[发明专利]基于双模型融合的盾构施工地面沉降量预测方法

摘要

本发明公开了一种基于大数据分析的盾构施工地面沉降预测方法，主要解决现有技术在盾构施工大数据场景下，地面沉降进行预测精度不高的问题,预测方法步骤包括：数据预处理；获取影响地面沉降的参数数据；建立沉降预测模型；对预测模型的参数进行优化；利用最优参数重新训练模型；模型融合；获取实时地面沉降量数据。本发明整个方案设计严谨、完整，地面沉降量预测的效率和准确性高，用于地铁施工地面沉降预测，保障工程质量和安全。

主权项

1.一种基于双模型融合的盾构施工地面沉降量预测方法，其特征在于，包括如下步骤：(1)对历史的盾构掘进参数数据、地质参数数据和多个监测点的地面沉降量数据进行预处理：对历史采集的地质参数数据和掘进参数数据进行空值填充，并对得到完整历史地质参数数据和掘进参数数据进行异常值去除后再进行归一化，得到归一化的历史地质参数数据和归一化历史掘进参数数据；同时对历史采集的多个监测点的地面沉降量数据进行空值填充后再进行异常值去除，包括距离开挖面‑20米处历史沉降量数据、距离开挖面‑15米处历史沉降量数据、距离开挖面‑10米处历史沉降量数据、距离开挖面‑5米处历史沉降量数据、距离开挖面0米处历史沉降量数据、距离开挖面5米处历史沉降量数据、距离开挖面10米处历史沉降量数据，得到预处理后的多个监测点的历史地面沉降量数据；(2)获取影响地面沉降的参数数据；将归一化历史地质参数数据和归一化历史掘进参数数据作为Logistic回归的输入，预处理后的多个监测点的历史地面沉降量数据作为Logistic回归的输出，构建基于Logistic回归的地面沉降预测模型，从建立的Logistic回归的地面沉降预测模型中输出各参数的系数权重，该系数权重就是归一化历史地质参数数据和归一化历史掘进参数数据的权重，设定提取影响地面沉降的参数数据权重的阈值为δ，将权重大于δ的归一化历史地质参数数据和归一化历史掘进参数数据作为影响地面沉降的参数数据；(3)建立基于BP神经网络和基于支持向量机的地面沉降预测模型并对其进行训练：将归一化历史地质参数数据和归一化历史掘进参数数据作为BP神经网络的输入，预处理后的多个监测点的历史地面沉降量数据作为BP神经网络的输出，构建基于BP神经网络的地面沉降预测模型，并利用影响地面沉降的参数数据和预处理后的历史地面沉降量数据对地面沉降预测模型进行训练，得到地面沉降预测模型M1；同时将影响地面沉降的归一化地质参数数据和归一化掘进参数数据作为支持向量机的输入，预处理后的多个监测点的地面沉降量数据作为支持向量机的输出，构建基于支持向量机的地面沉降预测模型，并利用影响地面沉降的参数数据和预处理后的历史地面沉降量数据对地面沉降预测模型进行训练，得到地面沉降预测模型M2；(4)对M1的初始权值和阈值进行优化：采用基于自然进化的启发式搜索和优化技术的遗传算法对M1的初始权值和阈值进行优化，得到最优初始权值wb和最优阈值θb；(5)对M1进行训练：将最优初始权值wb、最优阈值θb、影响地面沉降的参数数据和预处理后的历史地面沉降量数据带入模型M1中，对M1进行训练，得到地面沉降预测模型M1*；(6)对M2中的Gama参数和Sigma参数进行优化：采用基于自然进化的启发式搜索和优化技术的遗传算法对M2中的Gama参数和Sigma参数进行优化,得到最优Gama参数值和最优Sigma参数值；(7)对M2进行训练：将最优Gama参数值、最优Sigma参数值、影响地面沉降的参数数据和预处理后的历史地面沉降量数据带入模型M2中，对M2进行训练，得到地面沉降预测模型M2*；(8)对地面沉降预测模型M1*与地面沉降预测模型M2*进行融合：设定模型融合的权值为α_i，遍历所有权值组合，得到最优权值组合α_{1_best}和α_{2_best}，并利用α_{1_best}和α_{2_best}对地面沉降预测模型M₁^*与地面沉降预测模型M₂^*进行加权线性组合，得到融合后的模型O^*，(9)获取实时地面沉降量数据：采集实时的地质参数数据和掘进参数数据输入模型O*，输出多个监测点的地面沉降量数据，分别包括距离开挖面‑20米处沉降量数据、距离开挖面‑15米处沉降量数据、距离开挖面‑10米处沉降量数据、距离开挖面‑5米处沉降量数据、距离开挖面0米处沉降量数据、距离开挖面5米处沉降量数据、距离开挖面10米处沉降量数据。