基于时空融合注意力深基坑变形预测方法、设备及介质与流程

本发明属于基坑工程智能预测，特别涉及基于时空融合注意力深基坑变形预测方法、设备及介质。

背景技术：

1、随着我国城市地下空间开发规模持续扩大，城市轨道交通、地下综合体及交通枢纽等工程大量建设，城市超大深基坑工程数量显著增加。深基坑开挖深度大、施工周期长、周边环境复杂，开挖卸荷易打破地层应力平衡，诱发围护结构位移、地表沉降及周边建筑物附加沉降等风险。尤其在土方开挖、支撑拆换及地下水扰动等复杂工况下，基坑变形呈现非线性、长时序依赖及阶段性突变的特征，给安全控制带来严峻挑战。

2、基坑变形监测是施工安全控制的关键手段。《城市轨道交通工程监测技术规范》（gb50911-2013）及《建筑基坑工程监测技术标准》（gb50497-2019）均要求对深基坑实施全过程动态监测与风险预警。因此，构建高精度、强鲁棒性的变形预测模型，实现复杂工况下的动态风险评估与超前预警，对于工程安全具有重要意义。

3、现有预测方法主要包括经验公式法、数值模拟法及机器学习法。传统经验模型泛化能力有限，难以刻画复杂非线性时序特征；有限元数值模拟参数敏感、计算量大，难以满足实时预测需求。近年来，lstm及其改进模型被引入基坑变形预测，但现有方法多仅依赖单一监测数据，未充分利用地质勘察、施工工况、环境扰动及多维监测等异构信息，且缺乏对关键施工阶段特征的注意力机制，同时直接输出累计变形值的预测方式在长期滚动过程中易产生误差累积与量级漂移。上述缺陷综合导致现有模型在复杂施工工况下的变形预测精度不足，突变拐点识别滞后，长期预测结果可靠性差。

技术实现思路

1、针对背景技术中的问题，本发明提出基于时空融合注意力深基坑变形预测方法、设备及介质。

2、为了实现上述目的，本发明采用以下技术方案：

3、第一方面，本发明提出一种基于时空融合注意力深基坑变形预测方法，包括：

4、获取施工区域的多源时空融合数据，构建多源时空融合数据集；

5、对所述多源时空融合数据集进行预处理，得到一维时序数据；

6、通过滑动窗口法将所述一维时序数据转化为时序样本；

7、将所述时序样本输入至预先训练好的变形预测模型中，得到变形增量；

8、获取当前时刻真实监测变形值，并将所述变形增量与所述当前时刻真实监测变形值进行叠加，得到最终预测变形值。

9、优选的，所述多源时空融合数据包括：地质勘察数据、施工工况数据、环境扰动数据及多维变形监测数据；其中，所述多维变形监测数据包含：围护结构水平位移、围护结构深层位移、坑外地表沉降、周边建筑物沉降、支撑轴力、地下水位、孔隙水压力及土压力中的至少一种。

10、优选的，所述预处理的方法为按顺序依次执行缺失值插值修复、3σ准则异常值剔除、时间序列对齐、工况类别编码及min-max归一化。

11、优选的，所述变形预测模型包括串行连接的输入层、双层lstm编码层、工况感知时序注意力层、全连接预测层和残差增量输出层；其中：

12、所述输入层用于对时序样本的窗口长度及特征维度进行校验适配；

13、所述双层lstm编码层用于通过门控机制逐层挖掘所述时序样本中的长时序依赖关系，捕捉基坑变形的演化规律与变化趋势，并输出包含深层时序信息的高维特征序列；

14、所述工况感知时序注意力层用于结合所述时序样本中的工况编码信息对注意力权重进行动态修正，并将修正后的权重施加于所述高维特征序列；

15、所述全连接预测层用于对施加权重后的所述高维特征序列进行非线性变换，映射为预测目标维度的中间输出值；

16、所述残差增量输出层用于将所述中间输出值整合为未来时刻相对于当前时刻的变形增量。

17、优选的，训练所述变形预测模型，具体包括：

18、获取历史施工全周期的地质勘察数据、施工工况数据、环境扰动数据及多维变形监测数据，构建历史多源训练基准数据集；

19、对所述历史多源训练基准数据集依次执行缺失值插值修复、3σ准则异常值剔除、时间序列对齐、工况类别编码及min-max归一化处理，得到归一化历史时序数据集；

20、通过滑动窗口法将归一化历史时序数据集转换为监督学习训练样本对，所述监督学习训练样本对包括输入序列和下一时刻对应的真实变形增量标签；

21、将所述监督学习训练样本对划分为训练集、验证集与测试集，并输入至attention-lstm网络中进行迭代训练，得到训练好的变形预测模型。

22、优选的，在训练所述变形预测模型的过程中，采用均方误差mse作为损失函数，其表达式为：

23、

24、式中，为批量内样本总数，为样本对应的真实变形增量标签，为模型输出的预测变形增量。

25、优选的，计算最终预测变形值的表达式为：

26、

27、式中，为当前时刻真实监测变形值，为模型预测变形增量，为下一时刻最终预测变形值。

28、优选的，在获取当前时刻真实监测变形值，并将所述变形增量与所述当前时刻真实监测变形值进行叠加，得到最终预测变形值之后，所述方法还包括：

29、计算预测变形速率；其中，所述预测变形速率为相邻两个时刻的最终预测变形值的差值与对应时间步长的比值；

30、将风险等级划分为多个等级，并为每一等级分别设置对应的累计变形阈值与变形速率阈值；

31、判断所述最终预测变形值是否大于对应等级的累计变形阈值，以及判断所述预测变形速率是否大于对应等级的变形速率阈值；

32、若所述最终预测变形值或所述预测变形速率任一超出对应等级的阈值，则触发对应等级的预警。

33、第二方面，本发明提出一种设备，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行第一方面所述的基于时空融合注意力深基坑变形预测方法。

34、第三方面，本发明提出一种计算机可读存储介质，其上存储有计算机指令，当计算机指令运行时，可以实现第一方面所述的基于时空融合注意力深基坑变形预测方法。

35、本发明的有益效果：

36、1、本发明通过在变形预测模型中设置工况感知时序注意力层，将工况编码信息映射为工况调节因子，对基础注意力评分进行动态修正，使模型能够针对土方开挖加速、支撑拆换、地下水骤变及变形突变等关键施工阶段自适应提升相应时间步的特征权重，解决了现有深度学习方法对关键施工阶段特征响应不足、变形突变拐点识别滞后、预测结果过度平滑的问题，显著提高了突变时刻的预测响应速度与跟踪。

37、2、本发明精度通过构建融合地质勘察、施工工况、环境扰动及多维变形监测四类异构数据的多源时空融合数据集，实现了对基坑变形演化内在规律的全面特征表征，解决了现有方法因信息输入单一或不完整导致预测精度不足的问题，显著提升了模型对基坑变形影响因素的感知广度与表征深度。

38、3、本发明通过采用残差增量预测机制，使模型仅输出下一时刻相对于当前时刻的变形增量，并与当前时刻真实监测值进行叠加得到最终预测值，利用每一时刻的真实监测值作为基准锚定点，有效切断了误差在时间维度上的传播链，解决了传统绝对预测方法在长期滚动过程中前一时刻预测误差作为下一时刻输入不断累积、导致预测偏差持续放大的问题，显著提升了模型在长时间序列上的预测稳定性与远期精度。

39、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。