【技术实现步骤摘要】
本专利技术属于地表沉降预测，尤其涉及一种基于神经网络的基坑降水引起周围地表沉降预测方法。
技术介绍
1、随着我国经济技术的发展，高层建筑和城市地铁不断增加，深基坑工程也呈飞跃式增长，而在地下水充盈的城市，丰富的地下水资源以及较高的地下水位使基坑工程施工受到很大影响，基坑降水成为地下施工中必不可少的措施。伴随着降水过程不断推进，由此引起的周围地形、地下管线、邻近建筑物的沉降及侧斜等问题接踵而至，且由此带来的破坏不容小觑，工程中常采用回灌的技术来减小因基坑降水所引起的沉降，但工期势必会延长，费用也会提高。因此准确预测由基坑降水引起的周围地表沉降，判断基坑降水的有效影响半径，从而确定集水井的最佳位置在确保建设工程安全进行具有重大意义。
2、地表沉降量受水文地质条件、止水结构、水位降深等多重因素的影响，而这些因素又具有高度的非线性关系无法准确的计算出实际值。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于神经网络的基坑降水引起周围地表沉降预测方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于神经网络的基坑降水引起周围地表沉降预测方法，包括：
3、获取目标区域的沉降数据，对所述目标区域的沉降数据的贡献度进行计算，生成贡献度值，基于所述贡献度值构建目标区域沉降数据集；
4、对所述目标区域沉降数据集进行预处理，获得预处理数据集；
5、构建transformer模型，基于样本集对所述tran
6、将所述目标区域沉降数据集输入至所述地表沉降预测模型中进行计算，生成地表沉降预测结果。
7、优选地，基于所述贡献度值构建目标区域沉降数据集的过程包括：
8、通过pca对所述目标区域的沉降数据的特征值进行计算，生成数据特征值；
9、基于所述数据特征值的总和和所述数据特征值获取沉降贡献度，基于所述沉降贡献度生成贡献度曲线；
10、设置贡献度曲线阈值，基于所述贡献度曲线阈值对所述贡献度曲线进行筛选，获得筛选特征值；
11、基于所述筛选特征值构建所述目标区域沉降数据集。
12、优选地，对所述目标区域沉降数据集进行预处理，获得预处理数据集的过程包括：
13、获取所述目标区域沉降数据集中数据的时间生成信息；
14、对所述目标区域沉降数据集的异常数据进行清洗，然后基于所述时间生成信息对所述目标区域沉降数据集进行标签生成，获得标签数据集；
15、将所述标签数据集转换为向量信息，生成所述预处理数据集。
16、优选地，将所述标签数据集转换为向量信息的过程包括：
17、将所述标签数据集转化为数据向量信息；
18、构建注意力机制模块，将所述数据向量信息输入中至所述注意力机制模型中进行处理，获得目标沉降区域在时空上的特征映射；
19、基于saverelu激活函数对所述目标沉降区域在时空上的特征映射进行处理，得到时序权值向量；
20、对所述时序权值向量进行更新，生成所述向量信息。
21、优选地，所述获得地表沉降预测模型的过程包括：
22、构建时间处理模块和编码器-解码器架构，将所述时间处理模块引入至所述编码器-解码器架构中，生成所述transformer模型；
23、通过公共数据样本集对所述transformer模型进行训练，获得所述地表沉降模型。
24、优选地，所述时间处理模块用于根据基坑降水引起周围地表沉降的时间轴对数据进行切分，当时间间隔大于时间阈值时，时间处理模块将所述目标区域沉降数据集的数据进行切分，并将切分后的数据作为新的数据进行计算，注意力机制层面下，将间隔时间超出阈值的目标区域沉降数据集的数据的权重赋值为0。
25、优选地，通过公共数据样本集对所述transformer模型进行训练的过程包括：
26、获取公共数据样本集，并对所述公共数据样本集进行标注，获得训练集和测试集；
27、通过所述训练集，并引入温度参数以及监督学习损失函数和蒸馏损失函数对所述transformer模型进行训练，获得训练模型；
28、将所述训练模型在地表沉降预测的数据调度平衡的任务上进行微调，并通过所述测试集进行测试，获得所述地表沉降预测模型。
29、优选地，获得训练模型之后还包括：冻结所述训练模型的底层参数，将所述训练模型的上层参数进行优化。
30、优选地，将所述目标区域沉降数据集输入至所述地表沉降预测模型中进行计算的过程包括：将所述目标区域沉降数据集输入至所述地表沉降预测模型的编码器中划分为时间向量和空间向量，通过时间处理模块对所述时间向量和空间向量进行切分，然后通过解码器进行计算，生成所述地表沉降预测结果。
31、与现有技术相比，本专利技术具有如下优点和技术效果：
32、本专利技术的transformer模型适用于处理序列数据，因此能够有效地捕获基坑降水引起的时间序列数据，如降水量随时间的变化，以及其对周围地表沉降的影响。同时transformer模型能够通过自注意力机制捕获输入序列中不同位置之间的依赖关系，从而更好地理解降水与地表沉降之间的全局关系，而不仅仅局限于局部的空间或时间范围。transformer模型可以进行端到端的学习，无需手动提取特征，而是直接从原始的降水数据中学习到与地表沉降相关的特征和模式，从而简化了建模过程。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，基于所述贡献度值构建目标区域沉降数据集的过程包括：
3.根据权利要求1所述的基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，对所述目标区域沉降数据集进行预处理，获得预处理数据集的过程包括：
4.根据权利要求3所述的基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，将所述标签数据集转换为向量信息的过程包括：
5.根据权利要求1所述的基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，所述获得地表沉降预测模型的过程包括：
6.根据权利要求5所述的基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，所述时间处理模块用于根据基坑降水引起周围地表沉降的时间轴对数据进行切分，当时间间隔大于时间阈值时，时间处理模块将所述目标区域沉降数据集的数据进行切分，并将切分后的数据作为新的数据进行计算，注意力机制层面下，将间隔时间超出阈值的目标
7.根据权利要求5所述的基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，通过公共数据样本集对所述Transformer模型进行训练的过程包括：
8.根据权利要求7所述的基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，获得训练模型之后还包括：冻结所述训练模型的底层参数，将所述训练模型的上层参数进行优化。
9.根据权利要求1所述的基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，将所述目标区域沉降数据集输入至所述地表沉降预测模型中进行计算的过程包括：将所述目标区域沉降数据集输入至所述地表沉降预测模型的编码器中划分为时间向量和空间向量，通过时间处理模块对所述时间向量和空间向量进行切分，然后通过解码器进行计算，生成所述地表沉降预测结果。
...【技术特征摘要】
1.一种基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，基于所述贡献度值构建目标区域沉降数据集的过程包括：
3.根据权利要求1所述的基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，对所述目标区域沉降数据集进行预处理，获得预处理数据集的过程包括：
4.根据权利要求3所述的基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，将所述标签数据集转换为向量信息的过程包括：
5.根据权利要求1所述的基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，所述获得地表沉降预测模型的过程包括：
6.根据权利要求5所述的基于神经网络的基坑降水引起周围地表沉降预测方法，其特征在于，所述时间处理模块用于根据基坑降水引起周围地表沉降的时间轴对数据进行切分，当时间间隔大于时间阈值时，时间处理...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。