CN116050281A - 一种基坑变形监测方法及系统 - Google Patents
一种基坑变形监测方法及系统 Download PDFInfo
- Publication number
- CN116050281A CN116050281A CN202310172812.3A CN202310172812A CN116050281A CN 116050281 A CN116050281 A CN 116050281A CN 202310172812 A CN202310172812 A CN 202310172812A CN 116050281 A CN116050281 A CN 116050281A
- Authority
- CN
- China
- Prior art keywords
- data
- foundation pit
- monitoring
- model
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D33/00—Testing foundations or foundation structures
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D17/00—Excavations; Bordering of excavations; Making embankments
- E02D17/02—Foundation pits
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Paleontology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
Abstract
本发明公开了一种基坑变形监测方法及系统,通过获取基坑监测数据并确定基坑的预测指标与特征指标,将选取好的监测数据进行数据预处理,将预处理后的基坑监测数据通过变分自编码器进行特征提取并构造出原始时序数据集,时间窗滑动以构建样本数据集,将样本数据集输入至已训练的LSTM模型进行训练得到具有低维隐藏特征,对LSTM模型进行模型优化并将测试集输入到优化后的LSTM基坑变形预测模型中,使用均方误差、平均绝对误差和决定系数作为评价指标对模型预测效果进行评估,基坑变形预测模型不仅能够充分利用时序数据的时间信息作出较高精度预测,同时也可以利用自编码器强大的特征表达能力增加模型的泛化能力和预测效果的稳定性。
Description
技术领域
本发明属于基坑监测技术领域,尤其涉及一种基坑变形监测方法及系统。
背景技术
随着城市化进程的不断加快,日益增长的城市人口与有限的土地资源之间的矛盾更加凸显,为了更加有效的利用土地资源,高层建筑物日益增多,低下空间加速开发利用,低下基础设施的建设越来越多,如地下停车场、低下轨道交通等,由此产生了大量的基坑工程,而基坑的开挖势必会对基坑自身和周边环境产生影响,若不加以控制则极易发生安全事故。由于基坑施工过程是土体卸荷过程,期间受到多种外力作用,外力作用具有模糊性和复杂性,且基坑工程还受到其它多种不确定因素的综合影响,而在海量的监测数据中提取关键的特征指标,构建变形预测模型,推测形变体整体变化趋势和变形特点的准确性下降,使得构建合适的模型用于基坑变形预测变得十分艰巨。
发明内容
有鉴于此,本发明提供了一种可以提高基坑变形监测的准确性和模型的预测性能的基坑变形监测方法及系统,来解决上述技术问题,具体采用以下技术方案来实现。
第一方面,本发明提供了一种基坑变形监测方法,包括以下具体步骤:
获取基坑监测数据并确定所述基坑的预测指标与特征指标,将选取好的监测数据进行数据预处理,其中,将最大程度反映基坑变形的监测数据作为预测指标,其余监测数据作为特征指标,所述数据预处理包括数据的缺失值处理、异常值处理和数据归一化处理;
将预处理后的基坑监测数据通过变分自编码器进行特征提取并构造出原始时序数据集,其中,先确定隐藏变量z的维度,然后训练变分自编码器已通过最小化重构误差进行模型效果评估,训练完成后提取隐藏变量z作为基坑监测数据的低维深度隐藏特征;
对原始时序数据集进行时间窗滑动以构建样本数据集,其中,从所述原始时序数据的第一条数据开始构造滑动窗口,每次沿着时间方向向前滑动一个窗口,相邻两样本之间会有重叠,将滑动窗口构建的样本数据集划分为训练集和测试集;
将所述样本数据集输入至已训练的LSTM模型进行训练得到具有低维隐藏特征,对LSTM模型进行模型优化并将所述测试集输入到优化后的LSTM基坑变形预测模型中,使用均方误差、平均绝对误差和决定系数作为评价指标对模型预测效果进行评估,以完成对基坑变形监测。
作为上述技术方案的进一步改进,使用均方误差、平均绝对误差和决定系数作为评价指标对模型预测效果进行评估,以完成对基坑变形监测,包括:
采用均方差MSE、平均绝对误差MAE和决定系数R2作为评价指标,MSE表示预测值与真实值之差平方的期望值,MAE表示预测值与真实值之差绝对值的平均值,MSE、MAE和R2的表达式为其中n表示样本总数,yi表示实测值,表示预测值,表示实测数据平均值。
作为上述技术方案的进一步改进,对LSTM模型进行模型优化并将所述测试集输入到优化后的LSTM基坑变形预测模型中,包括:
LSTM网络的单元结构包括遗忘门ft、输入门it和输出门ot,遗忘门ft用于接收上一时刻的记忆状态ct-1,并决定ct-1被遗忘的部分,控制着记忆状态ct-1有多少被保留到当前时刻的记忆状态ct;输入门it决定者多少新信息被保留到记忆单元ct,其中Sigmoid层决定需要更新的值,Tanh层可创建新的后选值向量以生成候选记忆;Sigmoid层决定需要输出的记忆单元并经过Tanh函数进行处理,控制着记忆单元状态ct有多少作为网络的输出值ht。
作为上述技术方案的进一步改进,LSTM网络在进行数据处理时,首先将上一时刻的输出ht-1与当前时刻的输入xt同时送入神经网络,经过遗忘门ft丢弃部分信息,通过输入门it添加部分信息,遗忘门ft与输入门it共同作用,对网络记忆单元状态进行更新,最终通过输出门ot将内部状态的信息传递给外部状态,得到更新后的隐藏单元状态ht,作为当前时刻的输出,LSTM网络数据处理的过程包括:
第一步,遗忘门计算过程:t-1时刻的网络输出ht-1与此刻的网络输入xt一起进入网路后进行线性变化Wf*[ht-1,xt]+bf,并通过激活函数σ即Sigmoid函数将结果作用到0~1之间记作ft的表达式为ft=ε(Wf*[ht-1,xt]+bf);
第二步,输入门计算过程的表达式为it=ε(Wi*[ht-1,xt]+b);
第四步,t时刻的记忆状态经过遗忘门ft丢弃部分信息,通过输入门it添加部分信息,两者共同作用,对网络记忆单元状态进行更新,其表达式为
第五步,输出计算过程,计算步骤与第一步相同,其表达式为ot=σ(Wo*[ht-1,xt]+bo);
第六步,网络输出计算过程,其结果ht由ct与xt共同决定,其表达式为ht=ot×tanh(ct),其中Wf、Wi、Wc与bf、bi、bc表示各单元共有的权重与与偏置参数,需要经过神经网络的自我学习得到,ct-1与ht-1表示上一时刻的输入,ct与ht表示下一时刻的输出,xt表示当前t时刻的输入,σ表示Sigmoid函数,表示候选值向量。
作为上述技术方案的进一步改进,对原始时序数据集进行时间窗滑动以构建样本数据集,包括:
前期获取到T个时间步内的基坑监测数据,若时间窗口长度为l,最终构造出T-l+1个样本数据。
作为上述技术方案的进一步改进,将预处理后的基坑监测数据通过变分自编码器进行特征提取并构造出原始时序数据集,包括:
生成网络是采用神经网络来估计概率分布pθ(x|z)的部分,其输入为隐藏变量z,输出为概率分布pθ(x|z)表示通过特征分布重构输入数据的过程。
作为上述技术方案的进一步改进,变分自编码器VAE通过分布逼近pθ(x|z)即需要计算并优化和pθ(x|z)之间的KL散度为一种衡量分布q、p之间的距离的度量,的表达式为 为正态分布N(μ,σ),pθ(x|z)为标准正态分布N(0,1),则KL散度可进一步表示为
当则 为logp(x)的下界线即VAE网络模型的损失函数,KL散度用于评估和pθ(x|z)的相似度,重构误差用于衡量重构数据与输入数据之间的差异,若过大会导致隐藏变量接近正态分布,若过大会导致重构数据与原始数据过于相似,离预期的正态分布相差过大,则
作为上述技术方案的进一步改进,获取基坑监测数据并确定所述基坑的预测指标与特征指标,将选取好的监测数据进行数据预处理,包括:
通过线性变换将数据映射到[0,1]之间以对选取的数据进行归一化处理,其转换的表达式为其中x*表示归一化输出结果,x表示样本数据,max表示样本数据的最大值,min表示样本数据的最小值,max-min表示极差;
作为上述技术方案的进一步改进,预设单个监测点的安全与否根据区间分为安全状态、预警状态和破坏状态,并建立隶属度函数:偏小型 中间型:偏大型:其中预警值为a,控制值为b;采用指标间两两比较确定两指标间的相对重要性,通过每层各因素之间相互对比可确定得到一个矩阵即判断矩阵,判断矩阵对角线上的元素均为1,且矩阵中的任意元素满足衡量判断矩阵不一致程度的指标为一致性指标,若预设矩阵中一共有n个对比指标,则一致性指标C的表达式为 其中λmax表示判断矩阵的最大特征值;
第二方面,本发明还提供了一种基坑变形监测系统,包括:
获取单元,用于获取基坑监测数据并确定所述基坑的预测指标与特征指标,将选取好的监测数据进行数据预处理,其中,将最大程度反映基坑变形的监测数据作为预测指标,其余监测数据作为特征指标,所述数据预处理包括数据的缺失值处理、异常值处理和数据归一化处理;
第一构建单元,用于将预处理后的基坑监测数据通过变分自编码器进行特征提取并构造出原始时序数据集,其中,先确定隐藏变量z的维度,然后训练变分自编码器已通过最小化重构误差进行模型效果评估,训练完成后提取隐藏变量z作为基坑监测数据的低维深度隐藏特征;
第二构建单元,对原始时序数据集进行时间窗滑动以构建样本数据集,其中,从所述原始时序数据的第一条数据开始构造滑动窗口,每次沿着时间方向向前滑动一个窗口,相邻两样本之间会有重叠,将滑动窗口构建的样本数据集划分为训练集和测试集;
监测单元,用于将所述样本数据集输入至已训练的LSTM模型进行训练得到具有低维隐藏特征,对LSTM模型进行模型优化并将所述测试集输入到优化后的LSTM基坑变形预测模型中,使用均方误差、平均绝对误差和决定系数作为评价指标对模型预测效果进行评估,以完成对基坑变形监测。
本发明提供了一种基坑变形监测方法及系统,通过获取基坑监测数据并确定所述基坑的预测指标与特征指标,将选取好的监测数据进行数据预处理,将预处理后的基坑监测数据通过变分自编码器进行特征提取并构造出原始时序数据集,对原始时序数据集进行时间窗滑动以构建样本数据集,将所述样本数据集输入至已训练的LSTM模型进行训练得到具有低维隐藏特征,对LSTM模型进行模型优化并将所述测试集输入到优化后的LSTM基坑变形预测模型中,使用均方误差、平均绝对误差和决定系数作为评价指标对模型预测效果进行评估,以完成对基坑变形监测,基坑变形预测模型不仅能够充分利用时序数据的时间信息,学习并应用基坑工程监测数值组成的时间序列的变形规律和变化趋势,作出较高精度预测,同时也可以利用自编码器强大的特征表达能力增加模型的泛化能力和预测效果的稳定性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明提供的基坑变形监测方法的流程图;
图2为本发明提供的基坑变形监测系统的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参阅图1,本发明提供了一种基坑变形监测方法,包括以下具体步骤:
S1:获取基坑监测数据并确定所述基坑的预测指标与特征指标,将选取好的监测数据进行数据预处理,其中,将最大程度反映基坑变形的监测数据作为预测指标,其余监测数据作为特征指标,所述数据预处理包括数据的缺失值处理、异常值处理和数据归一化处理;
S2:将预处理后的基坑监测数据通过变分自编码器进行特征提取并构造出原始时序数据集,其中,先确定隐藏变量z的维度,然后训练变分自编码器已通过最小化重构误差进行模型效果评估,训练完成后提取隐藏变量z作为基坑监测数据的低维深度隐藏特征;
S3:对原始时序数据集进行时间窗滑动以构建样本数据集,其中,从所述原始时序数据的第一条数据开始构造滑动窗口,每次沿着时间方向向前滑动一个窗口,相邻两样本之间会有重叠,将滑动窗口构建的样本数据集划分为训练集和测试集;
S4:将所述样本数据集输入至已训练的LSTM模型进行训练得到具有低维隐藏特征,对LSTM模型进行模型优化并将所述测试集输入到优化后的LSTM基坑变形预测模型中,使用均方误差、平均绝对误差和决定系数作为评价指标对模型预测效果进行评估,以完成对基坑变形监测。
本实施例中,使用均方误差、平均绝对误差和决定系数作为评价指标对模型预测效果进行评估,以完成对基坑变形监测,包括:采用均方差MSE、平均绝对误差MAE和决定系数R2作为评价指标,MSE表示预测值与真实值之差平方的期望值,MAE表示预测值与真实值之差绝对值的平均值,MSE、MAE和R2的表达式为其中n表示样本总数,yi表示实测值,表示预测值,表示实测数据平均值。对LSTM模型进行模型优化并将所述测试集输入到优化后的LSTM基坑变形预测模型中,包括:LSTM网络的单元结构包括遗忘门ft、输入门it和输出门ot,遗忘门ft用于接收上一时刻的记忆状态ct-1,并决定ct-1被遗忘的部分,控制着记忆状态ct-1有多少被保留到当前时刻的记忆状态ct;输入门it决定者多少新信息被保留到记忆单元ct,其中Sigmoid层决定需要更新的值,Tanh层可创建新的后选值向量以生成候选记忆;Sigmoid层决定需要输出的记忆单元并经过Tanh函数进行处理,控制着记忆单元状态ct有多少作为网络的输出值ht。
需要说明的是,长短期记忆网络(Long Short-Term Memory Network,LSTM)是基于循环神经网络改进的一种神经网络,与其他常用的神经网络一样,LSTM可用于拟合复杂的非线性关系,具有输入层、输出层和隐藏层,可以有效解决简单循环神经网络的梯度爆炸或消失问题。LSTM网络引入了一个新的内部状态ct,引入了门控机制来控制信息的遗忘和刷新。通过LSTM记忆单元,整个网络可以建立较长距离的时序依赖关系,在t时刻,LSTM记忆单元的输入包含当前时刻的输入至xt,上一时刻的输出值ht-1,与上一时刻的单元状态ct-1,输出为当前时刻的ht与当前时刻的单元状态ct可以捕捉当前时刻的关键信息,并有能力长期保持下去,使得LSTM网络具有强大的时序记忆能力。
应理解,零Yt表示在t时刻的并口收敛效果值,Xt表示在t时刻的营销并口收敛累积变化值的热证属性,将前期获取到的T个时间的基坑数据保湿为T个时间序收敛累计变化值的特征属性,将前期获取到的T个时间步内的基坑监测数据表示为T个时间看,构建集合的集合为S={St1,St2...Sij},j=1,2...T,其中Sij∈R(N),N是特征维度,Sij的第一列为Yt,其余列为不同的特征属性Xt,表示在t时刻,特征维度为N的基坑监测数据。考虑到在大量的特征指标中,部分指标与预测指标的相关性不大,且大量的数据会导致预测模型学习能力减弱,预测难度提高,因此,需要先将高维的监测数据进行特征提取,得到低维深度隐藏特征,再利用时间轴上的前后关联信息区预测未来一段时间井口收敛预测值。基坑变形预测模型不仅能够充分利用时序数据的时间信息,学习并应用基坑工程监测数值组成的时间序列的变形规律和变化趋势,作出较高精度预测,同时也可以利用自编码器强大的特征表达能力增加模型的泛化能力和预测效果的稳定性。
可选地,LSTM网络在进行数据处理时,首先将上一时刻的输出ht-1与当前时刻的输入xt同时送入神经网络,经过遗忘门ft丢弃部分信息,通过输入门it添加部分信息,遗忘门ft与输入门it共同作用,对网络记忆单元状态进行更新,最终通过输出门ot将内部状态的信息传递给外部状态,得到更新后的隐藏单元状态ht,作为当前时刻的输出,LSTM网络数据处理的过程包括:
第一步,遗忘门计算过程:t-1时刻的网络输出ht-1与此刻的网络输入xt一起进入网路后进行线性变化Wf*[ht-1,xt]+bf,并通过激活函数σ即Sigmoid函数将结果作用到0~1之间记作ft的表达式为ft=σ(Wf*[ht-1,xt]+bf);
第二步,输入门计算过程的表达式为it=σ(Wi*[ht-1,xt]+b);
第五步,输出计算过程,计算步骤与第一步相同,其表达式为ot=σ(Wo*[ht-1,xt]+bo);
第六步,网络输出计算过程,其结果ht由ct与xt共同决定,其表达式为ht=ot×tanh(ct),其中Wf、Wi、Wc与bf、bi、bc表示各单元共有的权重与与偏置参数,需要经过神经网络的自我学习得到,ct-1与ht-1表示上一时刻的输入,ct与ht表示下一时刻的输出,xt表示当前t时刻的输入,σ表示Sigmoid函数,表示候选值向量。
本实施例中,对原始时序数据集进行时间窗滑动以构建样本数据集,包括:前期获取到T个时间步内的基坑监测数据,若时间窗口长度为l,最终构造出T-l+1个样本数据。激活函数在神经网络中是极其重要的,其主要作用是在网络中增加非线性因素,增强网络的表达能力和学习能力,使得神经网络成为一种高度非线性的模型,解决线性模型所不能解决的问题。Sigmoid函数和tanh函数属于S型曲线函数,具有连续可导的特点,可以直接利用梯度下降算法优化网络参数。Sigmoid函数和一阶导数的表达式为tanh函数和一阶导数的表达式为Sigmoid函数和tanh函数均具有饱和性。在神经网络模型中,模型的网络层数过少,易导致网络模型的学习能力弱,挼搓性能差,泛化能力低,而随着网络层数的增加,网络容量增大,模型的预测性能会大大提高。
需要说明的是,在实际建模过程中,LSTM网络叠加多个LSTM层,将前一层LSTM层的输出作为后一层LSTM层的输入,预测模型中的LSTM网络堆叠了对曾LSTM与一层全连接层进行时序数据预测,相邻两层LSTM之间用Dropout层进行连接以防止过拟合。将预处理后的基坑监测数据通过变分自编码器进行特征提取,首先确定隐藏变量z的维度,然后训练变分自编码器,通过最小化重构误差进行模型效果评估,验证变分自编码器特征提取的有效性,训练完成后提起隐藏变量z作为基坑监测数据的低维深度隐藏特征,由于变分自编码器提取出的隐藏变量z的数据类型为张量,需要通过数据类型转换将张量数据转换为DataFrame对象,完成数据类型转换后,将井口收敛累积变化值和低维深度隐藏特征构造出原始时序数据集。
可选地,将预处理后的基坑监测数据通过变分自编码器进行特征提取并构造出原始时序数据集,包括:
生成网络是采用神经网络来估计概率分布pθ(x|z)的部分,其输入为隐藏变量z,输出为概率分布pθ(x|z)表示通过特征分布重构输入数据的过程。
本实施例中,变分自编码器VAE通过分布逼近pθ(x|z)即需要计算并优化和pθ(x|z)之间的KL散度 为一种衡量分布q、p之间的距离的度量,的表达式为 为正态分布N(μ,σ),pθ(x|z)为标准正态分布N(0,1),则KL散度可进一步表示为 当则 为logp(x)的下界线即VAE网络模型的损失函数,KL散度用于评估和pθ(x|z)的相似度,重构误差用于衡量重构数据与输入数据之间的差异,若过大会导致隐藏变量接近正态分布,若过大会导致重构数据与原始数据过于相似,离预期的正态分布相差过大,则
需要说明的是,根据规范建立的基坑安全预警分级是偏安全的,即使变形值略微超过控制值,也未发生破坏,即使变形值较大,测点处基坑的破坏也是有时间过程的,在变形出现异常,现场人员即使对该点进行了维护,组织力事故的发生,通过当日现场记录情况进行对比,发现基坑监测项目安全预警分级确实能够对监测点安全稳定状况实施有效管理。
可选地,获取基坑监测数据并确定所述基坑的预测指标与特征指标,将选取好的监测数据进行数据预处理,包括:
通过线性变换将数据映射到[0,1]之间以对选取的数据进行归一化处理,其转换的表达式为其中x*表示归一化输出结果,x表示样本数据,max表示样本数据的最大值,min表示样本数据的最小值,max-min表示极差;
本实施例中,预设单个监测点的安全与否根据区间分为安全状态、预警状态和破坏状态,并建立隶属度函数:偏小型 中间型:偏大型: 其中预警值为a,控制值为b;采用指标间两两比较确定两指标间的相对重要性,通过每层各因素之间相互对比可确定得到一个矩阵即判断矩阵,判断矩阵对角线上的元素均为1,且矩阵中的任意元素满足衡量判断矩阵不一致程度的指标为一致性指标,若预设矩阵中一共有n个对比指标,则一致性指标C的表达式为其中λmax表示判断矩阵的最大特征值;当C=0时,判断矩阵满足一致性,当C的值越大,判断矩阵的一致性越差,引入另一指标随机一致性比例CR,当CR<0.1时,判断矩阵的不一致性可接受,CR的表达式为其中R表示随机一致性指标。
需要说明的是,为了达到安全预警目的,从每个检测点入手,通过对基坑各类监测项目赋予权重,根据层次分析框架层层地推,从而实现对基坑整体的预警和风险管控对基坑综合风险进行评价,为了实现高效预警,采用编写警戒值和控制值两大指标建立二级预警制度,同时又通过隶属函数实现了对基坑预警的定性、定量双重评价。若将基坑自身和基坑周边环境作为一个整体即基坑体系,可以发现基坑失稳是指整个体系内某一较大区域内发生整体型的超出允许值的星标,而不是某个点的局部破坏。基坑的变形失稳是逐步实现的,而基坑的变形破坏也是逐步发生的,对于设定的预警值和控制值,并不是基坑变形接近控制值就是安全稳定的,刚超过控制值就是失稳危险的,为了符合基坑安全稳定的变形规律,便可用隶属函数的概率进行描述,将模糊问题数字化后可通过对基坑安全分级制度划定分值,结合隶属函数和基坑实际变形值给出基坑稳定评分。
参阅图2,本发明还提供了一种基坑变形监测系统,包括:
获取单元,用于获取基坑监测数据并确定所述基坑的预测指标与特征指标,将选取好的监测数据进行数据预处理,其中,将最大程度反映基坑变形的监测数据作为预测指标,其余监测数据作为特征指标,所述数据预处理包括数据的缺失值处理、异常值处理和数据归一化处理;
第一构建单元,用于将预处理后的基坑监测数据通过变分自编码器进行特征提取并构造出原始时序数据集,其中,先确定隐藏变量z的维度,然后训练变分自编码器已通过最小化重构误差进行模型效果评估,训练完成后提取隐藏变量z作为基坑监测数据的低维深度隐藏特征;
第二构建单元,对原始时序数据集进行时间窗滑动以构建样本数据集,其中,从所述原始时序数据的第一条数据开始构造滑动窗口,每次沿着时间方向向前滑动一个窗口,相邻两样本之间会有重叠,将滑动窗口构建的样本数据集划分为训练集和测试集;
监测单元,用于将所述样本数据集输入至已训练的LSTM模型进行训练得到具有低维隐藏特征,对LSTM模型进行模型优化并将所述测试集输入到优化后的LSTM基坑变形预测模型中,使用均方误差、平均绝对误差和决定系数作为评价指标对模型预测效果进行评估,以完成对基坑变形监测。
本实施例中,基坑的监测数据可以直观的反应基坑的状态,预测未来时刻基坑关键位置处的典型变形指标变化值,基于基坑变形数据具有时间上的连续性与空间上的关联性,在解决基坑变形问题时,需同时考虑数据在时间与空间两个维度上的变化,从中挖掘有价值的特征以实现更为精准的预测。为了更好的评价模型预测精度,采用了均方误差MSE、平均绝对误差MAE和决定系数R2作为评价指标,MSE表示预测值余震是指之差平方的期望值,可以很好的评价两者差异程度,MAE表示预测值与真实值之差绝对值的平均值,可有效避免误差相互抵消的问题,从而准确反映两者之间的偏差,MSE和MAE的值越小越接近于0,误差越小,预测模型精确度越高,效果越好。R2表示因变量的方差能被自变量揭示的比例,用于评估预测模型中预测值与真实值之间的拟合程度,R2的值在0~1之间,其值越接近于1,拟合效果越好,越接近于0,拟合效果越差。自编码器与LSTM网络相结合的预测模型的预测瓦查均低于LSTM预测模型,说明自编码器特征提取的有效性,同时模型泛化能力得到了提高,模型收敛速度快,同时泛化能力与预测精度高,适用于基坑变形预测,可为相似的基坑工程变形预测提供参考依据,对于工程实践具有较好的指导意义。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种基坑变形监测方法,其特征在于,包括以下具体步骤:
获取基坑监测数据并确定所述基坑的预测指标与特征指标,将选取好的监测数据进行数据预处理,其中,将最大程度反映基坑变形的监测数据作为预测指标,其余监测数据作为特征指标,所述数据预处理包括数据的缺失值处理、异常值处理和数据归一化处理;
将预处理后的基坑监测数据通过变分自编码器进行特征提取并构造出原始时序数据集,其中,先确定隐藏变量z的维度,然后训练变分自编码器已通过最小化重构误差进行模型效果评估,训练完成后提取隐藏变量z作为基坑监测数据的低维深度隐藏特征;
对原始时序数据集进行时间窗滑动以构建样本数据集,其中,从所述原始时序数据的第一条数据开始构造滑动窗口,每次沿着时间方向向前滑动一个窗口,相邻两样本之间会有重叠,将滑动窗口构建的样本数据集划分为训练集和测试集;
将所述样本数据集输入至已训练的LSTM模型进行训练得到具有低维隐藏特征,对LSTM模型进行模型优化并将所述测试集输入到优化后的LSTM基坑变形预测模型中,使用均方误差、平均绝对误差和决定系数作为评价指标对模型预测效果进行评估,以完成对基坑变形监测。
3.根据权利要求1所述的基坑变形监测方法,其特征在于,对LSTM模型进行模型优化并将所述测试集输入到优化后的LSTM基坑变形预测模型中,包括:
LSTM网络的单元结构包括遗忘门ft、输入门it和输出门ot,遗忘门ft用于接收上一时刻的记忆状态ct-1,并决定ct-1被遗忘的部分,控制着记忆状态ct-1有多少被保留到当前时刻的记忆状态ct;输入门it决定者多少新信息被保留到记忆单元ct,其中Sigmoid层决定需要更新的值,Tanh层可创建新的后选值向量以生成候选记忆;Sigmoid层决定需要输出的记忆单元并经过Tanh函数进行处理,控制着记忆单元状态ct有多少作为网络的输出值ht。
4.根据权利要求3所述的基坑变形监测方法,其特征在于,LSTM网络在进行数据处理时,首先将上一时刻的输出ht-1与当前时刻的输入xt同时送入神经网络,经过遗忘门ft丢弃部分信息,通过输入门it添加部分信息,遗忘门ft与输入门it共同作用,对网络记忆单元状态进行更新,最终通过输出门ot将内部状态的信息传递给外部状态,得到更新后的隐藏单元状态ht,作为当前时刻的输出,LSTM网络数据处理的过程包括:
第一步,遗忘门计算过程:t-1时刻的网络输出ht-1与此刻的网络输入xt一起进入网路后进行线性变化Wf*[ht-1,xt]+bf,并通过激活函数σ即Sigmoid函数将结果作用到0~1之间记作ft的表达式为ft=σ(Wf*[ht-1,xt]+bf);
第二步,输入门计算过程的表达式为it=σ(Wi*[ht-1,xt]+b);
第五步,输出计算过程,计算步骤与第一步相同,其表达式为ot=σ(Wo*[ht-1,xt]+bo);
5.根据权利要求1所述的基坑变形监测方法,其特征在于,对原始时序数据集进行时间窗滑动以构建样本数据集,包括:
前期获取到T个时间步内的基坑监测数据,若时间窗口长度为l,最终构造出T-l+1个样本数据。
6.根据权利要求1所述的基坑变形监测方法,其特征在于,将预处理后的基坑监测数据通过变分自编码器进行特征提取并构造出原始时序数据集,包括:
生成网络是采用神经网络来估计概率分布pθ(x|z)的部分,其输入为隐藏变量z,输出为概率分布pθ(x|z)表示通过特征分布重构输入数据的过程。
9.根据权利要求8所述的基坑变形监测方法,其特征在于,预设单个监测点的安全与否根据区间分为安全状态、预警状态和破坏状态,并建立隶属度函数:偏小型中间型: 偏大型:其中预警值为a,控制值为b;采用指标间两两比较确定两指标间的相对重要性,通过每层各因素之间相互对比可确定得到一个矩阵即判断矩阵,判断矩阵对角线上的元素均为1,且矩阵中的任意元素满足衡量判断矩阵不一致程度的指标为一致性指标,若预设矩阵中一共有n个对比指标,则一致性指标C的表达式为其中λmax表示判断矩阵的最大特征值;
10.一种根据权利要求1-9任一项所述的基坑变形监测方法的基坑变形监测系统,其特征在于,包括:
获取单元,用于获取基坑监测数据并确定所述基坑的预测指标与特征指标,将选取好的监测数据进行数据预处理,其中,将最大程度反映基坑变形的监测数据作为预测指标,其余监测数据作为特征指标,所述数据预处理包括数据的缺失值处理、异常值处理和数据归一化处理;
第一构建单元,用于将预处理后的基坑监测数据通过变分自编码器进行特征提取并构造出原始时序数据集,其中,先确定隐藏变量z的维度,然后训练变分自编码器已通过最小化重构误差进行模型效果评估,训练完成后提取隐藏变量z作为基坑监测数据的低维深度隐藏特征;
第二构建单元,对原始时序数据集进行时间窗滑动以构建样本数据集,其中,从所述原始时序数据的第一条数据开始构造滑动窗口,每次沿着时间方向向前滑动一个窗口,相邻两样本之间会有重叠,将滑动窗口构建的样本数据集划分为训练集和测试集;
监测单元,用于将所述样本数据集输入至已训练的LSTM模型进行训练得到具有低维隐藏特征,对LSTM模型进行模型优化并将所述测试集输入到优化后的LSTM基坑变形预测模型中,使用均方误差、平均绝对误差和决定系数作为评价指标对模型预测效果进行评估,以完成对基坑变形监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310172812.3A CN116050281A (zh) | 2023-02-24 | 2023-02-24 | 一种基坑变形监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310172812.3A CN116050281A (zh) | 2023-02-24 | 2023-02-24 | 一种基坑变形监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050281A true CN116050281A (zh) | 2023-05-02 |
Family
ID=86113482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310172812.3A Pending CN116050281A (zh) | 2023-02-24 | 2023-02-24 | 一种基坑变形监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050281A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821799A (zh) * | 2023-08-28 | 2023-09-29 | 成都理工大学 | 基于gru-dnn的地灾预警数据分类方法 |
CN117235679A (zh) * | 2023-11-15 | 2023-12-15 | 长沙金码测控科技股份有限公司 | 一种基于lucc的基坑监测用拉压荷载评估方法及系统 |
CN117419773A (zh) * | 2023-12-19 | 2024-01-19 | 常州市安贞建设工程检测有限公司 | 一种建筑基坑远程监测方法及系统 |
-
2023
- 2023-02-24 CN CN202310172812.3A patent/CN116050281A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821799A (zh) * | 2023-08-28 | 2023-09-29 | 成都理工大学 | 基于gru-dnn的地灾预警数据分类方法 |
CN116821799B (zh) * | 2023-08-28 | 2023-11-07 | 成都理工大学 | 基于gru-dnn的地灾预警数据分类方法 |
CN117235679A (zh) * | 2023-11-15 | 2023-12-15 | 长沙金码测控科技股份有限公司 | 一种基于lucc的基坑监测用拉压荷载评估方法及系统 |
CN117419773A (zh) * | 2023-12-19 | 2024-01-19 | 常州市安贞建设工程检测有限公司 | 一种建筑基坑远程监测方法及系统 |
CN117419773B (zh) * | 2023-12-19 | 2024-03-19 | 常州市安贞建设工程检测有限公司 | 一种建筑基坑远程监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
CN116050281A (zh) | 一种基坑变形监测方法及系统 | |
Yang et al. | A concrete dam deformation prediction method based on LSTM with attention mechanism | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN109242223B (zh) | 城市公共建筑火灾风险的量子支持向量机评估与预测方法 | |
He et al. | A new belief-rule-based method for fault diagnosis of wireless sensor network | |
CN113807570B (zh) | 基于XGBoost的水库大坝风险等级评估方法及系统 | |
CN115618296B (zh) | 一种基于图注意力网络的大坝监测时序数据异常检测方法 | |
CN116167527B (zh) | 纯数据驱动的电力系统静态安全运行风险在线评估方法 | |
CN113554148A (zh) | 一种基于贝叶斯优化的BiLSTM电压偏差预测方法 | |
CN114580545A (zh) | 一种基于融合模型的风电机组齿轮箱故障预警方法 | |
CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
Yang et al. | An intelligent singular value diagnostic method for concrete dam deformation monitoring | |
CN114819340A (zh) | 一种用于天然气日负荷的时序预测方法 | |
CN112731890A (zh) | 一种电厂设备故障的检测方法和装置 | |
Li et al. | A LSTM-based method for comprehension and evaluation of network security situation | |
Zhou et al. | Multi-expert attention network for long-term dam displacement prediction | |
CN114401135B (zh) | 基于LSTM-Attention用户和实体行为分析技术的内部威胁检测方法 | |
Li et al. | A Deformation Prediction Model of High Arch Dams in the Initial Operation Period Based on PSR‐SVM‐IGWO | |
CN115630582A (zh) | 一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备 | |
Lu et al. | Physics guided neural network: Remaining useful life prediction of rolling bearings using long short-term memory network through dynamic weighting of degradation process | |
Chen | Research on the Application of Intelligent Learning Algorithms in Network Security Situation Awareness and Prediction Methods | |
CN113935600A (zh) | 一种基于深度学习的自适应经济调度系统及方法 | |
CN111859798A (zh) | 基于双向长短时神经网络的流程工业故障诊断方法 | |
Zhang et al. | Seismic response prediction of a damped structure based on data-driven machine learning methods |
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 |