CN115659749B - 基坑变形预测方法及系统、电子设备和存储介质 - Google Patents
基坑变形预测方法及系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115659749B CN115659749B CN202211354906.4A CN202211354906A CN115659749B CN 115659749 B CN115659749 B CN 115659749B CN 202211354906 A CN202211354906 A CN 202211354906A CN 115659749 B CN115659749 B CN 115659749B
- Authority
- CN
- China
- Prior art keywords
- soil layer
- foundation pit
- layer parameters
- horizontal displacement
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 239000002689 soil Substances 0.000 claims abstract description 214
- 238000006073 displacement reaction Methods 0.000 claims abstract description 125
- 241000287127 Passeridae Species 0.000 claims abstract description 104
- 238000013528 artificial neural network Methods 0.000 claims abstract description 54
- 238000010276 construction Methods 0.000 claims abstract description 52
- 238000010845 search algorithm Methods 0.000 claims abstract description 42
- 238000011160 research Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 230000002431 foraging effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 230000005251 gamma ray Effects 0.000 claims description 5
- 244000062645 predators Species 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 description 37
- 238000012549 training Methods 0.000 description 24
- 238000004458 analytical method Methods 0.000 description 12
- 238000007596 consolidation process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 8
- 230000003068 static effect Effects 0.000 description 5
- 239000011148 porous material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012613 in situ experiment Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 239000004927 clay Substances 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005527 soil sampling Methods 0.000 description 2
- 230000033772 system development Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基坑变形预测方法及系统、电子设备和存储介质，其中，方法包括：基于已开挖研究断面，建立有限元模型并设置初始土层参数；基于有限元模型和待反演土层参数，确定若干组待反演土层参数和对应的地连墙水平位移；根据麻雀搜索算法优化预先建立的极限学习机神经网络，确定目标基坑变形预测网络；基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数，确定基坑变形情况。能够有效提高后续工况的基坑变形预测的准确性，指导后续基坑施工，规避可能出现的安全风险，保障基坑施工安全。
Description
技术领域
本发明涉及岩土工程技术领域，尤其涉及一种基坑变形预测方法及系统、电子设备和存储介质。
背景技术
基坑变形是影响基坑工程安全施工的关键因素，能够及时准确的掌握基坑变形情况是实现基坑安全预警的有效途径。随着计算机技术在工程中的推广，采用数值方法模拟基坑施工过程，从而获取基坑内力或变形的方法也越来越广泛。数值计算可以得到较为准确的变形规律，可以根据现场海量监测数据基础上，采用合适的反演方法和高速计算，对现场土体参数开展反演分析。前提是选择合适的本构模型和岩土参数的正确选用，模型和参数的合理选择是影响数值计算合理性的重要原因。
在但由于土体参数具有较大的离散性，且实际施工是动态的，会对土体参数造成影响，导致土体参数的确定较为复杂，难以获取准确的土体参数和土层计算参数，无法对基坑开挖引起地表沉降与深层水平位移的情况进行准确的监测预报及稳定性分析。
因此，如何提供一种基坑变形预测方法及系统、电子设备和存储介质，有效提高后续工况的基坑变形预测的准确性，指导后续基坑施工，规避可能出现的安全风险，保障基坑施工安全。
发明内容
针对现有技术中的缺陷，本发明实施例提供一种基坑变形预测方法及系统、电子设备和存储介质。
本发明提供一种基坑变形预测方法，包括：
基于已开挖研究断面，建立有限元模型并设置初始土层参数；
基于有限元模型和待反演土层参数，确定若干组待反演土层参数和对应的地连墙水平位移；其中，待反演土层参数是根据土层参数与地连墙水平位移的相关性确定的；
根据麻雀搜索算法优化预先建立的极限学习机神经网络，确定目标基坑变形预测网络；其中，极限学习机神经网络以地连墙水平位移为输入变量，以待反演土层参数作为输出变量；
基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数，确定基坑变形情况。
根据本发明提供的基坑变形预测方法，基于有限元模型和待反演土层参数，确定若干组待反演土层参数和对应的地连墙水平位移，具体包括：
基于有限元模型，根据控制变量法，研究不同土层参数与地连墙水平位移的相关性；
以相关性将土层参数进行降序排序，取前预设数量的土层参数作为待反演土层参数；
基于正交试验设计法，确定若干组待反演土层参数代入有限元模型中，模拟得到若干对应的地连墙水平位移。
根据本发明提供的基坑变形预测方法，基于有限元模型，根据控制变量法，研究不同土层参数与地连墙水平位移的相关性，具体包括：
基于有限元模型，根据控制变量法和归一化法，确定土层参数样本数列集和地连墙水平位移样本数列集；
基于土层参数样本数列集和地连墙水平位移样本数列集，确定序列间差异信息矩阵，根据关联系数计算公式，计算关联系数；
基于关联系数，根据关联度计算公式，计算得到关联度；
其中，序列间差异信息矩阵为土层参数样本数列集和地连墙水平位移样本数列集无量纲化后的矩阵相减取绝对值；关联度为土层参数与地连墙水平位移的相关性；
关联系数计算公式为：
式中：γ为关联系数；Δmin为差异信息矩阵最小值；ρ为分辨系数，取值0.5；Δmax为差异信息矩阵最大值；Δi为差异信息矩阵中的实际值；
关联度计算公式为：
式中：ωi为第i个土层参数指标的关联度；C为土层参数设置水平；γk为关联系数。
根据本发明提供的基坑变形预测方法，根据麻雀搜索算法优化预先建立的极限学习机神经网络，确定目标基坑变形预测网络，具体包括：
以地连墙水平位移为输入变量，以待反演土层参数作为输出变量，建立极限学习机神经网络；
根据麻雀搜索算法优化极限学习机神经网络，确定网络结构的最优权值和阈值，确定目标基坑变形预测网络。
根据本发明提供的基坑变形预测方法，根据麻雀搜索算法优化极限学习机神经网络，确定网络结构的最优权值和阈值，确定目标基坑变形预测网络，具体包括：
根据改进的麻雀搜索算法优化极限学习机神经网络，确定网络结构的最优权值和阈值，确定目标基坑变形预测网络；
其中，改进的麻雀搜索算法是在标准麻雀搜索算法中引入Tent混沌函数对麻雀种群中加入者进行位置更新。
根据本发明提供的基坑变形预测方法，根据改进的麻雀搜索算法，具体包括：
步骤1.1，初始化麻雀种群的基本参数；
步骤1.2，计算麻雀适应度，确定麻雀种群中的发现者和加入者；
步骤1.3，根据发现者迭代搜索位置更新公式，对发现者位置进行更新；
步骤1.4，根据加入者位置更新公式，对加入者位置进行更新；
步骤1.5，根据觅食过程遇到危险更新公式，对麻雀个体位置进行更新；
步骤1.6，重复步骤1.2至步骤1.5，直至确定达到最大迭代次数，确定适应度最高的值作为最优权值和阈值；
其中，发现者迭代搜索位置更新公式为：
式中，Xi,j表示解空间中，第i只麻雀在第j维度上的位置信息；t为当前的迭代次数；M为最大迭代次数；r1为rand函数生成的呈均匀分布的随机数，0≤r1＜1；r2为rand函数生成的呈均匀分布的随机数，0≤r1＜1，表示麻雀意识到捕食者时发出的信号值；Y为预警阈值，表示麻雀发现危险，引导麻雀到其它地方觅食；G为[-1,1]的随机值；L为维度l*d，元素都是1的矩阵。
加入者位置更新公式为：
式中，Xf为发现者中适应度值最优所处位置；Xworse为适应度值最差所处位置；A是维度l*d，元素都是1或者-1的矩阵；
式中，xi和xi+1分别为第i代和第i+1代的取值；
觅食过程遇到危险更新公式为：
式中，Xbest为当前解空间中适应度值最优所处位置；α为[-1,1]间的随机值；ω为个体移动方向，取值是[-1,1]间的随机值；ε是避免分母为0的极小数，取值为1e-50；fi是当前迭代下第i只麻雀个体的适应度值；fbest是当前迭代下全局解空间中适应度值最优的值；fworse是当前迭代下全局解空间中适应度值最差的值。
根据本发明提供的基坑变形预测方法，基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数，确定基坑变形情况，具体包括：
基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数；
基于有限元模型，根据目标土层参数，确定基坑变形情况。
本发明还提供一种基坑变形预测系统，包括：断面模拟单元、参数确定单元、模型构建单元和目标预测单元；
断面模拟单元，用于基于已开挖研究断面，建立有限元模型并设置初始土层参数；
参数确定单元，用于基于有限元模型和待反演土层参数，确定若干组待反演土层参数和对应的地连墙水平位移；其中，待反演土层参数是根据土层参数与地连墙水平位移的相关性确定的；
模型构建单元，用于根据麻雀搜索算法优化预先建立的极限学习机神经网络，确定目标基坑变形预测网络；其中，极限学习机神经网络以地连墙水平位移为输入变量，以待反演土层参数作为输出变量；
目标预测单元，用于基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数，确定基坑变形情况。
本发明还提供一种电子设备，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，处理器执行程序时实现如上述任一种基坑变形预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种基坑变形预测方法的步骤。
本发明提供的基坑变形预测方法及系统、电子设备和存储介质，通过对已开挖断面的研究，建立有限元模型，通过对大量模拟数据的分析确定土层参数与地连墙水平位移的相关性，选择待反演土层参数。以输入为地连墙水平位移，输出为待反演土层参数的目标基坑变形预测网络实现对未开挖基坑变形情况的预测，将整个基坑预测工作转化为对多个开挖工况的预测，提出利用目标断面已开挖工况的施工参数与基坑变形数据，预测未开挖工况的基坑变形数据，有效提高后续工况的基坑变形预测的准确性，指导后续基坑施工，规避可能出现的安全风险，保障基坑施工安全。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明提供的基坑变形预测方法流程图；
图2为本发明提供的基坑变形预测方法流程示意图；
图3为本发明提供的基坑断面选取示意图；
图4为本发明提供的待反演土层参数筛选示意图；
图5为本发明提供的地连墙水平位移实测值与预测值对比结果示意图之一；
图6为本发明提供的地连墙水平位移实测值与预测值对比结果示意图之二；
图7为本发明提供的基坑变形预测系统结构示意图；
图8为本发明提供的电子设备的实体结构示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
土体参数具有较大的离散性，且实际施工是动态的，会对土体参数造成影响，导致土体参数的确定较为复杂，具体表现为：
(1)原位实验可以最低限度地减小土体扰动，在此情况下测出的土层参数较为准确，然而由于现场土层分布的离散性，有限的原位实验仍不能全面反映工程全貌，室内试验需要从现场进行取土，取土过程和运输过程都将不可避免扰动土体，造成土体参数的测量误差，因此，无论是原位实验还是室内实验都不能获取准确的土体参数。
(2)基坑开挖是一个动态过程，在施工过程中，土体的原有场地环境发生改变，土体应力状态将被改变，而岩土材料作为一种应力路径相关性材料，参数在施工过程中不断变化。因此，如何在数值模拟中采用能够真实描述现场土层条件及实际施工过程的土层计算参数，成为基坑开挖中土体及结构变形分析的关键问题。
因此，为了解决土体参数难以确定导致基坑变形预测不准确的问题，本发明提出一种基坑变形预测方法。
图1为本发明提供的基坑变形预测方法流程图，如图1所示，本发明提供一种基坑变形预测方法，包括：
步骤S1，基于已开挖研究断面，建立有限元模型并设置初始土层参数；
步骤S2，基于有限元模型和待反演土层参数，确定若干组待反演土层参数和对应的地连墙水平位移；其中，待反演土层参数是根据土层参数与地连墙水平位移的相关性确定的；
步骤S3，根据麻雀搜索算法优化预先建立的极限学习机神经网络，确定目标基坑变形预测网络；其中，极限学习机神经网络以地连墙水平位移为输入变量，以待反演土层参数作为输出变量；
步骤S4，基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数，确定基坑变形情况。
具体的，在建立有限元模型前需要选取研究断面，选定某已开挖断面作为研究断面，确定研究断面的开挖工况N，收集研究断面的土层参数、施工参数和基坑变形的样本数据。可以理解的是选取研究断面时，一方面要靠近地连墙水平位移可能出现最大值附近(如长条形基坑中部)，一方面要靠近现有监测断面，方便获取实际地连墙水平位移监测值。
土层参数包括泊松比、静止侧压力系数、初始孔隙比、正常固结线坡度、超固结线坡度和临界状态线比率，施工参数包括各工况下的开挖深度和基坑超载值，基坑变形指标包括已开挖工况下地连墙水平位移。
步骤S1，基于已开挖研究断面，建立有限元模型并设置初始土层参数(如泊松比ν、静止侧压力系数K0、初始孔隙比e0、正常固结线坡度λ、超固结线坡度κ和临界状态线比率M等)。
考虑到不同因素对地连墙(地下连续墙)最大水平位移的影响不同，根据土层参数与地连墙水平位移的相关性确定待反演土层参数。需要说明的是，确定待反演土层参数的具体方法，待反演土层参数的类型和数量均可根据实际需求进行确定，本发明对此不作限定。
步骤S2，在确定待反演土层参数后，基于有限元模型对实际工况进行模拟获得模拟数据，确定若干组待反演土层参数和对应的地连墙水平位移。
可以理解的是，每一组确定的待反演土层参数与地连墙水平位移存在对应关系，具体的数据取值和数据变化规律可根据实际情况进行设置(如待反演参数在预设区间内随机取值或线性改变待反演参数设置一定的梯度水平，将每个参数在基础值双侠浮动25％，设置五个水平，确定对应的地连墙水平位移等)，本发明对此不作限定。
步骤S3，以地连墙水平位移为输入变量，以待反演土层参数作为输出变量，建立极限学习机(Extreme Learning Maching，ELM)神经网络，根据麻雀搜索算法(SparrowSearch Algorithm，SSA)优化极限学习机神经网络，确定训练好的目标基坑变形预测网络。
可以理解的是，在本发明中极限学习机神经网络的具体网络结构以及训练方法可根据实际需求进行调整，本发明对此不作限定。另外，优化网络所采用的麻雀搜索算法，除了标准麻雀搜索算法外，还可采用其他方法进行适应性的改进。
步骤S4，基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数，根据目标土层参数即可确定基坑变形情况。
可以理解的是，在确定目标土层参数后，可以直接基于土层参数数值根据经验实现基坑变形情况的预测，或是对基坑变形情况进行可视化模拟等，可根据实际需求进行选择，本发明对此不作限定。
本发明提供的基坑变形预测方法，通过对已开挖断面的研究，建立有限元模型，通过对大量模拟数据的分析确定土层参数与地连墙水平位移的相关性，选择待反演土层参数。以输入为地连墙水平位移，输出为待反演土层参数的目标基坑变形预测网络实现对未开挖基坑变形情况的预测，将整个基坑预测工作转化为对多个开挖工况的预测，提出利用目标断面已开挖工况的施工参数与基坑变形数据，预测未开挖工况的基坑变形数据，有效提高后续工况的基坑变形预测的准确性，指导后续基坑施工，规避可能出现的安全风险，保障基坑施工安全。
可选的，根据本发明提供的基坑变形预测方法，基于有限元模型和待反演土层参数，确定若干组待反演土层参数和对应的地连墙水平位移，具体包括：
基于有限元模型，根据控制变量法，研究不同土层参数与地连墙水平位移的相关性；
以相关性将土层参数进行降序排序，取前预设数量的土层参数作为待反演土层参数；
基于正交试验设计法，确定若干组待反演土层参数代入有限元模型中，模拟得到若干对应的地连墙水平位移。
具体的，图2为本发明提供的基坑变形预测方法流程示意图，如图2所示，在建立了有限元模型后，可以根据有限元模型获取大量的模拟数据，根据控制变量法，控制单一因素变化，研究不同因素对地连墙最大水平位移的影响，计算土层参数与地连墙水平位移的相关性。可以理解的是，相关性的具体计算方法可根据实际需求进行选择，本发明对此不作限定。
在计算得到相关性后，以相关性将土层参数进行降序排序，取前预设数量的土层参数作为待反演土层参数。预设数量可根据实际情况进行选择，如确定预设数量为4，选取关联性较大的λ、κ、M、e0四个土层参数作为待反演土层参数。
基于正交试验设计法(Orthogonal experimental design)保证每个因素的每个水平都相互搭配进行试验，设计M1组正交试验，并建立有限元模型，将M组土层参数代入有限元模型，获取N个对应的开挖工况的地连墙水平位移(M1与M无关，M1为试验次数，M为土层层数)。
本发明提供的基坑变形预测方法，通过对已开挖断面的研究，建立有限元模型，通过对大量模拟数据的分析确定土层参数与地连墙水平位移的相关性，选择待反演土层参数。在基坑工程中，对基坑变形的影响因素众多，多种因素共同作用的结果决定系统发展的态势。由于基于实际工程所获取的数据起伏波动频繁，采用数理统计方法难以奏效。通过筛选确定待反演土层参数的方法能够有效的排除影响基坑变形情况的无关因素，仅选取对目标变量影响较大的参数，能够有效简化网络结构，节省计算资源，提高网络训练速度。并且，通过正交试验设计法获取模型的样本数据，能够在很多的试验条件中，选出少数几个代表性强的试验条件，能够保证每个因素的每个水平都相互搭配进行试验，以较少的样本数据即可实现好的训练结果，有效提高网络训练效率。
可选的，根据本发明提供的基坑变形预测方法，基于有限元模型，根据控制变量法，研究不同土层参数与地连墙水平位移的相关性，具体包括：
基于有限元模型，根据控制变量法和归一化法，确定土层参数样本数列集和地连墙水平位移样本数列集；
基于土层参数样本数列集和地连墙水平位移样本数列集，确定序列间差异信息矩阵，根据关联系数计算公式，计算关联系数；
基于关联系数，根据关联度计算公式，计算得到关联度；
其中，序列间差异信息矩阵为土层参数样本数列集和地连墙水平位移样本数列集无量纲化后的矩阵相减取绝对值；关联度为土层参数与地连墙水平位移的相关性；
关联系数计算公式为：
式中：γ为关联系数；Δmin为差异信息矩阵最小值；ρ为分辨系数，取值0.5；Δmax为差异信息矩阵最大值；Δi为差异信息矩阵中的实际值；
关联度计算公式为：
式中：ωi为第i个土层参数指标的关联度；C为土层参数设置水平；γk为关联系数。
具体的，在本发明中，按照目前工程研究积累的一般参数取值办法，以初步确定粉质黏土夹粉砂的参数取值情况为例，控制单一因素变化，其它参数不变，获取大量的样本数据，探究不同因素对地连墙最大水平位移的影响。
将样本数据用区间相对值法进行归一化处理，以不同因素对地连墙最大水平位移的影响，作为比较数列，代入有限元模型进行计算，以计算所得地连墙水平位移为参考数列进行灰色关联性分析(Grey Relation Analysis)法，确定土层参数样本数列集和地连墙水平位移样本数列集。
其中，X是比较数列集(土层参数样本数列集)，由土层参数构成的样品数列集，Xi为归一化前的第i个指标的比较数列，n为土层参数所涉及的指标总个数，Xi'为第i个指标的样本值经归一化后的比较数列，Xmin为比较数列集中第i个指标的样本数列中的最小值，Xmax为比较数列集中第i个指标的样本数列中的最大值。
Y是参考数列集(地连墙水平位移样本数列集)，由地连墙水平位移构成的样本数列集，Yi为归一化前的第i个指标的参考数列，Yi'为第i个指标的样本值经归一化后的参考数列，Ymin为参考数列集中第i个指标的样本数列中的最小值，Ymax为参考数列集中第i个指标的样本数列中的最大值。
在确定土层参数样本数列集和地连墙水平位移样本数列集后，将无量纲化后的矩阵相减取绝对值即为序列间的差异信息，确定序列间差异信息矩阵。
Δi＝|Yi'-Xi'|(i＝1,2,3,…n)；
式中，Δmin为差异信息矩阵中的最小值，Δmax为差异信息矩阵中的最大值。
确定序列间差异信息矩阵后，根据关联系数计算公式，计算关联系数；
关联系数计算公式为：
式中：γ为关联系数；Δmin为差异信息矩阵最小值；ρ为分辨系数，取值0.5；Δmax为差异信息矩阵最大值；Δi为差异信息矩阵中的实际值；
确定关联系数后，根据关联度计算公式，将每行的关联系数求平均值即可得到自变量和因变量的关联度，关联度为土层参数与地连墙水平位移的相关性；
关联度计算公式为：
式中：ωi为第i个土层参数指标的关联度；C为土层参数设置水平；γk为关联系数。
本发明提供的基坑变形预测方法，在基坑工程中，对基坑变形的影响因素众多，多种因素共同作用的结果决定系统发展的态势。由于基于实际工程所获取的数据起伏波动频繁，采用数理统计方法难以奏效。将土层参数作为参考数列，地连墙水平位移作为比较数列，利用灰色关联度分析法计算土层参数的关联度，准确衡量地连墙水平位移受其他的因素影响的相对强弱，筛选确定待反演土层参数，能够有效的排除影响基坑变形情况的无关因素，仅选取对目标变量影响较大的参数，能够有效简化网络结构，节省计算资源，提高网络训练速度。并且，通过正交试验设计法获取模型的样本数据，能够在很多的试验条件中，选出少数几个代表性强的试验条件，能够保证每个因素的每个水平都相互搭配进行试验，以较少的样本数据即可实现好的训练结果，有效提高网络训练效率。
可选的，根据本发明提供的基坑变形预测方法，根据麻雀搜索算法优化预先建立的极限学习机神经网络，确定目标基坑变形预测网络，具体包括：
以地连墙水平位移为输入变量，以待反演土层参数作为输出变量，建立极限学习机神经网络；
根据麻雀搜索算法优化极限学习机神经网络，确定网络结构的最优权值和阈值，确定目标基坑变形预测网络。
具体的，在确定待反演土层参数后，以地连墙水平位移为输入变量，以待反演土层参数作为输出变量，建立极限学习机神经网络。
根据麻雀搜索算法优化极限学习机神经网络，在全局内寻找极限学习机神经网络交友的权值和阈值，寻优结束后确定网络结构的最优权值和阈值，确定目标基坑变形预测网络，提高网络的训练速度和精度。
需要说明的是，麻雀搜索算法停止迭代的具体条件可根据实际情况进行设置，本发明对此不作限定。
可以理解的是，在本发明中极限学习机神经网络的具体网络结构以及训练方法可根据实际需求进行调整，本发明对此不作限定。另外，优化网络所采用的麻雀搜索算法，除了标准麻雀搜索算法外，还可采用其他方法进行适应性的改进，算法的具体实现方式再此不做赘述。
本发明提供的基坑变形预测方法，以输入为地连墙水平位移，输出为待反演土层参数构建极限学习机神经网络，并通过麻雀搜索算法进行优化确定目标基坑变形预测网络，提高网络的训练速度和精度。将整个基坑预测工作转化为对多个开挖工况的预测，提出利用目标断面已开挖工况的施工参数与基坑变形数据，预测未开挖工况的基坑变形数据，有效提高后续工况的基坑变形预测的准确性，指导后续基坑施工，规避可能出现的安全风险，保障基坑施工安全。且能够通过将新施工工况的数据输入神经网络，达到随着施工的进行而不断提高预测精度的功能。
可选的，根据本发明提供的基坑变形预测方法，根据麻雀搜索算法优化极限学习机神经网络，确定网络结构的最优权值和阈值，确定目标基坑变形预测网络，具体包括：
根据改进的麻雀搜索算法优化极限学习机神经网络，确定网络结构的最优权值和阈值，确定目标基坑变形预测网络；
其中，改进的麻雀搜索算法是在标准麻雀搜索算法中引入Tent混沌函数对麻雀种群中加入者进行位置更新。
具体的，由于标准的麻雀搜索算法存在初始化种群随机、加入者位置随机导致搜索效率不高，算法易陷入局部寻优等问题。本发明提供一种改进的麻雀搜索算法(ImprovedSparrow Search Algorithm，ISSA)，在标准麻雀搜索算法中引入Tent混沌函数对麻雀种群中加入者进行位置更新。
根据改进的麻雀搜索算法优化极限学习机神经网络，确定网络结构的最优权值和阈值，确定目标基坑变形预测网络(ISSA-ELM网络)。
传统麻雀搜索算法中参数较少，但是加入者位置的随机性导致解具有不稳定性，且算法的迭代时间和精度都会受到影响，使得采用此算法反演出的参数在一定范围内波动，进而对后续工况的预测产生较大影响。
本发明通过改进的麻雀搜索算法，用Tent映射更新加入者的位置，使得加入者位置更加均匀，增加解的搜索效率，提高算法的搜索速度。
本发明提供的基坑变形预测方法，以输入为地连墙水平位移，输出为待反演土层参数构建极限学习机神经网络，并通过改进的麻雀搜索算法进行优化确定目标基坑变形预测网络，提高网络的训练速度和精度。将整个基坑预测工作转化为对多个开挖工况的预测，提出利用目标断面已开挖工况的施工参数与基坑变形数据，预测未开挖工况的基坑变形数据，有效提高后续工况的基坑变形预测的准确性，指导后续基坑施工，规避可能出现的安全风险，保障基坑施工安全。且能够通过将新施工工况的数据输入神经网络，达到随着施工的进行而不断提高预测精度的功能。
可选的，根据本发明提供的基坑变形预测方法，根据改进的麻雀搜索算法，具体包括：
步骤1.1，初始化麻雀种群的基本参数；
步骤1.2，计算麻雀适应度，确定麻雀种群中的发现者和加入者；
步骤1.3，根据发现者迭代搜索位置更新公式，对发现者位置进行更新；
步骤1.4，根据加入者位置更新公式，对加入者位置进行更新；
步骤1.5，根据觅食过程遇到危险更新公式，对麻雀个体位置进行更新；
步骤1.6，重复步骤1.2至步骤1.5，直至确定达到最大迭代次数，确定适应度最高的值作为最优权值和阈值；
其中，发现者迭代搜索位置更新公式为：
式中，Xi,j表示解空间中，第i只麻雀在第j维度上的位置信息；t为当前的迭代次数；M为最大迭代次数；r1为rand函数生成的呈均匀分布的随机数，0≤r1＜1；r2为rand函数生成的呈均匀分布的随机数，0≤r1＜1，表示麻雀意识到捕食者时发出的信号值；Y为预警阈值，表示麻雀发现危险，引导麻雀到其它地方觅食；G为[-1,1]的随机值；L为维度l*d，元素都是1的矩阵。
加入者位置更新公式为：
式中，Xf为发现者中适应度值最优所处位置；Xworse为适应度值最差所处位置；A是维度l*d，元素都是1或者-1的矩阵；
式中，xi和xi+1分别为第i代和第i+1代的取值；
觅食过程遇到危险更新公式为：
式中，Xbest为当前解空间中适应度值最优所处位置；α为[-1,1]间的随机值；ω为个体移动方向，取值是[-1,1]间的随机值；ε是避免分母为0的极小数，取值为1e-50；fi是当前迭代下第i只麻雀个体的适应度值；fbest是当前迭代下全局解空间中适应度值最优的值；fworse是当前迭代下全局解空间中适应度值最差的值。
具体的，在使用改进的麻雀搜索算法进行极限学习机神经网络权值和阈值寻优时，改进的麻雀搜索算法，具体包括：
步骤1.1，初始化麻雀种群的基本参数，包括：种群数量、生产者比例、最大迭代次数和加入者比例。
可以理解的是，确定加入者和生产者时，除了设置比例外还可以限制具体数量，可根据实际情况进行设置，本发明对此不做限定。
假设麻雀种群的初始规模数是p(取值20)，用X＝{X1,1,X1,2,...X2,1,...Xp,dim}表示。其中dim表示待求解问题的维度数。
计算解的维度dim：
dim＝inputnum+inputnum×hiddennum+hiddennum×outputnum+outputnum；
其中：dim是输入层、隐含层和输出层的节点数总和，inputnum、hiddennum、outputnum分别是输入层、隐含层和输出层的节点数即神经网络的所有权值和阈值；
然后生成初始解：
Xij＝lb+(ub-lb)×rand(1,dim)；
其中，Xij是解空间中，第i只麻雀在第j维度上的位置信息，ub和lb表示搜索空间的上界和下界，rand(0,dim)指在0-1范围内随机取值。其中，在建立ISSA-ELM神经网络时的麻雀所指的参数为已有的监测数据，当使用ISSA-ELM神经网络进行基坑变形预测时的麻雀指的是土层参数。
步骤1.2，以麻雀自身能量值高低作为适应度值，计算麻雀适应度，确定麻雀种群中的发现者和加入者。
步骤1.3，根据发现者迭代搜索位置更新公式，对发现者位置进行更新；
发现者迭代搜索位置更新公式为：
式中，Xi,j表示解空间中，第i只麻雀在第j维度上的位置信息；t为当前的迭代次数；M为最大迭代次数；r1为rand函数生成的呈均匀分布的随机数，0≤r1＜1；r2为rand函数生成的呈均匀分布的随机数，0≤r1＜1，表示麻雀意识到捕食者时发出的信号值；Y为预警阈值，表示麻雀发现危险，引导麻雀到其它地方觅食；G为[-1,1]的随机值；L为维度l*d，元素都是1的矩阵。
步骤1.4，加入者会监视发现者行为，当发现发现者有较好的食物来源而自己却处于没有食物状态，一部分加入者会与发现者竞争从而获取食物，一部分加入者由于竞争不到食物而去其它地方觅食，根据加入者位置更新公式，对加入者位置进行更新；
加入者位置更新公式为：
式中，Xf为发现者中适应度值最优所处位置；Xworse为适应度值最差所处位置；A是维度l*d，元素都是1或者-1的矩阵；
式中，xi和xi+1分别为第i代和第i+1代的取值。
步骤1.5，觅食过程中麻雀个体遇到危险时，会往搜索圈内或者其他同伴身边靠拢，根据觅食过程遇到危险更新公式，对麻雀个体位置进行更新；
觅食过程遇到危险更新公式为：
式中，Xbest为当前解空间中适应度值最优所处位置；α为[-1,1]间的随机值；ω为个体移动方向，取值是[-1,1]间的随机值；ε是避免分母为0的极小数，取值为1e-50；fi是当前迭代下第i只麻雀个体的适应度值；fbest是当前迭代下全局解空间中适应度值最优的值；fworse是当前迭代下全局解空间中适应度值最差的值。
步骤1.6，重复步骤1.2至步骤1.5，直至确定达到最大迭代次数，结束搜索，确定搜索到的适应度最高的值作为最优权值和阈值，建立ISSA-ELM神经网络。
本发明提供的基坑变形预测方法，以输入为地连墙水平位移，输出为待反演土层参数构建极限学习机神经网络，并通过改进的麻雀搜索算法进行优化确定目标基坑变形预测网络，提高网络的训练速度和精度。将整个基坑预测工作转化为对多个开挖工况的预测，提出利用目标断面已开挖工况的施工参数与基坑变形数据，预测未开挖工况的基坑变形数据，有效提高后续工况的基坑变形预测的准确性，指导后续基坑施工，规避可能出现的安全风险，保障基坑施工安全。且能够通过将新施工工况的数据输入神经网络，达到随着施工的进行而不断提高预测精度的功能。
可选的，根据本发明提供的基坑变形预测方法，基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数，确定基坑变形情况，具体包括：
基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数；
基于有限元模型，根据目标土层参数，确定基坑变形情况。
具体的，在确定目标基坑变形预测网络后，在实际应用该网络进行预测时，基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到已开挖工况下的目标土层参数。
将反演得到已开挖工况下的目标土层参数代入有限元模型，根据有限元模型进行模拟，预测未开挖工况下的基坑变形情况。
本发明提供的基坑变形预测方法，以输入为地连墙水平位移，输出为待反演土层参数构建极限学习机神经网络，并通过改进的麻雀搜索算法进行优化确定目标基坑变形预测网络，提高网络的训练速度和精度。将整个基坑预测工作转化为对多个开挖工况的预测，提出利用目标断面已开挖工况的施工参数与基坑变形数据，预测未开挖工况的基坑变形数据，有效提高后续工况的基坑变形预测的准确性，指导后续基坑施工，规避可能出现的安全风险，保障基坑施工安全。且能够通过将新施工工况的数据输入神经网络，达到随着施工的进行而不断提高预测精度的功能。
以本发明实际应用为例，对本发明具体实现方法及效果进行说明。
以A市地铁七号线B站为例，基于ISSA-ELM的预测模型在该项目中的实际应用效果，验证模型拟合精度。车站标准段基坑深度约为33.56米，宽22.15米。基坑底位于粉砂层，粉质黏土夹砂层中。围护结构采用1200mm地下连续墙，铣槽接头，墙深64米。墙趾位于中风化粉质泥岩中。
沿基坑方向设计6道支撑，除第二、第三、第四道为钢支撑外，其余均为钢筋混凝土支撑，明挖顺作法的负二层底板及盖挖逆作的负三层底板兼做基坑开挖过程中的支撑。
图3为本发明提供的基坑断面选取示意图，如图3所示，选择靠近基坑中部的7-7断面作为研究断面，确定基坑开挖工况如表1所示，收集7-7断面土层参数、各工况开挖深度和各工况下的地连墙水平位移。目前开挖到工况五，工况六至工况九并未施工。
表1开挖工况表
| 关键工况 | 施工概况 |
| 工况一 | 开挖到2.8m+支撑1 |
| 工况二 | 开挖到7m+支撑2 |
| 工况三 | 开挖到9m+负一层底板 |
| 工况四 | 开挖到14m+支撑3/4 |
| 工况五 | 开挖到17m+负二层底板 |
| 工况六 | 开挖到22m+支撑5 |
| 工况七 | 开挖到25m+负三层底板 |
| 工况八 | 开挖到29m+支撑6 |
| 工况九 | 开挖到33m+负四层底板 |
7-7断面土层参数共选取6个，分别为泊松比、静止侧压力系数、初始孔隙比、正常固结线坡度、超固结线坡度和临界状态线比率。
参数均为根据试验或勘察报告获取的土层初始参数值。由于不清楚各土层参数与地连墙水平变形的相关性，因此在预测前需要分别确定土层参数与地连墙水平变形的定量关系。采用灰色关联度分析来评价各输入变量和地连墙水平位移之间的相关性。具体的计算过程如上文所述，在此不作赘述。
图4为本发明提供的待反演土层参数筛选示意图，计算结果如图4所示。根据分析结果，以初始孔隙比、正常固结线坡度、超固结线坡度和临界状态线比率作为待反演参数。由于所在场地两层土较厚，所以选用这两层土的四个参数共八个参数作为待反演参数。
在八个待反演参数的初始参数值上设置五个梯度水平，设计50组正交试验，并代入有限元模型，提取各工况下地连墙水平位移，其为训练数据。
在断面7-7工况六施工前，收集断面7-7工况一至工况五的地连墙水平位移监测数据，在Matlab软件中建立ELM神经网络，并利用改进麻雀算法搜索较优初始权值和阈值，开展训练组预测。具体方法如下：
设训练组输入变量为inputn；训练组输出变量为outputn；预测组输入变量inputtest；预测组输出变量为outputtest。
对输入输出变量进行归一化处理，对应matlab代码为：
[inputn,inputps]＝mapminmax(input_train,-1,1)；
[outputn,outputps]＝mapminmax(output_train,-1,1)；
创建一个ELM神经网络，根据输入和输出目标数量确定网络输入层、隐含层和输出层的节点数：
[IW,B,LW,TF,TYPE]＝elmtrain1(inputn,outputn,5,'sig',0)；
使用改进麻雀算法优化创建好的ELM神经网络，具体的训练过程如上文所述，在此不作赘述。
将收集到的工况一至工况五的地连墙水平位移代入神经网络，可以获得各工况下的土层反演值，将土层反演值代入有限元模型，可以实现对后续开挖工况的预测。
图5为本发明提供的地连墙水平位移实测值与预测值对比结果示意图之一，如图5所示，工况五下各计算值和监测值对比，工况一反演分析预测值最大值为62.07mm，工况三反演分析预测值最大值为66.00mm，工况五反演分析预测值最大值为70.02mm，初始参数值计算值最大值为50.08mm；工况五地连墙水平位移监测值最大值为76.42mm。
由此可得，工况一反演分析预测值与工况五地连墙水平位移监测值的相对误差为19％，工况三反演分析预测值与工况五地连墙水平位移监测值的相对误差为14％，工况五反演分析预测值与工况五地连墙水平位移监测值的相对误差为9％，初始参数值计算值与工况五地连墙水平位移监测值的相对误差为34％。
将断面已经开挖工况下反演所得土层参数值，代入有限元模型，可获得后续未开挖工况的基坑变形指标。图6为本发明提供的地连墙水平位移实测值与预测值对比结果示意图之二，图6为初始参数值和反演值对未开挖工况的地连墙水平位移的预测值。
需要说明的是，上述方案仅作为一个具体的例子对本发明进行说明，不作为对本发明的限定。
图7为本发明提供的基坑变形预测系统结构示意图，如图7所示，本发明还提供一种基坑变形预测系统，包括：断面模拟单元701、参数确定单元702、模型构建单元703和目标预测单元704；
断面模拟单元701，用于基于已开挖研究断面，建立有限元模型并设置初始土层参数；
参数确定单元702，用于基于有限元模型和待反演土层参数，确定若干组待反演土层参数和对应的地连墙水平位移；其中，待反演土层参数是根据土层参数与地连墙水平位移的相关性确定的；
模型构建单元703，用于根据麻雀搜索算法优化预先建立的极限学习机神经网络，确定目标基坑变形预测网络；其中，极限学习机神经网络以地连墙水平位移为输入变量，以待反演土层参数作为输出变量；
目标预测单元704，用于基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数，确定基坑变形情况。
具体的，在建立有限元模型前需要选取研究断面，选定某已开挖断面作为研究断面，确定研究断面的开挖工况N，收集研究断面的土层参数、施工参数和基坑变形的样本数据。可以理解的是选取研究断面时，一方面要靠近地连墙水平位移可能出现最大值附近(如长条形基坑中部)，一方面要靠近现有监测断面，方便获取实际地连墙水平位移监测值。
土层参数包括泊松比、静止侧压力系数、初始孔隙比、正常固结线坡度、超固结线坡度和临界状态线比率，施工参数包括各工况下的开挖深度和基坑超载值，基坑变形指标包括已开挖工况下地连墙水平位移。
断面模拟单元701，用于基于已开挖研究断面，建立有限元模型并设置初始土层参数(如泊松比ν、静止侧压力系数K0、初始孔隙比e0、正常固结线坡度λ、超固结线坡度κ和临界状态线比率M等)。
考虑到不同因素对地连墙(地下连续墙)最大水平位移的影响不同，根据土层参数与地连墙水平位移的相关性确定待反演土层参数。需要说明的是，确定待反演土层参数的具体方法，待反演土层参数的类型和数量均可根据实际需求进行确定，本发明对此不作限定。
参数确定单元702，用于在确定待反演土层参数后，基于有限元模型对实际工况进行模拟获得模拟数据，确定若干组待反演土层参数和对应的地连墙水平位移。
可以理解的是，每一组确定的待反演土层参数与地连墙水平位移存在对应关系，具体的数据取值和数据变化规律可根据实际情况进行设置(如待反演参数在预设区间内随机取值或线性改变待反演参数设置一定的梯度水平，将每个参数在基础值双侠浮动25％，设置五个水平，确定对应的地连墙水平位移等)，本发明对此不作限定。
模型构建单元703，用于以地连墙水平位移为输入变量，以待反演土层参数作为输出变量，建立极限学习机(Extreme Learning Maching，ELM)神经网络，根据麻雀搜索算法(Sparrow Search Algorithm，SSA)优化极限学习机神经网络，确定训练好的目标基坑变形预测网络。
可以理解的是，在本发明中极限学习机神经网络的具体网络结构以及训练方法可根据实际需求进行调整，本发明对此不作限定。另外，优化网络所采用的麻雀搜索算法，除了标准麻雀搜索算法外，还可采用其他方法进行适应性的改进。
目标预测单元704，用于基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数，根据目标土层参数即可确定基坑变形情况。
可以理解的是，在确定目标土层参数后，可以直接基于土层参数数值根据经验实现基坑变形情况的预测，或是对基坑变形情况进行可视化模拟等，可根据实际需求进行选择，本发明对此不作限定。
本发明提供的基坑变形预测系统，通过对已开挖断面的研究，建立有限元模型，通过对大量模拟数据的分析确定土层参数与地连墙水平位移的相关性，选择待反演土层参数。以输入为地连墙水平位移，输出为待反演土层参数的目标基坑变形预测网络实现对未开挖基坑变形情况的预测，将整个基坑预测工作转化为对多个开挖工况的预测，提出利用目标断面已开挖工况的施工参数与基坑变形数据，预测未开挖工况的基坑变形数据，有效提高后续工况的基坑变形预测的准确性，指导后续基坑施工，规避可能出现的安全风险，保障基坑施工安全。
需要说明的是，本发明提供的基坑变形预测系统用于执行上述基坑变形预测方法，其具体的实施方式与方法实施方式一致，在此不再赘述。
图8为本发明提供的电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)801、通信接口(CommunicationsInterface)802、存储器(memory)803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信。处理器801可以调用存储器803中的逻辑指令，以执行基坑变形预测方法，该方法包括：基于已开挖研究断面，建立有限元模型并设置初始土层参数；基于有限元模型和待反演土层参数，确定若干组待反演土层参数和对应的地连墙水平位移；根据麻雀搜索算法优化预先建立的极限学习机神经网络，确定目标基坑变形预测网络；基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数，确定基坑变形情况。
此外，上述的存储器803中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法所提供的基坑变形预测方法，该方法包括：基于已开挖研究断面，建立有限元模型并设置初始土层参数；基于有限元模型和待反演土层参数，确定若干组待反演土层参数和对应的地连墙水平位移；根据麻雀搜索算法优化预先建立的极限学习机神经网络，确定目标基坑变形预测网络；基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数，确定基坑变形情况。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基坑变形预测方法，该方法包括：基于已开挖研究断面，建立有限元模型并设置初始土层参数；基于有限元模型和待反演土层参数，确定若干组待反演土层参数和对应的地连墙水平位移；根据麻雀搜索算法优化预先建立的极限学习机神经网络，确定目标基坑变形预测网络；基于已开挖研究断面的待测地连墙水平位移，根据目标基坑变形预测网络，反演得到目标土层参数，确定基坑变形情况。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基坑变形预测方法，其特征在于，包括：
基于已开挖研究断面，建立有限元模型并设置初始土层参数；
基于所述有限元模型和待反演土层参数，确定若干组待反演土层参数和对应的地连墙水平位移；其中，所述待反演土层参数是根据土层参数与地连墙水平位移的相关性确定的；
以所述地连墙水平位移为输入变量，以所述待反演土层参数作为输出变量，建立极限学习机神经网络；
根据改进的麻雀搜索算法优化所述极限学习机神经网络，确定网络结构的最优权值和阈值，确定目标基坑变形预测网络；其中，所述改进的麻雀搜索算法是在标准麻雀搜索算法中引入Tent混沌函数对麻雀种群中加入者进行位置更新；
基于所述已开挖研究断面的待测地连墙水平位移，根据所述目标基坑变形预测网络，反演得到已开挖工况下的目标土层参数；
将所述已开挖工况下的目标土层参数代入所述有限元模型；
根据所述有限元模型进行模拟，确定未开挖工况下的基坑变形情况。
2.根据权利要求1所述的基坑变形预测方法，其特征在于，所述基于所述有限元模型和待反演土层参数，确定若干组待反演土层参数和对应的地连墙水平位移，具体包括：
基于所述有限元模型，根据控制变量法，研究不同土层参数与地连墙水平位移的相关性；
以相关性将所述土层参数进行降序排序，取前预设数量的土层参数作为待反演土层参数；
基于正交试验设计法，确定若干组待反演土层参数代入所述有限元模型中，模拟得到若干对应的地连墙水平位移。
3.根据权利要求2所述的基坑变形预测方法，其特征在于，所述基于所述有限元模型，根据控制变量法，研究不同土层参数与地连墙水平位移的相关性，具体包括：
基于所述有限元模型，根据控制变量法和归一化法，确定土层参数样本数列集和地连墙水平位移样本数列集；
基于所述土层参数样本数列集和地连墙水平位移样本数列集，确定序列间差异信息矩阵，根据关联系数计算公式，计算关联系数；
基于所述关联系数，根据关联度计算公式，计算得到关联度；
其中，所述序列间差异信息矩阵为所述土层参数样本数列集和地连墙水平位移样本数列集无量纲化后的矩阵相减取绝对值；所述关联度为所述土层参数与地连墙水平位移的相关性；
所述关联系数计算公式为：
式中：γak为关联系数；Δmin为差异信息矩阵最小值；ρ为分辨系数，取值0.5；Δmax为差异信息矩阵最大值；Δak为差异信息矩阵中的实际值；
所述关联度计算公式为：
式中：rak为第a个土层参数指标的关联度；C为土层参数设置水平；γak为关联系数。
4.根据权利要求1所述的基坑变形预测方法，其特征在于，所述改进的麻雀搜索算法，具体包括：
步骤1.1，初始化麻雀种群的基本参数；
步骤1.2，计算麻雀适应度，确定麻雀种群中的发现者和加入者；
步骤1.3，根据发现者迭代搜索位置更新公式，对发现者位置进行更新；
步骤1.4，根据加入者位置更新公式，对加入者位置进行更新；
步骤1.5，根据觅食过程遇到危险更新公式，对麻雀个体位置进行更新；
步骤1.6，重复步骤1.2至步骤1.5，直至确定达到最大迭代次数，确定适应度最高的值作为最优权值和阈值；
其中，所述发现者迭代搜索位置更新公式为：
式中，Xi,j表示解空间中，第i只麻雀在第j维度上的位置信息；t为当前的迭代次数；M为最大迭代次数；r1为rand函数生成的呈均匀分布的随机数，0≤r1＜1；r2为rand函数生成的呈均匀分布的随机数，0≤r2＜1，表示麻雀意识到捕食者时发出的信号值；Y为预警阈值，表示麻雀发现危险，引导麻雀到其它地方觅食；G为[-1,1]的随机值；L为维度l*d，元素都是1的矩阵；
所述加入者位置更新公式为：
式中，p为麻雀种群的初始规模，Xf为发现者中适应度值最优所处位置；Xworse为适应度值最差所处位置；A是维度l*d，元素都是1或者-1的矩阵；
式中，xt和xt+1分别为第t代和第t+1代的取值；
所述觅食过程遇到危险更新公式为：
式中，Xbest为当前解空间中适应度值最优所处位置；α为[-1,1]间的随机值；ω为个体移动方向，取值是[-1,1]间的随机值；ε是避免分母为0的极小数，取值为1e-50；fi是当前迭代下第i只麻雀个体的适应度值；fbest是当前迭代下全局解空间中适应度值最优的值；fworse是当前迭代下全局解空间中适应度值最差的值。
5.一种基坑变形预测系统，其特征在于，包括：断面模拟单元、参数确定单元、模型构建单元和目标预测单元；
所述断面模拟单元，用于基于已开挖研究断面，建立有限元模型并设置初始土层参数；
所述参数确定单元，用于基于所述有限元模型和待反演土层参数，确定若干组待反演土层参数和对应的地连墙水平位移；其中，所述待反演土层参数是根据土层参数与地连墙水平位移的相关性确定的；
所述模型构建单元，用于以所述地连墙水平位移为输入变量，以所述待反演土层参数作为输出变量，建立极限学习机神经网络；根据改进的麻雀搜索算法优化所述极限学习机神经网络，确定网络结构的最优权值和阈值，确定目标基坑变形预测网络；其中，所述改进的麻雀搜索算法是在标准麻雀搜索算法中引入Tent混沌函数对麻雀种群中加入者进行位置更新；
所述目标预测单元，用于基于所述已开挖研究断面的待测地连墙水平位移，根据所述目标基坑变形预测网络，反演得到已开挖工况下的目标土层参数；将所述已开挖工况下的目标土层参数代入所述有限元模型；根据所述有限元模型进行模拟，确定未开挖工况下的基坑变形情况。
6.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一项所述的基坑变形预测方法。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述的基坑变形预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211354906.4A CN115659749B (zh) | 2022-11-01 | 2022-11-01 | 基坑变形预测方法及系统、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211354906.4A CN115659749B (zh) | 2022-11-01 | 2022-11-01 | 基坑变形预测方法及系统、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115659749A CN115659749A (zh) | 2023-01-31 |
| CN115659749B true CN115659749B (zh) | 2024-02-06 |
Family
ID=84994886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211354906.4A Active CN115659749B (zh) | 2022-11-01 | 2022-11-01 | 基坑变形预测方法及系统、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115659749B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116522742A (zh) * | 2023-07-05 | 2023-08-01 | 清华大学 | 基于深度学习的深基坑多层土力学参数反分析方法及组件 |
| CN117150880B (zh) * | 2023-07-19 | 2024-06-11 | 华东交通大学 | 一种基坑支护结构的变形预测以及逆向设计方法及系统 |
| CN117390739B (zh) * | 2023-09-11 | 2024-05-07 | 北京市政建设集团有限责任公司 | 一种地连墙接头的稳定性评价方法及装置 |
| CN117592172B (zh) * | 2024-01-18 | 2024-04-16 | 华东交通大学 | 一种基坑围护结构变形控制逆向设计方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104077451A (zh) * | 2014-07-03 | 2014-10-01 | 中铁上海工程局集团有限公司 | 一种用于深厚软土地铁基坑土体参数反演分析的方法 |
| JP2020051213A (ja) * | 2018-09-28 | 2020-04-02 | 大和ハウス工業株式会社 | 地盤予測システム |
| 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 |
| CN114792980A (zh) * | 2022-03-30 | 2022-07-26 | 国网上海市电力公司 | 基于ssa-pso融合的配电网无功电压优化运行方法及设备 |
| CN114969932A (zh) * | 2022-05-30 | 2022-08-30 | 浙江工业大学 | 一种基于tsne-bp神经网络的基坑水平位移预测方法 |
| CN115221793A (zh) * | 2022-07-29 | 2022-10-21 | 招商局重庆交通科研设计院有限公司 | 一种隧道围岩变形预测方法及装置 |
-
2022
- 2022-11-01 CN CN202211354906.4A patent/CN115659749B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104077451A (zh) * | 2014-07-03 | 2014-10-01 | 中铁上海工程局集团有限公司 | 一种用于深厚软土地铁基坑土体参数反演分析的方法 |
| JP2020051213A (ja) * | 2018-09-28 | 2020-04-02 | 大和ハウス工業株式会社 | 地盤予測システム |
| 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 |
| CN114792980A (zh) * | 2022-03-30 | 2022-07-26 | 国网上海市电力公司 | 基于ssa-pso融合的配电网无功电压优化运行方法及设备 |
| CN114969932A (zh) * | 2022-05-30 | 2022-08-30 | 浙江工业大学 | 一种基于tsne-bp神经网络的基坑水平位移预测方法 |
| CN115221793A (zh) * | 2022-07-29 | 2022-10-21 | 招商局重庆交通科研设计院有限公司 | 一种隧道围岩变形预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于ISSA-ELM的土体参数反演与变形预测方法;张坤勇;应用基础与工程科学学报;全文 * |
| 基于遗传算法和极限学习机的智能算法在基坑变形预测中的应用;陈艳茹;隧道建设;第38卷(第6期);941-947 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115659749A (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115659749B (zh) | 基坑变形预测方法及系统、电子设备和存储介质 | |
| Zhang et al. | Comprehensive review of machine learning in geotechnical reliability analysis: Algorithms, applications and further challenges | |
| Moghaddasi et al. | ICA-ANN, ANN and multiple regression models for prediction of surface settlement caused by tunneling | |
| Harandizadeh et al. | A new development of ANFIS–GMDH optimized by PSO to predict pile bearing capacity based on experimental datasets | |
| Hajihassani et al. | Applications of particle swarm optimization in geotechnical engineering: a comprehensive review | |
| Freitag et al. | Recurrent neural networks and proper orthogonal decomposition with interval data for real-time predictions of mechanised tunnelling processes | |
| Zhang et al. | Multivariate adaptive regression splines and neural network models for prediction of pile drivability | |
| Shi et al. | Modular neural networks for predicting settlements during tunneling | |
| Yang et al. | Improved PLS and PSO methods-based back analysis for elastic modulus of dam | |
| Zhang et al. | Multivariate adaptive regression splines for analysis of geotechnical engineering systems | |
| Ninić et al. | Model update and real-time steering of tunnel boring machines using simulation-based meta models | |
| CN114969932A (zh) | 一种基于tsne-bp神经网络的基坑水平位移预测方法 | |
| CN111967079A (zh) | 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 | |
| Liu et al. | Intelligent information-based construction in tunnel engineering based on the GA and CCGPR coupled algorithm | |
| CN111210519A (zh) | 一种高心墙堆石坝变形参数反演方法 | |
| CN114969953A (zh) | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 | |
| CN113792372A (zh) | 一种基于cv-lstm组合模型的地连墙变形动态预测方法 | |
| CN113221462A (zh) | 一种pso-de算法和神经网络联合的基坑土体参数反演方法 | |
| Sadrossadat et al. | A new design equation for prediction of ultimate bearing capacity of shallow foundation on granular soils | |
| CN115423167A (zh) | 一种地铁深基坑施工安全预警及辅助决策方法及系统 | |
| 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 | |
| Mukhlisin et al. | Regularized versus non-regularized neural network model for prediction of saturated soil-water content on weathered granite soil formation | |
| Hölter et al. | Optimal measurement design for parameter identification in mechanized tunneling | |
| Harandizadeh | Developing a new hybrid soft computing technique in predicting ultimate pile bearing capacity using cone penetration test data | |
| Maizir et al. | Evaluation of axial pile bearing capacity based on pile driving analyzer (PDA) test using Neural Network |
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 |