(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210601213.4 (22)申请日 2022.05.30 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区潮王路 18号 (72)发明人 王小刀　孟凡丽　叶淑悦　卜航东　 周航杰　曾东旭　王逸晨　 (74)专利代理 机构 杭州天正专利事务所有限公 司 33201 专利代理师 孙家丰 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06Q 10/04(2012.01) G06Q 50/08(2012.01) G06F 111/10(2020.01) (54)发明名称 一种基于TSNE-BP神经网络的基坑水平位移 预测方法 (57)摘要 一种基于TSNE ‑BP神经网络的基坑水平位移 预测方法， 包括： 步骤1： 针对实际工程建立有限 元设计模型， 确定反演参数并设计正交试验进而 获取训练样 本数据与实际监测数据； 步骤2： 读取 训练样本数据与实际监测数据， 结合TSNE算法构 建TSNE‑BP神经网络， 确定相关超参数， 对高维输 入数据进行降维并训练网络； 步骤3： 将训练好的 优化模型对测试样本进行土体参数反演， 在结果 中以损失函数Lo ss≤0.001的情况下取反演标准 误差最低的一组数据为标准得到反演参数， 并将 反演参数输入Midas中进行计算得到基坑水平位 移预测值， 并计算预测标准误差及后续工况的预 测位移； 本发明在避免重大工程事故的发生， 有 效缩短施工 工期方面具有较强的工程 意义。 权利要求书2页 说明书8页 附图3页 CN 114969932 A 2022.08.30 CN 114969932 A 1.一种基于TSNE ‑BP神经网络的基坑水平位移预测方法， 其特 征在于包括以下步骤： 步骤1： 针对实际工程建立有限元设计模型， 确定反演参数并设计正交试验进而获取训 练样本数据与实际监测数据； 1.1根据基坑工程提供的地勘报告及相关信息运用 Midas GTS NX建立相关有限元模 型； 1.2选取监测点， 确定土体反演参数进行正交试验设计并将所有组合投入Midas计算， 得到对应监测点各工况 各深度下的位移； 1.3选取所需反演的工况， 根据基坑模型尽量均匀的从浅到深选取N个深度的计算位移 数据与通过滑动式测斜仪自动采集的实际监测数据对比并计算标准 误差， 整理形成表格； 步骤2： 读取训练样本数据与实际监测数据， 结合TSNE算法构建TSNE ‑BP神经网络， 确定 相关超参数， 对高维输入数据进行降维并训练网络； 2.1运用xlrd模块读取步骤(1)完成的监测表， 并运用NumPy和PyTorch库将数据储存为 张量结构， 以此 得到所需数据集； 2.2结合TSNE算法建立TSNE ‑BP神经网络， 确定网络结构为输入层 ‑隐含层1‑隐含层2‑ 输出层； 神经网络输入层为 标准误差λ， 其中i表示第i工况， 即N+1维输 入； 设置线性层， 并在隐含层中加入激活层， 以修正线性单元ReLU作为激活函数； 同时加入 了BN层即批归一化层， 加快收敛速度； 采用了L 1范数损失函数， 来计算预测值和真实值之间 的误差； 输出层输出 各层土体的割线刚度E50及反演标准 误差； 2.3在神经网络中随机设定3组样本为检验样本， 其余为训练样本； 运用TSNE算法对高 维输入数据进行降维， 并将其映射于三维空间中， 高维的训练数据便转换为多个三维空间 中的映射点， 实测数据同理， 观察其聚类质量； 将三 维空间中的实测映射点和与其距离最近 的5个训练样本映射点以权重w， 1 ‑w转换为最终确定的实测映射点， 5个映射点所占比例 按 其与实测映射 点的距离进行分配； 通过深度学习优化算法对训练样本进行学习， 并设定相关超参数， 超参数包含： 训练轮 数， 隐含层节点数， 学习率， 以及权重w， 通过超参数的调整， 训练得到TSNE ‑BP神经网络模 型； 对于超参数的调整采用优化 算法Adam来更新梯度和超参数， 其迭代公式为： μ＝β1μ+(1‑β1)dθ             (1) s＝β2s+(1‑β2)dθ2            (2) θ ——待训练的超参数； η——学习率； dθ ——梯度； β1——一阶矩衰减系数； β2——二阶矩衰减系数； μ——原始梯度指数加权平均数； s——梯度平方的指数加权平均值；权　利　要　求　书 1/2 页 2 CN 114969932 A 2——梯度归一 化公式； 步骤3： 将训练好的优化模型对测试样本进行土体参数反演， 在结果中以损失函数Loss ≤0.001的情况下取反演标准误差最低的一组数据为标准得到反演参数， 并将反演参数输 入Midas中进行计算得到基坑水平位移预测值， 并计算预测标准误差及后续工况的预测位 移。 2.根据权利 要求1所述的一种基于TSNE ‑BP神经网络的基坑水平位移预测方法， 其特征 在于： 步骤1.3中通过滑动式测斜仪自动采集基坑深层土体水平位移监测数据， 并与手机 端， PC端关联实时保存数据； 监测频率 为1次/天， 变形异常时为2次/天。 3.根据权利 要求1所述的一种基于TSNE ‑BP神经网络的基坑水平位移预测方法， 其特征 在于： 步骤2.2所述的TSNE ‑BP神经网络的前向传播公式分别为： 设定线性层函数： L inear(x)＝Ax+B                (4) 批归一化层函数： 激活层函数： ReLU(x)＝max(0， x)                  (6) 输入由线性层传递至BN层再到激活层， 即x＝self.act1(self.bn1(self.hidden1 (x)))；                        (7) 接着再传递至第二层线性层， 批归一化层和激活层， 即x＝self.act2(self.bn2 (self.hid den2(x)))；                  (8) 其中： A— —权重矩阵； B——偏置向量； γ——学习拉伸参数； β ——偏移参数； ——输入数据x的均值； σ ——输入数据x的方差； 最后输出层对数据进行输出即out＝self.out(x)。           (9) 4.根据权利 要求1所述的一种基于TSNE ‑BP神经网络的基坑水平位移预测方法， 其特征 在于： 步骤2.3中 β1＝0.9， β2＝0.999， ∈＝1e‑8,w＝0.8。 5.根据权利 要求1所述的一种基于TSNE ‑BP神经网络的基坑水平位移预测方法， 其特征 在于： 步骤3中以L 1范数损失函数和标准误差为取值标准得到反演 土体参数， 并通过上述得 到的监测点变形实测值y结合步骤三得到 的水平位移预测值yP， 计算其标准误差作为评价 指标， 同时将计算得到的标准误差与反演出 的标准误差进行对比， 对神经网络进行预测精 度评价， 标准 误差计算公式为： 其中， n为除标准 误差外的输入维数。权　利　要　求　书 2/2 页 3 CN 114969932 A 3