基于多源信息与U-Net网络的地连墙挠度剖面预测方法及系统与流程

本发明属于人工智能及基坑变形预测，具体涉及一种基于多源信息与u-net网络的地连墙挠度剖面预测方法。

背景技术：

1、地连墙是深基坑工程常用的支护结构，其变形监测和预测预警对工程安全至关重要。传统预测方法包括经验统计、理论分析和数值仿真，但因基坑变形的非线性和复杂性，预测结果与实测数据存在差异。机器学习(ml)作为一种新兴方法，因其自适应学习和非线性映射能力，被广泛应用于基坑变形预测，提高了预测精度和效率。现有墙体挠度预测模型分为前馈模型和自回归模型。前馈模型基于独立性假设，利用输入特征预测地连墙最大变形，但泛化性差。自回归模型基于历史数据推断未来变形发展，能有效捕捉时间序列的复杂关系，适用于时间序列分析任务。

2、传统人工神经网络在处理多输入多输出问题方面表现优异，但浅层的固定架构限制了处理复杂数据的能力。深度学习算法如卷积神经网络和循环神经网络克服了这些缺点，具有自动学习特征的能力。卷积神经网络擅长空间特征提取，循环神经网络则适合处理序列数据。

3、现有自回归模型在短期预测中表现良好，但远期预测效果较差，原因在于基坑系统的复杂性和单历史数据的局限性。因此，有必要提出一种能够考虑未来施工信息的地墙挠度预测方法，提高预测精度。

技术实现思路

1、发明目的：为了克服现有自回归模型在远期预测任务中的不足，本发明提供了一种基于多源信息融合与u-net网络的地连墙挠度剖面远期预测方法，基于深度学习算法，通过融合施工信息与地连墙挠度信息构建自回归模型，实现了地连墙挠度剖面的多步提前预测。

2、技术方案：本发明提供了一种基于多源信息与u-net网络的地连墙挠度剖面预测方法，包括：

3、获取地连墙变形监测系统历史监测数据；

4、获取施工方案或者施工进度计划，构建施工信息特征向量；

5、基于编码器和解码器架构建立地连墙挠度预测框架，将施工信息特征向量与地连墙挠度历史监测信息输入到深度学习模型中进行特征学习和特征融合，得到下一阶段地连墙变形预测结果；

6、预测结果返回到模型输入端口作为后续预测阶段的输入，实施动态滚动预测；

7、采集最新地连墙侧向变形监测数据；将新采集的监测数据整合到旧数据中形成新的训练数据集；重新进行模型训练，更新模型权重参数；更新后的模型被用于一步预测任务和多步提前预测任务。

8、进一步的，基于编码器和解码器架构建立地连墙挠度预测深度学习框架包括数据预处理模块、基于深度学习的信息编码与解码模块和输出与动态更新模块。数据预处理模块对施工信息特征向量和地连墙挠度历史监测数据分别进行归一化处理。所述基于深度学习的信息编码与解码模块基于编码器-解码器架构。输出与动态更新模块据任务需求确定是否直接输出预测结果或将预测结果返回到模型输入端口以进行多步超前预测。

9、进一步的，执行一步预测任务时，模型仅根据当前时间步(t)之前的实测数据来预测下一个时间步(t+1)；执行多步提前预测任务时，模型首先使用时间步t之前的实测数据来预测时间步t+1的墙体挠度；然后，将预测挠度作为预测时间步t+2的输入的一部分，并且该过程迭代地继续；每次迭代更新使用之前的预测作为后续预测的输入。

10、进一步的，编码器包括时间和空间两个维度的编码单元。时间编码单元采用循环神经网络(rnn)，空间编码单元采用卷积神经网络(cnn)。解码器也称上采样单元，采用转置卷积神经网络对中间特征图进行上采样。

11、进一步的，空间编码单元和上采样单元共同组成一维u-net网络；将空间编码单元得到低层特征和高层特征通过跳转连接传递到上采样单元，连接编码单元与解码单元的特征图，提升模型性能。

12、进一步的，所述卷积神经网络和转置卷积神经网络采用一维卷积神经网络和一维转置卷积神经网络。

13、进一步的，施工信息特征向量包括开挖深度、支撑类型、支撑位置和支撑轴向刚度。

14、基于多源信息融合与u-net网络的地连墙挠度剖面预测系统，包括数据获取模块，地连墙挠度预测框架；

15、所述地连墙挠度预测框架包括数据预处理模块、基于深度学习的信息编码与解码模块和输出与动态更新模块；数据预处理模块对施工信息特征向量和地连墙挠度历史监测数据分别进行归一化处理；所述基于深度学习的信息编码与解码模块的编码器包括时间和空间两个维度的编码单元，时间编码单元采用循环神经网络rnn，空间编码单元采用卷积神经网络cnn，上采样解码器采用转置卷积神经网络对中间特征图进行上采样；基于编码器-解码器架构。输出与动态更新模块据任务需求确定是否直接输出预测结果进行一步预测任务或将预测结果返回到模型输入端口以进行多步提前预测任务多步超前预测。

16、进一步的，执行一步预测任务时，模型仅根据当前时间步(t)之前的实测数据来预测下一个时间步(t+1)；执行多步提前预测任务时，模型首先使用时间步t之前的实测数据来预测时间步t+1的墙体挠度；然后，将预测挠度作为预测时间步t+2的输入的一部分，并且该过程迭代地继续；每次迭代更新使用之前的预测作为后续预测的输入。

17、有益效果：(1)本发明实现了地连墙挠度的多步连续预测。并能通过采集最新监测数据更新训练数据集进一步更新模型权重参数，以更好地预测地连墙后续的变形发展，满足基坑安全施工的要求。

18、(2)本发明将施工信息引入到自回归模型中，能够让模型的预测不仅依赖于历史监测信息，还能参考施工过程中的关键信息，从而减少误差的传播，能使模型在长期预测中保持较高的精度和稳定性。

19、(3)本发明在自回归模型中融合了u-net网络，可以根据多尺度特征捕捉，信息传递和空间信息保存机制进一步提升模型预测性能。

技术特征：

1.基于多源信息与u-net网络的地连墙挠度剖面预测方法，其特征在于，包括：

2.根据权利要求1所述的基于多源信息与u-net网络的地连墙挠度剖面预测方法，其特征在于，地连墙挠度预测框架中数据处理过程包括：

3.根据权利要求1所述的基于多源信息与u-net网络的地连墙挠度剖面预测方法，其特征在于，执行一步预测任务时，模型仅根据当前时间步t之前的实测数据来预测下一个时间步t+1；执行多步提前预测任务时，模型首先使用时间步t之前的实测数据来预测时间步t+1的墙体挠度；然后，将预测挠度作为预测时间步t+2的输入的一部分，并且该过程迭代地继续；每次迭代更新使用之前的预测作为后续预测的输入。

4.根据权利要求1所述的基于多源信息与u-net网络的地连墙挠度剖面预测方法，其特征在于，施工信息特征向量包括开挖深度、支撑类型、支撑位置和支撑轴向刚度。

5.根据权利要求2所述的基于多源信息与u-net网络的地连墙挠度剖面预测方法，其特征在于，所述空间编码器和上采样解码器共同组成u-net网络；将空间编码器得到低层特征和高层特征通过跳转连接传递到上采样解码器，连接空间编码器与上采样解码器的特征图。

6.根据权利要求2所述的基于多源信息与u-net网络的地连墙挠度剖面预测方法，其特征在于，所述卷积神经网络cnn和转置卷积神经网络采用一维卷积神经网络和一维转置卷积神经网络。

7.基于多源信息融合与u-net网络的地连墙挠度剖面预测系统，其特征在于，包括数据获取模块，地连墙挠度预测框架；

8.根据权利要求7所述的基于多源信息与u-net网络的地连墙挠度剖面预测系统，其特征在于，执行一步预测任务时，模型仅根据当前时间步t之前的实测数据来预测下一个时间步t+1；执行多步提前预测任务时，模型首先使用时间步t之前的实测数据来预测时间步t+1的墙体挠度；然后，将预测挠度作为预测时间步t+2的输入的一部分，并且该过程迭代地继续；每次迭代更新使用之前的预测作为后续预测的输入。

9.根据权利要求7所述的基于多源信息与u-net网络的地连墙挠度剖面预测系统，其特征在于，空间编码单元和上采样解码器共同组成u-net网络；将空间编码单元得到低层特征和高层特征通过跳转连接传递到上采样解码器，连接空间编码单元与上采样解码器的特征图。

10.根据权利要求7所述的基于多源信息与u-net网络的地连墙挠度剖面预测方法，其特征在于，所述卷积神经网络cnn和转置卷积神经网络采用一维卷积神经网络和一维转置卷积神经网络。

技术总结本发明公开了一种基于多源信息融合与U‑Net网络的地连墙挠度剖面预测方法，包括：获取基坑监测系统历史监测数据；获取施工方案或者施工进度计划，构建施工信息特征向量；基于编码器‑解码器架构建立地连墙挠度预测框架，将施工信息特征向量与历史地连墙挠度信息输入到深度学习模型中进行特征学习和特征融合，以预测下一阶段地连墙的挠度发展；预测值返回到模型输入端口作为后续预测阶段的输入，实施动态滚动预测。将施工信息引入到自回归模型中，能够有效减缓误差累积对预测结果的影响，并针对生成任务的特性，引入U‑Net模块以取代传统全连接层映射方法，进一步提高了模型的整体性能。技术研发人员：雒伟勃,蒋建荣,刘安,童立元,刘文源,闫鑫,吴恺受保护的技术使用者：中交第三航务工程局有限公司技术研发日：技术公布日：2024/11/4