技术特征：
1.基于lstm与深度残差神经网络的基坑灾害预测预警方法，其特征在于，包括以下步骤：s1，在所测基坑的关键处，安置测量点位，用于测量所处点位的地下水位、支护支撑轴力、地连墙应力和深层水平位移的数据；s2，收集上述的数据，对其进行预处理；s3，为地下水位数据构建lstm四层神经网络；s4，为支护支撑轴力数据构建lstm两层+gru两层神经网络；s5，为地连墙应力和深层水平位移数据构建lstm三层+gru一层神经网络；s6，训练各个神经网络，得出四种数据的预测结果；s7，构建残差bp神经网络，按数据的情况，将其安全等级分为稳定、预警、失稳、超控；s8，用残差bp网络训练lstm得出的四种数据的权重矩阵和最终预测结果。2.根据权利要求1所述的基于lstm与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述s1具体包括以下步骤：<1.1>：由于基坑各位置的地下水流动速度，土体土层密集程度不同，故需要在多个点位设置地下水位测量点；<1.2>：在基坑开挖过程中，每个支护结构支撑轴都设置为支撑轴力测量点；<1.3>：在基坑地连墙位置每隔一段水平距离设置一个测量点位，按照基坑深度对在每一个测量点位的垂直方向均匀地安装测量仪器；<1.4>：在基坑外围绕基坑每隔一段水平距离设置一个测量点位，按照基坑深度对每一个测量点位的垂直方向均匀地安装测量仪器。3.根据权利要求1所述的基于lstm与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述s3具体包括以下步骤：<2.1>：对于每个时间段采集的数据，根据施工环境的和事故情况，划分各个时间段对应的数据的安全等级；<2.2>：由于测量仪器的测量特性不同，要对采集到的不同数据做以下处理：<2.2.1>：删除由于仪器异常的原因测得的异常数据；<2.2.2>： 取某段间隔时间，将其平均划分为24个时间段，对于所测得的每个数据进行线性差值，去除该24个时间段外的其余数据，作为24个时间段的数据；<2.2.3>：将线性差值后的数据进行归一化处理。4.根据权利要求1所述的基于lstm与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述s3具体包括以下步骤：<3.1>：通过lstm单元构建4层lstm网络，最后用全连接层连接；<3.2>：将归一化处理后的地下水位数据分为训练集和测试集；<3.3>：将训练集分batch在模型中训练，得到预测值；<3.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。5.根据权利要求1所述的基于lstm与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述s4具体包括以下步骤：<4.1>：构建2层lstm单元和2层gru单元的神经网络，最后用全连接层连接；
<4.2>：将归一化处理后的支护支撑轴力数据分为训练集和测试集；<4.3>：将训练集分batch在模型中训练，得到预测值；<4.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。6.根据权利要求1所述的基于lstm与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述s5具体包括以下步骤：<5.1>：构建3层lstm单元和1层gru单元的神经网络，最后用全连接层连接；<5.2>：将归一化处理后的数据分为训练集和测试集；<5.3>：将训练集分batch在模型中训练，得到预测值；<5.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。7.根据权利要求1所述的基于lstm与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述s6具体包括以下步骤：<6.1>：调整网络的超参数，训练出最优的模型；<6.2>：用训练模型预测所有点位四类数据，并为预测值标记对应数据的真实值的危险等级。8.根据权利要求1所述的基于lstm与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述s7具体包括以下步骤：<7.1>：构建8层bp神经网络，将每两层设计为一个残差块，最后用一层全连接层连接；<7.2>：全连接层使用sigmoid激活函数，用于处理多分类问题。9.根据权利要求1所述的基于lstm与深度残差神经网络的基坑灾害预测预警方法，其特征在于，所述s8具体包括以下步骤：<8.1>：将lstm网络预测出的四种数据按时间段合并成一维数组后划分，每个时间段的数据对应一个安全等级；<8.2>：将所有数据分为训练集和测试集；<8.3>：将训练集分batch在模型中训练，得到预测值；<8.4>：将该预测值与真实值比较，计算损失，经过反向传播使损失最小，获得训练模型。
技术总结
本发明公开的属于人工智能中的时序模型处理与岩土工程灾害预测技术领域，具体为基于LSTM与深度残差神经网络的基坑灾害预测预警方法，包括以下步骤：S1，在所测基坑的关键处，安置测量点位，用于测量所处点位的地下水位、支护支撑轴力、地连墙应力和深层水平位移的数据；S2，收集上述的数据，对其进行预处理；本发明的有益效果是：综合考虑了预测数据的不同特性对预测精度的影响，对采集到的每种数据使用不同的神经网络模型进行预测，提高了预测精度；结合LSTM与残差网络模型进行基坑灾害预测，相比于单一模型，极大地提高了预测精度，有助于提高基坑监测数据预测，在一定程度上预防和避免基坑灾害的发生。和避免基坑灾害的发生。和避免基坑灾害的发生。
技术研发人员：刘慧芬 陈燕婷 鲁志雄 林沛元 罗志康 李国贤
受保护的技术使用者：广东智云工程科技有限公司
技术研发日：2021.11.18
技术公布日：2021/12/17