一种基于图卷积门控神经网络的深基坑地表沉降时空预测方法

本公开涉及深基坑施工风险管理，具体地，涉及一种基于图卷积门控神经网络的深基坑地表沉降时空预测方法。

背景技术：

1、地下深层空间开发往往具有地层条件复杂、建设隐蔽性大、施工周期长的特点，同时面临地上及地下既有建筑群密集、人口拥挤、流动频繁等问题，提高了城市地下空间开发的施工难度。其中，深基坑工程表示开挖深度超过5m的基坑土方、支护、降水工程。深基坑工程开挖过程会造成周围土体原始状况破坏，进而引发地表沉降及土体变形，造成安全隐患。因此，亟需动态掌握深基坑开挖状况，有效预测开挖诱发的地表沉降发展，并及时制定针对性风险防控措施，对于保障基坑工程安全进展具有重大意义。

2、随着科学技术的不断发展，深基坑开挖诱发地表沉降研究也在不断深化和完善。早期工程师依赖于经验和试错，缺乏科学性和系统性，容易在复杂情况下失效。得益于计算机技术的发展，开展更多的研究数值模拟，能够在考虑多种影响因素情况下更精确地描述深基坑开挖诱发地表沉降的复杂过程。然而模拟结果受参数选择现状、模型假设等影响，需要大量的实测数据来验证模型的准确性，且计算成本较高。已有学者通过机器学习算法开展深基坑开挖诱发地表沉降预测研究，但现有算法存在着预测精度不稳定、鲁棒性差等缺点，削弱了机器学习方法在实际工程中的泛用性。另外，这类方法更适用于单一时间维度上挖掘地表沉降序列的潜在发展规律，却忽略了地表沉降在不同监测点之间显著的空间特性，导致对于深基坑内地表沉降的时空效应和风险分布的理解不够清晰，从而不利于进一步采取更加有效且有针对性的施工风险控制措施。

技术实现思路

1、针对现有技术中的缺陷，本公开的目的是提供一种基于图卷积门控神经网络的深基坑地表沉降时空预测方法。

2、为实现上述目的，根据本公开的一个方面，提供一种基于图卷积门控神经网络的深基坑地表沉降时空预测方法，包括：

3、根据具有基坑开挖特征的原始数据集，确定具有基坑开挖监测参数的参数数据集；

4、对所述具有基坑开挖监测参数的参数数据集进行降维处理和相关性分析处理，确定基坑监测点之间的拓扑图；

5、对所述具有基坑开挖监测参数的参数数据集进行采样处理，确定所述基坑监测点的样本数据；

6、将所述基坑监测点的样本数据和所述基坑监测点之间的拓扑图输入预设的基于图卷积门控神经网络的深基坑地表沉降时空预测模型，确定时空预测结果，所述时空预测结果包括每一所述基坑监测点在不同时刻的地表沉降量；

7、对所述时空预测结果进行敏感性分析处理，确定每一所述基坑监测点对地表沉降时空预测任务的贡献度。

8、可选地，所述对所述具有基坑开挖监测参数的参数数据集进行降维处理和相关性分析处理，确定基坑监测点之间的拓扑图，包括：

9、采用非线性降维算法将所述具有基坑开挖监测参数的参数数据集由高维空间映射至一维空间，确定所述基坑监测点的一维序列；

10、对所述基坑监测点的一维序列进行相关性分析处理，构建所述基坑监测点之间的拓扑图。

11、可选地，所述对所述基坑监测点的一维序列进行相关性分析处理，构建所述基坑监测点之间的拓扑图，包括：

12、根据每一所述基坑监测点的一维序列，确定每一所述基坑监测点的一维序列与每一所述基坑监测点的一维序列之间的皮尔逊相关系数；

13、根据每一所述基坑监测点的一维序列与每一所述基坑监测点的一维序列之间的皮尔逊相关系数的绝对值和预设的相关性阈值，构建所述基坑监测点之间的拓扑图。

14、可选地，所述根据每一所述基坑监测点的一维序列与每一所述基坑监测点的一维序列的之间的皮尔逊相关系数的绝对值和预设的相关性阈值，构建所述基坑监测点之间的拓扑图，包括：

15、若所述皮尔逊相关系数的绝对值不小于所述预设的相关性阈值，将所述皮尔逊相关系数对应的两个基坑监测点之间进行连接处理，确定所述基坑监测点之间的拓扑图；

16、若所述皮尔逊相关系数的绝对值小于所述预设的相关性阈值，所述皮尔逊相关系数对应的两个基坑监测点之间不进行连接处理，确定所述基坑监测点之间的拓扑图。

17、可选地，所述对所述时空预测结果进行敏感性分析处理，确定每一所述基坑监测点的地表沉降时空预测任务的贡献度，包括：

18、根据所述时空预测结果，确定每一所述基坑监测点的一阶灵敏度和总灵敏度；

19、对所述每一所述基坑监测点的一阶灵敏度和所述总灵敏度进行归一化处理，确定所述每一所述基坑监测点的归一化的一阶灵敏度和归一化的总灵敏度；

20、将所述没有基坑监测点的归一化的一阶灵敏度和所述归一化的总灵敏度进行求和处理，确定每一所述基坑监测点的地表沉降时空预测任务的贡献度。

21、可选地，确定所述预设的基于图卷积门控神经网络的深基坑地表沉降时空预测模型的方法，包括：

22、采用第一预设种类的滑动窗口和第二预设种类的预测视野作为基于图卷积门控神经网络的模型参数，确定多个基于图卷积门控神经网络模型；

23、根据所述多个基于图卷积门控神经网络模型，确定每一所述基于图卷积门控神经网络模型的均方根误差和平均绝对误差；

24、将具有最小所述均方根误差和最小所述平均绝对误差的所述基于图卷积门控神经网络模型作为所述预设的基于图卷积门控神经网络的深基坑地表沉降时空预测模型。

25、可选地，所述根据所述具有基坑开挖特征的原始数据集，确定具有基坑开挖监测参数的参数数据集，包括：

26、对所述具有基坑开挖特征的原始数据集进行特征参数筛选处理，确定初筛参数数据集；

27、对所述初筛参数数据集进行预处理，确定所述具有基坑开挖监测参数的参数数据集。

28、根据本公开的第二方面，提供一种基于图卷积门控神经网络的深基坑地表沉降预测系统，包括：

29、数据确定模块，用于根据具有基坑开挖特征的原始数据集，确定具有基坑开挖监测参数的参数数据集；

30、拓扑图像确定模型，用于对所述具有基坑开挖监测参数的参数数据集进行降维处理和相关性分析处理，确定基坑监测点之间的拓扑图；

31、数据采样模块，用于对所述具有基坑开挖监测参数的参数数据集进行采样处理，确定所述基坑监测点的样本数据；

32、时空预测模块，用于将所述基坑监测点的样本数据和所述基坑监测点之间的拓扑图输入预设的基于图卷积门控神经网络的深基坑地表沉降时空预测模型，确定时空预测结果，所述时空预测结果包括每一所述基坑监测点在不同时刻的地表沉降量；

33、基坑监测点分析模块，用于对所述时空预测结果进行敏感性分析处理，确定每一所述基坑监测点对地表沉降时空预测任务的贡献度。

34、根据本公开的第三方面，提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面提供的所述方法的步骤。

35、根据本公开的第四方面，提供一种电子设备，包括：

36、存储器，其上存储有计算机程序；

37、处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面提供的所述方法的步骤。

38、与现有技术相比，本公开实施例具有如下至少一种有益效果：

39、通过上述技术方案，对具有基坑开挖监测参数的参数数据集进行降维处理和相关性分析处理，确定基坑监测点之间的拓扑图，通过降维处理将同一监测点的参数在不同时刻的观测值映射至低维空间，能够减少数据的复杂度，提高数据处理和计算效率，减少模型训练和预测时间成本；通过相关性分析处理从具有基坑开挖监测参数的参数数据集中抽象出基坑监测点之间的拓扑图，并在后续过程中采用预设的基于图卷积门控神经网络的深基坑地表沉降时空预测模型获取各个基坑监测点之间的空间关系和地表沉降随时间的演变规律，突破时空效应的局限性，实现对地表沉降时空变化的精准化预测，预测不同监测点在不同时间的地表沉降情况；并基于时空预测结果进行敏感性分析处理，确定每一基坑监测点的地表沉降时空预测贡献度，辅助工程管理者了解地表沉降的时间分布和空间分布，为现场施工和现场防护提供科学指导，降低施工风险。

40、本公开的实施例，通过调整滑动窗口和预测视野的种类，确定多个基于图卷积门控神经网络模型，并基于每一图卷积门控神经网络模型的均方根误差和平均绝对误差，构建适用于不同预测场景且具有较高预测性能和泛化性能的基于图卷积门控神经网络的深基坑地表沉降时空预测模型，减少模型训练和评估过程的资源消耗，提高资源利用效率。