(19)中华 人民共和国 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 202111445389.7 (22)申请日 2021.11.30 (71)申请人 苏州大学 地址 215000 江苏省苏州市吴中区石湖西 路188号 (72)发明人 刘维　赵华菁　管浩　聂宏伟　 高荣环　 (74)专利代理 机构 苏州市中南伟业知识产权代 理事务所(普通 合伙) 32257 代理人 朱振德 (51)Int.Cl. G06Q 10/04(2012.01) G06F 30/27(2020.01) G06F 16/21(2019.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/08(2012.01) (54)发明名称 一种盾构施工引起地面沉降的预测方法及 系统 (57)摘要 本发明公开了一种盾构施工引起地面沉降 的预测方法及系统， 包括以下步骤： S1： 获取当地 盾构案例数据建立数据库， 对数据库中数据进行 预处理制作数据集， 其中， 所述预处理包括采用 SMOTE算法对数据进行扩增； S2： 将数据集输入 KNN机器学习模型进行训练， 选取训练参数最优 的KNN机器学习模型作为预测模型， 预测盾构施 工引起的最大地表沉降值； S3： 运用指标对预测 模型进行评估， 测试预测模型的预测精度。 本发 明提高对于盾构施工引起的地面沉降变形的预 测能力。 权利要求书2页 说明书7页 附图5页 CN 114219134 A 2022.03.22 CN 114219134 A 1.一种盾构施工引起 地面沉降的预测方法， 其特 征在于： 包括以下步骤： S1： 获取当地盾构案例数据建立数据库， 对数据库中数据进行预处理制作数据集， 其 中， 所述预处 理包括采用SMOTE算法对数据进行扩增； S2： 将数据集输入KNN机器学习模型进行训练， 选取训练参数最优的KNN机器学习模型 作为预测模型， 预测盾构施工引起的最大地表沉降值； S3： 运用指标对预测模型进行评估， 测试 预测模型的预测精度。 2.如权利要求1所述的一种盾构施工引起地面沉降的预测方法， 其特征在于： 所述步骤 S1具体包括以下步骤： S1.1： 建立数据库， 收集近十五年间制定地区的盾构穿越案例， 所述数据库中的数据类 型包括隧道参数、 地层参数和盾构参数； S1.2： 通过引入SMOTE算法对数据扩增， 对少数类样本进行分析并根据少数类样本人工 合成新样本添加到数据集中； S1.3： 在KN N机器学习模型训练之前对输入数据变量进行 标准化处理； S1.4： 将扩增后数据集分为4个子集， 轮流将其中3个子集用于训练， 剩余的1个子集用 于测试。 3.如权利要求2所述的一种盾构施工引起地面沉降的预测方法， 其特征在于： 所述引入 SMOTE算法对数据扩增具体为： 其中， xi为一个少数类数据样本， xij为xi的邻近数据样本， 为新的数据样本 。 4.如权利要求2所述的一种盾构施工引起地面沉降的预测方法， 其特征在于： 所述标准 化处理： 其中， 为初始样本数据的均值， σ 为原 始数据的标准差， x*是标准化后的值。 5.如权利要求2所述的一种盾构施工引起地面沉降的预测方法， 其特征在于： 所述步骤 S2具体包括以下步骤： S2.1： 盾构引起的地表横向沉降槽近似呈现为正态分布,在沉降槽曲线符合高斯分布 的基础上， 假定地表沉降在不排水 的条件下发生， 软弱地层隧道上方横向地表沉降用地表 沉降公式来描述： 其中， s为地面任一点的沉降值， smax为地面沉降的最大值， 位于沉降曲线的对称中心 上， y为从沉降曲线中心到所计算点的距离， i为从沉降曲线对称中心到曲线拐点的距离， V1 为地层体积损失率， D为隧道深度； 通过对大量地表沉降数据和工程资料的分析后， 得出i一般与隧道深度D以及周围地层 内摩擦角相关， 且参数主要与工程地质情况、 隧道施工方法、 施工技术水平因素相关， 即选 取土层的粘聚力及内摩擦角、 隧道的埋深、 盾构直径为超参数； S2.2： 对超参数进行选择和调整， 通过网格寻优方法找到一组最合适参数， 网格网格寻权　利　要　求　书 1/2 页 2 CN 114219134 A 2优方法是将所有可能的参数进行组合， 然后对各组参数进行训练， 并验证结果是否是最优 的， 即找到最优的参数组合； S2.3： 最优的参数组合对应的KNN机器学习模型， 作为预测模型， 输出盾构施工引起的 最大地表沉降值。 6.如权利要求5所述的一种盾构施工引起地面沉降的预测方法， 其特征在于： 所述步骤 S2具体还 包括以下步骤： 利用训练好 的预测模型对测 试集进行预测， 使用Python 的Scikit ‑learn库实现KNN机 器学习模型对原始数据集和SMOTE预处理后数据集进行预测， 其中测试集被用来检验每种 模型最优 超参数组合的预测性能。 7.如权利要求1所述的一种盾构施工引起地面沉降的预测方法， 其特征在于： 所述步骤 S3具体包括以下步骤： 采用均方根 误差RMSE、 平均绝对误差 MAE两个指标对 模型进行评估： RMSE： MAE： 其中， n是样本总数， ri是预测沉降值， pi是实测沉降值。 8.如权利要求7所述的一种盾构施工引起地面沉降的预测方法， 其特征在于： 对于任意 一组训练样本， 输出的预测沉降值ri与真实测沉降值pi之间存在一定的误差， 运用RMSE、 MAE 的计算公式计算后， RMSE、 MAE越小， 说明预测模型拥有更好的预测精度。 9.一种盾构施工引起 地面沉降的预测系统， 其特 征在于： 包括： 数据处理单元， 用于获取当地盾构案例数据建立数据库， 对数据库中数据进行预处理 制作数据集， 其中， 所述预处 理包括采用SMOTE算法对数据进行扩增； 预测模型单元， 用于将数据集输入KNN机器学习模型进行训练， 选取训练参数最优的 KNN机器学习模型作为预测模型， 预测盾构施工引起的最大地表沉降值； 评估单元， 用于运用指标对预测模型进行评估， 测试 预测模型的预测精度。 10.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 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权利要求 1‑8中任意一项 所 述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114219134 A 3