CN117235679A - 一种基于lucc的基坑监测用拉压荷载评估方法及系统 - Google Patents
一种基于lucc的基坑监测用拉压荷载评估方法及系统 Download PDFInfo
- Publication number
- CN117235679A CN117235679A CN202311514723.9A CN202311514723A CN117235679A CN 117235679 A CN117235679 A CN 117235679A CN 202311514723 A CN202311514723 A CN 202311514723A CN 117235679 A CN117235679 A CN 117235679A
- Authority
- CN
- China
- Prior art keywords
- data
- foundation pit
- model
- land
- lucc
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 93
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 67
- 230000008859 change Effects 0.000 claims abstract description 55
- 238000007906 compression Methods 0.000 claims abstract description 36
- 230000006835 compression Effects 0.000 claims abstract description 32
- 238000003825 pressing Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 20
- 230000000875 corresponding effect Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000012800 visualization Methods 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 101000859864 Rattus norvegicus Gamma-crystallin E Proteins 0.000 claims description 2
- 230000010267 cellular communication Effects 0.000 claims 1
- 230000001186 cumulative effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000003066 decision tree Methods 0.000 description 14
- 238000010276 construction Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000012876 topography Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000003908 quality control method Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LUCC的基坑监测用拉压荷载评估方法及系统;所述方法包括,STEP1:数据获取:在此步骤中,获取基坑监测数据和土地利用覆盖变化数据。基坑监测数据:通过应变传感器或压力传感器等监测设备获取基坑的拉压荷载数据,用S_i或P_i表示。一、提高基坑工程的安全性:该评估方法可以及时监测和评估基坑的拉压荷载情况,发现基坑稳定性问题,提供预警信息,有助于采取有效的安全措施,确保基坑工程的安全性。二、降低工程风险:通过精确的数据采集和特征提取,以及建立准确的多项式回归模型和梯度提升机,可以更好地了解基坑的稳定性状况,降低工程风险和不确定性。
Description
技术领域
本发明涉及建筑基坑技术领域,特别涉及一种基于LUCC的基坑监测用拉压荷载评估方法及系统。
背景技术
基坑是指在土壤或岩石中挖掘出的、用于建造地下结构的坑穴或凹陷区域。基坑的稳定性对工程安全至关重要,而拉压荷载是影响基坑稳定性的重要因素之一。因此,对于基坑的拉压荷载进行监测和评估非常必要。基坑的拉压荷载是基坑稳定性的重要参数,通过监测拉压荷载可以及时发现基坑稳定性问题,评估基坑的安全性,防止因稳定性问题引发的事故和灾难。
通过实时监测拉压荷载,可以掌握基坑的荷载状态,评估基坑的承载能力和变形情况,从而进行合理的工程设计和质量控制,确保基坑的稳定性和工程质量。基坑的拉压荷载监测数据可以帮助工程师优化施工方案和设计,提供参考依据,调整和改进工程设计,减少风险和成本。
通过实时监测和评估基坑的拉压荷载,可以及早发现异常情况,提前预警,采取相应的应急措施,避免潜在的灾害和损失。对基坑的拉压荷载进行长期的监测和评估,可以积累大量的数据,为相关领域的研究提供宝贵的实验数据和案例,推动该领域的发展和理论研究。
基坑监测的拉压荷载评估对于基坑的稳定性、工程安全、质量控制以及预警和应急响应具有重要的意义。通过科学有效地监测和评估拉压荷载,可以提高基坑工程的安全性和可靠性,确保工程的顺利进行。
但是在现有技术中,单纯采用传感器等传统监测模式只能获取有限的监测数据,往往只能反映当前时刻的拉压荷载情况。这种局限性使得评估结果可能不够全面和准确。
为此,提出一种基于LUCC的基坑监测用拉压荷载评估方法及系统。
发明内容
有鉴于此,本发明实施例提供一种基于LUCC的基坑监测用拉压荷载评估方法及系统,以解决或缓解现有技术中存在的技术问题,即现有技术只能反映当前时刻的拉压荷载情况,造成了局限性,至少提供一种有益的选择;
本发明实施例的技术方案是这样实现的:
第1方面
一种基于LUCC的基坑监测用拉压荷载评估方法:
STEP1:数据获取:在此步骤中,获取基坑监测数据和土地利用覆盖变化数据。基坑监测数据:通过应变传感器或压力传感器等监测设备获取基坑的拉压荷载数据,用S_i或P_i表示。土地利用覆盖变化数据:可以利用遥感影像、土地利用调查数据等获取土地利用类型L_i、土地利用变化速率R_i和土地覆盖类型C_i等信息。
获取LUCC数据:从遥感影像或土地利用调查数据中获取具体区域的土地利用和覆盖变化数据。例如,获取某时间点的土地利用类型L_i,土地利用变化速率R_i,和土地覆盖类型C_i。
获取基坑监测数据:获取基坑的拉压荷载监测数据,例如应变传感器数据S_i或压力传感器数据P_i。
STEP2:数据关联与特征提取:在此步骤中,将基坑监测数据和土地利用覆盖变化数据进行关联分析,并提取与基坑稳定性相关的特征。
将LUCC数据和基坑监测数据进行关联,得到关联矩阵。例如,关联矩阵M_i可以表示土地利用类型、土地利用变化速率和土地覆盖类型与基坑的拉压荷载之间的关系。除了之前提到的特征向量X_i,还可以考虑其他的特征参数,如地形特征、降雨特征或地下水位变化等。
关联矩阵M_i:矩阵M_i表示土地覆盖类型与基坑的拉压荷载之间的关系。这个矩阵的具体构成视具体问题而定。
特征向量X_i:特征向量用于描述与基坑稳定性相关的特征,如土地利用类型L_i、土地利用变化速率R_i、土地覆盖类型C_i以及其他地形特征和降雨特征等参数。
STEP3:模型建立:在此步骤中,建立一个模型来揭示基坑的拉压荷载与特征参数之间的关系。
多项式回归模型:基于特征向量X_i和基坑拉压荷载数据S_i或P_i,建立多项式回归模型。这个模型可以使用多项式函数来拟合数据,包括高次项和交互项。
STEP4:模型改进:为了改进多项式回归模型的预测能力,可引入梯度提升机等方法来降低过拟合风险和揭示非线性关系。
梯度提升机:梯度提升机通过迭代训练多棵树,逐步改进模型的预测能力。目标函数F(x)可以表示为:。
STEP5:模型应用与预测:利用训练好的模型对未来的基坑拉压荷载进行预测,并提供相应的预警信息。
预测过程:基于已有的LUCC数据和监测数据,使用训练好的模型来预测未来的基坑拉压荷载。模型根据特征向量X_i预测基坑拉压荷载S_i或P_i的数值变化。
预警信息:根据预测结果,提供基坑拉压荷载的预警信息,以及可能发生的基坑稳定性问题。
STEP6:地理信息系统GIS集成将LUCC数据、基坑监测数据以及相关模型整合到GIS平台中,实现动态监测和分析,辅助决策过程。
数据整合与分析:将LUCC数据和基坑监测数据与地理坐标进行关联,将其整合到GIS平台中进行分析和处理。
可视化与决策支持:利用GIS平台的空间分析和可视化功能,展示基坑的拉压荷载情况、LUCC数据的变化趋势等。支持决策者的决策过程,提供实时监测和预测的可视化结果。
第2方面
一种基于LUCC的基坑监测用拉压荷载评估系统,基于LUCC的基坑监测用拉压荷载评估系统是一个综合的系统,用于执行基坑拉压荷载的评估方法。系统包括计算处理单元和与之连接的各个模块:
(1)数据采集模块:数据采集模块负责收集和监测基坑的结构参数和外界载荷数据。它包括传感器、数据采集器和通信接口。传感器可以是应变传感器、压力传感器等,用于实时监测基坑的拉压荷载。数据采集器将传感器采集的数据进行处理和记录,然后通过通信接口将数据传输给计算处理单元。
(2)用户界面:用户界面是一个可选的组件,它可用于实时显示评估结果、操作设置和调试等功能。用户界面可以是一个图形用户界面(GUI)或终端界面,用户可以通过界面与系统进行交互,并根据需要进行设置和调整。用户界面可以提供实时数据的可视化展示,帮助用户监测和分析基坑的拉压荷载情况。
(3)存储模块:存储模块用于存储各种参数、中间计算结果和预测结果等数据。它可以是一个内部存储器、外部硬盘或云存储等形式。存储模块可以提供数据的长期保存和备份,并支持对数据的查询和检索。
(4)通信模块:通信模块用于进行数据交换和通信。它可以是有线或无线通信模块,例如以太网、Wi-Fi、蓝牙等。通信模块可以用于传输采集到的数据、接收外部命令和参数配置等。通过通信模块,计算处理单元可以与其他设备和系统进行数据交换和远程访问等操作。
基于LUCC的基坑监测用拉压荷载评估系统包括数据采集模块、用户界面、存储模块和通信模块等组件。这些模块通过计算处理单元实现数据采集、处理、存储、显示和通信等功能,从而实现对基坑的拉压荷载进行评估和监测。
第3方面
一种存储介质,存储介质内存储有用于执行如上述所述的评估方法的程序指令。
存储介质指的是存储有用于执行基于LUCC的基坑监测用拉压荷载评估方法的程序指令。存储介质可以是各种类型的存储设备,例如硬盘、固态硬盘、内存卡、云存储等。在这种存储介质中,存储了执行评估方法所需的各类程序指令,包括数据处理、模型建立和改进、预测分析、结果显示等。这些程序指令描述了整个评估方法的算法逻辑和计算步骤,以实现对基坑拉压荷载的分析、预测和评估。
通过存储介质,计算处理单元可以加载和运行这些程序指令,以实现对基坑拉压荷载进行评估的计算和处理。存储介质所存储的程序指令可以根据需要进行更新和升级,以保持评估方法的最新版本和功能。存储介质是用于存储基于LUCC的基坑监测用拉压荷载评估方法的程序指令的媒介,它提供了执行评估方法所需的算法逻辑和计算步骤,为计算处理单元提供了必要的指令执行环境。通过加载和运行这些程序指令,可以实现基坑拉压荷载的评估和分析。
与现有技术相比,本发明的有益效果是:
一、提高基坑工程的安全性:该评估方法可以及时监测和评估基坑的拉压荷载情况,发现基坑稳定性问题,提供预警信息,有助于采取有效的安全措施,确保基坑工程的安全性。
二、降低工程风险:通过精确的数据采集和特征提取,以及建立准确的多项式回归模型和梯度提升机,可以更好地了解基坑的稳定性状况,降低工程风险和不确定性。
三、优化工程设计和质量控制:基于评估方法的结果,工程师可以优化基坑设计和施工方案,提高工程质量控制,并减少不必要的成本。
四、实现实时监测和预警:通过数据采集模块和通信模块,该方法可以实现对基坑拉压荷载的实时监测和评估。当拉压荷载超过安全阈值时,系统可提供实时预警信息,帮助决策者及时采取措施。
五、支持决策制定:整合的GIS平台可以提供基坑拉压荷载的可视化展示和空间分析,辅助决策者进行决策制定。决策者可以根据评估结果和预警信息,制定相应的措施,确保基坑稳定性和工程的顺利进行。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或有技术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申请的一些实施例,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为本发明的逻辑示意图;
图2为本发明的实施例3的运行程序示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。在现有的基坑施工中,通过实时监测拉压荷载,可以掌握基坑的荷载状态,评估基坑的承载能力和变形情况,从而进行合理的工程设计和质量控制,确保基坑的稳定性和工程质量。基坑的拉压荷载监测数据可以帮助工程师优化施工方案和设计,提供参考依据,调整和改进工程设计,减少风险和成本;为此,请参阅图1,本发明提供一种技术方案以满足上述需求:一种基于LUCC的基坑监测用拉压荷载评估方法:其中包括如下步骤:
STEP1:数据获取:获取基坑监测数据和土地利用覆盖变化的LUCC数据;
获取LUCC数据:从遥感影像或土地利用调查数据中获取具体区域的土地利用和覆盖变化数据,包括土地利用类型L_i、土地利用变化速率R_i和土地覆盖类型C_i;
获取LUCC数据:LUCC数据是指土地利用和覆盖变化的数据,用于描述特定区域的土地利用类型、变化速率和土地覆盖类型。获取LUCC数据通常依赖于以下两个来源:
(1)遥感影像:利用航空遥感影像或卫星遥感图像,通过影像解译和分类方法,可以识别出相应区域的土地利用类型和覆盖变化情况。例如,通过分类方法将影像像素归类为农田、森林、建设用地等不同土地利用类型,并从不同时间的遥感影像中比较变化。
(2)土地利用调查数据:通过对具体区域进行土地利用调查,可以获得相应地块的详细土地利用类型、变化速率和土地覆盖类型等数据。这些数据通常由地方政府、规划部门或研究机构提供。
获取基坑监测数据:获取基坑的拉压荷载监测数据,包括应变传感器数据S_i或/和压力传感器数据P_i。
(1)获取基坑监测数据:基坑监测数据是指对基坑的拉压荷载进行监测和记录的数据。为了准确监测基坑的拉压荷载,可以采集以下两类数据:
(2)应变传感器数据S_i:应变传感器被安装在基坑结构中,用于测量基坑周围的应变变化。这些传感器可以测量土体和结构体在受荷情况下的应变变化,提供了基坑的拉压荷载信息。
(3)压力传感器数据P_i:压力传感器安装在基坑周围或内部,用于测量土体或岩石中的压力变化。这些传感器可以测量土体在施工和使用过程中的压力变化,为评估基坑的稳定性提供必要的数据。
数据获取的目标是收集关键的土地利用和覆盖变化信息以及基坑的监测数据,为后续的数据关联和特征提取提供基础。通过有效获取这些数据,能够准确理解基坑周围环境变化和监测数据,为评估方法的实施奠定基础。
STEP2:数据关联与特征提取:将基坑监测数据和土地利用覆盖变化数据进行关联,并从中提取与基坑稳定性相关的特征;
进行LUCC数据和基坑监测数据的关联分析,并提取与基坑稳定性相关的特征,包括:
关联矩阵M_i:将土地覆盖类型与基坑拉压荷载进行关联,用矩阵表示二者之间的关系;
特征向量X_i:定义特征向量,包括土地利用类型、土地利用变化速率、土地覆盖类型以及地形特征。
,其中,C_1,C_2,C_3,C_4表示土地利用类型、土地利用变化速率、土地覆盖类型以及地形特征;P_1,P_2,P_3,P_4表示对应的基坑的拉压荷载;
设有m个特征参数,包括地形特征:
和降雨特征:
,
特征向量为:
。
在关联矩阵的构建过程中,将土地覆盖类型和地形特征等信息与对应基坑的拉压荷载数据进行关联。这样,可以通过关联矩阵来了解土地利用和覆盖的情况与基坑稳定性之间的关系。在特征向量的定义中,通过组合土地利用类型、土地利用变化速率、土地覆盖类型以及地形特征、降雨特征等一系列特征参数,构成了包含多个特征的向量。特征向量的目的是捕捉LUCC数据和基坑监测数据的关键特征,以便于后续的模型建立和改进。
通过关联矩阵和特征向量的构建,将LUCC数据和基坑监测数据有机地联系在一起,并从中提取出与基坑稳定性相关的特征。这些特征将在后续的建模、改进和预测过程中发挥重要作用,为评估基坑的拉压荷载和稳定性提供有效的数据基础。
STEP3:模型建立:建立一个多项式回归模型,通过考虑特征向量X_i和基坑拉压荷载数据S_i或P_i之间的非线性关系,引入交互项和高次项,用来描述二者之间的复杂相互作用。多项式回归模型的如下:
,其中,S_i或P_i是基坑的拉压荷载数据,X_i是特征向量,每个元素代表一个特征值,例如土地利用类型、土地利用变化速率、土地覆盖类型、地形特征和降雨特征等。β_0、β_1、β_2、...、β_i是回归系数,表示模型中各个特征项的影响权重。X_i^2、X_i^3等表示特征向量的高次项,引入这些项可以捕捉到特征的非线性变化和相互作用。
回归系数:表示自变量β_i对因变量X_i影响大小的参数。回归系数越大表示β_i对X_i 影响越大。通过对所有的训练样本进行拟合过程,可以获得多项式回归模型的回归系数(β_0、β_1、β_2、...、β_i、β_ij)。拟合过程优选使用最小二乘法来求解,以找到最佳的回归系数,使得模型能够最好地拟合训练样本中的基坑拉压荷载数据S_i或P_i。
STEP4:模型改进:通过梯度提升机,对模型进行降低过拟合风险,并揭示出非线性关系;通过梯度提升机对模型进行改进,以降低过拟合的风险并揭示出非线性关系。梯度提升机是一种基于决策树的集成学习方法,通过迭代训练多个决策树模型来逐步提高模型的预测能力。
梯度提升机的基本原理可以描述如下:
设有N个训练样本,希望通过梯度提升机获得一个预测函数F(x)。其中,F(x)是最终模型的预测结果。
初始化拟合函数F_0(x)作为初始模型的预测值,然后迭代训练M棵决策树以逐步对F(x)进行修正。第X棵树的预测结果为h_m(x),学习速率为γ_m。
梯度提升机的目标函数可以表示为:
,这里,F(x)表示最终模型的预测结果;F_0(x)是初始模型的预测结果;h_1(x)表示第1棵树的预测结果,h_2(x)表示第2棵树的预测结果,h_m(x)是第X棵树的预测结果,γ_1表示第1棵树的学习速率,γ_2表示第2棵树的学习速率;γ_m是第X棵树的学习速率。
梯度提升机采用加法模型的组合方法,每棵树的目标是拟合上一棵树的残差。具体地,第X棵树的预测结果被定义为上一棵树的预测结果/>加上一个决策树模型的预测结果/>:
,/>是学习率。
在训练过程中,根据损失函数计算残差,并拟合一棵树来近似残差。通过迭代训练多棵树,梯度提升机逐渐修正模型的预测结果,提高模型的拟合能力。梯度提升机具有良好的泛化能力和非线性建模能力,可以通过适当的学习率和迭代次数来调整模型的性能。通过使用梯度提升机,能够改善模型的拟合效果,并揭示出特征之间的非线性关系,使模型更准确地预测基坑的拉压荷载情况。
STEP5:模型应用与预测:使用训练好的模型分析未来的基坑拉压荷载,并提供评估信息。
使用训练好的模型:在之前的步骤中,通过数据关联、特征提取、模型建立和改进的过程,训练并获得了一个准确的模型,该模型可以预测基坑的拉压荷载值。
STEP6:GIS集成:将LUCC数据、基坑监测数据以及相关模型整合到GIS平台中,实现动态监测和分析:
数据整合:将LUCC数据和基坑监测数据与地理坐标进行关联;
分析可视化:利用GIS平台的空间分析和可视化功能,展示基坑的拉压荷载情况、LUCC数据的变化趋势;
决策支持:利用GIS平台辅助决策者进行基坑稳定性问题的决策过程。
通过将LUCC数据、基坑监测数据和相关模型整合到GIS平台中,可以实现基坑稳定性监测和分析的动态展示。这有助于决策者更好地了解基坑的拉压荷载情况和土地利用变化趋势,并在决策过程中获取更准确的信息。GIS平台提供了强大的空间分析和可视化功能,能够以图形化的形式展示和处理数据,为基坑工程的决策过程提供重要支持。
以上所述具体实施方式的各技术特征可以进行任意的组合,为使描述简洁,未对上述具体实施方式中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
实施例1
为使本发明的上述具体实施方式更加明显易懂,下面对本发明的具体实施方式做详细的示例性的说明。本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的实施例的限制。
本实施例基于上述具体实施方式中描述的相关原理,其中示例性应用时:
在STEP1中收集关键的土地利用和覆盖变化信息以及基坑的监测数据,为后续的数据关联和特征提取提供基础;
在STEP2数据关联与特征提取中,LUCC数据和基坑监测数据进行关联分析,并提取与基坑稳定性相关的特征。这意味着通过建立关联矩阵M_i,将土地覆盖类型与基坑的拉压荷载数据联系起来。同时,定义特征向量X_i,其中包括土地利用类型、土地利用变化速率、土地覆盖类型以及其他地形和降雨特征等。这样,LUCC数据和基坑监测数据在特征提取中发挥重要作用。
在STEP3模型建立中,基于特征向量X_i和基坑拉压荷载数据S_i或P_i,建立多项式回归模型来探索两者之间的关系,并揭示其关联性。在模型建立过程中,LUCC数据和基坑监测数据的特征信息被应用于建立数学模型,从而找到拉压荷载与特征之间的函数关系。
在STEP4模型改进中,通过引入梯度提升机等方法,对已建立的多项式回归模型进行改进。梯度提升机基于LUCC数据和监测数据的特征信息,改进模型的预测能力,降低过拟合风险,并揭示出非线性关系。因此,LUCC数据和基坑监测数据在模型改进阶段发挥关键作用。
在STEP5模型应用与预测中,训练好的模型利用LUCC数据和基坑监测数据对未来的基坑拉压荷载进行预测。模型根据特征向量X_i中的LUCC数据和监测数据预测基坑的拉压荷载S_i或P_i的数值变化。因此,LUCC数据和基坑监测数据在基坑拉压荷载的预测和评估中起着重要的作用。
LUCC数据与基坑监测数据联系起来后,参与了后续步骤2到步骤6的数据处理、建模和预测过程。它们的联系和参与使评估方法能够综合利用土地利用变化和监测数据,更准确地评估基坑的稳定性和预测其拉压荷载情况。
以上所述实施例仅表达了本发明的相关实际应用的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。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。
实施例2
为使本发明的上述具体实施方式更加明显易懂,下面对本发明的具体实施方式做详细的示例性的说明。本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的实施例的限制。
本实施例基于上述具体实施方式中描述的相关原理,其中示例性应用时:
在STEP2中:
(1)关联矩阵M_i:
将土地覆盖类型与基坑拉压荷载进行关联,构成关联矩阵M_i。
关联矩阵描述了土地覆盖类型和基坑拉压荷载数据之间的关系。
M_i是一个2×4的矩阵,其中的元素C_1、C_2、C_3、C_4分别表示土地利用类型、土地利用变化速率、土地覆盖类型和地形特征等。
P_1、P_2、P_3、P_4表示对应的基坑的拉压荷载数据。
(2)特征向量X_i:
定义特征向量X_i,包括土地利用类型、土地利用变化速率、土地覆盖类型、地形特征以及其他特征参数。
特征向量的维度为m,其中包含地形特征(T_1,T_2,...,T_m)和降雨特征(R_1,R_2,...,R_m)等。
,表示特征向量X_i。
示例性的,设:
基坑监测数据P_i:
,
,
,
。
土地利用类型L_i:
,
,
,
。
土地利用变化速率R_i:
,
,
,
。
土地覆盖类型C_i:
,
,
,
。
地形特征T_1,T_2:
,
。
降雨特征R_1,R_2:
,
。
首先构建关联矩阵M_i:
,
M=|住宅区,自然保护区,工业区,公园||10.5,12.8,9.2,11.6|。
接下来定义特征向量X_i:
,其中:
L_i=[农田,森林,建设用地,水域]^T:
,
C_i=[住宅区,自然保护区,工业区,公园]^T:
,
,
将所有的参数代入特征向量,有:
,
,
,
。
通过构建关联矩阵和特征向量,将基坑监测数据、土地利用变化数据和其他特征参数联系在一起。关联矩阵描述了土地利用类型与基坑拉压荷载之间的关系,而特征向量代表了每个区域的具体特征信息。
这些关联分析和特征提取的过程为后续步骤中的模型建立和改进提供了所需的数据基础。在实际应用中,可以通过类似的方式,根据具体的数据和参数,进行类似的计算和分析,以实现基于LUCC的基坑监测用拉压荷载评估方法的数据处理流程。
以上所述实施例仅表达了本发明的相关实际应用的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。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。
实施例3
为使本发明的上述具体实施方式更加明显易懂,下面对本发明的具体实施方式做详细的示例性的说明。本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的实施例的限制。
本实施例基于上述具体实施方式中描述的相关原理,其中示例性应用时:
在STEP3中:
在建立多项式回归模型的过程中,考虑了特征向量X_i和基坑拉压荷载数据S_i或P_i之间的非线性关系,并通过引入交互项和高次项来提高模型的灵活性,以更好地描述基坑稳定性与特征之间的关系。
在多项式回归模型中,每个元素代表一个特征值,例如土地利用类型、土地利用变化速率、土地覆盖类型、地形特征和降雨特征等。下面是更具体实现这些特征的方法:
(1)土地利用类型:对于离散的土地利用类型变量,可以使用独热编码(One-HotEncoding)来表示。例如,如果土地利用类型有4个类别(农田、森林、建设用地、水域),可以为每个类别引入一个二进制变量,将其转化为一个4维的独热编码向量。每个二进制变量的取值表示该类别是否存在,为0或1。
(2)土地利用变化速率:土地利用变化速率可以作为连续的数值特征。直接将变化速率作为特征值引入特征向量即可。
(3)土地覆盖类型:类似于土地利用类型,土地覆盖类型也可以使用独热编码进行表示。例如,如果土地覆盖类型有4个类别(住宅区、自然保护区、工业区、公园),可以创建包含4个二进制变量的独热编码向量。
(4)地形特征:地形特征通常是连续的数值,如高程、坡度、坡向等。这些连续的地形特征可以直接作为特征向量的元素。
(5)降雨特征:降雨特征也是连续的数值特征,表示降雨的数量或强度等信息。直接将降雨特征作为特征向量的元素。
(5)特征向量(X_i)的具体实现方式将取决于所使用的编程语言和工具。一般而言,可以使用数组、列表或数据框等数据结构来表示特征向量,并将不同特征的值分配给相应的元素。例如,在Python中,可以使用NumPy或Pandas库来创建和操作特征向量。
特征的具体实现方式取决于特征的性质和数据类型。离散的特征可以通过独热编码来转化为二进制向量,而连续的特征可以直接作为特征向量的元素。根据具体情况选择合适的数据结构和方法来构建特征向量,在多项式回归模型中使用这些特征向量来探索基坑拉压荷载与特征之间的关系。
示例性的:
设有以下数据:
基坑拉压荷载数据P_i:
,
,
,
。
特征向量X_i:
,
,
,
。
为了建立多项式回归模型并找到最佳的回归系数,可以使用最小二乘法来进行求解。最小二乘法通过最小化实际观测数据与模型预测数据之间的残差平方和,来获得最佳的回归系数。
回归模型:
,可以将特征向量X_i和对应的基坑拉压荷载数据P_i代入模型中,得到一个方程组。通过最小二乘法求解这个方程组,可以得到最佳的回归系数。
具体的:
,将特征向量和基坑拉压荷载数据代入,得到以下方程组:
,
,
,
。/>
将这个方程组写成矩阵形式:
,其中,P是基坑拉压荷载值的向量,X是特征向量矩阵,β是回归系数的向量。通过最小二乘法求解,可以得到最佳的回归系数β。
具体求解的过程,要根据具体的数值计算方法和工具进行实现。在Python中使用NumPy库中的函数np.linalg.lstsq()来进行最小二乘法的求解,如图2所示。
通过以上代码,可以得到最佳的回归系数beta,这些系数可用于建立多项式回归模型。这个模型可以帮助理解基坑的拉压荷载与特征之间的关系,并用于预测未知基坑的拉压荷载值。
通过使用最小二乘法求解,可以获得最佳的回归系数,使得多项式回归模型与实际观测数据最好地拟合。最小二乘法的求解过程会自动考虑特征的权重和相关性,从而得到最佳的回归模型。
以上所述实施例仅表达了本发明的相关实际应用的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。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。
实施例4
为使本发明的上述具体实施方式更加明显易懂,下面对本发明的具体实施方式做详细的示例性的说明。本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的实施例的限制。
本实施例基于上述具体实施方式中描述的相关原理,其中示例性应用时:
在STEP4中:
F_0(x)是初始化的拟合函数,可以选择一个简单的预测模型作为初始模型,例如常数或线性回归模型。
h_m(x)是第X棵树的预测结果,表示新增加的一棵树对最终模型的修正。每棵树的预测结果由其特定的决策规则(例如决策树)决定。在实际应用中,决策树通常通过拟合训练数据中的残差来生成。
γ_m是学习率,用于控制每棵树的贡献程度。学习率可以理解为每棵树的权重,它决定了新增加的每棵树对最终模型的影响大小。较小的学习率可以使模型更加稳定,但可能需要更多的迭代次数来达到期望的性能;较大的学习率可以加快学习过程,但可能会导致模型过拟合。学习率一般要根据具体情况进行调整和优化。
在梯度提升机的训练过程中,通过逐步迭代添加树来修正模型预测结果,每次迭代时都会更新F(x)。学习率γ_m控制着每棵树的贡献程度,可以用于平衡模型的偏差和方差。通过合理调整学习率,可以减少过拟合的风险并提高模型的性能。
在实际应用中,可以通过交叉验证等方法来选择合适的初始模型、调整每棵树的预测结果和学习率。这些参数的选择将依赖于具体的数据集和模型要求,需要进行实验和调优,以获取最佳的模型性能和拟合结果。
,是梯度提升机的迭代更新公式,其具体目的是根据上一棵树的预测结果/>和当前新增加的一棵树的预测结果/>,来逐步修正最终模型的预测结果/>。
具体来说,这个更新公式的目的是在每一轮迭代中,通过新增加的一棵树来修正和改进上一轮的模型预测结果/>。这种迭代的过程可以逐步提高模型的预测能力和拟合效果,从而更准确地预测基坑的拉压荷载情况。在每一轮迭代中,新增加的一棵树/>拟合的是上一轮模型的残差,也就是实际观测结果与上一轮模型预测结果之间的差异。通过这种方式,梯度提升机能够逐渐改进模型的预测效果,尤其是在非线性关系存在的情况下。
学习率控制着每棵树的贡献程度。通过调整学习率,可以平衡每棵树对模型的影响力。较小的学习率可以使新增加的树的贡献更加稳定,减少过拟合的风险;较大的学习率可以加速学习过程,但也可能导致模型过于复杂,产生过拟合现象。在模型训练中,需要根据实际情况进行学习率的选择。
通过不断迭代修正模型,以提高模型的预测能力和拟合效果。每一轮迭代中,新的树在拟合残差的基础上逐步修正模型,最终获得更准确的预测结果。这种迭代的过程使得梯度提升机具备了较强的非线性关系建模能力,并能够有效应对复杂的数据情况。
示例性的:设有以下数据:
基坑拉压荷载数据P_i:
,
,
,
。
设使用Gradient Boosting Regression(梯度提升回归)作为梯度提升机的算法,并使用默认的学习率:
初始化拟合函数F_0(x):选择一个预测模型作为初始模型的预测值。优选一个常数模型,将初始值设置为训练样本基坑拉压荷载数据的平均值。
。
迭代训练决策树:对于每一轮迭代m,拟合一棵决策树来近似上一轮模型的残差。
设进行两轮迭代。在每一轮迭代中,可以计算残差并拟合决策树。
第一轮迭代(m=1):计算第一轮的残差:
拟合一棵决策树来近似第一轮迭代的残差。设定该决策树的预测结果为h_1(x)。
第二轮迭代(m=2):计算第二轮的残差,即上一轮模型的残差减去第一轮决策树的预测结果:
拟合第二轮决策树来近似第二轮迭代的残差。
更新模型预测结果:使用学习率将新的树的预测结果加到上一轮模型结果中,得到最终的预测结果。
,/>、/>等是学习率,可以根据需要进行调整。
通过初始化拟合函数和多轮迭代,逐步修正模型的预测结果,以逼近真实基坑拉压荷载数据。每一轮迭代时,拟合一棵决策树来逼近上一轮模型的残差,最终得到更准确的预测结果。
以上所述实施例仅表达了本发明的相关实际应用的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。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。
实施例5
为使本发明的上述具体实施方式更加明显易懂,下面对本发明的具体实施方式做详细的示例性的说明。本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的实施例的限制。
本实施例基于上述具体实施方式中描述的相关原理,其中示例性应用时:
在STEP5中:
分析未来的基坑拉压荷载:在模型应用阶段,将使用训练好的模型来分析未来基坑的拉压荷载情况。根据未来的土地利用变化、土地覆盖变化等信息,可以提取相应的特征,并输入到模型中进行预测。
提供评估信息:使用训练好的模型进行基坑拉压荷载预测后,可以提供评估信息,如预测结果、置信区间等。这些信息可以帮助工程师和相关决策者了解基坑稳定性情况,评估基坑工程的风险和安全性。
通过模型应用与预测,可以对未来的基坑拉压荷载进行分析和预测,并提供相关的评估信息,以支持基坑工程的规划、设计和管理决策。这样的预测和评估信息可以帮助工程师制定相应的措施,及时发现潜在问题并采取针对性的措施,以确保基坑的稳定性和工程安全性。
在模型应用与预测阶段,需要保持对模型的监测和更新。随着数据的积累和新的观测结果的获得,可以对模型进行进一步的改进和优化,以提高其预测精度和适用性。定期监测模型的性能,并根据需要进行模型更新,以保持模型的有效性和可靠性。
示例性的:设已经完成了STEP1至STEP4的步骤,并得到了一个训练好的梯度提升机模型。训练好的模型可以表示为:
。/>
现在,希望使用训练好的模型来分析未来的基坑拉压荷载情况。设定有以下未来的特征向量需要进行预测:
,
。
可以根据训练好的模型,将这些特征向量代入预测公式,得到基坑的拉压荷载预测值:
,
。
将特征向量代入模型,可以得到具体的计算过程。各个特征项的具体计算和模型的具体形式会根据具体的参数和模型选择而有所不同。在梯度提升机模型中,使用了训练好的回归树(h(x))和相应的学习率(γ)来进行预测。而具体的模型参数、学习率以及特征项的数值计算需要根据实际情况进行具体的设置和运算。
通过以上步骤,可以使用训练好的模型对未来的基坑拉压荷载进行预测,并获得相应的预测结果。这些预测结果可以提供给工程师和相关决策者,用于基坑工程的规划、设计和管理决策,帮助评估基坑的稳定性和工程的风险与安全性。
以上所述实施例仅表达了本发明的相关实际应用的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。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。
实施例6
为使本发明的上述具体实施方式更加明显易懂,下面对本发明的具体实施方式做详细的示例性的说明。本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的实施例的限制。
本实施例基于上述具体实施方式中描述的相关原理,其中示例性应用时:
在STEP6中:
数据整合:在GIS集成阶段,首先将LUCC数据和基坑监测数据与地理坐标进行关联。通过地理坐标的匹配,将这些数据与地理空间位置相关联起来。这样,就能够在GIS平台上以空间数据的形式展示和管理这些信息。
分析可视化:利用GIS平台的空间分析和可视化功能,展示基坑的拉压荷载情况和LUCC数据的变化趋势。通过将基坑监测数据和LUCC数据与地理坐标关联起来,可以将这些数据在地理空间上进行可视化展示。这包括绘制基坑样点的拉压荷载分布图、绘制LUCC数据的变化趋势地图等。通过空间分析功能,还可以进行相应的空间统计、热力图绘制等操作。
决策支持:在GIS平台上,可以利用各种辅助决策的功能来进行基坑稳定性问题的决策过程。通过将基坑监测数据、LUCC数据以及相关模型整合到GIS平台中,决策者可以借助GIS平台提供的工具和功能,对基坑稳定性问题进行更全面、直观的分析和决策。例如,在地图上展示拉压荷载热力图,进行基坑风险区域的划分,进行不同土地利用类型的示意图分析等。
示例性的:设有以下参数和数据:
LUCC数据:一个包含土地利用类型和变化的矢量数据集;示例:
土地利用类型:农田、森林、建设用地、水域等。
土地利用变化:根据时间进行分类,如2010年、2015年等。
基坑监测数据:一个包含基坑的拉压荷载值和地理坐标的表格数据;示例:
XX.XXXX为示例性演示经纬度数值变化与包含基坑的拉压荷载值之间的对应,其不具备实际含义。
基坑 | 纬度 | 经度 | 拉压荷载值 |
1 | XX.XXXX | XX.XXXX | 10.5kN/m² |
2 | XX.XXXX | XX.XXXX | 12.8kN/m² |
3 | XX.XXXX | XX.XXXX | 9.2kN/m² |
4 | XX.XXXX | XX.XXXX | 11.6kN/m² |
模型预测结果:一个基于梯度提升机训练好的模型,可以通过其预测函数F(x)预测基坑的拉压荷载值:
(1)数据整合:将LUCC数据和基坑监测数据与地理坐标进行关联。通过基坑ID和地理坐标,将LUCC数据和基坑监测数据进行整合。
(2)分析可视化:利用GIS平台的空间分析和可视化功能,展示基坑的拉压荷载情况和LUCC数据的变化趋势。通过绘制基坑的拉压荷载分布图,可以直观了解基坑的稳定性情况。同时,绘制LUCC数据的变化趋势地图,可以观察土地利用类型的演变情况。
(3)决策支持:利用GIS平台辅助决策者进行基坑稳定性问题的决策过程。例如,将基坑的拉压荷载分布图与土地利用类型的示意图进行叠加分析,可以帮助决策者确定不同土地利用类型下基坑的稳定性差异,从而制定相应的措施。
通过以上过程,将LUCC数据、基坑监测数据和相关模型整合到GIS平台中,并利用GIS平台的空间分析和可视化功能展示基坑的拉压荷载情况和土地利用变化趋势。这样的GIS集成有助于决策者更好地了解基坑的稳定性情况。
以上所述实施例仅表达了本发明的相关实际应用的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。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。
以上所述实施例仅表达了本发明的相关实际应用的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。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)
1.一种基于LUCC的基坑监测用拉压荷载评估方法,其特征在于,包括:
STEP1:数据获取:获取基坑监测数据和土地利用覆盖变化的LUCC数据;
STEP2:数据关联与特征提取:将基坑监测数据和土地利用覆盖变化数据进行关联,并从中提取与基坑稳定性相关的特征;
STEP3:模型建立:建立一个多项式回归模型,探索基坑的拉压荷载与特征之间的关系并揭示其关联性;
STEP4:模型改进:通过梯度提升机,对模型进行降低过拟合风险,并揭示出非线性关系;
STEP5:模型应用与预测:使用训练好的模型分析未来的基坑拉压荷载,并提供评估信息。
2.根据权利要求1所述的评估方法,其特征在于:在STEP1中:
获取LUCC数据:从遥感影像或土地利用调查数据中获取具体区域的土地利用和覆盖变化数据,包括土地利用类型L_i、土地利用变化速率R_i和土地覆盖类型C_i;
获取基坑监测数据:获取基坑的拉压荷载监测数据,包括应变传感器数据S_i或/和压力传感器数据P_i。
3.根据权利要求2所述的评估方法,其特征在于:在STEP2中:
进行LUCC数据和基坑监测数据的关联分析,并提取与基坑稳定性相关的特征,包括:
关联矩阵M_i:将土地覆盖类型与基坑拉压荷载进行关联,用矩阵表示二者之间的关系;
特征向量X_i:定义特征向量,包括土地利用类型、土地利用变化速率、土地覆盖类型以及地形特征。
4.根据权利要求3所述的评估方法,其特征在于:
,其中,
C_1,C_2,C_3,C_4表示土地利用类型、土地利用变化速率、土地覆盖类型以及地形特征;
P_1,P_2,P_3,P_4表示对应的基坑的拉压荷载;
设有m个特征参数,
包括地形特征:,
和降雨特征:,
特征向量为:。
5.根据权利要求3所述的评估方法,其特征在于:
在STEP3中:
基于特征向量X_i和基坑拉压荷载数据S_i或P_i,并基于特征间的非线性关系,引入交互项和高次项建立多项式回归模型:
,其中,
β_0,β_1,β_2,...,β_i为回归系数;通过拟合过程,得到多项式回归模型的回归系数。
6.根据权利要求5所述的评估方法,其特征在于:在STEP4中:
有N个训练样本,F(x)表示梯度提升机的预测结果,F_0(x)为初始的拟合函数,h_1(x)表示第1棵树的预测结果,h_2(x)表示第2棵树的预测结果,h_m(x)表示第X棵树的预测结果,γ_1表示第1棵树的学习速率,γ_2表示第2棵树的学习速率,γ_m表示第X棵树的学习速率,梯度提升机的目标函数:
,
梯度提升机:,/>表示第m个模型的预测值;/>表示前m-1个模型的累积预测值;/>是学习率;/>是回归树模型,迭代训练多棵树,适配模型的预测能力。
7.根据权利要求1~6任意一项所述的评估方法,其特征在于:评估方法还包括:
STEP6:GIS集成:将LUCC数据、基坑监测数据以及相关模型整合到GIS平台中,实现动态监测和分析:
数据整合:将LUCC数据和基坑监测数据与地理坐标进行关联;
分析可视化:利用GIS平台的空间分析和可视化功能,展示基坑的拉压荷载情况、LUCC数据的变化趋势;
决策支持:利用GIS平台辅助决策者进行基坑稳定性问题的决策过程。
8.一种基于LUCC的基坑监测用拉压荷载评估系统,其特征在于:
包括用于执行如权利要求1~7任意一项所述的评估方法的计算处理单元,所述计算处理单元电性连接有如下模块:
数据采集模块:用于收集和监测桥梁结构参数和外界载荷数据,包括传感器、数据采集器和通信接口;
用户界面:可选的用户界面,用于实时显示评估结果、操作设置和调试;
存储模块:用于储存各种参数、中间计算结果和预测结果;
通信模块:用于进行数据交换和通信。
9.根据权利要求8所述的评估系统,其特征在于:传感器包括设于基建区的应变计、加速度计;存储模块包括RAM和非易失性存储器;通信模块包括以太网、Wi-Fi、蓝牙或蜂窝通信接口;用户界面包括显示屏、按键或触摸屏。
10.一种存储介质,其特征在于:所述存储介质内存储有用于执行如权利要求1~7任意一项所述的评估方法的程序指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514723.9A CN117235679A (zh) | 2023-11-15 | 2023-11-15 | 一种基于lucc的基坑监测用拉压荷载评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514723.9A CN117235679A (zh) | 2023-11-15 | 2023-11-15 | 一种基于lucc的基坑监测用拉压荷载评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117235679A true CN117235679A (zh) | 2023-12-15 |
Family
ID=89097038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311514723.9A Pending CN117235679A (zh) | 2023-11-15 | 2023-11-15 | 一种基于lucc的基坑监测用拉压荷载评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235679A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376331A (zh) * | 2018-08-22 | 2019-02-22 | 东南大学 | 一种基于梯度提升回归树的城市公交车排放率估计方法 |
CN111241611A (zh) * | 2018-11-27 | 2020-06-05 | 星际空间(天津)科技发展有限公司 | 一种辅助基坑实施的方法 |
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 |
CN112765803A (zh) * | 2021-01-12 | 2021-05-07 | 河海大学 | 一种基坑坑底抗隆起稳定性失效概率的评估方法及系统 |
CN113006085A (zh) * | 2021-03-12 | 2021-06-22 | 河北工业大学 | 一种先撑后挖的斜向预制钢桩基坑支护体系及其施工方法 |
CN113779835A (zh) * | 2021-09-11 | 2021-12-10 | 浙江永欣联科信息科技股份有限公司 | 基于ai与智能监测系统的深大基坑安全预警方法 |
CN114548725A (zh) * | 2022-02-15 | 2022-05-27 | 大连理工大学 | 一种基于熵权-层次分析模糊综合评价法的深基坑稳定性评估方法 |
CN114881359A (zh) * | 2022-06-02 | 2022-08-09 | 招商局重庆交通科研设计院有限公司 | 融合GBDT和XGBoost的路面IRI预测方法 |
CN114991225A (zh) * | 2022-04-14 | 2022-09-02 | 华中科技大学 | 一种深基坑变形监测方法、装置和服务器 |
CN115116195A (zh) * | 2022-08-22 | 2022-09-27 | 广州云硕科技发展有限公司 | 基于人工智能的基坑监测方法和装置 |
CN116050281A (zh) * | 2023-02-24 | 2023-05-02 | 上海澄域岩土科技有限公司 | 一种基坑变形监测方法及系统 |
CN116796141A (zh) * | 2022-03-14 | 2023-09-22 | 水发能源集团有限公司 | 一种基于gbdt回归模型的办公建筑能耗预测方法 |
CN116992522A (zh) * | 2023-06-25 | 2023-11-03 | 中煤科工集团武汉设计研究院有限公司 | 深基坑围护结构变形预测方法、装置、设备及存储介质 |
CN117034014A (zh) * | 2023-08-24 | 2023-11-10 | 中国建筑第二工程局有限公司 | 一种深基坑形变智能控制方法及控制系统 |
-
2023
- 2023-11-15 CN CN202311514723.9A patent/CN117235679A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376331A (zh) * | 2018-08-22 | 2019-02-22 | 东南大学 | 一种基于梯度提升回归树的城市公交车排放率估计方法 |
CN111241611A (zh) * | 2018-11-27 | 2020-06-05 | 星际空间(天津)科技发展有限公司 | 一种辅助基坑实施的方法 |
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 |
CN112765803A (zh) * | 2021-01-12 | 2021-05-07 | 河海大学 | 一种基坑坑底抗隆起稳定性失效概率的评估方法及系统 |
CN113006085A (zh) * | 2021-03-12 | 2021-06-22 | 河北工业大学 | 一种先撑后挖的斜向预制钢桩基坑支护体系及其施工方法 |
CN113779835A (zh) * | 2021-09-11 | 2021-12-10 | 浙江永欣联科信息科技股份有限公司 | 基于ai与智能监测系统的深大基坑安全预警方法 |
CN114548725A (zh) * | 2022-02-15 | 2022-05-27 | 大连理工大学 | 一种基于熵权-层次分析模糊综合评价法的深基坑稳定性评估方法 |
CN116796141A (zh) * | 2022-03-14 | 2023-09-22 | 水发能源集团有限公司 | 一种基于gbdt回归模型的办公建筑能耗预测方法 |
CN114991225A (zh) * | 2022-04-14 | 2022-09-02 | 华中科技大学 | 一种深基坑变形监测方法、装置和服务器 |
CN114881359A (zh) * | 2022-06-02 | 2022-08-09 | 招商局重庆交通科研设计院有限公司 | 融合GBDT和XGBoost的路面IRI预测方法 |
CN115116195A (zh) * | 2022-08-22 | 2022-09-27 | 广州云硕科技发展有限公司 | 基于人工智能的基坑监测方法和装置 |
CN116050281A (zh) * | 2023-02-24 | 2023-05-02 | 上海澄域岩土科技有限公司 | 一种基坑变形监测方法及系统 |
CN116992522A (zh) * | 2023-06-25 | 2023-11-03 | 中煤科工集团武汉设计研究院有限公司 | 深基坑围护结构变形预测方法、装置、设备及存储介质 |
CN117034014A (zh) * | 2023-08-24 | 2023-11-10 | 中国建筑第二工程局有限公司 | 一种深基坑形变智能控制方法及控制系统 |
Non-Patent Citations (2)
Title |
---|
"银川市复杂环境下深基坑稳定性安全评价研究", 《地基与基础》 * |
郭涛;: "自回归分析模型在基坑变形监测数据预报中的应用", 长江工程职业技术学院学报, no. 03 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Artificial neural network based hybrid modeling approach for flood inundation modeling | |
JP7001626B2 (ja) | 河川流域に関する水文解析および管理のためのプロセスおよびシステム | |
Ray et al. | Application of soft computing techniques for shallow foundation reliability in geotechnical engineering | |
Zhang et al. | Application of optimized grey discrete Verhulst–BP neural network model in settlement prediction of foundation pit | |
CN113779835A (zh) | 基于ai与智能监测系统的深大基坑安全预警方法 | |
Behnia et al. | Predicting crest settlement in concrete face rockfill dams using adaptive neuro-fuzzy inference system and gene expression programming intelligent methods | |
CN108256172A (zh) | 一种顶管下穿既有箱涵过程中险情预警预报方法 | |
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 | |
CN115359629B (zh) | 一种基于序贯评估法的区域滑坡灾害预警方法 | |
Chen et al. | Genetic programming for predicting aseismic abilities of school buildings | |
Chen et al. | Integration of numerical model and cloud computing | |
CN113642812B (zh) | 基于北斗的微形变预测方法、装置、设备及可读存储介质 | |
CN117037432B (zh) | 基于多方法协同的风险评价地质灾害预警方法 | |
CN104182802A (zh) | 一种煤层瓦斯含量自动化及可视化预测方法 | |
CN117235679A (zh) | 一种基于lucc的基坑监测用拉压荷载评估方法及系统 | |
Moradi et al. | Prediction of groundwater level fluctuation using methods based on machine learning and numerical model | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
CN115182398B (zh) | 一种地震预警区域的地下水位及地表沉降预测方法 | |
CN110852415A (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
CN112906239B (zh) | 综合管廊的安全性态评价方法、装置、处理器及存储介质 | |
Molina-Gómez et al. | Assessment of groundwater level variations using multivariate statistical methods | |
Li et al. | Multisource monitoring data-driven slope stability prediction using ensemble learning techniques | |
CN117634895B (zh) | 一种非煤矿山安全动态风险评估系统及其评估方法 | |
Pezij | Application of soil moisture information for operational water management | |
CN117035468B (zh) | 一种电缆管理分析方法、装置、设备及存储介质 |
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 |