基坑水平支撑的布置时，基于待布置基坑的基坑基础信息通过预先设定的布置方案预测模型确定基坑水平支撑布置的方案作为基坑布置方案。
可选的，基坑基础信息可以为基坑的基本参数，如基坑等级、基坑深度、基坑边界尺寸、边界条件、基坑应力、最大水平位移值、材料强度等信息。基坑基础信息可以直接根据待布置基坑的需求确定。
S120、将基坑基础信息输入至预先训练的布置方案预测模型中，获得布置方案预测模型输出的基坑布置方案，其中，布置方案预测模型基于布置方案预测阶段的阶段执行顺序依次训练得到。
得到基坑基础信息后，将基坑基础信息作为布置方案预测模型的输入，获得布置方案预测模型的输出作为基坑布置方案。基坑布置方案可以包括基坑水平支撑的尺寸、支撑结构的位置等。
考虑到不同布置方案预测阶段的阶段方案的评估标准不同，在此基础上，如果直接对布置方案预测模型进行训练，需要在训练时设置各阶段的奖励函数，导致模型训练难度增加，无法快速收敛，训练出的模型预测也可能不够准确。为了解决上述技术问题，结合支撑布置过程中平面位置布置时不考虑截面尺寸，调整截面尺寸时考虑平面布置的技术思路，本实施例中将布置方案预测模型基于布置方案预测阶段的阶段执行顺序进行平面布置阶段和截面调整阶段的多阶段训练，在每个训练阶段采用对应阶段的模型结构和奖励函数，以降低奖励函数较多时模型训练的复杂度，加快模型训练效率，同时保证训练出的模型能够预测合理的布置方案。
在本发明的一种实施方式中，布置方案预测模型包括隐藏全连接层、平面布置网络层和截面尺寸调整层，平面布置网络层和截面尺寸调整层分别和隐藏全连接层连接，将基坑基础信息输入至预先训练的布置方案预测模型中，获得布置方案预测模型输出的基坑布置方案，包括：
将基坑基础信息输入至隐藏全连接层中，获得隐藏全连接层输出的目标特征提取参数；
将目标特征提取参数输入至平面布置网络层中，获得平面布置网络层输出的目标平面布置参数；
将目标特征提取参数输入至截面尺寸调整层中，获得截面尺寸调整层输出的目标截面尺寸参数；
将目标平面布置参数和目标截面尺寸参数作为基坑布置方案。
整体来说，可以将布置方案预测模型预测布置方案划分为两部分：平面布置部分和截面尺寸调整部分，通过平面布置网络层进行平面布置，通过截面尺寸调整层进行截面尺寸的调整。具体的，设置初始截面尺寸和配筋，在截面调整之前，基于初始截面尺寸和配筋计算得到平面布置，在截面尺寸调整阶段，对初始截面尺寸和配筋进行调整。
具体的，将基坑基础信息输入至隐藏全连接层中，通过隐藏全连接层进行特征提取，得到基坑基础信息对应的目标特征提取参数，将目标特征提取参数分别输入至平面布置网络层和截面尺寸调整层中，获得平面布置网络层输出的目标平面布置参数，以及截面尺寸调整层输出的目标截面尺寸参数，将目标平面布置参数和目标截面尺寸参数拼接得到基坑布置方案。可选的，布置方案预测模型中的隐藏全连接层的层数及激活函数可以在构建模型结构时根据实际需求设置，基坑基础信息通过各连接层顺次处理得到目标特征提取参数。一个示例中，隐藏全连接层可以包括顺次连接的第一全连接层和第二全连接层，第一全连接层用于将输入的基坑基础信息提取为第一设定大小的第一目标特征提取参数，第二全连接层用于将第一设定大小的第一目标特征提取参数提取为第二设定大小的第二目标特征提取参数作为目标特征提取参数。可选的，第一设定大小为1024，第二设定大小为256，即通过第一全连接层提取基坑基础信息对应的1024个第一目标特征提取参数，通过第二全连接层提取1024个第一目标特征提取参数对应的256个第二目标特征提取参数作为目标特征提取参数。
本实施例的技术方案，通过获取待布置基坑的基坑基础信息；将基坑基础信息输入至预先训练的布置方案预测模型中，获得布置方案预测模型输出的基坑布置方案，其中，布置方案预测模型基于布置方案预测阶段的阶段执行顺序依次训练得到，通过分阶段训练的布置方案预测模型确定基坑布置方案，实现了快速确定基坑水平布置的较优布置方案。
实施例二
图2是本发明实施例二提供的一种基坑水平支撑布置方案确定方法的流程图，本实施例在上述实施例的基础上，对布置方案预测模型的训练进行了优化。如图2所示，该方法包括：
S210、获取模型训练样本，其中，模型训练样本包括样本基坑信息和样本基坑信息对应的布置方案参数。
整体来说，首先获取模型训练样本，然后在每个布置方案预测阶段，确定其对应的模型结构和奖励函数，基于其对应的模型结构和奖励函数对该布置方案预测阶段的模型进行训练，顺次对每个布置方案预测阶段的模型进行训练，得到训练后的布置方案预测模型。
可以理解的是，模型训练样本由大量样本对构成，每个样本对可以包括样本基坑信息和样本基坑信息对应的布置方案参数。可选的，可以预先构建经验回放器，在经验回放器中存储M条经验，每条经验可以作为一个样本对，在构建模型训练样本时，从经验回放器中随机抽取一批样本对作为模型训练样本。随机抽取样本对可以打破样本之间的连续型，使得基于模型训练样本训练出的模型具有更好的适应性。
S220、基于模型训练样本和布置方案预测阶段的执行顺序对预先构建的布置方案预测模型进行训练，得到训练后的布置方案预测模型，其中布置方案预测模型由不同布置方案预测阶段对应的阶段模型结构组成。
为了降低奖励函数较多时模型训练的复杂度，加快模型训练效率，同时保证训练出的模型能够预测合理的布置方案，本实施例中对布置方案预测模型分阶段进行训练。可选的，可以将布置方案预测阶段划分为平面布置阶段和截面调整阶段，在平面布置阶段设置平面布置参数，在截面调整阶段进行截面参数的调整。
在本发明的一种实施方式中，布置方案预测阶段包括平面布置阶段和截面调整阶段，基于模型训练样本和布置方案预测阶段的执行顺序对预先构建的布置方案预测模型进行训练，得到训练后的布置方案预测模型，包括：
在平面布置阶段，连接隐藏全连接层和平面布置网络层构建平面布置阶段模型，基于模型训练样本和预先设定的平面布置奖励函数对平面布置阶段模型进行训练，得到训练后的平面布置阶段模型，其中，平面布置奖励函数基于支撑规范标准确定；
在截面调整阶段，在平面布置阶段模型的基础上，连接隐藏全连接层和截面尺寸调整层构建布置方案预测模型，基于模型训练样本和预先设定的布置方案奖励函数对布置方案预测模型进行训练，得到训练后的布置方案预测模型，其中，布置方案奖励函数包括平面布置奖励函数和截面调整奖励函数，截面调整奖励函数基于截面尺寸规范标准确定。
可以理解的是，不同布置方案预测阶段的布置方案的评估标准不同。整体来说，可以在每个布置方案预测阶段，基于其布置方案的评估标准设置其对应的奖励函数。在每个布置方案预测阶段，基于其对应的奖励函数对该阶段的模型进行训练，得到该布置方案预测阶段的训练后的模型。
在本实施例中，布置方案预测阶段的执行顺序为先平面布置阶段后截面调整阶段。基于此，先对平面布置阶段对应的平面布置阶段模型进行训练，得到训练后的平面布置阶段模型后，在训练后的平面布置阶段模型的基础上构建截面调整阶段的布置方案预测模型，再对布置方案预测模型进行训练，得到训练后的布置方案预测模型。
可选的，平面布置阶段对应的平面布置阶段模型为全连接神经网络结构，隐藏全连接层和平面布置网络层全连接，隐藏全连接层用于提取样本基坑基础信息的样本特征提取参数，平面布置网络层用于基于样本特征提取参数生成平面布置预测参数并输出。
可选的，截面调整阶段对应的布置方案预测模型是在平面布置阶段模型的基础上，连接隐藏全连接层和截面尺寸调整层构建得到的。其中，隐藏全连接层和截面尺寸调整层全连接。布置方案预测模型中，隐藏全连接层用于提取样本基坑基础信息的样本特征提取参数，平面布置网络层用于基于样本特征提取参数生成平面布置预测参数并输出，截面尺寸调整层用于基于样本特征提取参数生成截面尺寸预测参数并输出，平面布置预测参数和截面尺寸预测参数组成布置方案预测参数。
可选的，基于模型训练样本和预先设定的平面布置奖励函数对平面布置阶段模型进行训练，得到训练后的平面布置阶段模型，包括：
将样本基坑信息输入至平面布置阶段模型中，获得平面布置阶段模型输出的平面布置预测参数；
根据平面布置奖励函数确定平面布置预测参数的平面布置奖励值；
基于预设平面布置损失函数确定平面布置损失值；
基于平面布置奖励值和平面布置损失值调整平面布置阶段模型的模型参数；
迭代执行上述步骤，直到达到迭代结束条件，得到训练后的平面布置阶段模型。
在对平面布置阶段模型进行训练时，通过平面布置阶段模型预测样本基坑信息的平面布置预测参数，确定平面布置预测参数的平面布置损失值和平面布置奖励值，基于平面布置奖励值和平面布置损失值调整平面布置阶段模型的模型参数，直到迭代结束，得到训练后的平面布置阶段模型。可选的，平面布置阶段模型的模型参数的调整目标可以为得到更高的平面布置奖励值。可选的，当平面布置阶段模型为深度强化学习（DeepReinforcement Learning，DQN）模型时，平面布置阶段模型包括两个结构相同的神经网络：目标策略网络及行为策略网络，在进行模型训练时，两个网络分别输出Q行为与Q目标，用于损失函数的计算，同时行为策略网络会作为输出动作交由环境，行为策略网络的参数会定期更新至目标策略网络。基于此，平面布置损失函数可以为loss=（Q行为-Q目标）2。
其中，平面布置奖励值基于预先设置的平面布置奖励函数计算得到。平面布置奖励函数可以基于支撑规范标准设置，如基于支撑边界、支撑位移等设置。迭代结束条件可以根据实际情况设置，如迭代次数达到设定次数阈值，或相邻两次损失值之差在设定阈值范围内等。
在上述方案中，平面布置奖励值可以基于有限元计算软件对平面布置预测参数的有限元计算结果得到。可选的，基于有限元计算软件和平面布置奖励函数布置计算环境，计算环境接收模型输出的平面布置预测参数，通过有限元计算软件对平面布置预测参数进行有限元分析，分析平面布置预测参数的受力状态等信息，得到分析结果，然后基于分析结果和平面布置奖励函数计算得到平面布置奖励值，将平面布置奖励值发送至模型。其中，有限元计算软件可以采用现有技术中的任意有限元计算软件，在此不做限定。示例性的，可以将Abaqus作为有限元计算软件，对平面布置预测参数进行有限元分析。
可选的，基于模型训练样本和预先设定的布置方案奖励函数对布置方案预测模型进行训练，得到训练后的布置方案预测模型，包括：
将样本基坑信息输入至布置方案预测模型中，获得布置方案预测模型输出的布置方案预测参数；
根据布置方案奖励函数确定布置方案预测参数的布置方案奖励值；
基于预设布置方案损失函数确定布置方案损失值；
基于布置方案奖励值和布置方案损失值调整布置方案预测模型的模型参数；
迭代执行上述步骤，直到达到迭代结束条件，得到训练后的布置方案预测模型。
在对布置方案预测模型进行训练时，通过布置方案预测模型预测样本基坑信息的布置方案预测参数，确定布置方案预测参数的布置方案损失值和布置方案奖励值，基于布置方案奖励值和布置方案损失值调整布置方案预测模型的模型参数，直到迭代结束，得到训练后的布置方案预测模型。可选的，布置方案预测模型的模型参数的调整目标可以为得到更高的布置方案奖励值，布置方案损失函数可以参照上述实施例中预设平面布置损失函数的设置方式，在此不再赘述。
其中，布置方案奖励值可以包括平面布置奖励值和截面调整奖励值，平面布置奖励值基于平面布置奖励函数计算得到，截面调整奖励值基于截面调整奖励函数计算得到，截面调整奖励函数基于截面尺寸规范标准设置，如可以基于支撑规范标准设置，如基于截面尺寸、配筋面积等设置。迭代结束条件可以根据实际情况设置，如迭代次数达到设定次数阈值，或相邻两次损失值之差在设定阈值范围内等。需要说明的是，若在截面调整阶段中对布置方案预测模型进行训练时，生成的布置方案预测参数无法满足平面布置需求，需要在保留当前模型参数前提下，将奖励函数和网络结构退回至平面布置阶段，待满足要求后重新进入截面调整阶段。
在上述方案中，平面布置奖励值和截面调整奖励值可以通过有限元计算软件计算得到。具体实现方式可以参照上述实施例，在此不再赘述。
在上述方案的基础上，平面布置阶段包括可行性布置阶段和优化布置阶段，基于模型训练样本和预先设定的平面布置奖励函数述平面布置阶段模型进行训练，得到训练后的平面布置阶段模型，包括：
在可行性布置阶段，基于模型训练样本和预先设定的可行性奖励函数对平面布置阶段模型进行训练，得到训练后的平面布置阶段模型，其中，可行性奖励函数基于可行性支撑评估标准确定；
在优化布置阶段，基于模型训练样本和预先设定的平面布置奖励函数对训练后的平面布置阶段模型进行训练，得到训练后的平面布置阶段模型，其中，平面布置奖励函数包括可行性奖励函数和优化奖励函数，优化奖励函数基于优化支撑评估标准确定。
进一步的，还可以将平面布置阶段进行细分，将其划分为可行性布置阶段和优化布置阶段。基于可行性布置阶段、优化布置阶段的顺序训练得到平面布置阶段的平面布置阶段模型。
可选的，可行性布置阶段和优化布置阶段的模型结构相同，均为隐藏全连接层和平面布置网络层。但可行性布置阶段和优化布置阶段对应的奖励函数不同。可行性布置阶段对应的可行性奖励函数可以基于可行性支撑评估标准设置，优化布置阶段的优化奖励函数可以基于优化支撑评估标准设置。
在本实施例中，平面布置阶段的执行顺序为先可行性布置阶段后优化布置阶段。基于此，先对可行性布置阶段对应的模型进行训练，得到训练后的模型后，再进行优化布置阶段的模型训练，得到训练后的平面布置阶段模型。
在对可行性布置阶段的平面布置阶段模型进行训练时，通过平面布置阶段模型预测样本基坑信息的可行性布置预测参数，确定可行性布置预测参数的可行性布置损失值和可行性布置奖励值，基于可行性布置奖励值和可行性布置损失值调整可行性布置阶段的平面布置阶段模型的模型参数，直到迭代结束，得到训练后的平面布置阶段模型。其中，可行性布置奖励值基于预先设置的可行性布置奖励函数计算得到。可行性布置奖励函数可以基于可行性支撑规范标准设置，如基于支撑边界的水平位移、支撑内力等设置。迭代结束条件可以根据实际情况设置，如迭代次数达到设定次数阈值，或相邻两次损失值之差在设定阈值范围内等。
在对可行性布置阶段的平面布置阶段模型训练完成后时，对优化布置阶段的平面布置阶段模型进行训练，通过平面布置阶段模型预测样本基坑信息的优化布置预测参数，确定可行性布置预测参数的优化布置损失值和优化布置奖励值，基于优化布置奖励值和优化布置损失值调整优化布置阶段的平面布置阶段模型的模型参数，直到迭代结束，得到训练后的平面布置阶段模型。其中，优化布置奖励值基于预先设置的优化布置奖励函数计算得到。优化布置奖励函数可以基于优化支撑规范标准设置，如基于支撑边界与边界的角度关等设置。迭代结束条件可以根据实际情况设置，如迭代次数达到设定次数阈值，或相邻两次损失值之差在设定阈值范围内等。
需要说明的是，若在优化阶段中对平面布置阶段模型进行训练时，生成的优化布置预测参数无法满足可行性布置需求，需要在保留当前模型参数前提下，将奖励函数和网络结构退回至可行性布置阶段，待满足要求后重新进入有优化布置阶段。
在上述方案中，可行性布置奖励值和优化布置奖励值可以通过有限元计算软件的分析结果结合奖励函数计算得到。具体实现方式可以参照上述实施例，在此不再赘述。
在上述方案的基础上，优选的，通过预先构建的模型训练系统对布置方案预测模型进行训练。其中，模型训练系统包括计算环境和布置器，布置器中包括交互器、优化器和布置方案预测模型。其中，布置方案预测模型可以为任一阶段的模型。具体的，布置器用于基于模型训练样本通过布置方案预测模型输出预测方案，计算环境用于基于预测方案计算奖励值，并将奖励值发送至布置器，布置器用于根据奖励值和损失值调整布置方案预测模型中的模型参数，完成对模型的训练。
S230、获取待布置基坑的基坑基础信息。
S240、将基坑基础信息输入至预先训练的布置方案预测模型中，获得布置方案预测模型输出的基坑布置方案。
需要说明的是，本发明实施例中进行基坑布置方案的预测和布置方案预测模型的训练可以独立执行。也就是说，S210-S220和S230-S240可以独立执行。
本实施例的技术方案，通过获取模型训练样本，基于模型训练样本和布置方案预测阶段的执行顺序对预先构建的布置方案预测模型进行训练，得到训练后的布置方案预测模型，通过将整体模型训练过程分隔为数个阶段性任务，分多个阶段完成模型训练，辅助神经网络快速完成学习，同时使得训练出的模型预测的布置方案更加合理。
实施例三
本实施例在上述实施例的基础上，提供了一种优选实施例。
本实施例中，通过深度强化学习的方式，构建计算环境与布置器，使用多阶段奖励函数，将整体学习任务分隔为数个阶段性任务，帮助神经网络快速完成学习，最终寻找最优的布置方式。
可选的，本实施例提供的方法包括：收集基础信息、建立计算环境、建立布置器、进行训练和利用训练好的深度强化学习模型进行布置五个部分。
一、收集基础信息
在本实施例中，收集基坑基础信息可以包括基坑等级、基坑深度、基坑边界尺寸、边界条件、基坑应力、最大水平位移值、材料强度等信息。在初始状态下，可以依据基坑面积、深度选择一个截面尺寸及配筋，在进行截面调整之前，所有的支撑布置均默认为此尺寸及配筋并进行计算。
示例性的，假设待布置基坑的基坑深度为5m，边界尺寸为30m×30m的正方形，边界条件为地下连续墙，支撑混凝土强度为C30，钢筋为HRB400，默认支撑界面尺寸为500×700，配筋为4C25;4C25。依据规范可得其最大水平位移25mm，相对基坑深度为0.3%，最大支撑内力为70%f。
二、建立计算环境
在本实施例中，预先建立用于状态计算和奖励值计算的计算环境。
可选的，状态计算可以为对布置器输入的布置方案进行计算，反馈该方案的水平位移、支撑内力等指标。通过多阶段奖励函数实现用于对布置器的布置方案分阶段计算奖励值。
可以基于有限元计算构建计算环境，如基于Abaqus构建计算环境。以基于Abaqus构建计算环境为例，将基坑基础信息按照Abaqus的定义格式写入基础odb文件中，odb为Abaqus数据库文件，其中保存着边界构件尺寸信息、材料信息、边界约束条件等所有用于计算的信息。后续布置器会将其布置的支持信息加入该基础odb文件中组成完整文件，传入Abaqus进行计算，Abaqus计算完成后会将计算结果输出为另一odb文件，通过对其解码后得到所有的支持计算结果，并完成对结果的分析，得到计算结果和奖励值。
为了能够计算各阶段的奖励值，需要在计算环境内预先设置多阶段奖励函，用于对布置器的布置方案分阶段做出奖励。依据Abaqus计算后的结果，布置方案至少可以分为三个阶段，可行性布置、优化布置、截面调整阶段。
当该方案的边界水平位移、支撑内力指标有不满足基础信息中要求的情况为可行性布置阶段。该阶段的奖励函数主要为引导布置器布置出合乎规范的方案。可选的，可行性布置奖励函数可以基于可行性支撑规范设置，如可以设置可行性布置奖励函数为：支撑端部不在边界或另一支撑上扣1分；每一边界水平位移超出最大水平位移扣1分；超过相对基坑深度每0.1%扣1分；每一支撑内力超出最大支撑内力为5%f扣1分。
当布置方案的水平位移、支撑内力指标均满足基础信息中要求，则进入优化布置阶段。优化布置阶段的奖励值主要为引导布置器布置出更合理的方案。该阶段会对支撑进行更细致的定义，并对不同类型的支撑进行不同奖励规则。优化布置阶段的优化布置奖励函数可以基于优化支撑规范设置，如可以设置优化布置奖励函数为：主支持之间的间距大于9m或小于4m，每一米扣0.1分；斜撑长度大于9m或小于4m，每一米扣0.1分；斜撑与边界角度小于45°或大于60°的，每3°扣0.1分；当次支撑的端部为其他次支撑时扣0.1分。其中，定义一端在边界上且与边界垂直的支撑为主支持，定义一端在边界上但不与边界垂直的支撑为斜撑，定义两端均不在边界上的支撑为次支撑。
完成优化布置阶段后，进入截面调整阶段。该阶段的奖励指标为满足基础信息中要求的情况下，引导布置器降低截面尺寸及钢材用量以节约材料，布置出更经济的方案。可以设置截面调整奖励值为：每一截面尺寸相较默认尺寸缩小5%加0.1分；配筋面积相较默认尺寸缩小5%加0.1分。
三、建立布置器
图3a是本发明实施例三提供的一种布置器的结构示意图。如图3a所示，布置器可以分为三个层次，分别为交互器、优化器、深度神经网络（即布置方案预测模型）。
布置器的最外层为交互器，用于与计算环境交换信息、储存超参数、存放回放经验等。
在交互器初始化过程中，首先需要构建经验回放器，并向其中加入设定条数的经验。经验回放器用于储存及回放从其他建筑中获得的经验数据，避免最开始训练的时候样本丰富度不够。并且，在之后的训练过程中获得的数据都将加入经验回放器中，经验回放器会依据所需的数量，随机抽取一批训练样本交由优化器及深度神经网络进行学习和训练。由于其回放的数据为随机数据，将会打破经验之间的连续性，使得训练的模型具有更好的适应性。
参照图3a，一条典型的经验回放格式可以为{S,A,R,S'}，其中S为基坑基础信息，A为布置方案，R为该反感对应的奖励值，S'为对当前布置方案进行计算后的结果。
布置器的中间层为优化器，主要定义神经网络算法、优化策略、损失函数以及将交互器的信息加工并使用加工后的结果更新深度神经网络。可选的，神经网络算法为深度Q值神经网络（DQN）。
可选的，优化器可以采用随机梯度下降法（stochastic gradient descent，SGD）作为优化策略、均方误差（Mean Squared Error，MSE）作为损失函数以及将交互器的信息加工并使用加工后的结果更新深度神经网络。优化器的核心为损失函数，可以定义为loss=（Q行为-Q目标）2，用来描述Q行为和Q目标的差距，其中Q行为和Q目标分别为行为网络和目标网络的输出值。计算出损失值后，优化器中的SGD会寻找使得损失值变小的方向对行为策略网络进行优化，最终完成训练。
布置器的最内部为多阶段深度神经网络，用于储存神经网络模型、参数以及支撑上层计算。其多阶段情况与多阶段奖励函数分别对应。
在本实施例中，深度神经网络包含两个结构相同的神经网络，分别为目标策略网络及行为策略网络，分别输出Q行为与Q目标，用于损失函数的计算，同时行为策略网络会作为输出动作交由环境，行为策略网络的参数会定期更新至目标策略网络。
一个实现方式中，深度神经网络层数为3层，层间使用线性整流函数（RectifiedLinear Unit，ReLU）函数作为激活函数。具体的，深度神经网络分为三层结构：第一层全连接层、第二层全连接层和布置方案层。第一层全连接层用于输入项目信息，输出1024个参数并使用ReLU作为激活函数。第二层全连接层，将第一层输出的1024个参数作为输入，输出256个参数并使用ReLU作为激活函数。第三层布置方案层为在不同阶段有不同的形式。
图3b是本发明实施例三提供的一种可行性布置阶段的模型结构示意图。如图3b所示，在可行性布置阶段，其对应的模型结构为部分全连接神经网络，使用可行性布置奖励函数引导优化器进行优化，其输出结果为默认构件尺寸下的初步平面布置。具体的，第三层将第二层输出的256个参数作为输入，输出64个参数并使用ReLU作为激活函数，该部分为平面布置网络层，使用可行性布置奖励函数引导优化器进行优化，输出默认构件尺寸下的初步平面布置。此时截面尺寸网络层并未与任何层有连接。
图3c是本发明实施例三提供的一种可行性布置阶段的模型结构示意图。如图3c所示，在优化布置阶段，神经网络参数已经可以生成初步可行的布置方案，此时将奖励函数配拓展为可行性布置奖励函数和优化布置奖励函数，进一步引导神经网络输出更为合理的布置方案。在此过程中，如果生成的布置方案无法满足可行性要求（边界水平位移、支撑内力指标有不满足基础信息）则在保留当前神经网络参数的前提下，将奖励函数退回至可行性布置阶段，待满足要求后重新进入优化布置阶段。
图3d是本发明实施例三提供的一种截面调整阶段的模型结构示意图。如图3d所示，在截面调整阶段，增加截面尺寸调整网络层，同时使其与平面布置参数输出、截面尺寸参数输出相连，共同调整参数。截面尺寸调整网络层将第二层输出的256个参数作为输入，输出64个参数并使用ReLU作为激活函数。至此，第三层形成截面尺寸调整网络层加平面布置网络层共计128个参数的输出。
截面调整阶段，奖励函数也调整为可行性布置奖励函数、优化布置奖励函数和截面调整奖励函数共同作用。在此过程中，如果生成的布置方案无法满足可行性要求（边界水平位移、支撑内力指标有不满足基础信息）则在保留当前神经网络参数的前提下，将奖励函数和网络结构退回至可行性布置阶段，待满足要求后重新进入优化布置阶段及截面调整阶段。
四、进行训练
可选的，对模型的训练包括获取模型训练样本、设置训练参数、交互训练。
其中，模型训练样本可以从经验回放器中获取。预先向经验回放器中加入历史数据作为样本数据，避免最开始训练的时候样本丰富度不够。
训练参数可以基于训练需求确定。可选的，可以设定经验回放数量、训练数量、学习率、随机采样率、衰减因数、学习频率等超参数。训练数量决定训练所用的时间。如训练数量较少，则训练无法达到预期效果，如训练数量较多，则训练花费较多时间，可以训练数量为5000000次；学习率决定优化器中优化策略进行优化的速度，如学习率较高则优化速度较快，但可能会忽略一些情况，如学习率较低则会学习大多数情况，但速度较慢，可以设置学习率为0.01；随机采样率代表在目前情况下，选择非最佳可选动作的概率。由于在目前情况的最佳可选动作未必是所有情况中的最佳动作，需要一定概率去选择非最优解来探索其他可能性。随机采样率越大越有可能性探索到其他动作，但会对现有策略产生扰动，可以设置随机采样率为0.001；衰减因数代表远期情况对当前选择产生影响。该值越大，表示越需要考虑当前选择对远期情况做出的影响，从而更注重整体收益，可以设置衰减因数为1。
在交互训练时，布置器从经验回放器中得到设定的布置方案，通过优化器及深度神经网络的计算后，形成初始深度神经网络参数，依据此参数与当前的方案出一个布置方案。交互器将其传输给计算环境，计算环境基于预先设置函数计算得到该布置方案的奖励值，并将奖励值返回至交互器，经验回放器收集本次交互信息，将其标记为最新经验并加入经验回放器中。在上述基础上，布置器可以重新从经验回放器中得到200次经验，并且其中包含最新一次的经验。重复上述交互操作。布置器的深度神经网络在优化器的不断优化下，最终达到稳定收敛，使得整个布置器完成训练学习。选取完成后的模型作为训练好的布置方案预测模型。
五、利用训练好的深度强化学习模型进行布置
训练好布置方案预测模型后，在进行布置方案的设置时，将基坑基础信息作为布置方案预测模型的输入，将布置方案预测模型的输出作为基坑布置方案。
本发明实施例通过结合深度学习和强化学习的优势，实现了仅需要基坑基础信息即可进行自主学习训练，极大的降低了对人工经验的依赖，在对模型训练时通过多阶段奖励函数及多阶段神经网络模型，引导神经网络由简到繁，由易到难逐步分阶段进行训练，降低了训练难点，使得3、训练好的深度强化学习模型具有较强通用性，进行其他基坑计算只需要输入该基坑的信息模型，即可输出布置方案。
实施例四
图4是本发明实施例四提供的一种基坑水平支撑布置方案确定装置的结构示意图。如图4所示，该装置包括：
基础信息获取模块410，用于获取待布置基坑的基坑基础信息；
布置方案确定模块420，用于将基坑基础信息输入至预先训练的布置方案预测模型中，获得布置方案预测模型输出的基坑布置方案，其中，布置方案预测模型基于布置方案预测阶段的阶段执行顺序依次训练得到。
本实施例的技术方案，通过获取待布置基坑的基坑基础信息；将基坑基础信息输入至预先训练的布置方案预测模型中，获得布置方案预测模型输出的基坑布置方案，其中，布置方案预测模型基于布置方案预测阶段的阶段执行顺序依次训练得到，通过分阶段训练的布置方案预测模型确定基坑布置方案，实现了快速确定基坑水平布置的最优布置方案。
在上述实施例的基础上，可选的，布置方案预测模型包括隐藏全连接层、平面布置网络层和截面尺寸调整层，平面布置网络层和截面尺寸调整层分别和隐藏全连接层连接，布置方案确定模块420具体用于：
将基坑基础信息输入至隐藏全连接层中，获得隐藏全连接层输出的目标特征提取参数；
将目标特征提取参数输入至平面布置网络层中，获得平面布置网络层输出的目标平面布置参数；
将目标特征提取参数输入至截面尺寸调整层中，获得截面尺寸调整层输出的目标截面尺寸参数；
将目标平面布置参数和目标截面尺寸参数作为基坑布置方案。
在上述实施例的基础上，可选的，装置还包括模型训练模块，用于：
获取模型训练样本，其中，模型训练样本包括样本基坑信息和样本基坑信息对应的布置方案参数；
基于模型训练样本和布置方案预测阶段的执行顺序对预先构建的布置方案预测模型进行训练，得到训练后的布置方案预测模型，其中布置方案预测模型由不同布置方案预测阶段对应的阶段模型结构组成。
在上述实施例的基础上，可选的，布置方案预测阶段包括平面布置阶段和截面调整阶段，模型训练模块具体用于：
在平面布置阶段，连接隐藏全连接层和平面布置网络层构建平面布置阶段模型，基于模型训练样本和预先设定的平面布置奖励函数对平面布置阶段模型进行训练，得到训练后的平面布置阶段模型，其中，平面布置奖励函数基于支撑规范标准确定；
在截面调整阶段，在平面布置阶段模型的基础上，连接隐藏全连接层和截面尺寸调整层构建布置方案预测模型，基于模型训练样本和预先设定的布置方案奖励函数对布置方案预测模型进行训练，得到训练后的布置方案预测模型，其中，布置方案奖励函数包括平面布置奖励函数和截面调整奖励函数，截面调整奖励函数基于截面尺寸规范标准确定。
在上述实施例的基础上，可选的，模型训练模块具体用于：
将样本基坑信息输入至平面布置阶段模型中，获得平面布置阶段模型输出的平面布置预测参数；
根据平面布置奖励函数确定平面布置预测参数的平面布置奖励值；
基于预设平面布置损失函数确定平面布置损失值；
基于平面布置奖励值和平面布置损失值调整平面布置阶段模型的模型参数；
迭代执行上述步骤，直到达到迭代结束条件，得到训练后的平面布置阶段模型。
在上述实施例的基础上，可选的，模型训练模块具体用于：
将样本基坑信息输入至布置方案预测模型中，获得布置方案预测模型输出的布置方案预测参数；
根据布置方案奖励函数确定布置方案预测参数的布置方案奖励值；
基于预设布置方案损失函数确定布置方案损失值；
基于布置方案奖励值和布置方案损失值调整布置方案预测模型的模型参数；
迭代执行上述步骤，直到达到迭代结束条件，得到训练后的布置方案预测模型。
在上述实施例的基础上，可选的，平面布置阶段包括可行性布置阶段和优化布置阶段，模型训练模块具体用于：
在可行性布置阶段，基于模型训练样本和预先设定的可行性奖励函数对平面布置阶段模型进行训练，得到训练后的平面布置阶段模型，其中，可行性奖励函数基于可行性支撑评估标准确定；
在优化布置阶段，基于模型训练样本和预先设定的平面布置奖励函数对训练后的平面布置阶段模型进行训练，得到训练后的平面布置阶段模型，其中，平面布置奖励函数包括可行性奖励函数和优化奖励函数，优化奖励函数基于优化支撑评估标准确定。
本发明实施例所提供的基坑水平支撑布置方案确定装置可执行本发明任意实施例所提供的基坑水平支撑布置方案确定方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5是本发明实施例五提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如基坑水平支撑布置方案确定方法。
在一些实施例中，基坑水平支撑布置方案确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的基坑水平支撑布置方案确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行基坑水平支撑布置方案确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的基坑水平支撑布置方案确定方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
需要说明的是，本发明实施例中进行基坑布置方案的预测和布置方案预测模型的训练可以在同一个电子设备上执行，也可以在不同的电子设备上执行。也就是说，上述实施例中的S210-S220步骤和S230-S240步骤可以在同一个电子设备上执行，也可以在不同的电子设备上执行，在此不做限定。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种基坑水平支撑布置方案确定方法，该方法包括：
获取待布置基坑的基坑基础信息；
将基坑基础信息输入至预先训练的布置方案预测模型中，获得布置方案预测模型输出的基坑布置方案，其中，布置方案预测模型基于布置方案预测阶段的阶段执行顺序依次训练得到。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (9)

1.一种基坑水平支撑布置方案确定方法，其特征在于，包括：
获取待布置基坑的基坑基础信息；
将所述基坑基础信息输入至预先训练的布置方案预测模型中，获得所述布置方案预测模型输出的基坑布置方案，其中，所述布置方案预测模型基于布置方案预测阶段的阶段执行顺序依次训练得到；
其中，所述布置方案预测模型包括隐藏全连接层、平面布置网络层和截面尺寸调整层，所述平面布置网络层和所述截面尺寸调整层分别和所述隐藏全连接层连接，所述将所述基坑基础信息输入至预先训练的布置方案预测模型中，获得所述布置方案预测模型输出的基坑布置方案，包括：
将所述基坑基础信息输入至所述隐藏全连接层中，获得所述隐藏全连接层输出的目标特征提取参数；
将所述目标特征提取参数输入至所述平面布置网络层中，获得所述平面布置网络层输出的目标平面布置参数；
将所述目标特征提取参数输入至所述截面尺寸调整层中，获得所述截面尺寸调整层输出的目标截面尺寸参数；
将所述目标平面布置参数和所述目标截面尺寸参数作为所述基坑布置方案。
2.根据权利要求1所述的方法，其特征在于，所述布置方案预测模型的训练，包括：
获取模型训练样本，其中，所述模型训练样本包括样本基坑信息和所述样本基坑信息对应的布置方案参数；
基于所述模型训练样本和布置方案预测阶段的执行顺序对预先构建的布置方案预测模型进行训练，得到训练后的布置方案预测模型，其中所述布置方案预测模型由不同布置方案预测阶段对应的阶段模型结构组成。
3.根据权利要求2所述的方法，其特征在于，所述布置方案预测阶段包括平面布置阶段和截面调整阶段，所述基于所述模型训练样本和布置方案预测阶段的执行顺序对预先构建的布置方案预测模型进行训练，得到训练后的布置方案预测模型，包括：
在所述平面布置阶段，连接隐藏全连接层和平面布置网络层构建平面布置阶段模型，基于所述模型训练样本和预先设定的平面布置奖励函数对所述平面布置阶段模型进行训练，得到训练后的平面布置阶段模型，其中，所述平面布置奖励函数基于支撑规范标准确定；
在所述截面调整阶段，在所述平面布置阶段模型的基础上，连接所述隐藏全连接层和截面尺寸调整层构建所述布置方案预测模型，基于所述模型训练样本和预先设定的布置方案奖励函数对所述布置方案预测模型进行训练，得到训练后的布置方案预测模型，其中，所述布置方案奖励函数包括平面布置奖励函数和截面调整奖励函数，所述截面调整奖励函数基于截面尺寸规范标准确定。
4.根据权利要求3所述的方法，其特征在于，所述基于所述模型训练样本和预先设定的平面布置奖励函数对所述平面布置阶段模型进行训练，得到训练后的平面布置阶段模型，包括：
将所述样本基坑信息输入至所述平面布置阶段模型中，获得所述平面布置阶段模型输出的平面布置预测参数；
根据所述平面布置奖励函数确定所述平面布置预测参数的平面布置奖励值；
基于预设平面布置损失函数确定平面布置损失值；
基于所述平面布置奖励值和所述平面布置损失值调整所述平面布置阶段模型的模型参数；
迭代执行上述步骤，直到达到迭代结束条件，得到训练后的平面布置阶段模型。
5.根据权利要求3所述的方法，其特征在于，所述基于所述模型训练样本和预先设定的布置方案奖励函数对所述布置方案预测模型进行训练，得到训练后的布置方案预测模型，包括：
将所述样本基坑信息输入至所述布置方案预测模型中，获得所述布置方案预测模型输出的布置方案预测参数；
根据所述布置方案奖励函数确定所述布置方案预测参数的布置方案奖励值；
基于预设布置方案损失函数确定布置方案损失值；
基于所述布置方案奖励值和布置方案所述损失值调整所述布置方案预测模型的模型参数；
迭代执行上述步骤，直到达到迭代结束条件，得到训练后的布置方案预测模型。
6.根据权利要求3所述的方法，其特征在于，所述平面布置阶段包括可行性布置阶段和优化布置阶段，所述基于所述模型训练样本和预先设定的平面布置奖励函数对所述平面布置阶段模型进行训练，得到训练后的平面布置阶段模型，包括：
在所述可行性布置阶段，基于所述模型训练样本和预先设定的可行性奖励函数对所述平面布置阶段模型进行训练，得到训练后的平面布置阶段模型，其中，所述可行性奖励函数基于可行性支撑评估标准确定；
在所述优化布置阶段，基于所述模型训练样本和预先设定的平面布置奖励函数对所述训练后的平面布置阶段模型进行训练，得到训练后的平面布置阶段模型，其中，所述平面布置奖励函数包括可行性奖励函数和优化奖励函数，所述优化奖励函数基于优化支撑评估标准确定。
7.一种基坑水平支撑布置方案确定装置，其特征在于，包括：
基础信息获取模块，用于获取待布置基坑的基坑基础信息；
布置方案确定模块，用于将所述基坑基础信息输入至预先训练的布置方案预测模型中，获得所述布置方案预测模型输出的基坑布置方案，其中，所述布置方案预测模型基于布置方案预测阶段的阶段执行顺序依次训练得到；
其中，布置方案预测模型包括隐藏全连接层、平面布置网络层和截面尺寸调整层，平面布置网络层和截面尺寸调整层分别和隐藏全连接层连接，布置方案确定模块具体用于：
将基坑基础信息输入至隐藏全连接层中，获得隐藏全连接层输出的目标特征提取参数；
将目标特征提取参数输入至平面布置网络层中，获得平面布置网络层输出的目标平面布置参数；
将目标特征提取参数输入至截面尺寸调整层中，获得截面尺寸调整层输出的目标截面尺寸参数；
将目标平面布置参数和目标截面尺寸参数作为基坑布置方案。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的基坑水平支撑布置方案确定方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的基坑水平支撑布置方案确定方法。
CN202210888545.5A 2022-07-27 2022-07-27 基坑水平支撑布置方案确定方法、装置、设备及存储介质 Active CN114997072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210888545.5A CN114997072B (zh) 2022-07-27 2022-07-27 基坑水平支撑布置方案确定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210888545.5A CN114997072B (zh) 2022-07-27 2022-07-27 基坑水平支撑布置方案确定方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114997072A CN114997072A (zh) 2022-09-02
CN114997072B true CN114997072B (zh) 2022-10-14

Family

ID=83021459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210888545.5A Active CN114997072B (zh) 2022-07-27 2022-07-27 基坑水平支撑布置方案确定方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114997072B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3502352B1 (de) * 2017-12-22 2021-07-28 Meier+Jäggi AG Polygonales spriesssystem mit knotenpunkten zur aussteifung von baugruben
CA3091333A1 (en) * 2018-02-15 2019-08-22 Bergan Technology As Large scale flywheel for energy storage
CN110344423A (zh) * 2019-07-12 2019-10-18 江苏南通二建集团有限公司 一种沉井法成型高水位下局部深基坑的施工方法
CN111851509A (zh) * 2020-07-22 2020-10-30 深圳市工勘岩土集团有限公司 基于深基坑内支撑结构的临时通道施工方法
CN112052497A (zh) * 2020-09-01 2020-12-08 浙江勤业建工集团有限公司 基于bim的施工前深基坑模拟计算方法
CN112231798A (zh) * 2020-09-23 2021-01-15 天津市海顺交通工程设计有限公司 关于均质土深基坑考虑空间效应简化计算的桩形调整方法

Also Published As

Publication number Publication date
CN114997072A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
KR102611938B1 (ko) 신경망을 사용한 통합 회로 플로어 플랜 생성
Ghoddousi et al. Multi-mode resource-constrained discrete time–cost-resource optimization in project scheduling using non-dominated sorting genetic algorithm
US20210287138A1 (en) Learning to simulate and design for structural engineering
JP7364842B2 (ja) 構造情報表示装置、構造設計支援装置、及び構造設計支援モデル学習装置
CN108106624B (zh) 一种多人预约调度路径规划方法及相关装置
CN110832509A (zh) 使用神经网络的黑盒优化
CN116166405B (zh) 异构场景下的神经网络任务调度策略确定方法及装置
US10896270B2 (en) Method for solving multi-fidelity optimization problems
CN110717600A (zh) 样本池构建方法和装置、以及算法训练方法和装置
CN114760308B (zh) 边缘计算卸载方法及装置
CN114997072B (zh) 基坑水平支撑布置方案确定方法、装置、设备及存储介质
Cho et al. Scheduling model for repetitive construction processes for high-rise buildings
CN113609548B (zh) 一种桥梁布跨方法、装置、设备及可读存储介质
CN116775622B (zh) 一种结构数据生成方法、装置、设备及存储介质
CN114638073B (zh) 一种钢筋加工方法、装置、电子设备及存储介质
Zhou et al. Supervised-learning congestion predictor for routability-driven global routing
CN109377111A (zh) 基于改进模拟退火算法的作业调度方法和装置
CN116882033B (zh) 一种多网络生成模型确定方法、装置、设备及存储介质
CN114445152A (zh) 充电站的选址方法、装置、电子设备及可读存储介质
CN113361574A (zh) 数据处理模型的训练方法、装置、电子设备及存储介质
CN112700005A (zh) 一种基于蒙特卡洛树搜索的异常事件处理方法和装置
Wang et al. Constructing a personalized AI assistant for shear wall layout using Stable Diffusion
Shen et al. Optimal Building Frame Column Design Based on the Genetic Algorithm.
KR102616508B1 (ko) 인공지능을 활용한 최적화된 건축공법을 선택하는 방법및 시스템
JP2019021071A (ja) 調整係数推定装置、モデル学習装置、及び方法

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