[发明专利]一种基于复合神经网络算法的地连墙变形动态预测方法

权利要求书

1.一种基于复合神经网络算法的地连墙变形动态预测方法，其特征在于包括以下步骤：

（1）对基坑工程地连墙的变形监测数据进行预处理，记录为监测日报，形成变形数据库；

（2）构建一个CV和LSTM复合神经网络算法的预测模型，先采用CV交叉验证法将变形数据库划分为训练集和测试集，再采用深度学习PyTorch框架包中LSTM神经网络对训练集样本进行学习，设定的超参数包括训练轮数、学习率、隐藏层神经元的数量；

（3）将训练得到的最优模型用于地连墙变形预测，将得到的预测值与地连墙允许的变形限值进行对比，输出结果。

2.根据权利要求1所述的一种基于复合神经网络算法的地连墙变形动态预测方法，其特征在于：步骤（1）所述的变形历史监测数据包括：通过埋设于墙体混凝土内的活动式测斜仪进行监测得到的地连墙的水平位移，监测频率为1～3次/天，对缺失数据以线性插值补全；所述的监测数据进行预处理包括：将监测日报以Excel格式存储，或将测斜仪采集数据通过传输电缆直接传输给计算机进行数据存储；所述的变形数据库包括：将每个测点采集的变形监测值记录为，表示测点i在第t天的变形值，形成具有时间序列特征的变形数据库。

3.根据权利要求1所述的一种复合神经网络算法的地连墙变形动态预测方法，其特征在于：步骤（2）中，

预测模型利用PyTorch框架包中xlrd模块读入地连墙监测日报中的数据，用tensor函数将数据存储为张量结构；

预测模型的输入层为，预测模型的输出层为, 其中， N为输入信息长度，M为预测时间跨度；所述预测模型利用K-CV将数据集划分为K个子集，轮流将其中K-1个子集作为训练集，剩余的1个子集作为测试集；

预测模型采用LSTM神经网络对训练集样本进行学习，设定的超参数包括训练轮数、学习率和隐藏层神经元数量，其前向传播公式分别为：

第一个模块为“忘记门”，用以计算上一时刻神经元状态信息的遗忘比例：

第二个模块为“输入门”，用以新信息写入神经元状态的比例：

第三个模块为“输出门”，将决定被当成隐状态输出的信息：

其中，C^t和h^t分别代表t时刻的神经元状态和隐状态；f^t，i^t和o^t分别代表t时刻的遗忘门、输入门和输出门；W，b分别是各个门控模块中的权重矩阵和偏置向量；s表示sigmoid激活函数；tanh表示双曲正切激活函数；

所述预测模型将变形预测值和变形实测值进行对比，计算其精度评价指标MSE，作为优化目标函数；采用Adam算法对参数进行迭代更新，调整获取最优解。

4.根据权利要求1所述的一种基于复合神经网络算法的地连墙变形动态预测方法，其特征在于：步骤（3）中采用K-CV中的最优模型对测试集样本进行变形预测，获得地连墙变形预测值；利用xlwr模块将预测结果进行存储。

5.根据权利要求1所述的一种基于复合神经网络算法的地连墙变形动态预测方法，其特征在于：采集新的监测数据后，重复步骤（1）和步骤（2），重新训练CV-LSTM模型，用于更新变形预测结果。

6.根据权利要求1所述的一种基于复合神经网络算法的地连墙变形动态预测方法，其特征在于：当输出结果为变形预测值接近警戒值时，推送预警信息并及时采取相应的变形控制措施。