基于混合模型预测深基坑开挖引起周边地表沉降的方法及装置与流程

本发明属于预测沉降，具体涉及一种基于混合模型预测深基坑开挖引起周边地表沉降的方法及装置。

背景技术：

1、预测深基坑开挖引起的周边地表沉降的方法一般有理论分析、数值模拟、机器学习三种方法。理论分析法过于简化和理想化模型，使得在开挖过程中难以考虑非线性的影响，难以跟踪和预测沉降的日常变化。数值模拟法的准确性严重依赖于操作者的理论水平、工程经验和判断能力，且计算成本较高。因此机器学习正在逐渐被广泛应用于深基坑变形预测等问题。在以往的研究中，rf模型、基于优化灰色离散verhulst模型和bp神经网络模型虽然提高了预测的精度，但是这种静态模型难以对基坑变形监测数据的高度非线性和时变性进行准确预测。lstm神经网络的提出在处理非线性数据和时间序列方面具有显著优势，但是lstm模型参数的确定主要依据主观的专家经验。然而，单一的机器学习算法在预测过程中存在的预测精度不足、模型泛化能力弱以及参数调优效率低等问题。

技术实现思路

1、本发明实施例的目的在于提供一种基于混合模型预测深基坑开挖引起周边地表沉降的方法及装置，旨在解决现有深基坑地表沉降预测方法中存在的预测精度不足、模型泛化能力弱以及参数调优效率低的问题。

2、为了解决上述技术问题，本发明采用如下技术方案：

3、一种基于混合模型预测深基坑开挖引起周边地表沉降的方法，包括以下步骤：

4、步骤s1，获取深基坑施工过程中的多源历史监测数据，作为原始输入时间序列；对原始输入数据进行预处理，包括缺失值填补、异常值剔除及归一化处理；随后采用快速离散小波变换对预处理后的信号进行多尺度分解，得到若干个去噪后的子频带分量，并将各分量分别划分为训练集和测试集；

5、步骤s2，利用贝叶斯优化算法构建代理模型，以预测性能指标为优化目标，自动搜索并确定后续深度学习模型的最优超参数组合，包括卷积核数量、bilstm隐藏单元数、学习率等，获得最优模型配置；

6、步骤s3，将经fdwt分解后的各子频带训练数据分别输入至cnn模块，通过卷积操作提取局部空间特征，并采用最大池化层降低特征维度、增强模型泛化能力，输出特征矩阵；

7、步骤s4，将cnn输出的特征矩阵输入双向长短期记忆网络，同时从正向和反向两个方向建模时间序列的长期依赖关系，充分融合历史与未来上下文信息，输出隐藏状态序列；

8、步骤s5，在bilstm输出端引入注意力机制层，计算各时间步隐藏状态的权重分布，强化关键时序节点对最终预测的贡献，生成各分量的预测结果；

9、步骤s6，将各子频带分量对应的cnn-bilstm-att模块输出结果进行重构叠加，得到最终的地表沉降预测序列；

10、步骤s7，根据预测沉降量与预警阈值进行比较，实现深基坑施工安全状态的评估与预警。

11、进一步地，所述步骤s1中对输入监测信号进行快速离散小波变换分解的方法包含以下步骤：

12、步骤s11，选取具有紧支撑性和正则性的daubechies小波基函数作为母小波ψ(t)，对原始时间序列信号x(t)进行多层分解；

13、步骤s12，在第j层分解中，通过低通滤波器和高通滤波器分别对信号进行卷积与下采样，得到近似系数和细节系数：

14、，；

15、步骤s13，重复上述滤波与下采样操作，直至达到预设分解层数j，最终获得一个低频近似分量和j个高频细节分量；

16、步骤s14，对各高频细节分量进行能量阈值分析，剔除能量占比低于设定阈值ε的分量，以滤除高频噪声干扰，保留有效沉降特征分量。

17、进一步地，所述步骤s2中贝叶斯优化算法用于自动搜索模型超参数，其核心包括构建高斯过程代理模型与采集函数最大化，具体如下：

18、步骤s21，设待优化超参数向量为θ，包括但不限于：cnn卷积核数量与尺寸、bilstm隐藏层单元数、学习率、dropout比率；

19、步骤s22，选择高斯过程作为代理模型，以前t轮历史评估结果为基础，拟合超参数θ与模型验证集损失l之间的概率分布关系；

20、步骤s23，采用期望改进作为采集函数，选择下一个最具潜力的超参数组合进行评估：

21、；

22、式中，为当前最优验证损失，为超参数组合θ对应的预测损失；

23、步骤s24，将新评估结果加入历史数据集，更新代理模型；

24、步骤s25，重复步骤s22至s24，直至达到预设的最大评估次数或损失收敛，输出最优超参数组合θ*。

25、进一步地，所述步骤3中卷积神经网络的输入为经fdwt分解后的各子频带序列，每个子频带独立输入一个共享结构的cnn模块，其卷积层输出特征图表示为：

26、;

27、式中，为第k个子频带输入序列，为可学习卷积核，为偏置项，f(·)为relu激活函数；随后对执行一维最大池化操作，池化窗口大小为2，步长为2，以降低序列长度并增强特征鲁棒性。

28、进一步地，所述步骤4中双向长短期记忆网络由前向lstm和后向lstm组成，其最终隐藏状态ht为两者拼接结果：

29、，，;

30、所述注意力机制层基于上述双向隐藏状态序列计算上下文向量：

31、计算未归一化注意力得分：；

32、通过softmax函数归一化得到注意力权重：

33、；

34、加权求和生成上下文向量：；

35、最终预测输出yt由全连接层映射得到：。

36、进一步地，所述步骤6中对各子频带预测结果进行重构时，采用小波逆变换进行信号合成，即：

37、

38、其中，，和分别为低频近似分量与高频细节分量的预测值，最终输出即为深基坑地表沉降的预测序列。

39、进一步地，所述方法还包括对预测结果进行不确定性量化：基于贝叶斯优化过程中记录的最优超参数邻域内的多个次优模型，构建集成预测集合，计算预测均值与标准差，用于评估预测置信区间，提升工程决策安全性。

40、本发明还提供一种基于混合模型预测深基坑开挖引起周边地表沉降预测装置，包括：

41、数据预处理与分解模块，用于获取深基坑多源历史监测数据，对原始输入序列进行数据清洗、归一化处理，并通过快速离散小波变换进行信号分解与去噪，得到若干个去噪后的子频带分量，将各子序列分别拆分为训练集和测试集；

42、超参数优化模块，用于采用贝叶斯优化方法，以验证集预测误差为优化目标，通过最大化期望改进采集函数自动搜索卷积神经网络、双向长短期记忆网络及注意力机制的关键超参数组合，包括卷积核数量、隐藏单元数、学习率及小波分解层数；

43、卷积神经网络计算模块，用于将各子序列训练集数据输入至一维卷积神经网络，通过卷积运算提取局部时空特征，并经过最大池化层进行降维，输出高层特征矩阵；

44、双向长短期记忆网络计算模块，用于将卷积特征提取模块输出的特征矩阵作为双向长短期记忆网络的输入，通过前向与反向lstm单元同步学习时序数据的过去与未来上下文信息，输出融合双向特征的隐藏状态序列；

45、注意力机制计算模块，用于在双向长短期记忆网络的输出端引入注意力机制层，计算各时间步隐藏状态的重要性权重，对关键时序信息进行加权聚焦，并生成各子序列的独立预测值；

46、结果重构与合成模块，用于将所有本质模式子序列的独立预测结果进行线性叠加与重组，得到最终的地表沉降综合预测序列。

47、本发明实施例与现有技术相比，有益效果在于：

48、1、本发明采用了快速离散小波变换（fdwt）对原始监测序列进行多尺度分解与去噪。fdwt作为一种时频局部化分析方法，能够根据信号特性自适应地选择分解尺度与频带，相较于传统的经验模态分解（emd）及其变体，具有严格的数学理论基础和良好的时频局部化特性，能有效避免模态混叠与端点效应。通过fdwt处理，能将非平稳、含噪的基坑监测信号分解为若干个相对平稳、特征突出的本质模式子序列，从而显著降低了原始数据中的噪声干扰，为后续模型提供了更纯净、更具判别性的输入特征，从源头上提升了预测模型的稳健性与准确性。

49、2、本发明创新性地引入了贝叶斯优化（bo）自动化超参数调优流程替代传统网格搜索或随机搜索策略，能够以更少的试验次数高效探索高维超参数空间。针对cnn-bilstm-att混合模型超参数众多、人工调参效率低下且难以获得全局最优解的问题，bo通过构建目标函数的概率代理模型（如高斯过程），并利用采集函数（如期望改进ei）智能地指引搜索方向，能够以极少的迭代次数快速逼近最优超参数组合。这一机制不仅大幅提升了模型开发效率，降低了应用门槛，更重要的是通过系统化的寻优，充分释放了复杂混合模型的性能潜力，确保了最终部署模型处于最佳状态。

50、3、本发明构建了cnn-bilstm-att的深度融合架构。卷积神经网络（cnn）擅长从局部滑动窗口中提取数据的空间或短时依赖特征（如支撑架设、降水施工等引起的瞬时响应）；双向长短期记忆网络（bilstm）能够同时从前向和后向两个方向捕捉时间序列中复杂的长期时序依赖关系，克服了传统单向循环神经网络对远期信息记忆衰减的不足；注意力机制（attention）层则赋予模型动态聚焦关键时间步的能力，自动加权重要信息，抑制无关噪声。三者协同工作，形成了“局部特征提取—双向时序建模—全局信息聚焦”的完整处理链条，极大地增强了模型对基坑沉降演变这一复杂非线性过程的理解与建模能力。

51、4、本发明实现了从信号预处理、模型优化到最终预测的端到端智能预测框架。通过将先进的信号处理技术（fdwt）、自动化超参数优化技术（bo）与高性能深度学习架构（cnn-bilstm-att）有机融合，构成一个强大的混合模型。该框架不仅针对性地解决了基坑监测数据噪声大、非平稳、时序依赖复杂的核心挑战，而且通过自动化的流程设计，保证了方法的高效性与可重复性。与传统统计方法、单一机器学习模型或未经优化的混合模型相比，本发明在预测精度、鲁棒性和实用性方面均有显著提升，能够为深基坑工程施工的安全风险实时动态评估与早期精准预警提供可靠的技术支撑，助力智慧工地与基础设施安全运维体系的建设。