CN120822099A - 一种基于神经网络与粗糙集分类的深基坑变形预测方法及系统 - Google Patents

一种基于神经网络与粗糙集分类的深基坑变形预测方法及系统

Info

Publication number
CN120822099A
CN120822099A CN202510940255.4A CN202510940255A CN120822099A CN 120822099 A CN120822099 A CN 120822099A CN 202510940255 A CN202510940255 A CN 202510940255A CN 120822099 A CN120822099 A CN 120822099A
Authority
CN
China
Prior art keywords
data
attribute
foundation pit
deep foundation
neural network
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
Application number
CN202510940255.4A
Other languages
English (en)
Inventor
孟涛
于淼
李禄维
崔志远
耿亚帅
李真海
李鑫涛
乔顺龙
丁子雄
李兴久
朱宁宁
梅泽宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Urban Construction Exploration and Surveying Design Research Institute Co Ltd
Original Assignee
Beijing Urban Construction Exploration and Surveying Design Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Urban Construction Exploration and Surveying Design Research Institute Co Ltd filed Critical Beijing Urban Construction Exploration and Surveying Design Research Institute Co Ltd
Priority to CN202510940255.4A priority Critical patent/CN120822099A/zh
Publication of CN120822099A publication Critical patent/CN120822099A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及基坑检测技术领域，且公开了一种基于神经网络与粗糙集分类的深基坑变形预测方法及系统，包括以下步骤：数据采集与预处理；基于粗糙集理论的属性约简；基于改进的注意力机制循环神经网络(A‑RNN)的模型构建与训练；可信度验证与动态反馈调整；输出结果与预警响应。该发明通过集成位移、土压力、地下水位、支护应力等多参数监测数据，全面捕捉深基坑变形的驱动因素，减少单一传感器数据偏差导致的误判，双向LSTM与注意力机制的结合，有效捕捉时序数据中的长期依赖和关键时间点的局部特征，显著提升变形预测的准确性。

Description

一种基于神经网络与粗糙集分类的深基坑变形预测方法及 系统
技术领域
本发明涉及基坑检测技术领域，具体为一种基于神经网络与粗糙集分类的深基坑变形预测方法及系统，
背景技术
随着城市化进程加速，深基坑工程在高层建筑、地铁建设等领域应用广泛。然而，基坑施工过程中因地质条件复杂、环境动态变化等因素引发的变形问题频发，可能引发结构失稳甚至坍塌事故。当前深基坑变形预测技术仍存在以下局限性。
1、数据维度与可靠性不足
传统监测方法多依赖位移、应力等单一参数监测，忽略了土压力、地下水位、支护应力等多因素耦合作用，易导致关键驱动因素遗漏。单一传感器数据偏差易引发误判，影响预测结果的全面性与准确性。
2、时序建模能力薄弱
现有预测模型(如传统RNN)难以捕捉深基坑变形过程中的长期时序依赖关系，且对关键时间节点的局部特征识别能力不足。复杂网络结构带来的高计算复杂度，难以适配现场边缘计算设备的实时性需求。
3、模型泛化与动态适应缺陷
静态模型在长期复杂工况下易因过拟合或异常数据产生误报，缺乏对施工环境动态变化的在线调整能力。固定风险阈值设定方式难以适应不同地质条件，导致预警灵敏度不足。
4、冗余特征与资源消耗问题
高维监测数据包含大量冗余信息，传统方法未有效降维，导致神经网络训练效率低下，内存占用过大，制约了嵌入式系统的部署可行性。
针对上述问题，急需一种融合多源数据感知、高效时序建模与动态自适应能力的深基坑变形预测方法，在提升预测精度的同时满足工程现场的实时性需求。
发明内容
针对现有技术存在的上述不足，本发明提供了一种基于神经网络与粗糙集分类的深基坑变形预测方法及系统，
本发明提供如下技术方案：一种基于神经网络与粗糙集分类的深基坑变形预测方法，包括以下步骤：
步骤S1：数据采集与预处理
通过多源传感器阵列实时采集深基坑的位移、土压力、地下水位及支护结构应力数据，构建动态监测数据集Draw；
步骤S2：基于粗糙集理论的属性约简
将预处理后的数据构建成决策表S＝(U,A,V,f)，其中U为论域，即所有样本的集合；A＝C∪D,C为条件属性集，包含位移、土压力等监测数据属性，D为决策属性集，如深基坑的变形状态(正常、预警、危险等)；V为属性值的集合；f:U×A→V为信息函数，用于确定每个样本的属性值；
计算属性重要度：采用基于信息熵的属性重要度计算方法，设H(D)为决策属性D的信息熵，H(D|C-{ai})为去掉属性ai后决策属性D的条件信息熵，则属性ai的重要度Sig(ai)为：Sig(ai)＝H(D|C-{ai})-H(D|C)其中 p(dj)为决策属性D取值为dj的概率； p(ci)为条件属性集C取值为ci的概率，p(dj|ci)为在条件属性取值为ci时决策属性取值为dj的条件概率；
步骤S3：基于改进的注意力机制循环神经网络(A-RNN)的模型构建与训练
改进的A-RNN网络结构：建立输入层、双向LSTM层、注意力机制层和输出层，输入层接收经过属性约简后的数据集Dred，双向LSTM层对输入数据进行特征提取，设和分别为前向和后向LSTM单元在时刻t的隐藏状态，则双向LSTM层的输出ht为：注意力机制层：主要对注意力机制用于对双向LSTM层的输出进行加权，突出重要的特征；训练模型：将约简后的数据Dred划分为训练集、验证集和测试集；
步骤S4：可信度验证与动态反馈调整
可信度验证：通过粗糙集决策规则库对神经网络输出结果进行可信度验证；设神经网络的预测结果为ypred，根据粗糙集决策规则库判断其是否符合相应的规则，若符合则认为可信度高，若不符合则计算预测结果与规则的偏差Δ；
动态反馈调整：若误差超过预设阈值τ，则触发动态反馈机制，首先，分析误差产生的原因，若为属性约简不合理，则重新调整属性约简参数，更新最小条件属性集Cmin；若为神经网络模型参数问题，则通过增量学习的方式，使用新的数据对模型进行微调，更新网络权重；
步骤S5：输出结果与预警响应
输出深基坑变形预测曲线及风险等级分类结果，风险等级根据预测的变形量与预设的阈值进行划分，如低风险、中风险、高风险；
联动现场预警装置实施分级响应，对于低风险状态，可进行定期监测和记录；对于中风险状态，发出预警信号，加强监测频率；对于高风险状态，立即启动应急措施，如疏散人员、加固支护结构。
优选的，将步骤S1中采集到的数据进行预处理，包括去除噪声、填补缺失值等操作，对于噪声去除，采用滑动平均滤波算法，设原始数据序列为x1,x2,…xn；窗口大小为w，则滤波后的数据yi为 为向下取整函数，为向上取整函数，对于缺失值，采用线性插值法进行填补，若xk缺失，且已知xk-1和xk+1，则
优选的，注意力机制层：设st为时刻t的上下文向量，αt,i为注意力权重，则：其中v、Wh、Ws为可学习的权重矩阵，b为偏置向量，T为时间步长。
优选的，训练模型：采用均方误差损失函数对模型进行训练，其中N为样本数量，yi为真实值，为预测值，使用随机梯度下降(SGD)等优化算法更新模型的参数。
一种基于神经网络与粗糙集分类的深基坑变形预测系统，由以下模块组成：
分布式传感器阵列模块：包含多种类型的传感器，如位移传感器、土压力传感器、地下水位传感器、应力传感器等，分布在深基坑的不同位置，实时采集深基坑的相关数据，并将数据传输至边缘计算节点；
边缘计算节点：集成数据预处理单元，对传感器采集的数据进行去除噪声、填补缺失值等预处理操作；
集成粗糙集约简处理器：根据骤S2的方法对数据进行属性约简；
集成轻量化神经网络推理芯片：运行改进的A-RNN模型，对约简后的数据进行变形预测；
云端协同训练平台：存储大量的历史监测数据和模型训练结果，为模型的训练和优化提供数据支持；
配备规则库版本管理模块：对粗糙集决策规则库进行管理和更新，并提供模型迭代优化接口，支持通过增量学习等方式对神经网络模型进行优化；
三维可视化终端：支持预测结果与BIM模型的空间映射，将深基坑的变形预测结果直观地展示在BIM模型上，提供多工况对比分析功能，用户可以选择不同的时间点、不同的工况进行对比分析，并将地层的变形情况以三维图形的形式展示出来，同时用户可以查看过去任意时间点的深基坑变形预测结果和相关数据。
与现有技术对比，本发明具备以下有益效果：
(1)通过集成位移、土压力、地下水位、支护应力等多参数监测数据，全面捕捉深基坑变形的驱动因素，减少单一传感器数据偏差导致的误判，双向LSTM与注意力机制的结合，有效捕捉时序数据中的长期依赖和关键时间点的局部特征，显著提升变形预测的准确性，并通过粗糙集规则库校验神经网络预测结果，避免模型过拟合或异常工况下的误报，确保预警决策的可靠性。
(2)剔除冗余特征，将输入维度降至最小必要集合，减少神经网络训练时间和内存占用，适配边缘计算设备的实时推理需求，改进的A-RNN结构通过双向LSTM与注意力机制的协同设计，在保证预测精度的同时简化网络层次，降低计算能耗，适合现场嵌入式部署。
(3)通过动态反馈调整模块，系统可根据实际工程环境的变化自动更新模型参数，无需完全重新训练，适应深基坑长期复杂工况，基于历史数据与实时监测结果动态调整风险等级阈值，避免固定阈值导致的误判，提升预警灵敏度。
(4)将预测结果叠加至BIM模型中，生成变形热力图与支护结构安全系数分布，支持多维度对比分析，为工程决策提供直观依据，通过声光报警、短信推送及设备联动，实现从风险识别到应急处置的全闭环管控，降低人工干预延迟，保障施工安全。
附图说明
图1为本发明逻辑图。
具体实施方式
为了使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述，为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明，以避免不必要地混淆本发明的概念，
请参阅图1，一种基于神经网络与粗糙集分类的深基坑变形预测方法，包括以下步骤：
步骤S1：数据采集与预处理
通过多源传感器阵列实时采集深基坑的位移、土压力、地下水位及支护结构应力数据，构建动态监测数据集Draw；
将采集到的数据进行预处理，包括去除噪声、填补缺失值等操作，对于噪声去除，消除高频随机干扰，采用线性插值法修复数据断点，确保数据连续性和有效性，避免模型训练受异常值影响。
采用滑动平均滤波算法，设原始数据序列为x1,x2,…xn；窗口大小为w，则滤波后的数据yi为 为向下取整函数，为向上取整函数，对于缺失值，采用线性插值法进行填补，若xk缺失，且已知xk-1和xk+1，则
步骤S2：基于粗糙集理论的属性约简
将预处理后的数据构建成决策表S＝(U,A,V,f)，其中U为论域，即所有样本的集合；A＝C∪D,C为条件属性集，包含位移、土压力等监测数据属性，D为决策属性集，如深基坑的变形状态(正常、预警、危险等)；V为属性值的集合；f:U×A→V为信息函数，用于确定每个样本的属性值；将预处理后的多维监测数据转化为结构化表格形式，明确条件属性(监测参数)与决策属性(变形状态)的逻辑关系。
计算属性重要度：采用基于信息熵的属性重要度计算方法，设H(D)为决策属性D的信息熵，H(D|C-{ai})为去掉属性ai后决策属性D的条件信息熵，则属性ai的重要度Sig(ai)为：Sig(ai)＝H(D|C-{ai})-H(D|C)其中 p(dj)为决策属性D取值为dj的概率； p(ci)为条件属性集C取值为ci的概率，p(dj|ci)为在条件属性取值为ci时决策属性取值为dj的条件概率；基于信息熵理论量化各属性对变形状态的贡献度，剔除冗余属性(如相关性低的土压力参数)，生成最小条件属性集，输出精简后的决策表作为神经网络的输入特征，显著提升模型训练效率和泛化能力。
步骤S3：基于改进的注意力机制循环神经网络(A-RNN)的模型构建与训练
改进的A-RNN网络结构：建立输入层、双向LSTM层、注意力机制层和输出层，输入层接收经过属性约简后的数据集Dred，双向LSTM层对输入数据进行特征提取，设和分别为前向和后向LSTM单元在时刻t的隐藏状态，则双向LSTM层的输出ht为：通过正反两个方向的时序信息传递，捕捉变形过程的长期依赖(如连续降雨对基坑沉降的影响)。
注意力机制层：主要对注意力机制用于对双向LSTM层的输出进行加权，突出重要的特征；设st为时刻t的上下文向量，αt,i为注意力权重，则： 其中v、Wh、Ws为可学习的权重矩阵，b为偏置向量，T为时间步长，动态分配时间步权重，强化对关键时段(如施工高峰期)监测数据的关注，解决传统RNN对局部特征敏感不足的问题。
训练模型：将约简后的数据Dred划分为训练集、验证集和测试集；采用均方误差损失函数对模型进行训练，其中N为样本数量，yi为真实值，为预测值，使用随机梯度下降(SGD)等优化算法更新模型的参数，采用分阶段优化(训练集→验证集→测试集)，结合自适应学习率算法(Adam)，确保模型收敛至全局最优解。
步骤S4：可信度验证与动态反馈调整
可信度验证：通过粗糙集决策规则库对神经网络输出结果进行可信度验证；设神经网络的预测结果为ypred，根据粗糙集决策规则库判断其是否符合相应的规则，若符合则认为可信度高，若不符合则计算预测结果与规则的偏差Δ；
动态反馈调整：若误差超过预设阈值τ，则触发动态反馈机制，首先，分析误差产生的原因，若为属性约简不合理，则重新调整属性约简参数，更新最小条件属性集Cmin；若为神经网络模型参数问题，则通过增量学习的方式，使用新的数据对模型进行微调，更新网络权重；
步骤S5：输出结果与预警响应
输出深基坑变形预测曲线及风险等级分类结果，风险等级根据预测的变形量与预设的阈值进行划分，如低风险、中风险、高风险；
联动现场预警装置实施分级响应，对于低风险状态，可进行定期监测和记录；对于中风险状态，发出预警信号，加强监测频率；对于高风险状态，立即启动应急措施，如疏散人员、加固支护结构。
一种基于神经网络与粗糙集分类的深基坑变形预测系统，由以下模块组成：
分布式传感器阵列模块：包含多种类型的传感器，如位移传感器、土压力传感器、地下水位传感器、应力传感器等，分布在深基坑的不同位置，实时采集深基坑的相关数据，并将数据传输至边缘计算节点。
边缘计算节点：集成数据预处理单元，对传感器采集的数据进行去除噪声、填补缺失值等预处理操作。
集成粗糙集约简处理器：根据骤S2的方法对数据进行属性约简。
集成轻量化神经网络推理芯片：运行改进的A-RNN模型，对约简后的数据进行变形预测。
云端协同训练平台：存储大量的历史监测数据和模型训练结果，为模型的训练和优化提供数据支持。
配备规则库版本管理模块：对粗糙集决策规则库进行管理和更新，并提供模型迭代优化接口，支持通过增量学习等方式对神经网络模型进行优化。
三维可视化终端：支持预测结果与BIM模型的空间映射，将深基坑的变形预测结果直观地展示在BIM模型上，提供多工况对比分析功能，用户可以选择不同的时间点、不同的工况进行对比分析，以便更好地了解深基坑的变形情况。
实现基于改进MarchingCubes算法的地层变形体绘制，将地层的变形情况以三维图形的形式展示出来。
显示风险热力图与支护结构安全系数的空间叠加信息，使用户能够直观地了解深基坑的风险分布情况和支护结构的安全状态。
具备历史回溯功能，用户可以查看过去任意时间点的深基坑变形预测结果和相关数据。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定，本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (5)

1.一种基于神经网络与粗糙集分类的深基坑变形预测方法，其特征在于，包括以下步骤：
步骤S1：数据采集与预处理
通过多源传感器阵列实时采集深基坑的位移、土压力、地下水位及支护结构应力数据，构建动态监测数据集Draw；
步骤S2：基于粗糙集理论的属性约简
将预处理后的数据构建成决策表S＝(U,A,V,f)，其中U为论域，即所有样本的集合；A＝C∪D,C为条件属性集，包含位移、土压力等监测数据属性，D为决策属性集，如深基坑的变形状态(正常、预警、危险等)；V为属性值的集合；f:U×A→V为信息函数，用于确定每个样本的属性值；
计算属性重要度：采用基于信息熵的属性重要度计算方法，设H(D)为决策属性D的信息熵，H(D|C-{ai})为去掉属性ai后决策属性D的条件信息熵，则属性ai的重要度Sig(ai)为：Sig(ai)＝H(D|C-{ai})-H(D|C)其中 p(dj)为决策属性D取值为dj的概率； p(ci)为条件属性集C取值为ci的概率，p(dj|ci)为在条件属性取值为ci时决策属性取值为dj的条件概率；
步骤S3：基于改进的注意力机制循环神经网络(A-RNN)的模型构建与训练
改进的A-RNN网络结构：建立输入层、双向LSTM层、注意力机制层和输出层，输入层接收经过属性约简后的数据集Dred，双向LSTM层对输入数据进行特征提取，设和分别为前向和后向LSTM单元在时刻t的隐藏状态，则双向LSTM层的输出ht为：注意力机制层：主要对注意力机制用于对双向LSTM层的输出进行加权，突出重要的特征；训练模型：将约简后的数据Dred划分为训练集、验证集和测试集；
步骤S4：可信度验证与动态反馈调整
可信度验证：通过粗糙集决策规则库对神经网络输出结果进行可信度验证；设神经网络的预测结果为ypred，根据粗糙集决策规则库判断其是否符合相应的规则，若符合则认为可信度高，若不符合则计算预测结果与规则的偏差Δ；
动态反馈调整：若误差超过预设阈值τ，则触发动态反馈机制，首先，分析误差产生的原因，若为属性约简不合理，则重新调整属性约简参数，更新最小条件属性集Cmin；若为神经网络模型参数问题，则通过增量学习的方式，使用新的数据对模型进行微调，更新网络权重；
步骤S5：输出结果与预警响应
输出深基坑变形预测曲线及风险等级分类结果，风险等级根据预测的变形量与预设的阈值进行划分，如低风险、中风险、高风险；
联动现场预警装置实施分级响应，对于低风险状态，可进行定期监测和记录；对于中风险状态，发出预警信号，加强监测频率；对于高风险状态，立即启动应急措施，如疏散人员、加固支护结构。
2.根据权利要求1所述的一种基于神经网络与粗糙集分类的深基坑变形预测方法，其特征在于：将步骤S1中采集到的数据进行预处理，包括去除噪声、填补缺失值等操作，对于噪声去除，采用滑动平均滤波算法，设原始数据序列为x1,x2,…xn；窗口大小为w，则滤波后的数据yi为 为向下取整函数，为向上取整函数，对于缺失值，采用线性插值法进行填补，若xk缺失，且已知xk-1和xk+1，则
3.根据权利要求1所述的一种基于神经网络与粗糙集分类的深基坑变形预测方法，其特征在于：注意力机制层：设st为时刻t的上下文向量，αt,i为注意力权重，则： 其中v、Wh、Ws为可学习的权重矩阵，b为偏置向量，T为时间步长。
4.根据权利要求1所述的一种基于神经网络与粗糙集分类的深基坑变形预测方法，其特征在于：训练模型：采用均方误差损失函数 对模型进行训练，其中N为样本数量，yi为真实值，为预测值，使用随机梯度下降(SGD)等优化算法更新模型的参数。
5.一种基于神经网络与粗糙集分类的深基坑变形预测系统，其特征在于，采用权利要求1-4任一所述的一种基于神经网络与粗糙集分类的深基坑变形预测方法，由以下模块组成：
分布式传感器阵列模块：包含多种类型的传感器，如位移传感器、土压力传感器、地下水位传感器、应力传感器等，分布在深基坑的不同位置，实时采集深基坑的相关数据，并将数据传输至边缘计算节点；
边缘计算节点：集成数据预处理单元，对传感器采集的数据进行去除噪声、填补缺失值等预处理操作；
集成粗糙集约简处理器：根据骤S2的方法对数据进行属性约简；
集成轻量化神经网络推理芯片：运行改进的A-RNN模型，对约简后的数据进行变形预测；
云端协同训练平台：存储大量的历史监测数据和模型训练结果，为模型的训练和优化提供数据支持；
配备规则库版本管理模块：对粗糙集决策规则库进行管理和更新，并提供模型迭代优化接口，支持通过增量学习等方式对神经网络模型进行优化；
三维可视化终端：支持预测结果与BIM模型的空间映射，将深基坑的变形预测结果直观地展示在BIM模型上，提供多工况对比分析功能，用户可以选择不同的时间点、不同的工况进行对比分析，并将地层的变形情况以三维图形的形式展示出来，同时用户可以查看过去任意时间点的深基坑变形预测结果和相关数据。
CN202510940255.4A 2025-07-08 2025-07-08 一种基于神经网络与粗糙集分类的深基坑变形预测方法及系统 Pending CN120822099A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510940255.4A CN120822099A (zh) 2025-07-08 2025-07-08 一种基于神经网络与粗糙集分类的深基坑变形预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510940255.4A CN120822099A (zh) 2025-07-08 2025-07-08 一种基于神经网络与粗糙集分类的深基坑变形预测方法及系统

Publications (1)

Publication Number Publication Date
CN120822099A true CN120822099A (zh) 2025-10-21

Family

ID=97370638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510940255.4A Pending CN120822099A (zh) 2025-07-08 2025-07-08 一种基于神经网络与粗糙集分类的深基坑变形预测方法及系统

Country Status (1)

Country Link
CN (1) CN120822099A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121385015A (zh) * 2025-10-30 2026-01-23 中国电建集团吉林省电力勘测设计院有限公司 冻土区土壤环境下复合型绿色混凝土抗盐冻耐久性评价系统
CN121615722A (zh) * 2026-01-30 2026-03-06 华中科技大学 基坑预测模型训练方法、基坑监测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121385015A (zh) * 2025-10-30 2026-01-23 中国电建集团吉林省电力勘测设计院有限公司 冻土区土壤环境下复合型绿色混凝土抗盐冻耐久性评价系统
CN121615722A (zh) * 2026-01-30 2026-03-06 华中科技大学 基坑预测模型训练方法、基坑监测方法及系统
CN121615722B (zh) * 2026-01-30 2026-04-10 华中科技大学 基坑预测模型训练方法、基坑监测方法及系统

Similar Documents

Publication Publication Date Title
CN120822099A (zh) 一种基于神经网络与粗糙集分类的深基坑变形预测方法及系统
CN120340223B (zh) 基于多模态融合的基坑形变智能预警系统及其方法
CN113159431A (zh) 一种基于地灾数据的分析预警方法及装置
CN118692225B (zh) 一种基于深度学习的水压爆破安全风险预警系统
CN120726788B (zh) 用于岩土工程中地质灾害的智能预警方法及系统
CN120911980B (zh) 一种融合地质气象数据的施工环境突变风险场预测方法
CN120296571A (zh) 道路边坡稳定性预测方法、装置、存储介质及电子设备
CN120561455A (zh) 多源数据-人工智能融合的建筑纠偏沉降预测方法及系统
CN120318988A (zh) 地质灾害预警方法及地质灾害预警系统
CN120493056A (zh) 地下工程围岩质量多标准智能聚合评价方法及系统
CN114673246A (zh) 一种污水管道防堵塞测量方法及其测量系统
KR102579897B1 (ko) 건축물 회복탄력성 붕괴에 따른 중대재해 예방 시스템 및 이를 이용한 방법
CN119647935B (zh) 一种区域性地质灾害风险性智能评估方法及系统
CN120783491A (zh) 基于铁塔数据的灾害监测预警方法及系统
CN120471456A (zh) 基于点面融合技术的非煤矿山安全风险动态监测预警系统
CN119961842A (zh) 一种基于云计算的水文序列数据异常检测方法及系统
CN119933109A (zh) 一种弃渣场边坡稳定性监测系统
CN117689210A (zh) 道路自然灾害风险智能评估方法
CN121071565B (zh) 一种基于时空解耦网络的基坑邻近运营隧道状态预测方法
CN120340204B (zh) 深度学习驱动的多层级地质灾害降水预警方法
CN121119932A (zh) 微型桩施工调控、图神经网络训练方法及装置
CN121615957B (zh) 基于时空图神经网络的洪涝灾害下交通网络韧性诊断方法
CN121640666A (zh) 基于人工智能的高填方加筋边坡监测及预警方法
CN120611871A (zh) 排水流量预测模型的构建方法、设备、介质及程序产品
CN121677799A (zh) 岩土层间运动监测系统

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