【技術實現步驟摘要】
本專利技術涉及基坑變形預測，尤其涉及基于相關系數和改進沙貓群算法的基坑變形預測評估方法。
技術介紹
1、隨著經濟社會的快速發展，各類用途的地下空間已在各大中城市中得到開發利用，基坑的規模呈現出深、大、復雜的特點。
2、但是伴隨著地下空間的開發，常常對周圍環境造成一定的影響，極端情況會對周邊環境造成較大的破壞。因此，在地下空間開發過程中，對其進行智能監測預測評估，對識別施工過程中的隱患，指導設計和施工具有重大意義。
3、基坑監測技術和變形預測是保障基坑工程施工安全的重要舉措。現階段常見的基坑變形監測預測方式多采用時間序列預測方法，及根據現場實測數據建立訓練集生成預測模型，對基坑后續變形發展進行預測的方式，此方法生成的預測模型較為簡單，由于訓練集僅由已有的變形進行學習，導致預測模型誤差較大，無法較準確的預測基坑變形發展情況，往往無法指導設計和施工。
4、基于上述原因，本專利技術公開基于相關系數和改進沙貓群算法的基坑變形預測評估方法
技術實現思路
1、本專利技術的目的是為了提供基于相關系數和改進沙貓群算法的基坑變形預測評估方法，可有效解決現有預測模型誤差較大，無法較準確的預測基坑變形發展情況的問題，從基坑自身特性出發，分析基坑變形同基坑特性之間的內在規律，對導致基坑變形的各因素進行相關性研究建立起合適的變形預測模型,來反映基坑真實的變形情況和預測基坑未來的變形趨勢,具有較高的準確性，具體采用技術方案如下：
2、包括以下步驟：
3
4、s2、預測分析與評價，所述預測分析與評價以上述s1步驟中所述預處理后的數據中相關性影響因素為輸入層，基坑變形作為輸出層進行訓練，分析訓練集預測結果和實測結果誤差，依據基坑特性對基坑變形進行預測，根據預測結果對基坑進行評估。
5、進一步的，所述步驟s1中基坑特性的參數包括開挖深度、開挖時間、支撐軸力、開挖深度范圍內土層內摩擦角、粘聚力、重度、基坑內外水位高差。
6、進一步的，所述步驟s2的具體步驟包括：
7、s21、基坑實測數據、基坑特性參數分析；
8、s22、根據相關性分析部分分析基坑變形實測數據和基坑特性參數之間的相關程度；
9、s23、對基坑變形實測數據、基坑特性參數進行預處理，基坑特性參數作為輸入層，基坑變形實測數據作為輸出層，對上述預處理后數據劃分訓練集和輸出集；
10、s24、建立游走策略改進沙貓群算法模型；
11、s25、根據訓練集預測模型與基坑變形實測數據進行對比分析，分析誤差，確定是否滿足預測準確性要求；
12、s26、對測試集進行分析，預測基坑變形發展；
13、s27、根據預測結果對基坑變形進行評估。
14、進一步的，所述步驟s22通過皮爾遜相關系數定義基坑各個特性參數與基坑變形實測數據之間的相關程度，通過計算基坑各個特性參數與基坑變形實測數據之間的協方差和標準差的商：
15、
16、其中ρ(x,y)為兩個變量之間的總體的皮爾遜相關系數，x為基坑特征參數，y為基坑變形實測數據；
17、判斷對于預測工況下，基坑特征參數x同基坑變形實測數據y相關程度，選取相關程度較高的前4種基坑特性參數。
18、進一步的，所述步驟s23對相關性程度較高的前4組因素與基坑變形實測數據進行數據預處理，生成輸入層矩陣：
19、
20、
21、上述式中:fitness為適應度函數。
22、進一步的，上述步驟s24根據游走策略改進沙貓群算法，評估輸入層參數的適應度函數，得到參數的最佳值，輸入層數據中每層xij都會輸出對應x1,當一次迭代完成時,選擇最好的解決方案,如果在之前的迭代中沒有理想模型,和其他層數據在下一次迭代中,試著朝理想模型的方向移動，每次迭代中的最佳解可以代表預測值越接近基坑變形實測數據，具體如下：
23、pos(t+1)＝r(posbc(t)-rand(0，1)*posc?(t))
24、上述式中:posbc為最優位置(1)、posc為自己當前位置，r為靈敏度范圍，輸入層根據最優解、當前位置以及靈敏度范圍來更新自己的位置,搜索到其他可能的最好的輸出層,可以在新的搜索區域中找到新的局部最優。
25、進一步的，r為靈敏度范圍，基坑特性參數的靈敏度范圍各不相同，具體算法為：
26、
27、r＝2*rg*rand(0，1)-rg
28、r＝rg*rand(0,1)
29、其中sm為基坑特性參數特征值，t為當前迭代次數，t為最大迭代次數，r控制探索階段和開發階段之間轉換。基坑特性參數特征值根據現場實測數據進行總結所得。
30、進一步的，pos(t+1)表示最佳位置與當前位置之間的距離,如下
31、posrnd＝|rand(0,1)*posb(t)-posc(t)|
32、pos(t+1)＝posb(t)-r*posrnd*cos(α)
33、式中:posb為最優位置(2)；posc為當前位置；posrnd為隨機位置，α為隨機角度且α通過輪盤賭法進行選擇。
34、進一步的，為了更好的擴大模型訓練集預測范圍及提高收斂速度，引入游走策略，引入游走策略包括透鏡成像反向學習、帶權重游走、三角形游走；
35、其中透鏡成像反向學習通過凸透鏡成像的原理生成一個反向位置來擴大搜索范圍，避免陷入局部最優，又能擴大搜索范圍，提高種群多樣性，具體為在二維坐標中x的取值范圍為(a，b)，y表示凸透鏡，已知a(x，y),其中x為基坑特征參數，y為基坑變形實測數據。
36、在x軸的投影為x，在y軸的投影為h，通過透鏡成像反向學習得到a*(x′,y′),其中，在x軸的投影為x*，在y軸的投影為h*；
37、由透鏡成像原理可得：
38、
39、令可得：
40、
41、其中為個體在第j維空間的位置，為xj為的反向解，aj和bj為搜索空間中第j維的最大邊界和最小邊界；
42、其中帶權重游走可規定下一步迭代位置的加權值，用于控制收斂的速度，具體為前4種基坑特性參數適應度函數分別為f1，f2，f3，f4。
43、為加快預測模型整體收斂速度，引入動態權重w1，w2，w3。
44、
45、
46、
47、τ隨機取值為f1，f2，f3，f4且τ不取max(fi)、min(fi)。
48、
49、引入權重后游走，加大了本文檔來自技高網...
【技術保護點】
1.基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，所述步驟S1中基坑特性的參數包括開挖深度、開挖時間、支撐軸力、開挖深度范圍內土層內摩擦角、粘聚力、重度、基坑內外水位高差。
3.如權利要求2所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，所述步驟S2的具體步驟包括：
4.如權利要求3所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，所述步驟S22通過皮爾遜相關系數定義基坑各個特性參數與基坑變形實測數據之間的相關程度，通過計算基坑各個特性參數與基坑變形實測數據之間的協方差和標準差的商：
5.如權利要求4所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，所述步驟S23對相關性程度較高的前4組因素與基坑變形實測數據進行數據預處理，生成輸入層矩陣：
6.如權利要求5所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，上述步驟S24根
7.如權利要求6所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，r為靈敏度范圍，基坑特性參數的靈敏度范圍各不相同，具體算法為：
8.如權利要求7所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，Pos(t+1)表示最佳位置與當前位置之間的距離,如下：
9.如權利要求8所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，為了更好的擴大模型訓練集預測范圍及提高收斂速度，引入游走策略，引入游走策略包括透鏡成像反向學習、帶權重游走、三角形游走；
10.如權利要求9所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征為：判定尋優終止條件,判斷迭代次數是否達到最大或全局最優位置的適應度值是否滿足適應度值的設定值,若滿足即參數優化算法結束，否則重新進行訓練尋優；
...【技術特征摘要】
1.基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，所述步驟s1中基坑特性的參數包括開挖深度、開挖時間、支撐軸力、開挖深度范圍內土層內摩擦角、粘聚力、重度、基坑內外水位高差。
3.如權利要求2所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，所述步驟s2的具體步驟包括：
4.如權利要求3所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，所述步驟s22通過皮爾遜相關系數定義基坑各個特性參數與基坑變形實測數據之間的相關程度，通過計算基坑各個特性參數與基坑變形實測數據之間的協方差和標準差的商：
5.如權利要求4所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，所述步驟s23對相關性程度較高的前4組因素與基坑變形實測數據進行數據預處理，生成輸入層矩陣：
6.如權利要求5所述的基于相關系數和改進沙貓群算法的基坑變形預測評估方法，其特征在于，上述步驟s24根據游走策略改進沙貓群算法，評估輸入層參數的適...
【專利技術屬性】
技術研發人員：張運來，羅青，周堃，王超，白細民，周云榮，王榮明，
申請(專利權)人：江西省勘察設計研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。