[发明专利]一种盾构施工引起地面沉降的预测方法、装置以及设备

说明书

本发明公开了一种盾构施工引起地面沉降的预测方法、装置、设备以及计算机可读存储介质，包括：采集盾构区间样本集，并构建盾构沉降预测模型；利用SMOTE算法将所述盾构区间样本集进行样本数目扩增处理，随机采样样本增加少数类样本，得到样本盾构区间样本训练集；将所述盾构区间样本训练集输入所述盾构沉降预测模型中进行训练，得到完成训练的盾构沉降预测模型。本发明采用SMOTE算法对样本数据集进行样本数目扩充，采用样本数目扩增后的样本对预测模型进行训练，使盾构沉降预测模型不容易产生过拟合问题，预测模型提取的信息足够泛化，提高模型的预测精度。

技术领域

本发明涉及盾构施工领域，特别是涉及一种盾构施工引起地面沉降的预测方法、装置、设备以及计算机可读存储介质。

背景技术

随着我国经济建设的快速发展，大力发展地下轨道交通成为我国大城市解决交通问题的有效途径。在密集的城市线网规划中，新建隧道施工不可避免的会对土层造成扰动，导致地表沉陷，建筑物开裂，因此控制隧道下穿引起土层沉降已成为目前城市地下工程建设的一个重要的研究方向。

近年来，得益于计算机领域的快速发展，许多新型的复合机器学习算法也被大量运用于工程领域，大量的基础机器学习算法语言也被大量运用于盾构引发地表沉降预测，Zhang等提出了一种将粒子群优化(PSO)和RF算法相结合的PSO-RF混合算法，用于在沉降超过容许值时优化盾构运行参数，结果显示通过模型优化后，异常值可以控制在容许值之内。

机器学习预测效果与训练数据库的大小、预处理过程、算法选择以及算法优化相关，机器学习预测沉降本质上是由数据驱动的，数据库的大小对于预测的效果至关重要，以往盾构引发地表预测集中于对算法的优化选择及数据的修正，对数据库处理关注较少，对于大部分工程而言，地面沉降数据的采集由于人工，机器，环境，资金等因素的限制，导致数据量小，数据库不完善，导致模型过拟合效应，预测结果精准度低。

综上所述可以看出，如何完善训练数据库来提高预测结果的精度是目前有待解决的问题。

发明内容

本发明的目的是提供一种盾构施工引起地面沉降的预测方法、装置、设备以及计算机可读存储介质，解决现有技术中训练样本库的数据不够完善，导致模型过拟合，预测结果不准确的问题。

为解决上述技术问题，本发明提供一种盾构施工引起地面沉降的预测方法，包括：

采集初始盾构区间样本集，并构建盾构沉降预测模型；

利用SMOTE算法将所述初始盾构区间样本集进行样本数目扩增处理，随机采样样本增加少数类样本，得到盾构区间样本训练集；

将所述盾构区间样本训练集输入所述盾构沉降预测模型中进行训练，得到完成训练的盾构沉降预测模型。

优选地，所述采集初始盾构区间样本集包括：

采集历史案件中地质参数和盾构参数，构建盾构区间数据；

将所述盾构区间数据利用进行标准化处理，得到所述初始盾构区间样本集；

其中，为所述盾构区间数据的均值，σ为处理样本数据的标准差，x^*为所述初始盾构区间样本集，x为所述盾构区间数据。

优选地，

所述利用SMOTE算法将所述初始盾构区间样本集进行样本数目扩增处理，随机采样样本增加少数类样本，得到盾构区间样本训练集包括：

S31：选取所述初始盾构区间样本集中每个样本，计算所述每个样本到其他样本的欧氏距离，选取与每个样本之间欧式距离小于等于预设距离的多个样本作为所述每个样本的相邻样本；

S32：根据预设采样倍率，将所述每个样本与其对应的相邻样本随机组合，构建新样本；