本发明涉及深基坑围护结构安全评估的，尤其是涉及一种基于深基坑测斜数据的围护结构安全状态评估方法及系统。
背景技术：
1、目前，随着城市基础设施建设的不断发展以及国家对安全生产的重视，对深基坑监测的要求也逐步提高。在实际基坑开挖中，通过使用测斜仪检测侧围护结构深层水平位移及其变化速率，防止土体发生过大形变而导致支护结构破坏。
2、与此同时，随着自动化监测技术的发展，越来越多基坑工程使用自动化监测设备，监测频率的提高带来监测数据数量急剧增长，自动化监测数据的可靠性也受到了挑战。目前对自动测斜仪自动采集的测斜数据的优化方法是通过运用支持向量机、循环神经网络等有监督学习算法实现的，能够轻松适应不同基坑结构类型，情况复杂的土层变化，但是需要巨大的带标签数据集支撑，标签过程耗时长，效率低，迫切需要一种能够实时检测当前获取的测斜数据可靠性，并分析深基坑开挖过程中围护结构的潜在风险，从而保障基坑工程生产安全。
技术实现思路
1、为了提升测斜数据的可靠性和围护结构的安全性，本技术提供一种基于深基坑测斜数据的围护结构安全状态评估方法及系统。
2、本技术的上述发明目的一是通过以下技术方案得以实现的：
3、一种方法，所述基于深基坑测斜数据的围护结构安全状态评估方法包括：
4、获取施工现场的历史深基坑测斜数据，根据所述历史深基坑测斜数据，生成检查与平滑优化信息；
5、根据所述检查与平滑优化信息，构建半监督神经网络模型，基于所述历史深基坑测斜数据对所述半监督神经网络模型进行训练，得到训练好的平滑优化模型；
6、基于所述训练好的平滑优化模型对从施工现场获取得到的深基坑测斜数据进行平滑优化，得到待评估围护结构内力随深度变化曲线；
7、根据所述待评估围护结构内力随深度变化曲线，计算所述待评估围护结构的实际弯矩，并获取所述待评估围护结构的弯矩极限值，基于所述弯矩极限值和所述实际弯矩，获得所述待评估围护结构的安全状态评估结果。
8、通过采用上述技术方案，由于目前对自动测斜仪自动采集的测斜数据的优化方法是通过运用支持向量机、循环神经网络等有监督学习算法实现的，能够轻松适应不同基坑结构类型，情况复杂的土层变化，但是需要巨大的带标签数据集支撑，标签过程耗时长，效率低，因此，本技术在通过获取施工现场的历史深基坑测斜数据，根据历史深基坑测斜数据，生成检查与平滑优化信息，从而根据检查与平滑优化信息，构建半监督神经网络模型，基于历史深基坑测斜数据对半监督神经网络模型进行训练，得到训练好的平滑优化模型，有助于提高半监督神经网络模型的适应性，使得模型能够对深基坑测斜数据进行数据检查并平滑优化，进而通过基于训练好的平滑优化模型对从施工现场获取得到的深基坑测斜数据进行平滑优化，从而得到经过模型优化的待评估围护结构内力随深度变化曲线，有助于消除直接使用深基坑测斜数据带来的误差，提高待评估围护结构内力随深度变化曲线的准确性，通过根据待评估围护结构内力随深度变化曲线，计算待评估围护结构的实际弯矩，并获取待评估围护结构的弯矩极限值，基于弯矩极限值和实际弯矩，获得待评估围护结构的安全状态评估结果，有助于直观了解待评估围护结构安全状态，并根据对待评估围护结构的安全评估结果，提升围护结构的可靠性，达到提高了监测围护结构安全状态结果的准确度、可信度的目的，从而保障基坑安全。
9、本技术在一较佳示例中可以进一步配置为：所述根据所述检查与平滑优化信息，构建半监督神经网络模型，基于所述历史深基坑测斜数据对所述半监督神经网络模型进行训练，得到训练好的平滑优化模型，具体包括：
10、基于拟合算法对所述历史深基坑测斜数据中部分测斜数据进行标签标注，得到带标签数据；根据所述带标签数据和所述历史深基坑测斜数据中的无标签数据，构建测斜数据集；
11、根据所述测斜数据集对所述半监督神经网络模型进行模型训练，得到所述训练好的平滑优化模型。
12、通过采用上述技术方案，通过基于拟合算法对历史深基坑测斜数据中部分测斜数据进行标签，得到带标签数据，并基于带标签数据和历史深基坑测斜数据中的无标签数据，构建测斜数据集，有助于为模型的训练提供必要的样本和标签，从而根据测斜数据集对半监督神经网络模型进行模型训练，得到训练好的平滑优化模型，使得模型能够在当前应用场景实现更佳的效果，减少过拟合发生概率，轻松适应不同基坑结构类型，情况复杂的土层变化。
13、本技术在一较佳示例中可以进一步配置为：所述基于拟合算法对所述历史深基坑测斜数据中部分测斜数据进行标签标注，得到带标签数据，具体包括：
14、从所述历史深基坑测斜数据中选取一部分的测斜数据，标记为所述部分测斜数据；
15、分别采用线性最小二乘法的多项式函数拟合算法、非线性最小二乘法的任意函数拟合算法、五次样条函数拟合算法、五次平滑样条拟合函数与多项式拟合算法及加权的最小二乘法拟合算法对所述部分测斜数据进行曲线拟合，得到对应的各拟合曲线；
16、基于系统设定的加权公式，对所述各拟合曲线进行加权，并设定满足预设条件的权重系数，获得测斜曲线随深度变化拟合函数，所述加权公式为f(x)＝a1f1(x)+a2f2(x)+…+anfn(x)，其中n为采用的拟合算法个数，n为5；an为第n个拟合算法的拟合算法权重；fn(x)为第n个拟合算法对应的拟合函数；f(x)为测斜曲线随深度变化拟合函数；
17、根据所述测斜曲线随深度变化拟合函数，得到所述带标签数据。
18、通过采用上述技术方案，通过从历史深基坑测斜数据中选取一部分的测斜数据，标记为部分测斜数据，有助于降低制作标签数据集成本，通过采用五种拟合算法对部分测斜数据进行曲线拟合，得到对应的各拟合曲线，有助于理解数据的分布和规律，基于系统设定的加权公式对各拟合曲线进行加权，设置满足预设条件的权重系数，得到测斜曲线随深度变化拟合函数，有助于消除部分测斜数据带来的误差，通过根据测斜曲线随深度变化拟合函数，得到带标签数据，有助于减少人工标注带来的耗费时长，并减少人工干预的环节，提升数据的可信度。
19、本技术在一较佳示例中可以进一步配置为：所述根据所述测斜数据集对所述半监督神经网络模型进行模型训练，得到所述训练好的平滑优化模型，具体包括：
20、获取全连接神经网络，将所述带标签数据输入所述全连接神经网络后，根据得到的第一预测结果和人工标注标签进行计算，得到有监督损失函数值；
21、对所述无标签数据进行增强处理，得到增强数据，将所述增强数据输入所述全连接神经网络后，对得到的第二预测结果进行计算，得到无监督损失函数值；
22、根据所述有监督损失函数值和所述无监督损失函数值，对所述半监督神经网络模型进行迭代训练，并对迭代次数进行判断；
23、在所述迭代次数满足预设的迭代次数阈值的情况下，输出训练好的半监督神经网络模型，并作为所述平滑优化模型。
24、通过采用上述技术方案，通过根据测斜数据集对半监督神经网络进行训练，使用适合于无标签数据的数据增强方法，训练平滑优化模型，使得模型可以对仅存在少批量拥有标签测斜曲线数据进行数据检查并平滑优化，降低人工标注的成本，能够应对现实场景中的稀缺标记问题，从而根据历史深基坑测斜数据训练得到的模型能够在当前应用场景实现更佳的效果，轻松适应不同基坑结构类型，情况复杂的土层变化，以便获得平滑的待评估围护结构内力随深度变化曲线。
25、本技术在一较佳示例中可以进一步配置为：所述根据所述待评估围护结构内力随深度变化曲线，计算所述待评估围护结构的实际弯矩，并获取所述待评估围护结构的弯矩极限值，基于所述弯矩极限值和所述实际弯矩，获得所述待评估围护结构的安全状态评估结果，具体包括：
26、基于曲率求解公式，根据所述待评估围护结构内力随深度变化曲线，得到所述待评估围护结构内力随深度变化曲线的曲率，所述曲率求解公式为φ(x)＝d2y/dx2，其中dx2是待评估围护结构的深度x的二阶微分；d2y是待评估围护结构内力随深度变化曲线y(x)的二阶微分；φ(x)是待评估围护结构内力随深度变化曲线的曲率；
27、基于弯矩计算式，根据所述待评估围护结构内力随深度变化曲线的曲率，得到所述待评估围护结构的实际弯矩，所述弯矩计算式为m(x)＝eiφ(x)＝ei·d2y/dx2，其中m(x)是待评估围护结构的实际弯矩；ei是待评估围护结构的抗弯刚度；
28、基于弯矩极限计算公式，计算出所述待评估围护结构的弯矩极限值，所述弯矩极限计算公式为m＝(0.85×fck×b×h)/γm，其中m是待评估围护结构的弯矩极限值，fck是待评估围护结构的设计抗压强度，b是待评估围护结构的宽度，h是待评估围护结构的有效高度，γm是安全系数；
29、基于所述弯矩极限值和所述实际弯矩，计算得到抗弯系数，根据所述抗弯系数，获得所述待评估围护结构的安全状态评估结果。
30、通过采用上述技术方案，通过基于曲率求解公式，根据待评估围护结构内力随深度变化曲线，得到待评估围护结构内力随深度变化曲线的曲率，有助于分析曲线的平滑度和曲率变化的趋势，并通过基于弯矩计算式，根据待评估围护结构内力随深度变化曲线的曲率，得到待评估围护结构的实际弯矩，有助于根据待评估围护结构的当前承载情况进行分析，能够有效评估待评估围护结构的安全状态，从而基于弯矩极限计算公式，计算得到待评估围护结构的弯矩极限值，有助于根据弯矩极限值及时发现待评估围护结构的变形情况，通过基于弯矩极限值和实际弯矩，计算得到抗弯系数，根据抗弯系数，获得待评估围护结构的安全状态评估结果，有助于根据抗弯系数情况监测围护结构，减少围护结构坍塌的风险，从而确保施工过程的安全性和质量。
31、本技术在一较佳示例中可以进一步配置为：所述根据所述抗弯系数，获得所述待评估围护结构的安全状态评估结果，具体包括：
32、将所述抗弯系数与预设安全系数阈值进行比较，根据比较结果确定所述待评估围护结构的安全状态评估结果；
33、根据所述安全状态评估结果，生成风险预警信息，并根据所述风险预警信息发出预警提示消息。
34、通过采用上述技术方案，通过获取作为安全界限的预设安全系数阈值，将抗弯系数与预设安全系数阈值进行比较，并根据比较结果确定待评估围护结构的安全状态评估结果，实现对围护结构的安全状态评估，能够根据安全状态评估结果直观了解围护结构安全状态，通过根据安全状态评估结果，生成风险预警信息，并根据风险预警信息发出预警提示消息，有助于引起施工技术人员注意，避免施工技术人员在开挖过程中处于违规操作，提高对施工技术人员的安全防护，通过调整施工方法、加强支撑或停止施工等确保施工过程的安全性和质量，保证施工技术人员施工过程中的安全性，并提升围护结构的可靠性，有利于保障基坑安全。
35、本技术的上述发明目的二是通过以下技术方案得以实现的：
36、一种基于深基坑测斜数据的围护结构安全状态评估系统，所述基于深基坑测斜数据的围护结构安全状态评估系统包括：
37、数据获取模块，用于获取施工现场的历史深基坑测斜数据，根据所述历史深基坑测斜数据，生成检查与平滑优化信息；
38、模型训练模块，用于根据所述检查与平滑优化信息，构建半监督神经网络模型，基于所述历史深基坑测斜数据对所述半监督神经网络模型进行训练，得到训练好的平滑优化模型；
39、模型输出模块，用于基于所述训练好的平滑优化模型对从施工现场获取得到的深基坑测斜数据进行平滑优化，得到待评估围护结构内力随深度变化曲线；
40、安全评估模块，用于根据所述待评估围护结构内力随深度变化曲线，计算所述待评估围护结构的实际弯矩，并获取所述待评估围护结构的弯矩极限值，基于所述弯矩极限值和所述实际弯矩，获得所述待评估围护结构的安全状态评估结果。
41、通过采用上述技术方案，由于目前对自动测斜仪自动采集的测斜数据的优化方法是通过运用支持向量机、循环神经网络等有监督学习算法实现的，能够轻松适应不同基坑结构类型，情况复杂的土层变化，但是需要巨大的带标签数据集支撑，标签过程耗时长，效率低，因此，本技术在通过获取施工现场的历史深基坑测斜数据，根据历史深基坑测斜数据，生成检查与平滑优化信息，从而根据检查与平滑优化信息，构建半监督神经网络模型，基于历史深基坑测斜数据对半监督神经网络模型进行训练，得到训练好的平滑优化模型，有助于提高半监督神经网络模型的适应性，使得模型能够对深基坑测斜数据进行数据检查并平滑优化，进而通过基于训练好的平滑优化模型对从施工现场获取得到的深基坑测斜数据进行平滑优化，从而得到经过模型优化的待评估围护结构内力随深度变化曲线，有助于消除直接使用深基坑测斜数据带来的误差，提高待评估围护结构内力随深度变化曲线的准确性，通过根据待评估围护结构内力随深度变化曲线，计算待评估围护结构的实际弯矩，并获取待评估围护结构的弯矩极限值，基于弯矩极限值和实际弯矩，获得待评估围护结构的安全状态评估结果，有助于直观了解待评估围护结构安全状态，并根据对待评估围护结构的安全评估结果，提升围护结构的可靠性，达到提高了监测围护结构安全状态结果的准确度、可信度的目的，从而保障基坑安全。
42、本技术的上述目的三是通过以下技术方案得以实现的：
43、一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于深基坑测斜数据的围护结构安全状态评估方法的步骤。
44、本技术的上述目的四是通过以下技术方案得以实现的：
45、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于深基坑测斜数据的围护结构安全状态评估方法的步骤。
46、综上所述，本技术包括以下至少一种有益技术效果：
47、1、通过从历史深基坑测斜数据中选取一部分的测斜数据，标记为部分测斜数据，有助于降低制作标签数据集成本，通过对部分测斜数据的线性关系进行判断，根据部分测斜数据的线性类型选用对应的拟合算法进行拟合标注处理，从而得到相对应的拟合权重，有助于消除部分测斜数据误差，提升数据的光滑性，通过对各拟合权重进行加权处理，根据加权结果得到带标签数据，有助于减少人工标注带来的耗费时长，并减少人工干预的环节，提升数据的可信度；
48、2、通过根据测斜数据集对半监督神经网络进行训练，使用适合于无标签数据的数据增强方法，训练平滑优化模型，使得模型可以对仅存在少批量拥有标签测斜曲线数据进行数据检查并平滑优化，降低人工标注的成本，能够应对现实场景中的稀缺标记问题，从而根据测斜数据得到的模型能够在当前应用场景实现更佳的效果，轻松适应不同基坑结构类型，情况复杂的土层变化，以便获得平滑的待评估围护结构内力随深度变化曲线；
49、3、通过基于曲率求解公式，根据待评估围护结构内力随深度变化曲线，得到待评估围护结构内力随深度变化曲线的曲率，有助于分析曲线的平滑度和曲率变化的趋势，并通过基于弯矩计算式，根据待评估围护结构内力随深度变化曲线的曲率，得到待评估围护结构的实际弯矩，有助于根据待评估围护结构的当前承载情况进行分析，能够有效评估待评估围护结构的安全状态，从而基于弯矩极限计算公式，计算得到待评估围护结构的弯矩极限值，有助于根据弯矩极限值及时发现待评估围护结构的变形情况，通过基于弯矩极限值和实际弯矩，计算得到抗弯系数，根据抗弯系数，获得待评估围护结构的安全状态评估结果，有助于根据抗弯系数情况监测围护结构，减少围护结构坍塌的风险，从而确保施工过程的安全性和质量；4、通过获取作为安全界限的预设安全系数阈值，将抗弯系数与预设安全系数阈值进行比较，并根据比较结果确定待评估围护结构的安全状态评估结果，实现对围护结构的安全状态评估，能够根据安全状态评估结果直观了解围护结构安全状态，通过根据安全状态评估结果，生成风险预警信息，并根据风险预警信息发出预警提示消息，有助于引起施工技术人员注意，避免施工技术人员在开挖过程中处于违规操作，提高对施工技术人员的安全防护，通过调整施工方法、加强支撑或停止施工等确保施工过程的安全性和质量，保证施工技术人员施工过程中的安全性，并提升围护结构的可靠性，有利于保障基坑安全。
1.一种基于深基坑测斜数据的围护结构安全状态评估方法，其特征在于，所述基于深基坑测斜数据的围护结构安全状态评估方法包括：
2.根据权利要求1所述的基于深基坑测斜数据的围护结构安全状态评估方法，其特征在于，所述根据所述检查与平滑优化信息，构建半监督神经网络模型，基于所述历史深基坑测斜数据对所述半监督神经网络模型进行训练，得到训练好的平滑优化模型，具体包括：
3.根据权利要求2所述的基于深基坑测斜数据的围护结构安全状态评估方法，其特征在于，所述基于拟合算法对所述历史深基坑测斜数据中部分测斜数据进行标签标注，得到带标签数据，具体包括：
4.根据权利要求2所述的基于深基坑测斜数据的围护结构安全状态评估方法，其特征在于，所述根据所述测斜数据集对所述半监督神经网络模型进行模型训练，得到所述训练好的平滑优化模型，具体包括：
5.根据权利要求1所述的基于深基坑测斜数据的围护结构安全状态评估方法，其特征在于，所述根据所述待评估围护结构内力随深度变化曲线，计算所述待评估围护结构的实际弯矩，并获取所述待评估围护结构的弯矩极限值，基于所述弯矩极限值和所述实际弯矩，获得所述待评估围护结构的安全状态评估结果，具体包括：
6.根据权利要求5所述的基于深基坑测斜数据的围护结构安全状态评估方法，其特征在于，所述根据所述抗弯系数，获得所述待评估围护结构的安全状态评估结果，具体包括：
7.一种基于深基坑测斜数据的围护结构安全状态评估系统，其特征在于，所述基于深基坑测斜数据的围护结构安全状态评估系统包括：
8.根据权利要求7所述的基于深基坑测斜数据的围护结构安全状态评估系统，其特征在于，所述模型训练模块具体包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于深基坑测斜数据的围护结构安全状态评估方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于深基坑测斜数据的围护结构安全状态评估方法的步骤。
