[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

说明书

本发明公开了一种基于复合神经网络算法的地连墙变形动态预测方法。采用活动式测斜仪对地连墙水平位移进行采集，对监测数据进行预处理并形成变形数据库；采用CV‑LSTM模型将变形数据库划分为训练集和测试集，并对其中的训练样本进行学习；使用变形数据库中的测试样本对地连墙水平位移进行预测，为控制变形风险提供依据。本发明提供的CV‑LSTM复合神经网络算法的预测模型相比传统BP神经网络，表现出了较高的预测精度，较单独的LSTM深度网络具有更好的泛化能力，适用于地连墙变形的动态预测问题，从而可为施工现场实现信息化管理提供参考。

技术领域

本发明涉及一种地连墙变形预测方法，尤其是涉及一种基于复合神经网络的地连墙变形动态预测方法。

背景技术

目前，我国正处于轨道交通建设的快速发展阶段。2019年，全国新增车站数达238座，另有12个地区59条线路的轨道交通项目获批待建，总项目投资额约9700亿元。由此出现了大量的车站基坑工程，基坑的开挖规模和深度也在不断加大，例如，某市地铁线某车站的最大开挖深度达到了29 m。基坑工程是一种包含土体和支护结构的空间体系，受到地质条件、施工质量和周边环境等诸多内在和外在因素的影响。现场实测变形数据是施工过程中各种影响综合作用的体现，分析研究现场变形监测数据成为人们认识基坑变形特性的有效途径。

对在不同土体性质和不同支护类型下的基坑地连墙变形规律预测方面的研究，预测方法主要分为经验法、数值模拟法和机器学习法三种。经验法需要大量的监测数据, 且局限于用差分方程来建立离散的随机模型, 不便于描述系统变化过程的本质和内在规律；数值法具有数学方法上的精确性, 但由于基坑地连墙变形影响因素的复杂性、物理机制的模糊性以及参数的多变和不确定性, 使得在使用该方法时过分概化, 降低了实用价值。目前，机器学习法大多采用较多的是经典的BP神经网络，这种反向传播的神经网络结构相对简单，但无法准确处理输入时间上关联性且在处理长序列数据时误差较大。另外一种处理序列数据的LSTM算法，优点是方便序列建模，具备长时记忆的能力，缺点是泛化能力较差。

发明内容

本发明针对现有采用机器学习法对地连墙变形预测存在的不足，提供了一种基于复合神经网络的地连墙变形预测方法，有效提高了预测结果的稳定性和泛化性，长期预测具有较高的精度，实现对于地连墙变形的基坑工程施工现场的动态化变形监控。

为了实现上述发明目的，本发明采用的技术方案是提供一种基于复合神经网络算法的地连墙变形动态预测方法，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。

步骤（1）中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。