CN116992522A - 深基坑围护结构变形预测方法、装置、设备及存储介质 - Google Patents
深基坑围护结构变形预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116992522A CN116992522A CN202310757115.4A CN202310757115A CN116992522A CN 116992522 A CN116992522 A CN 116992522A CN 202310757115 A CN202310757115 A CN 202310757115A CN 116992522 A CN116992522 A CN 116992522A
- Authority
- CN
- China
- Prior art keywords
- foundation pit
- deep foundation
- data
- deformation
- optimal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 238000010801 machine learning Methods 0.000 claims abstract description 34
- 238000010276 construction Methods 0.000 claims abstract description 21
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000006073 displacement reaction Methods 0.000 claims description 30
- 239000002689 soil Substances 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000002790 cross-validation Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 12
- 239000003673 groundwater Substances 0.000 claims description 7
- 229910000831 Steel Inorganic materials 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000010959 steel Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008439 repair process Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 241000283073 Equus caballus Species 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种深基坑围护结构变形预测方法、装置、设备及存储介质，该方法包括：分析影响深基坑围护结构变形的因素，并对影响因子进行预处理、初始化、归一化；通过相关性分析，优化确定若干最重要的影响因子，建立最优数据集；将最优数据集输入机器学习回归模型，将影响因子与目标值分别生成训练数据和测试数据，将训练数据和测试数据输入构建的机器学习回归模型，并通过5折交叉验证方法进行精度评定以及训练，获多种精度评估指数，根据精度评估指数选取最优模型。保存模型，对深基坑围护结构变形进行预测，并进行精度评定，以便工作人员及时进行修护。本发明的有益效果是：提高深基坑围护结构变形的预测精度，帮助施工单位对围护结构变形进行预测，及时进行修护。
Description
技术领域
本发明涉及深基坑围护变形监测参数处理与分析技术领域，特别涉及一种深基坑围护结构变形预测方法、装置、设备及存储介质。
背景技术
随着人口的增长，地下空间的开发与利用成为不可避免的趋势。在这种情况下，大型地下工程的设计、施工、风险评估和监控管理等成为国际岩土工程学界持续关注的前沿问题，也是新兴城市建设所需的实践和理论支持的一部分。我国正处于高速现代化发展阶段，地下工程建设和开发需求极大。不论是在水利水电、道路交通、城市建设、矿山资源开采还是国防工程领域，都在设计和建造大量的隧道、洞室等大型地下空间。大型基坑开挖是地下工程施工的基础项目。作为公共地下工程的代表、交通枢纽和纽带的地铁线路和车站受到广泛关注，而在地铁线路中特别是在地铁换乘站中，对空间和施工技术的要求更高，需要在修建和运营期间都重点关注周围岩土的变形情况。
地表变形是指土地表面发生位移变化的现象，包括裂缝、凹陷、下沉等。在这些现象中，地表沉降是能够代表局部区域变化的主要灾害，通常由人类活动、地下水水位变动等诸多因素造成。它会导致松散土体颗粒在受力后结构发生改变，固结压缩，导致土层表面的标准高度下降。地表沉降的原因很多，包括地壳运动、海平面上升、地震等造成的区域性地表沉降以及大量开采地下水和地下工程修建等人类工程活动引起的沉降。
在基坑施工过程中，需要加强施工监测管理，以减少因施工基坑导致的周边既有构筑物变形过大而引发的安全事故。通过对既有构筑物的健康监测和变形预测，施工者可以及时了解施工安全情况，提前规避风险。尽管监测数据能在一定程度上指导基坑安全施工，但是无法有效预测基坑及周边环境的变形规律。因此，合理的监测数据分析方法能够有效揭示变形的发展规律。在人工智能技术的支持下，通过以既有监测数据为学习对象进行预测，能有效降低基坑施工的安全风险，并在实际工程中指导工程实践。
如果地铁车站基坑坍塌事故发生，那将不可避免地产生严重的后果。其一，它会产生巨大的经济损失，对人民的生命、健康和财产安全造成严重威胁；其二，它会对社会和谐稳定造成恶劣的影响。因此，有必要通过相关研究来合理预测基坑坍塌的风险，并制定相应的风险控制措施。目前针对地铁建设风险管理的研究较多。然而，风险分析和风险预测仍然以经验为主导的定性分析为主，缺乏以统计分析工作为基础的量化分析和适当的预测手段。
目前，深基坑工程沉降预测研究主要包括两个方面：一是基于风险管理理论，采用专家调查等定性方法进行预测；另一方面是针对风险评估进行研究，即基于岩土力学和工程经济等因素，采用适宜算法对基坑工程事故的失效概率和损失进行预测。国内外在工程风险管理理论研究领域已经进行了大量研究，但由于深基坑施工环境的复杂性、不确定性和深基坑工程地域性强等因素，目前的深基坑工程沉降预测方法主要依赖于工程经验、传统的支护结构设计计算方法以及公式或数值模拟方法，这些方法缺乏准确性和灵活性，难以为实际工程提供可靠的数据依据。
发明内容
为了克服上述现有技术的不足，本发明采取的技术方案是：提供了一种深基坑围护结构变形预测方法、装置、设备及存储介质。
根据本发明的第一方面，一种深基坑围护结构变形预测方法，包括以下步骤：
S1：分析影响深基坑围护结构变形的因素，初步选取影响因子数据集，并对各影响因子进行预处理、初始化和归一化操作；
S2：通过相关性分析，优化确定多个最重要的影响因子，建立最优数据集；
S3：将最优数据集输入机器学习回归模型，将影响因子与目标值分别生成训练数据和测试数据；将训练数据和测试数据输入构建的机器学习回归模型，并通过5折交叉验证方法进行精度评定以及训练，获多种精度评估指数，根据精度评估指数选取最优模型；
S4：保存最优模型，通过最优模型对深基坑围护结构变形进行预测，获得深基坑围护结构变形预测结果。
进一步地，步骤S1中，所述分析影响深基坑围护结构变形的因素的步骤，包括：
从水文地质条件、基坑分仓几何分布、施工过程、现场监测数据、基坑暴露情况以及周边环境这六大类因素进行分析影响深基坑维护结构的因素。
进一步地，步骤S1中，所述初步选取影响因子数据集中包括17个影响因子：地表沉降、周边建筑物沉降、管线沉降、结构沉降、结构水平位移、立柱沉降、建筑物倾斜、冠梁水平位移、支撑轴力、土压力、地连墙钢筋应力、垂直方向岩土分类、围护结构水平位移、围护结构水平位移深度分布、基坑暴露时间、地下水位、已开挖长度；
根据影响因子是否随时间变化将上述17个影响因子分为两大类：
根据影响因子是否随时间变化将上述17个影响因子分为两大类：
静态影响因子包括：围护结构水平位移深度分布、垂直方向岩土分类；
动态影响因子包括：地表沉降、周边建筑物沉降、管线沉降、结构沉降、结构水平位移、立柱沉降、建筑物倾斜、冠梁水平位移、支撑轴力、土压力、地连墙钢筋应力、围护结构水平位移、基坑暴露时间、已开挖长度、地下水位。
进一步地，步骤S1中，所述对各影响因子进行预处理、初始化和归一化操作的步骤，包括：
首先对已建立的影响因子数据集的缺失值进行填补，之后对各影响因子数据进行归一化、标准化；
标准差标准化使得经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：
其中μ为所有样本数据的均值，σ为所有样本数据的标准差，x为影响因子数据，x*为标准差标准化后的数据。
进一步地，步骤S2中，绘制各个影响因子数据特征的相关性热力图与真值-预测值散点图，并采用Filter的Pearson相关系数作为影响因子筛选工具。
进一步地，步骤S2中，选取围护结构水平位移作为目标值，选取围护结构水平位移深度、基坑暴露时间、垂直方向岩土种类分布、地下水位、已开挖长度、基坑底板浇筑时间、支撑轴力、地表沉降这8个最重要的影响因子，共同组成最优数据集。
进一步地，步骤S3中，构建的机器学习回归模型具体包括：
随机森林回归模型、决策树回归模型、额外树回归模型、梯度增长回归模型、Categorical Boosting回归模型、K-最近邻回归模型和多层感知机回归模型。
进一步地，步骤S3中，所述将训练数据和测试数据输入构建的机器学习回归模型，并通过5折交叉验证方法进行精度评定以及训练，获多种精度评估指数，根据精度评估指数选取最优模型的步骤，包括：
在经过步骤S1归一化的数据输入多种机器学习回归模型，测试数据通过train_test_split生成的测试样本数量为test_size，并通过5折交叉验证获取各个模型的RMSE、MAE、MSE、R-Square精度评估指数；
根据各项精度评估指数，从多种机器学习回归模型中选出最优模型。
根据本发明的第二方面，本发明提供了一种实施所述方法的深基坑围护结构变形预测装置，包括以下模块：
初步数据集获取模块，用于分析影响深基坑围护结构变形的因素，初步选取影响因子数据集，并对各影响因子进行预处理、初始化和归一化操作；
最优数据集获取模块，用于通过相关性分析，优化确定多个最重要的影响因子，建立最优数据集；
最优模型获取模块，用于将最优数据集输入机器学习回归模型，将影响因子与目标值分别生成训练数据和测试数据；将训练数据和测试数据输入构建的机器学习回归模型，并通过5折交叉验证方法进行精度评定以及训练，获多种精度评估指数，根据精度评估指数选取最优模型；
结构变形预测模块，用于保存最优模型，通过最优模型对深基坑围护结构变形进行预测，获得深基坑围护结构变形预测结果。
根据本发明的第三方面，一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的深基坑围护结构变形预测方法的步骤。
根据本发明的第四方面，一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的深基坑围护结构变形预测方法的步骤。
本发明提供的技术方案具有以下有益效果：
考虑到深层地质的无法避免的不确定性因素和复杂性，分析获取深基坑围护结构变形影响因子数据集，通过相关性分析，建立最优数据集，通过最优数据集对多种机器学习回归模型进行训练及精度评定，进而开发和优化合适的机器学习回归模型，用于对深基坑围护结构进行变形预测，可以大大提高预测精度，有利于帮助施工单位准确的对围护结构变形进行预测，从而有针对性的提供保护措施。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种深基坑围护结构变形预测方法的总体流程图；
图2是本发明实施例中CX-1点测斜值时间变化示意图；
图3是本发明实施例中随机森林回归模型特征重要性柱状图；
图4是本发明实施例中随机森林回归模型真实值—预测值三点分布图；
图5是本发明实施例中随机森林回归模型影响因子相关性热力图；
图6是本发明实施例中一种深基坑围护结构变形预测装置的结构示意图；
图7是本发明实施例中一种电子设备的结构示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
请参考图1，本发明实施例中一种深基坑围护结构变形预测方法，其主要包括以下步骤：
S1：分析影响深基坑围护结构变形的因素，初步选取影响因子数据集，并对各影响因子进行预处理、初始化和归一化操作；
S2：通过相关性分析，优化确定多个最重要的影响因子，建立最优数据集；
S3：将最优数据集输入机器学习回归模型，将影响因子与目标值分别生成训练数据和测试数据；将训练数据和测试数据输入构建的机器学习回归模型，并通过5折交叉验证方法进行精度评定以及训练，获多种精度评估指数，根据精度评估指数选取最优模型；
S4：保存最优模型，通过最优模型对深基坑围护结构变形进行预测，获得深基坑围护结构变形预测结果。
本实施例中，步骤S1的具体实施过程如下：
根据国内外研究现状分析影响深基坑围护结构变形的因素，结合马湖站地铁基坑相关设计图、地质剖面图、分仓示意图以及地铁施工周报、马湖站主体结构累计值统计分析获取初步影响因子数据集的选取，如图2所示，图2是测斜点CX-1的测斜值时间变化示意图；主要是根据马湖站围护结构监测点分布图以各个围护结构水平位移监测点为中心，选取一定范围内的相关影响因子观测点，构成初步的影响因子数据集，并对各影响因子进行预处理、初始化、归一化。
具体地，步骤S1中，初步选取影响因子数据集中包括17个影响因子：地表沉降、周边建筑物沉降、管线沉降、结构沉降、结构水平位移、立柱沉降、建筑物倾斜、冠梁水平位移、支撑轴力、土压力、地连墙钢筋应力、垂直方向岩土分类、围护结构水平位移、围护结构水平位移深度分布、基坑暴露时间、地下水位、已开挖长度；
根据深基坑监测规范，不同影响因子具有不同的观测频率，根据影响因子是否随时间变化将上述17个影响因子分为两大类：
其中不跟随时间变化的称为静态影响因子，包括：围护结构水平位移深度分布、垂直方向岩土分类；
随时间变化的称为动态影响因子，包括：地表沉降、周边建筑物沉降、管线沉降、结构沉降、结构水平位移、立柱沉降、建筑物倾斜、冠梁水平位移、支撑轴力、土压力、地连墙钢筋应力、围护结构水平位移、基坑暴露时间、已开挖长度、地下水位。
然后，对各影响因子进行预处理、初始化和归一化操作，包括：
首先对已初步建立的影响因子数据集的缺失值进行填补，之后对数据进行归一化、标准化。归一化后加快了梯度下降求最优解的速度，归一化有可能提高精度，一些分类器需要计算样本之间的距离(如欧氏距离)，例如KNN。如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖(比如这时实际情况是值域范围小的特征更重要)。
作用：去均值和方差归一化。且是针对每一个特征维度来做的，而不是针对样本。标准差标准化(StandardScale)使得经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：
其中μ为所有样本数据的均值，σ为所有样本数据的标准差，x为影响因子数据，x*为标准差标准化后的数据。
表1最优数据集
本实施例中，步骤S2的具体实施过程如下：
绘制各个影响因子数据特征的相关性热力图与真值-预测值散点图，采用Filter(过滤法)的Pearson相关系数作为影响因子筛选工具，再结合对于深基坑变形预测的原理等选取Horizontal displacement(围护结构水平位移)作为目标值，Depth(围护结构水平位移深度)、Airline cumulativetime(基坑暴露时间)、Soil Type(垂直方向岩土地表沉降种类分布)、Water Level(地下水位)、Excavated Length(已开挖长度)、Whether thebottom plate is poured(基坑底板是否浇筑)、Axial Forces(支撑轴力)、SurfaceSettlement(地表沉降)8个最重要的影响因子，由此组成最优数据集。最优数据集具体参照表1。
本实施例中，步骤S3的具体实施过程如下：
将获取最优数据集应用于常用的机器学习回归模型，将影响因子与目标值分别按照7：3的比例生成训练数据和测试数据，并通过Sklearn模块中的StandardScaler进行标准化、归一化后输入构建的机器学习回归模型中，并通过5-Fold Cross Validation(5折交叉验证)获取各个模型的相关精度评定指标，进行模型精度评定，选取最优模型。
在机器学习建模过程中，将数据分为训练集和测试集。测试集是与训练独立的数据，完全不参与训练，用于最终模型的评估。在训练过程中，经常会出现过拟合的问题，就是模型可以很好的匹配训练数据，却不能很好在预测训练集外的数据。如果此时就使用测试数据来调整模型参数，就相当于在训练时已知部分测试数据的信息，会影响最终评估结果的准确性。而通过数据正则化，加入正则化项，减少模型的参数，从而降低泛化的误差。或者是通过对训练数据集进行旋转、翻转、随机裁剪等处理，扩充数据集，增加数据的多样性从而减少模型过拟合的可能。也可以通过多次交叉验证模型的性能，筛选出较为鲁棒的模型，减少过拟合。
模型在验证数据中的评估常用的是交叉验证，又称循环验证。它将原始数据分成K组(K-Fold)，将每个子集数据分别做一次验证集，验证数据取自总体数据集，但不参与训练，这样可以相对客观的评估模型对于训练集之外数据的匹配程度。其余的K-1组子集数据作为训练集，这样会得到K个模型。这K个模型分别在验证集中评估结果，最后的误差MSE(Mean Squared Error)加和平均就得到交叉验证误差。交叉验证有效利用了有限的数据，并且评估结果能够尽可能接近模型在测试集上的表现，可以做为模型优化的指标使用。
选用RMSE(Root Mean Square Error，均方根误差)、MAE(Mean Absolute Error，平均绝对误差)、MSE(Mean Square Error，均方误差)、R2(R-Square，确定系数)作为精度评价指标，四种评价指标计算公式如下：
——为测试集中真实值-预测值
表示所有预测值的平均值；i代表测试变形数据序号，且i＝1,2,…,m；m为生成的测试变形数据总个数。其中，分子部分表示真实值与预测值的平方差之和，类似于均方差MSE；分母部分表示真实值与均值的平方差之和，类似于方差Var。根据R-Squared的取值，来判断模型的好坏，其取值范围为[0,1]：
如果结果是0，说明模型拟合效果很差；
如果结果是1，说明模型无错误。
一般来说，R-Squared越大，表示模型拟合效果越好。R-Squared反映的是大概有多准，因为，随着样本数量的增加，R-Square必然增加，无法真正定量说明准确程度，只能大概定量。根据上述步骤获取各项精度评估指数，选出最优模型。此外依靠seaborn模块与matplotlib模块利用各个模型预测数据与真实值绘制影响因子特征重要性图。
为了验证本发明预测精度，选取几种常用方法，上文中结合中的指标进行对比验证。这些常用方法包括：Random Forest Regressor Model(随机森林回归模型，简称RandomForest)、Decision Trees Regressor Model(决策树回归模型，简称Decision Trees)、Extra Trees Regressor Model(额外树回归模型，简称Extra Trees)、Gradient BoostingRegressor Model(梯度增长回归模型，简称Gradient Boosting)、CatBoost RegressorModel(Categorical回归模型，简称CatBoost)、K-Nearest Neighbor Regressor Model(K-最近邻回归模型，简称KNN)、Multilayer Perceptron Regressor Model(多层感知机回归模型，简称MLP)，本发明的方法预测精度优于所有基准方法，体现了方法的优越性，具体如表2。
表2几种常用方法的预测精度对比
| R-Square | MAE | MSE | RMSE | |
| Random Forest | 0.966710013 | 1.658287827 | 12.95189665 | 3.598874359 |
| Decision Trees | 0.951683276 | 1.699226348 | 18.7982412 | 4.335693855 |
| Extra Trees | 0.925327042 | 2.33745017 | 29.05247232 | 5.390034538 |
| Gradient Boosting | 0.785536975 | 6.323764701 | 83.435911 | 9.134527415 |
| Catboost | 0.747185609 | 2.557501015 | 17.57994956 | 4.192845044 |
| KNN | 0.797554478 | 4.442898375 | 78.76402723 | 8.874909984 |
| MLP | 0.61 | 8.541304165 | 151.5178306 | 12.30925792 |
根据上述所获取各项精度评估指数可知，较为契合最终数据集的机器学习回归模型为Random Forest Regressor Model(随机森林回归模型，简称Random Forest)，将该模型作为最优模型。
本实施例中，步骤S4具体实施过程如下：
将步骤S3中获取的最优模型保存，导入数据集对深基坑围护结构变形进行预测，通过RMSE、MAE、MSE、R^2作为精度评定指标进行精度评定，并绘制特征值重要性柱状图如图3所示，图3是随机森林回归模型特征重要性柱状图，特征重要性分析可以帮助确定哪些特征对模型预测结果的贡献最大。在进行数据预测的过程中可能出现过拟合问题，特征重要性分析可以识别那些对模型预测无用的特征，对参数调整与解除过拟合问题有着相当的帮助。图4是随机森林回归模型真实值-预测值三点分布图，用于评估预测模型的准确性和性能，展示模型的预测结果与真实观测值之间的关系，以及模型的预测能力和偏差情况；图5是随机森林回归模型影响因子相关性热力图，影响因子相关性热力图提供了直观且易于理解的方式分析和解释影响因子之间的关系，如地表沉降(Surface Settlement)与基坑暴露时间(Airline cumulative time)对于维护结构水平位移的影响较其余影响因子更大。
下面对本发明提供的一种深基坑围护结构变形预测装置进行描述，下文描述的深基坑围护结构变形预测装置与上文描述的深基坑围护结构变形预测方法可相互对应参照。
如图6所示，一种深基坑围护结构变形预测装置，包括以下模块：
初步数据集获取模块001，用于分析影响深基坑围护结构变形的因素，初步选取影响因子数据集，并对各影响因子进行预处理、初始化和归一化操作；
最优数据集获取模块002，用于通过相关性分析，优化确定多个最重要的影响因子，建立最优数据集；
最优模型获取模块003，用于将最优数据集输入机器学习回归模型，将影响因子与目标值分别生成训练数据和测试数据；将训练数据和测试数据输入构建的机器学习回归模型，并通过5折交叉验证方法进行精度评定以及训练，获多种精度评估指数，根据精度评估指数选取最优模型；
结构变形预测模块004，用于保存最优模型，通过最优模型对深基坑围护结构变形进行预测，获得深基坑围护结构变形预测结果。
如图7所示，示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610、通信接口620、存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行上述深基坑围护结构变形预测方法的步骤，具体包括：分析影响深基坑围护结构变形的因素，初步选取影响因子数据集，并对各影响因子进行预处理、初始化和归一化操作；通过相关性分析，优化确定多个最重要的影响因子，建立最优数据集；将最优数据集输入机器学习回归模型，将影响因子与目标值分别生成训练数据和测试数据；将训练数据和测试数据输入构建的机器学习回归模型，并通过5折交叉验证方法进行精度评定以及训练，获多种精度评估指数，根据精度评估指数选取最优模型；保存最优模型，通过最优模型对深基坑围护结构变形进行预测，获得深基坑围护结构变形预测结果。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random15 Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面，本发明实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述深基坑围护结构变形预测方法的步骤，具体包括：分析影响深基坑围护结构变形的因素，初步选取影响因子数据集，并对各影响因子进行预处理、初始化和归一化操作；通过相关性分析，优化确定多个最重要的影响因子，建立最优数据集；将最优数据集输入机器学习回归模型，将影响因子与目标值分别生成训练数据和测试数据；将训练数据和测试数据输入构建的机器学习回归模型，并通过5折交叉验证方法进行精度评定以及训练，获多种精度评估指数，根据精度评估指数选取最优模型；保存最优模型，通过最优模型对深基坑围护结构变形进行预测，获得深基坑围护结构变形预测结果。
本发明实施例实施了一种深基坑围护结构变形预测方法、装置、设备及存储介质，首先通过分析影响深基坑围护结构变形的因素，并对影响因子进行预处理、初始化、归一化；然后通过不断进行回归预测，优化确定若干最重要的影响因子，建立最优数据集；接着将获取的最优数据集应用于常用的机器学习回归模型，将影响因子与目标值分别生成训练数据、测试数据的张量及形变量；训练数据及测试数据输入构建的机器学习回归模型中进行训练，获得多种精度评估指数，选取最优模型。最后保存模型，对深基坑围护结构变形进行预测，并进行精度评定，以便工作人员及时进行修护。本发明提高了深基坑围护结构变形的预测精度，帮助施工单位对围护结构变形进行预测，及时进行修护。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种深基坑围护结构变形预测方法，其特征在于，包括以下步骤：
S1：分析影响深基坑围护结构变形的因素，初步选取影响因子数据集，并对各影响因子进行预处理、初始化和归一化操作；
S2：通过相关性分析，优化确定多个最重要的影响因子，建立最优数据集；
S3：将最优数据集输入机器学习回归模型，将影响因子与目标值分别生成训练数据和测试数据；将训练数据和测试数据输入构建的机器学习回归模型，并通过5折交叉验证方法进行精度评定以及训练，获多种精度评估指数，根据精度评估指数选取最优模型；
S4：保存最优模型，通过最优模型对深基坑围护结构变形进行预测，获得深基坑围护结构变形预测结果。
2.根据权利要求1所述的深基坑围护结构变形预测方法，其特征在于，步骤S1中，所述分析影响深基坑围护结构变形的因素的步骤，包括：
从水文地质条件、基坑分仓几何分布、施工过程、现场监测数据、基坑暴露情况以及周边环境这六大类因素进行分析影响深基坑维护结构的因素。
3.根据权利要求1所述的深基坑围护结构变形预测方法，其特征在于，步骤S1中，所述初步选取影响因子数据集中包括17个影响因子：地表沉降、周边建筑物沉降、管线沉降、结构沉降、结构水平位移、立柱沉降、建筑物倾斜、冠梁水平位移、支撑轴力、土压力、地连墙钢筋应力、垂直方向岩土分类、围护结构水平位移、围护结构水平位移深度分布、基坑暴露时间、地下水位、已开挖长度；
根据影响因子是否随时间变化将上述17个影响因子分为两大类：
静态影响因子包括：围护结构水平位移深度分布、垂直方向岩土分类；
动态影响因子包括：地表沉降、周边建筑物沉降、管线沉降、结构沉降、结构水平位移、立柱沉降、建筑物倾斜、冠梁水平位移、支撑轴力、土压力、地连墙钢筋应力、围护结构水平位移、基坑暴露时间、已开挖长度、地下水位。
4.根据权利要求1所述的深基坑围护结构变形预测方法，其特征在于，步骤S1中，所述对各影响因子进行预处理、初始化和归一化操作的步骤，包括：
首先对已建立的影响因子数据集的缺失值进行填补，之后对各影响因子数据进行归一化、标准化；
标准差标准化使得经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：
其中μ为所有样本数据的均值，σ为所有样本数据的标准差，x为影响因子数据，x*为标准差标准化后的数据。
5.根据权利要求1所述的深基坑围护结构变形预测方法，其特征在于，步骤S2中，所述通过相关性分析，优化确定多个最重要的影响因子，建立最优数据集的步骤，包括：
绘制各个影响因子数据特征的相关性热力图与真值-预测值散点图，并采用Filter的Pearson相关系数作为影响因子筛选工具；
筛选出围护结构水平位移深度、基坑暴露时间、垂直方向岩土种类分布、地下水位、已开挖长度、基坑底板浇筑时间、支撑轴力、地表沉降这8个最重要的影响因子，选取围护结构水平位移作为目标值，共同组成最优数据集。
6.根据权利要求1所述的深基坑围护结构变形预测方法，其特征在于，步骤S3中，构建的机器学习回归模型具体包括：
随机森林回归模型、决策树回归模型、额外树回归模型、梯度增长回归模型、Categorical Boosting回归模型、K-最近邻回归模型和多层感知机回归模型。
7.根据权利要求1所述的深基坑围护结构变形预测方法，其特征在于，步骤S3中，所述将训练数据和测试数据输入构建的机器学习回归模型，并通过5折交叉验证方法进行精度评定以及训练，获多种精度评估指数，根据精度评估指数选取最优模型的步骤，包括：
在经过步骤S1归一化的数据输入多种机器学习回归模型，测试数据通过train_test_split生成的测试样本数量为test_size，并通过5折交叉验证获取各个模型的RMSE、MAE、MSE、R-Square精度评估指数；
根据各项精度评估指数，从多种机器学习回归模型中选出最优模型。
8.一种实施权利要求1-7任一项所述方法的深基坑围护结构变形预测装置，其特征在于，包括以下模块：
初步数据集获取模块，用于分析影响深基坑围护结构变形的因素，初步选取影响因子数据集，并对各影响因子进行预处理、初始化和归一化操作；
最优数据集获取模块，用于通过相关性分析，优化确定多个最重要的影响因子，建立最优数据集；
最优模型获取模块，用于将最优数据集输入机器学习回归模型，将影响因子与目标值分别生成训练数据和测试数据；将训练数据和测试数据输入构建的机器学习回归模型，并通过5折交叉验证方法进行精度评定以及训练，获多种精度评估指数，根据精度评估指数选取最优模型；
结构变形预测模块，用于保存最优模型，通过最优模型对深基坑围护结构变形进行预测，获得深基坑围护结构变形预测结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的深基坑围护结构变形预测方法的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的深基坑围护结构变形预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310757115.4A CN116992522A (zh) | 2023-06-25 | 2023-06-25 | 深基坑围护结构变形预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310757115.4A CN116992522A (zh) | 2023-06-25 | 2023-06-25 | 深基坑围护结构变形预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116992522A true CN116992522A (zh) | 2023-11-03 |
Family
ID=88520303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310757115.4A Pending CN116992522A (zh) | 2023-06-25 | 2023-06-25 | 深基坑围护结构变形预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992522A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114117578A (zh) * | 2020-08-26 | 2022-03-01 | 同济大学 | 基坑围护构架方案的设计装置 |
| CN117235679A (zh) * | 2023-11-15 | 2023-12-15 | 长沙金码测控科技股份有限公司 | 一种基于lucc的基坑监测用拉压荷载评估方法及*** |
-
2023
- 2023-06-25 CN CN202310757115.4A patent/CN116992522A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114117578A (zh) * | 2020-08-26 | 2022-03-01 | 同济大学 | 基坑围护构架方案的设计装置 |
| CN117235679A (zh) * | 2023-11-15 | 2023-12-15 | 长沙金码测控科技股份有限公司 | 一种基于lucc的基坑监测用拉压荷载评估方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Predicting safety risks in deep foundation pits in subway infrastructure projects: support vector machine approach | |
| CN116992522A (zh) | 深基坑围护结构变形预测方法、装置、设备及存储介质 | |
| CN105678481B (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
| CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
| CN113570226A (zh) | 断层破碎带隧道突涌水灾害发生概率等级评价方法 | |
| CN111859779B (zh) | 一种燃气管网防第三方施工破坏风险预警的方法及装置 | |
| CN114330812A (zh) | 基于机器学习的滑坡灾害风险评估方法 | |
| CN111914943B (zh) | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 | |
| CN115130375A (zh) | 一种岩爆烈度预测方法 | |
| CN112183643A (zh) | 基于声发射的硬岩拉剪破裂识别方法及装置 | |
| CN108280289B (zh) | 基于局部加权c4.5算法的冲击地压危险等级预测方法 | |
| CN117035418A (zh) | 基于多源数据融合的隧道施工综合风险评价方法、装置 | |
| Zhao et al. | Mapping landslide sensitivity based on machine learning: A case study in Ankang City, Shaanxi Province, China | |
| CN114662405A (zh) | 基于少样本度量和集成学习的岩爆预测方法 | |
| Gong et al. | Prediction and evaluation of coal mine coal bump based on improved deep neural network | |
| CN112036424B (zh) | 基于无监督机器学习的海底滑坡危险性分析方法 | |
| CN113779880A (zh) | 一种基于超前钻探数据的隧道围岩二维质量评价方法 | |
| CN117540303A (zh) | 基于交叉半监督机器学习算法的滑坡易发性评估方法及*** | |
| CN116403093B (zh) | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 | |
| CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与*** | |
| CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
| CN115019476B (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
| CN116384627A (zh) | 一种基于机器学习的地质灾害评价方法 | |
| CN113779888B (zh) | 地面沉降危险性评估方法、装置、设备及存储介质 | |
| CN110348510A (zh) | 一种基于深水油气钻井过程阶段性特征的数据预处理方法 |
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 |