[发明专利]基于信息最大化理论的地铁施工地表沉降分析方法及系统

说明书

公开了一种基于信息最大化理论的地铁施工地表沉降分析方法及系统。该方法可以包括：步骤1：获取多个监测点的监测数据；步骤2：针对每一个监测点，进行以下步骤：步骤201：根据监测数据绘制散点图，将散点图通过多组网格参数与多种网格模式进行网格划分，获得多个网格图；步骤202：计算散点数据点的分布概率，进而计算每一个网格模式的互信息值，确定该网格参数的最大互信息值；步骤203：重复步骤202，获得每一组网格参数的标准化的最大互信息值；步骤204：计算最大信息系数；步骤3：比较不同监测点的最大信息系数，分析地表沉降。本发明通过比较不同分区中的最大信息系数，能够快速准确地分析地铁施工过程中地表沉降与其影响因素之间的相关性。

技术领域

本发明涉及地铁施工领域，更具体地，涉及一种基于信息最大化理论的地铁施工地表沉降分析方法及系统。

背景技术

为方便人们的出行，地铁车站往往设在人流量大、建筑密集、交通繁忙的中心地带，而车站的施工涉及深基坑工程，考虑到施工过程中车站自身的安全以及对周边环境的影响，需对车站建设过程中的变形需密切关注。对于地铁车站施工过程中所引起的地表沉降变形机理的研究，常用的方法有：经验曲线(公式)法、解析解法、数值模拟方法、人工智能方法。

地铁车站大多设在人流量大、建筑密集、交通繁忙的中心地带，其建设施工过程中需考虑到车站自身的建筑安全及其对周边环境的影响，涉及深基坑工程。因此，需对车站建设过程中的地基变形情况进行密切关注。

对于地铁车站施工过程中所引起的地表沉降变形机理的研究，常用的方法有：经验曲线(公式)法、解析解法、数值模拟方法、人工智能方法。其中，经验曲线(公式)法往往是对大量的工程监测数据加以统计分析，得到地表沉降变形机理，但是在不同的支护方法、支护强度、复杂的开挖条件和土体条件时，经验分析法的沉降预测值与真实值会有比较大的差异。解析解法则是基于余误差函数提出计算基坑周边土体竖向以及横向变形的拟合公式，并将公式结果与实测数据进行比较，得到地表沉降变形机理，但它的计算量相对来说较小，只能在简单的情况下做出沉降预测，需要对实际工程进行多方面的简化假设。数值模拟方法通过模拟出实际施工环境，能更为全面地分析地铁车站施工过程中的地表沉降变化机理，但其计算量太大，进行研究时只能考虑较少的因素。常用的人工智能算法主要有遗传算法、进化算法、蚁群算法、粒子群算法、神经网络算法、退火算法等，在基坑变形问题的研究中，以神经网络算法居多，其不足之处在于人工神经网络是一种黑箱操作，无法了解输入对象之间的定量关系。因此，有必要开发一种基于信息最大化理论的地铁施工地表沉降分析方法及系统。

公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明提出了一种基于信息最大化理论的地铁施工地表沉降分析方法及系统，其通过比较不同分区中的最大信息系数，能够快速并准确地分析地铁车站施工过程中地表沉降与其影响因素之间的相关性，且大大简化了分析相关性机理的步骤，使处理大量监测数据的效率得到显著提高，在相关因素对地铁施工地表沉降影响的机理研究方面有重大意义。

根据本发明的一方面，提出了一种基于信息最大化理论的地铁施工地表沉降分析方法。所述方法可以包括：步骤1：获取相同时间段、与基坑距离不等的多个监测点的监测数据；步骤2：针对每一个监测点，进行以下步骤：步骤201：根据监测点的监测数据绘制散点图，将所述散点图分别通过多组网格参数进行网格划分，每组网格参数对应多种网格模式，进而获得多个网格图；步骤202：针对相同网格参数的每一个网格模式的网格图，计算散点数据点的分布概率，进而计算每一个网格模式的互信息值，确定该网格参数的最大互信息值；步骤203：重复步骤202，获得每一组网格参数的最大互信息值，进行标准化计算，获得每一组网格参数的标准化的最大互信息值；步骤204：根据每一组网格参数的标准化的最大互信息值，计算最大信息系数；步骤3：比较不同监测点的最大信息系数，根据所述最大信息系数最大的监测点，分析地表沉降。