CN117786500A - 一种盾构施工地表沉降预测方法、装置、设备及存储介质 - Google Patents
一种盾构施工地表沉降预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117786500A CN117786500A CN202311845386.1A CN202311845386A CN117786500A CN 117786500 A CN117786500 A CN 117786500A CN 202311845386 A CN202311845386 A CN 202311845386A CN 117786500 A CN117786500 A CN 117786500A
- Authority
- CN
- China
- Prior art keywords
- subsidence
- target sample
- attribute
- disturbance
- monitoring point
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012544 monitoring process Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004062 sedimentation Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 239000002689 soil Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000005641 tunneling Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种盾构施工地表沉降预测方法、装置、设备及存储介质。该方法包括：获取实时施工数据；将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值，其中，所述沉降预测模型通过目标样本集迭代训练初始模型得到，所述目标样本集包括：目标样本和目标样本对应的地表沉降监测点沉降值，所述目标样本包括：基础信息样本和扰动参数样本，通过本发明的技术方案，能够获取实时施工数据对应的地表沉降监测点沉降值，进而防止出现由于沉降超出控制范围，影响周边建筑物安全的情况。
Description
技术领域
本发明实施例涉及于盾构隧道施工风险控制领域，尤其涉及一种盾构施工地表沉降预测方法、装置、设备及存储介质。
背景技术
在采用盾构法施工过程中，隧道周围的土层会发生变形，在松软含水层或不稳定土层中尤为显著。由于盾构法施工地点主要位于城市繁华地段，周边土体的沉降控制十分重要。一旦沉降超出控制范围，就可能影响周边建筑物的安全。
有鉴于此，如今迫切需要设计一种盾构施工地表沉降预测方法。
发明内容
本发明实施例提供一种盾构施工地表沉降预测方法、装置、设备及存储介质，能够获取实时施工数据对应的地表沉降监测点沉降值，进而防止出现由于沉降超出控制范围，影响周边建筑物安全的情况。
根据本发明的一方面，提供了一种盾构施工地表沉降预测方法，包括：
获取实时施工数据；
将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值，其中，所述沉降预测模型通过目标样本集迭代训练初始模型得到，所述目标样本集包括：目标样本和目标样本对应的地表沉降监测点沉降值，所述目标样本包括：基础信息样本和扰动参数样本。
根据本发明的另一方面，提供了一种盾构施工地表沉降预测装置，该盾构施工地表沉降预测装置包括：
实时施工数据获取模块，用于获取实时施工数据；
地表沉降监测点沉降值确定模块，用于将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值，其中，所述沉降预测模型通过目标样本集迭代训练初始模型得到，所述目标样本集包括：目标样本和目标样本对应的地表沉降监测点沉降值，所述目标样本包括：基础信息样本和扰动参数样本。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的盾构施工地表沉降预测方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的盾构施工地表沉降预测方法。
本发明实施例通过获取实时施工数据；将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值，其中，所述沉降预测模型通过目标样本集迭代训练初始模型得到，所述目标样本集包括：目标样本和目标样本对应的地表沉降监测点沉降值，所述目标样本包括：基础信息样本和扰动参数样本，能够获取实时施工数据对应的地表沉降监测点沉降值，进而防止出现由于沉降超出控制范围，影响周边建筑物安全的情况。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中的一种盾构施工地表沉降预测方法的流程图；
图2是本发明实施例中的另一种盾构施工地表沉降预测方法的流程图；
图3是本发明实施例中的一种盾构施工地表沉降预测装置的结构示意图；
图4是本发明实施例中的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
实施例一
图1为本发明实施例提供的一种盾构施工地表沉降预测方法的流程图，本实施例可适用于盾构施工地表沉降预测的情况，该方法可以由本发明实施例中的盾构施工地表沉降预测装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110，获取实时施工数据。
其中，所述实时施工数据包括：当前施工项目工程基础数据和施工参数。所述当前施工项目工程基础数据包括：当前施工项目工程对应的土质参数。
具体的，获取实时施工数据的方式可以为：获取用户输入的当前施工项目工程基础数据和实时施工参数。
需要说明的是，所述实时施工数据还可以包括：实时盾构掘进数据。
S120，将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值。
其中，所述沉降预测模型通过目标样本集迭代训练初始模型得到，所述目标样本集包括：目标样本和目标样本对应的地表沉降监测点沉降值，所述目标样本包括：基础信息样本和扰动参数样本。
其中，所述基础信息样本包括：历史施工参数对应的土质参数和历史施工参数对应的隧道工艺参数。所述扰动参数样本包括：历史施工参数对应的切口扰动参数、姿态扰动参数以及盾尾扰动参数。
具体的，将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值的方式可以为：预先建立初始模型，基于目标样本集迭代训练所述初始模型，得到沉降预测模型，将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值。将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值的方式还可以为：提取所述实时施工数据的元素属性，得到实时施工数据对应的基础类属性、扰动类属性、基础类属性对应的基础信息以及扰动类属性对应的扰动参数；将实时施工数据对应的基础类属性、扰动类属性、基础类属性对应的基础信息以及扰动类属性对应的扰动参数输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值。
在本发明实施例中，将提取元素属性后实时施工数据输入到沉降预测模型，得到地表沉降监测点沉降值。
可选的，在通过目标样本集迭代训练初始模型之前，还包括：
获取历史施工数据；
提取所述历史施工数据的元素属性，得到属性集合和属性集合中每个属性对应的特征参数；
根据属性集合和属性集合中每个属性对应的特征参数生成目标样本集。
其中，所述历史施工数据包括：基础类属性、基础类属性对应的基础信息、扰动类属性、扰动类属性对应的扰动参数、沉降类属性以及沉降类属性对应的地表沉降监测点沉降值。
具体的，提取所述历史施工数据的元素属性，得到属性集合和属性集合中每个属性对应的特征参数的方式可以为：对历史施工数据进行重新的组合提取元属性，得到基础类属性、基础类属性对应的基础信息、扰动类属性、扰动类属性对应的扰动参数、沉降类属性以及沉降类属性对应的地表沉降监测点沉降值。
可选的，所述属性集合包括：基础类属性、扰动类属性以及沉降类属性，基础类属性对应的特征参数为基础类属性对应的基础信息，扰动类属性对应的特征参数为扰动类属性对应的扰动参数，沉降类属性对应的特征参数为沉降类属性对应的地表沉降监测点沉降值。
需要说明的是，为了便于地表沉降监测点沉降值预测，将影响地表沉降的主要因素划分为：基础类属性、扰动类属性以及沉降类属性三个属性类别。基础类属性对应的特征参数为盾构隧道施工所需的基础信息，例如可以是，基础信息包括：土质特性、几何特性以及工艺特性。扰动类属性对应的特征参数为扰动类属性对应的扰动参数，例如可以是，扰动参数包括：主要评价盾构在掘进过程中对土体扰动程度的指标。扰动参数可以通过对盾构实时掘进数据的分析处理得到。根据扰动机理不同可以将扰动参数其分为：切口扰动参数、姿态扰动参数以及盾尾扰动参数。
可选的，在通过目标样本集迭代训练初始模型之前，还包括：
获取历史施工数据；
根据所述历史施工数据和当前施工项目工程基础数据生成模拟数据集合；
提取所述模拟数据集合中的数据的元素属性，得到属性集合和属性集合中每个属性对应的特征参数；
根据属性集合和属性集合中每个属性对应的特征参数生成目标样本集。
需要说明的是，可以结合历史数据和当前施工项目工程基础数据产生一组模拟数据，因此，模型训练前期无需大量的数据积累，提升训练样本集的生成速度。
可选的，根据属性集合和属性集合中每个属性对应的特征参数生成目标样本集，包括：
根据基础类属性、基础类属性对应的基础信息、扰动类属性以及扰动类属性对应的扰动参数确定目标样本；
根据沉降类属性和沉降类属性对应的地表沉降监测点沉降值确定目标样本对应的地表沉降监测点沉降值；
根据目标样本和目标样本对应的地表沉降监测点沉降值生成目标样本集。
具体的，根据基础类属性、基础类属性对应的基础信息、扰动类属性以及扰动类属性对应的扰动参数确定目标样本的方式可以为：根据基础类属性和基础类属性对应的基础信息生成基础信息样本，根据扰动类属性以及扰动类属性对应的扰动参数生成扰动参数样本；根据基础信息样本和扰动参数样本确定目标样本。
需要说明的是，每个目标样本由一组历史施工数据确定，历史施工数据需要包括基础类属性、扰动类属性以及沉降类属性三个属性类别。实时施工数据需要包括：基础类属性和扰动类属性二个属性类别。
可选的，通过目标样本集迭代训练初始模型，包括：
建立初始模型；
将所述目标样本集中的目标样本输入初始模型，得到预测地表沉降监测点沉降值；
根据所述预测地表沉降监测点沉降值和所述目标样本对应的地表沉降监测点沉降值形成的目标函数训练所述初始模型的参数；
返回执行将所述目标样本集中的目标样本输入初始模型，得到预测地表沉降监测点沉降值的操作，直至得到沉降预测模型。
其中，所述初始模型可以为神经网络模型。
具体的，将所述目标样本集中的目标样本输入初始模型，得到预测地表沉降监测点沉降值的方式可以为：将所述目标样本集中的基础信息样本和扰动参数样本输入初始模型，得到基础信息样本和扰动参数样本对应的预测地表沉降监测点沉降值。
可选的，所述基础类属性对应的基础信息包括：土质参数和隧道工艺参数，所述扰动类属性对应的扰动参数包括：切口扰动参数、姿态扰动参数以及盾尾扰动参数。
可选的，所述实时施工数据包括：当前施工项目工程基础数据和施工参数。
在一个具体的例子中，如图2所示，获取历史施工数据，对历史施工数据进行重新的组合提取元属性，得到属性集合和属性集合中每个属性对应的特征参数；构建基于元属性的沉降数据发生器；结合当前施工项目工程基础数据产生模拟数据；根据沉降数据发生器的输出数据和模拟数据生成目标样本集，基于目标样本集训练初始模型，得到沉降预测模型；获取实时盾构掘进数据，将实时盾构掘进数据输入沉降预测模型，得到实时盾构掘进数据对应的地表沉降监测点沉降值。
需要说明的是，在将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值之后，还可以根据述实时施工数据和实时施工数据对应的地表沉降监测点沉降值对沉降预测模型进行优化。
本实施例的技术方案，通过获取实时施工数据；将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值，其中，所述沉降预测模型通过目标样本集迭代训练初始模型得到，所述目标样本集包括：目标样本和目标样本对应的地表沉降监测点沉降值，所述目标样本包括：基础信息样本和扰动参数样本，能够获取实时施工数据对应的地表沉降监测点沉降值，进而防止出现由于沉降超出控制范围，影响周边建筑物安全的情况。
实施例二
图3为本发明实施例提供的一种盾构施工地表沉降预测装置的结构示意图。本实施例可适用于盾构施工地表沉降预测的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供盾构施工地表沉降预测功能的设备中，如图3所示，所述盾构施工地表沉降预测装置具体包括：实时施工数据获取模块210和地表沉降监测点沉降值确定模块220。
其中，实时施工数据获取模块，用于获取实时施工数据；
地表沉降监测点沉降值确定模块，用于将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值，其中，所述沉降预测模型通过目标样本集迭代训练初始模型得到，所述目标样本集包括：目标样本和目标样本对应的地表沉降监测点沉降值，所述目标样本包括：基础信息样本和扰动参数样本。
可选的，还包括：
历史施工数据获取模块，用于获取历史施工数据；
元素属性提取模块，用于提取所述历史施工数据的元素属性，得到属性集合和属性集合中每个属性对应的特征参数；
目标样本集生成模块，用于根据属性集合和属性集合中每个属性对应的特征参数生成目标样本集。
可选的，所述属性集合包括：基础类属性、扰动类属性以及沉降类属性，基础类属性对应的特征参数为基础类属性对应的基础信息，扰动类属性对应的特征参数为扰动类属性对应的扰动参数，沉降类属性对应的特征参数为沉降类属性对应的地表沉降监测点沉降值。
可选的，所述目标样本集生成模块具体用于：
根据基础类属性、基础类属性对应的基础信息、扰动类属性以及扰动类属性对应的扰动参数确定目标样本；
根据沉降类属性和沉降类属性对应的地表沉降监测点沉降值确定目标样本对应的地表沉降监测点沉降值；
根据目标样本和目标样本对应的地表沉降监测点沉降值生成目标样本集。
可选的，地表沉降监测点沉降值确定模块具体用于：
建立初始模型；
将所述目标样本集中的目标样本输入初始模型，得到预测地表沉降监测点沉降值；
根据所述预测地表沉降监测点沉降值和所述目标样本对应的地表沉降监测点沉降值形成的目标函数训练所述初始模型的参数；
返回执行将所述目标样本集中的目标样本输入初始模型，得到预测地表沉降监测点沉降值的操作，直至得到沉降预测模型。
可选的，所述基础类属性对应的基础信息包括：土质参数和隧道工艺参数，所述扰动类属性对应的扰动参数包括：切口扰动参数、姿态扰动参数以及盾尾扰动参数。
可选的，所述实时施工数据包括：当前施工项目工程基础数据和施工参数。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
本实施例的技术方案，通过获取实时施工数据；将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值，其中，所述沉降预测模型通过目标样本集迭代训练初始模型得到，所述目标样本集包括：目标样本和目标样本对应的地表沉降监测点沉降值，所述目标样本包括：基础信息样本和扰动参数样本，能够获取实时施工数据对应的地表沉降监测点沉降值，进而防止出现由于沉降超出控制范围，影响周边建筑物安全的情况。
实施例三
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如盾构施工地表沉降预测方法。
在一些实施例中，盾构施工地表沉降预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的盾构施工地表沉降预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行盾构施工地表沉降预测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种盾构施工地表沉降预测方法，其特征在于，包括：
获取实时施工数据；
将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值，其中，所述沉降预测模型通过目标样本集迭代训练初始模型得到，所述目标样本集包括：目标样本和目标样本对应的地表沉降监测点沉降值，所述目标样本包括：基础信息样本和扰动参数样本。
2.根据权利要求1所述的方法，其特征在于，在通过目标样本集迭代训练初始模型之前，还包括：
获取历史施工数据；
提取所述历史施工数据的元素属性，得到属性集合和属性集合中每个属性对应的特征参数；
根据属性集合和属性集合中每个属性对应的特征参数生成目标样本集。
3.根据权利要求2所述的方法，其特征在于，所述属性集合包括：基础类属性、扰动类属性以及沉降类属性，基础类属性对应的特征参数为基础类属性对应的基础信息，扰动类属性对应的特征参数为扰动类属性对应的扰动参数，沉降类属性对应的特征参数为沉降类属性对应的地表沉降监测点沉降值。
4.根据权利要求3所述的方法，其特征在于，根据属性集合和属性集合中每个属性对应的特征参数生成目标样本集，包括：
根据基础类属性、基础类属性对应的基础信息、扰动类属性以及扰动类属性对应的扰动参数确定目标样本；
根据沉降类属性和沉降类属性对应的地表沉降监测点沉降值确定目标样本对应的地表沉降监测点沉降值；
根据目标样本和目标样本对应的地表沉降监测点沉降值生成目标样本集。
5.根据权利要求4所述的方法，其特征在于，通过目标样本集迭代训练初始模型，包括：
建立初始模型；
将所述目标样本集中的目标样本输入初始模型，得到预测地表沉降监测点沉降值；
根据所述预测地表沉降监测点沉降值和所述目标样本对应的地表沉降监测点沉降值形成的目标函数训练所述初始模型的参数；
返回执行将所述目标样本集中的目标样本输入初始模型，得到预测地表沉降监测点沉降值的操作，直至得到沉降预测模型。
6.根据权利要求5所述的方法，其特征在于，所述基础类属性对应的基础信息包括：土质参数和隧道工艺参数，所述扰动类属性对应的扰动参数包括：切口扰动参数、姿态扰动参数以及盾尾扰动参数。
7.根据权利要求1所述的方法，其特征在于，所述实时施工数据包括：当前施工项目工程基础数据和施工参数。
8.一种盾构施工地表沉降预测装置，其特征在于，包括：
实时施工数据获取模块，用于获取实时施工数据；
地表沉降监测点沉降值确定模块，用于将所述实时施工数据输入沉降预测模型，得到所述实时施工数据对应的地表沉降监测点沉降值，其中，所述沉降预测模型通过目标样本集迭代训练初始模型得到，所述目标样本集包括：目标样本和目标样本对应的地表沉降监测点沉降值，所述目标样本包括：基础信息样本和扰动参数样本。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的盾构施工地表沉降预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的盾构施工地表沉降预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311845386.1A CN117786500A (zh) | 2023-12-28 | 2023-12-28 | 一种盾构施工地表沉降预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311845386.1A CN117786500A (zh) | 2023-12-28 | 2023-12-28 | 一种盾构施工地表沉降预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117786500A true CN117786500A (zh) | 2024-03-29 |
Family
ID=90397991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311845386.1A Pending CN117786500A (zh) | 2023-12-28 | 2023-12-28 | 一种盾构施工地表沉降预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117786500A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070570A (zh) * | 2024-04-19 | 2024-05-24 | 天津大学 | 公路路堤拓宽差异沉降预测分析、处理方法及装置 |
-
2023
- 2023-12-28 CN CN202311845386.1A patent/CN117786500A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070570A (zh) * | 2024-04-19 | 2024-05-24 | 天津大学 | 公路路堤拓宽差异沉降预测分析、处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117786500A (zh) | 一种盾构施工地表沉降预测方法、装置、设备及存储介质 | |
| CN112784732A (zh) | 地物类型变化的识别、模型训练方法、装置、设备及介质 | |
| CN113904943B (zh) | 账号检测方法、装置、电子设备和存储介质 | |
| CN113204695B (zh) | 网站识别方法和装置 | |
| CN117474091A (zh) | 一种知识图谱构建方法、装置、设备及存储介质 | |
| CN114078274A (zh) | 人脸图像检测方法、装置、电子设备以及存储介质 | |
| CN116629810B (zh) | 基于建筑办公***的操作推荐方法、装置、设备和介质 | |
| CN116151034B (zh) | 一种绝缘子芯棒酥化的预测方法、装置、设备及介质 | |
| CN117829580A (zh) | 压裂套变风险评估方法、装置、电子设备及存储介质 | |
| CN116108589B (zh) | 一种型芯模型构建方法、装置、设备及介质 | |
| CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
| CN116539989A (zh) | 一种变压器检修方法 | |
| CN117972823A (zh) | 层状边水油藏的水侵前缘检测方法、装置以及电子设备 | |
| CN113434790A (zh) | 重复链接的识别方法、装置及电子设备 | |
| CN116305324A (zh) | 一种主机安全防护方法、装置、设备及存储介质 | |
| CN117829395A (zh) | 一种储气层库存气量的预测方法、装置、设备及存储介质 | |
| CN118191935A (zh) | 基于边缘检测的断层识别方法、装置、电子设备和介质 | |
| CN117806764A (zh) | 一种用户界面的数据收集方法、装置、设备及存储介质 | |
| CN116911466A (zh) | 园区建设程度的确定方法、装置、设备及介质 | |
| CN117271289A (zh) | 一种网页监测方法、装置、设备以及存储介质 | |
| CN115659347A (zh) | 一种安全测试方法、装置、电子设备和存储介质 | |
| CN115935355A (zh) | 一种挖矿程序识别方法、装置、设备及存储介质 | |
| CN113408297A (zh) | 生成节点表示的方法、装置、电子设备和可读存储介质 | |
| CN113961775A (zh) | 数据可视化的方法、装置、电子设备和可读存储介质 | |
| CN116342253A (zh) | 贷款风险评分方法、装置、设备以及存储介质 |
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 |