一种码头翻车机房圆形地连墙位移应变预测与预警方法及系统与流程

本发明涉及土木工程安全监测，具体涉及一种码头翻车机房圆形地连墙位移应变预测与预警方法及系统。

背景技术：

1、随着大型港口码头与重载翻车机房等深基坑工程的规模化发展，圆形地下连续墙（以下简称“地连墙”）作为一种关键支护结构，其服役期间的安全稳定性对保障整体工程安全至关重要。地连墙结构在复杂水土压力、施工动荷载及环境因素耦合作用下，易产生累积位移与应变，直接影响结构安全与使用寿命。为保障工程安全，结构健康监测与安全预警技术通过布设传感器网络实时监测墙体的位移与应变响应，评估其安全状态。该技术的核心在于对地连墙未来短期力学响应的精准预测，实现毫米级位移与微应变级应变的超前预测，为工程预警与干预措施提供决策缓冲期。

2、目前，地连墙支护结构力学响应预测主要基于数值模拟、数据驱动或其混合方法。

3、数值模拟方法依托岩土力学与结构力学原理构建有限元或有限差分模型，通过输入弹性模量、泊松比、粘聚力、内摩擦角等材料参数及边界条件、荷载信息，求解平衡方程以预测位移应变响应。该类方法机理明确，对新工况具有一定解释能力。然而，在复杂工程条件下，土体参数时空变异性、结构与土相互作用及施工动态荷载等因素致使本构模型与荷载量化难度大，模型假设易偏离实际，导致预测精度下降；同时，三维非线性耦合求解计算成本高、耗时长，难以满足圆形地连墙场景对极短期实时预测与快速预警的要求。

4、数据驱动方法依托大量历史或实时监测数据，通过机器学习算法（如卷积神经网络cnn、长短期记忆网络lstm等）挖掘数据中隐藏的时序与空间模式，构建监测输入与力学响应输出之间的映射关系。该类方法无需建立显式物理模型，能自适应学习非线性、强耦合的响应规律。然而，传统深度学习模型高度依赖数据质量与数量，当数据中噪声过多、样本覆盖工况不足或传感器数据存在缺失时，易导致过拟合或泛化能力差；此外，模型的“黑箱”特性使预测结果的物理可解释性较弱，工程人员信任度低。

5、混合方法以力学响应物理规律为基础框架，通过“物理引导+数据驱动”的协同机制，既保留物理方法的可解释性，又利用数据驱动处理不确定性与非线性因素。然而，该类模型结构复杂，需同时协调物理模型与数据驱动模型，且物理信息与数据驱动的融合策略需针对具体工程场景定制设计，通用性较弱。

技术实现思路

1、本发明的目的在于，提出一种码头翻车机房圆形地连墙位移应变预测与预警方法及系统，通过构建融合物理信息的卷积循环神经网络，实现径向位移、环向位移、径向应变、环向应变四分量的同步精准预测，并结合多级预警机制，为深基坑工程安全监控提供高效、可信的智能化决策支持。

2、根据本公开实施例的第一个方面，提供了一种码头翻车机房圆形地连墙位移应变预测与预警方法，包括以下步骤：

3、采集圆形地连墙的多源监测数据与工程参数，对多源数据按时间戳进行对齐与融合，形成多特征维度时序数据集，并对融合后的数据进行归一化处理，构建包含历史输入与未来输出标签的监督学习样本；

4、构建融合物理信息的卷积循环神经网络（pi-cnn-lstm）预测模型，将所述监督学习样本输入所述模型进行训练，利用训练完成的模型对圆形地连墙的径向位移、环向位移、径向应变、环向应变四分量力学响应进行同步预测；

5、其中，所述卷积循环神经网络预测模型将工程参数与时序数据分设两条独立的特征提取路径，所述工程参数经轻量全连接网络编码为静态特征向量，所述时序数据依次经卷积神经网络提取空间特征、经长短期记忆网络提取时序依赖后编码为动态上下文向量，将所述静态特征向量与所述动态上下文向量拼接融合后解码输出预测值；模型训练的总损失由数据拟合损失与基于弹性力学小变形假设构建的位移-应变协调性物理损失加权求和构成；

6、基于所述预测结果，结合多级静态预警阈值、变化速率动态阈值及安全剩余时间进行多级安全预警。

7、在其中一个实施例中，所述卷积神经网络包含多个依次连接的卷积特征提取块，每个卷积特征提取块包括卷积层、池化层和dropout层；所述卷积层采用预设数量的卷积核在时间维度上滑动，提取多传感器间的空间关联与短期波动模式；所述池化层对时间窗口长度进行逐步压缩；通过多层卷积特征提取块的堆叠，在逐步压缩的特征图上提取由低阶到高阶的时空特征。

8、在其中一个实施例中，所述位移-应变协调性物理损失基于弹性力学小变形假设构建，圆形地连墙的环向正应变由径向位移引起圆周伸缩与环向位移梯度共同决定，径向正应变是径向位移沿半径方向的变化率，具体表示为：

9、

10、

11、对固定，沿方向有

12、

13、对固定，沿方向有

14、

15、

16、其中为环向位移，为径向位移，为环向应变，为径向应变，为圆形地连墙半径，为一个训练批次中所有预测点的总和，和为径向应变与环向应变的理论计算值，和为径向应变与环向应变的预测值，为位移-应变协调性损失。

17、在其中一个实施例中，所述解码输出预测值的具体方式为：将拼接后的融合向量通过使用relu激活函数的全连接层进行非线性变换，再经无激活函数的线性全连接层映射到预测步长维度的向量空间，输出经重塑后为未来预测步长个时刻内四个目标分量的归一化差分预测值；将所述差分预测值反归一化后，从已知的最后一个历史时刻的绝对值开始按时间步累加，重构出未来序列的绝对值预测。

18、在其中一个实施例中，所述多级静态预警值判定为：设定三级预警阈值，将所述预测值与设计允许值按预设比例系数进行比较，判定其所属预警等级；其中，三级预警的判定条件为：

19、ⅰ级即关注级：

20、ⅱ级即预警级：

21、ⅲ级即报警级：

22、其中，为时刻监测点的预测值，为设计允许值，，，为预警等级系数，且。

23、其中一个实施例中，所述变化速率动态阈值判定为：计算所述预测值在当前时刻相对于前一时刻的变化速率，当所述变化速率超过预设的变化速率设计允许值时，即使所述预测值的绝对值未超过所述多级静态预警阈值，也触发ⅱ级预警；

24、所述变化速率为：

25、

26、其中，为时刻监测点的变化速率，为变化速率设计允许值，为一个监测周期。

27、其中一个实施例中，所述安全剩余时间的获取方式为：基于所述预测值及其变化速率，预测各监测点的响应值达到各级预警阈值所需的剩余时间：

28、

29、其中为达到各级预警阈值所需的时间，为或，分别对应ⅱ级与ⅲ级预警。

30、根据本公开实施例的第二个方面，提供了一种码头翻车机房圆形地连墙位移应变预测与预警系统，包括：

31、数据处理模块，采集圆形地连墙的多源监测数据与工程参数，对多源数据按时间戳进行对齐与融合，形成多特征维度时序数据集，并对融合后的数据进行归一化处理，构建包含历史输入与未来输出标签的监督学习样本；

32、响应预测模块，构建融合物理信息的卷积循环神经网络（pi-cnn-lstm）预测模型，将所述监督学习样本输入所述模型进行训练，利用训练完成的模型对圆形地连墙的径向位移、环向位移、径向应变、环向应变四分量力学响应进行同步预测；

33、损失计算模块，所述卷积循环神经网络预测模型将工程参数与时序数据分设两条独立的特征提取路径，所述工程参数经轻量全连接网络编码为静态特征向量，所述时序数据依次经卷积神经网络提取空间特征、经长短期记忆网络提取时序依赖后编码为动态上下文向量，将所述静态特征向量与所述动态上下文向量拼接融合后解码输出预测值；模型训练的总损失由数据拟合损失与基于弹性力学小变形假设构建的位移-应变协调性物理损失加权求和构成；

34、分级预警模块，基于所述预测结果，结合多级静态预警阈值、变化速率动态阈值及安全剩余时间进行多级安全预警。

35、根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种码头翻车机房圆形地连墙位移应变预测与预警方法。

36、根据本公开实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种码头翻车机房圆形地连墙位移应变预测与预警方法。

37、本发明采用的以上技术方案，与现有技术相比，具有的优点是：

38、1.本发明针对圆形地连墙在复杂施工与服役条件下的力学响应预测难题，构建并训练pi-cnn-lstm模型，并集成安全预警方法。将实时多源监测数据输入训练完成的模型，可同步输出径向位移、环向位移、径向应变、环向应变四分量的预测结果，克服了传统方法只能预测单一物理量的局限，实现了对码头翻车机房圆形地连墙支护结构力学响应的实时预测与风险动态评估，为工程安全监控提供全面的数据支撑。

39、2.本发明将物理信息损失有机融入cnn-lstm网络架构的训练过程中，通过数据拟合与物理规律约束的双目标优化机制，引导模型在复杂、有噪声的监测数据中不仅学习历史数据的统计规律，而且使预测结果遵循基本力学原理。该机制有效确保了预测结果的物理合理性，显著增强了模型在数据稀缺或工况外推时的泛化能力与工程可信度，为后续实时预警提供了高质量、高可靠性的预测输入。

40、3.本发明通过空间特征提取、时序特征挖掘与物理损失联合优化的协同链路，形成了完整的端到端预测框架。cnn将多源时空数据转化为结构化特征，lstm深入挖掘其时序演化规律，物理损失则作为正则化项确保学习过程不偏离物理规则。三者与约束间形成有效互补，显著提升了整体预测性能与工程实用性。