本發(fā)明涉及工程建設(shè)與計(jì)算機(jī)，尤其涉及一種基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代工程建設(shè)中，深基坑開挖是一項(xiàng)常見且重要的施工活動(dòng)?；幼冃伪O(jiān)測(cè)和預(yù)測(cè)對(duì)于確保工程安全和穩(wěn)定具有重要意義。現(xiàn)有的基坑變形預(yù)測(cè)方法主要依賴于數(shù)值模擬和現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)，但這些方法存在一定的局限性。數(shù)值模擬往往簡化了土層的分布和力學(xué)參數(shù)，難以準(zhǔn)確描述應(yīng)力-應(yīng)變關(guān)系，并且基于有限元模擬的方法難以精確預(yù)測(cè)每日的變形情況。而傳統(tǒng)的現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)分析方法在處理高度非線性和時(shí)間依賴性數(shù)據(jù)時(shí)有效性較差。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：本發(fā)明旨在提供一種高精度、高穩(wěn)定性的基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)方法；本發(fā)明的另一目的是提供一種基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)系統(tǒng)。

2、技術(shù)方案：本發(fā)明所述的基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)方法，包括以下步驟：

3、步驟s1、采集基坑開挖過程中的監(jiān)測(cè)數(shù)據(jù)，對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理，提取關(guān)鍵特征，得到關(guān)鍵特征數(shù)據(jù)集；

4、步驟s2、構(gòu)建cnn-lstm模型，利用卷積神經(jīng)網(wǎng)絡(luò)cnn提取基坑變形的空間特征，利用長短期記憶網(wǎng)絡(luò)lstm捕捉基坑變形的時(shí)間特征；

5、步驟s3、通過optuna框架對(duì)cnn-lstm模型的超參數(shù)進(jìn)行優(yōu)化，得到最優(yōu)參數(shù)組合；

6、步驟s4、基于優(yōu)化后的模型進(jìn)行未來多個(gè)時(shí)間步的基坑變形預(yù)測(cè)。

7、進(jìn)一步的，步驟s2中，卷積神經(jīng)網(wǎng)絡(luò)cnn包括卷積層、激活函數(shù)層、批歸一化層和全連接層；其中，卷積層不添加池化層，保持時(shí)間維度不變；通過激活函數(shù)引入非線性對(duì)卷積后的空間特征引入非線性，根據(jù)數(shù)據(jù)量決定是否使用池化層進(jìn)行下采樣。

8、進(jìn)一步的，步驟s1具體如下：

9、數(shù)據(jù)收集與整理：采集基坑開挖過程中的監(jiān)測(cè)數(shù)據(jù)，監(jiān)測(cè)數(shù)據(jù)包括地下連續(xù)墻的位移數(shù)據(jù)、沉降數(shù)據(jù)和土壓力數(shù)據(jù)；

10、數(shù)據(jù)降噪處理：采用降噪算法對(duì)數(shù)據(jù)進(jìn)行降噪處理，優(yōu)選小波變換；

11、缺失數(shù)據(jù)填補(bǔ)：采用插值法進(jìn)行填補(bǔ)；

12、特征提取與選擇：根據(jù)基坑變形的特征，提取關(guān)鍵特征，關(guān)鍵特征包括最大側(cè)向位移、變形速率和土壓力變化；

13、數(shù)據(jù)歸一化：對(duì)關(guān)鍵特征數(shù)據(jù)進(jìn)行歸一化處理，得到關(guān)鍵特征數(shù)據(jù)集。

14、進(jìn)一步的，步驟s2具體如下：

15、構(gòu)建cnn-lstm模型；其中卷積神經(jīng)網(wǎng)絡(luò)cnn包括卷積層、激活函數(shù)層、批歸一化層和全連接層；長短期記憶網(wǎng)絡(luò)lstm包括輸入層、lstm層和輸出層；

16、卷積操作：卷積神經(jīng)網(wǎng)絡(luò)cnn的卷積層對(duì)輸入數(shù)據(jù)進(jìn)行卷積操作，提取基坑監(jiān)測(cè)點(diǎn)之間的空間關(guān)系和特征，生成空間特征圖，捕捉基坑不同位置的變形特征；不添加池化層以保持時(shí)間維度不變；

17、激活與池化：在卷積操作后，使用激活函數(shù)對(duì)空間特征進(jìn)行激活，加入非線性；根據(jù)數(shù)據(jù)量判斷是否使用池化層進(jìn)行下采樣，保留關(guān)鍵特征信息；

18、時(shí)間序列處理：長短期記憶網(wǎng)絡(luò)lstm的輸入層接收cnn提取的空間特征，將數(shù)據(jù)按照時(shí)間序列輸入lstm網(wǎng)絡(luò)，lstm單元通過記憶和遺忘機(jī)制，捕捉基坑變形的動(dòng)態(tài)變化特征；

19、隱藏狀態(tài)更新：lstm網(wǎng)絡(luò)通過不斷更新隱藏狀態(tài)和細(xì)胞狀態(tài)，記憶基坑變形的歷史信息，輸出當(dāng)前時(shí)刻的預(yù)測(cè)結(jié)果。

20、進(jìn)一步的，步驟s3具體如下：

21、在optuna框架中，根據(jù)采集的基坑監(jiān)測(cè)數(shù)據(jù)確定超參數(shù)的范圍；從已確定的超參數(shù)的范圍中確定任意一組超參數(shù)，作為當(dāng)前超參數(shù)；使用當(dāng)前超參數(shù)在訓(xùn)練集上訓(xùn)練cnn-lstm模型，在驗(yàn)證集上對(duì)訓(xùn)練后的cnn-lstm模型進(jìn)行評(píng)估，獲得評(píng)估結(jié)果，并根據(jù)評(píng)估結(jié)果對(duì)當(dāng)前超參數(shù)進(jìn)行調(diào)整；重復(fù)該步驟直到達(dá)到預(yù)設(shè)的迭代次數(shù)或時(shí)間；在驗(yàn)證集上，選擇評(píng)估結(jié)果最優(yōu)的一組超參數(shù)作為最優(yōu)超參數(shù)；其中，訓(xùn)練集和驗(yàn)證集由步驟s1中的關(guān)鍵特征數(shù)據(jù)集按比例劃分而得。

22、進(jìn)一步的，optuna框架采用智能剪枝技術(shù)，提前終止表現(xiàn)不佳的超參數(shù)配置。

23、進(jìn)一步的，評(píng)估的評(píng)價(jià)指標(biāo)為均方誤差或交叉熵。

24、進(jìn)一步的，對(duì)均方誤差引入正則化項(xiàng)作為損失函數(shù)j(θ)：

25、

26、其中，是cnn-lstm模型在第i個(gè)樣本的均方誤差損失函數(shù)，m是訓(xùn)練集的樣本數(shù)量，為第j個(gè)參數(shù)的平方，λ為正則化系數(shù)。

27、進(jìn)一步的，cnn-lstm模型采用多輸出策略，輸入時(shí)間步為x1，輸出時(shí)間步為y1。

28、本發(fā)明所述基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)系統(tǒng)，包括：

29、數(shù)據(jù)采集處理模塊，用于采集基坑開挖過程中的監(jiān)測(cè)數(shù)據(jù)并進(jìn)行預(yù)處理，提取關(guān)鍵特征，得到關(guān)鍵特征數(shù)據(jù)集；

30、模型構(gòu)建模塊，用于構(gòu)建cnn-lstm模型，利用卷積神經(jīng)網(wǎng)絡(luò)cnn提取基坑變形的空間特征，利用長短期記憶網(wǎng)絡(luò)lstm捕捉基坑變形的時(shí)間特征；

31、超參數(shù)優(yōu)化模塊，用于通過optuna框架對(duì)cnn-lstm模型的超參數(shù)進(jìn)行優(yōu)化，得到最優(yōu)參數(shù)組合；

32、求解預(yù)測(cè)模塊，用于基于優(yōu)化后的模型進(jìn)行未來多個(gè)時(shí)間步的基坑變形預(yù)測(cè)。

33、有益效果：本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)是：1、本發(fā)明采用卷積神經(jīng)網(wǎng)絡(luò)cnn提取基坑變形的空間特征，長短期記憶網(wǎng)絡(luò)lstm捕捉基坑變形的時(shí)間特征，綜合考慮空間和時(shí)間特征，提高基坑變形預(yù)測(cè)的精度；2、本發(fā)明通過optuna框架優(yōu)化超參數(shù)，提升模型的穩(wěn)定性和魯棒性，確保預(yù)測(cè)結(jié)果的可靠性；3、本發(fā)明采用cnn卷積層不添加池化層以保持時(shí)間維度不變，根據(jù)數(shù)據(jù)量判斷是否使用池化層進(jìn)行下采樣，進(jìn)一步保留關(guān)鍵特征信息，提升了數(shù)據(jù)的準(zhǔn)確性和可靠性。

技術(shù)特征：

1.一種基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)方法，其特征在于，步驟s2中，卷積神經(jīng)網(wǎng)絡(luò)cnn包括卷積層、激活函數(shù)層、批歸一化層和全連接層；其中，卷積層不添加池化層，保持時(shí)間維度不變；通過激活函數(shù)引入非線性對(duì)卷積后的空間特征引入非線性，根據(jù)數(shù)據(jù)量決定是否使用池化層進(jìn)行下采樣。

3.根據(jù)權(quán)利要求1所述基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)方法，其特征在于，步驟s1具體如下：

4.根據(jù)權(quán)利要求3所述基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)方法，其特征在于，步驟s2具體如下：

5.根據(jù)權(quán)利要求4所述基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)方法，其特征在于，步驟s3具體如下：

6.根據(jù)權(quán)利要求5所述基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)方法，其特征在于，optuna框架采用智能剪枝技術(shù)，提前終止表現(xiàn)不佳的超參數(shù)配置。

7.根據(jù)權(quán)利要求5所述基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)方法，其特征在于，評(píng)估的評(píng)價(jià)指標(biāo)為均方誤差或交叉熵。

8.根據(jù)權(quán)利要求7所述基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)方法，其特征在于，對(duì)均方誤差引入正則化項(xiàng)作為損失函數(shù)j(θ)：

9.根據(jù)權(quán)利要求1所述基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)方法，其特征在于，cnn-lstm模型采用多輸出策略，輸入時(shí)間步為x1，輸出時(shí)間步為y1。

10.一種基于基坑時(shí)空效應(yīng)的optuna-cnn-lstm變形多步預(yù)測(cè)系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明公開了一種基于基坑時(shí)空效應(yīng)的Optuna?CNN?LSTM變形多步預(yù)測(cè)方法及系統(tǒng)，所述方法通過對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理，提取關(guān)鍵特征，得到關(guān)鍵特征數(shù)據(jù)集；構(gòu)建CNN?LSTM模型，利用卷積神經(jīng)網(wǎng)絡(luò)CNN提取基坑變形的空間特征，利用長短期記憶網(wǎng)絡(luò)LSTM捕捉基坑變形的時(shí)間特征；通過Optuna框架對(duì)CNN?LSTM模型的超參數(shù)進(jìn)行優(yōu)化，得到最優(yōu)參數(shù)組合；基于優(yōu)化后的模型進(jìn)行未來多個(gè)時(shí)間步的基坑變形預(yù)測(cè)。本發(fā)明采用卷積神經(jīng)網(wǎng)絡(luò)CNN提取基坑變形的空間特征，長短期記憶網(wǎng)絡(luò)LSTM捕捉基坑變形的時(shí)間特征，綜合考慮空間和時(shí)間特征，提高基坑變形預(yù)測(cè)的精度。

技術(shù)研發(fā)人員：黃昌富,宋森,張躍進(jìn),劉鋼,楊明,夏宗軍,霍玉濤,劉麗娟,高振宇,孫飛
受保護(hù)的技術(shù)使用者：中鐵十五局集團(tuán)城市建設(shè)工程有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19