買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉沈陽工業大學;中鐵上海工程局集團市政環保工程有限公司申請的專利基于深度神經網絡的基坑降水區地下水位預測與更新方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114881323B 。

龍圖騰網通過國家知識產權局官網在2025-09-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210490758.2，技術領域涉及：G06Q10/04；該發明授權基于深度神經網絡的基坑降水區地下水位預測與更新方法是由孫海霞;楊璐;王天韻;于維鶴;劉學明;王國林;脫偉偉設計研發完成，并于2022-05-07向國家知識產權局提交的專利申請。

本基于深度神經網絡的基坑降水區地下水位預測與更新方法在說明書摘要公布了：本申請提供了基于深度神經網絡的基坑降水區地下水位預測與更新方法，用于基坑降水區域地下水水位2?D空間分布的預測與更新，該方法包括：采集各個觀測點的地下水水位觀測數據，構建深度神經網絡模型，并通過深度神經網絡算法建立函數關系，對目標區域的地下水水位進行預測和更新，為基坑施工工作的開展提供信息，基于觀測數據，融合多種損失函數，解決以往的神經網絡模型在地下水位預測當中存在預測點空間位置單一，觀測資料準確度較低、數據結果離散性較大，實時更新效果較差，不能及時充分反映水位變化的實際情況，進而導致施工中無法預測地下水水位，使施工效率低，無法得到精確數據的問題。

本發明授權基于深度神經網絡的基坑降水區地下水位預測與更新方法在權利要求書中公布了：1.基于深度神經網絡的基坑降水區地下水位預測與更新方法，用于基坑降水區域地下水水位2-D空間分布的預測與更新，其特征在于，該方法包括： S1：通過基坑降水采集離散分布在降水區域的各觀測點地下水水位歷史觀測數據，通過構建深度神經網絡更好地實時預測區域地下水水位，通過深度神經網絡算法建立復雜函數關系，對該區域的地下水水位進行預測和實時更新； S2：充分利用歷史觀測數據，融合多種損失函數，針對不同參數的特征進行擬合，通過多層神經網絡的權重擬合地下水水位同氣候、溫度、輸出功率參數之間的函數關系； 在深度神經網絡的訓練策略上，針對施工期內不同的訓練參數進行動態融合，將這種集成算法用于該區域地下水水位的實時預測中，能夠對整個目標區域的多個任務同時預測，避免預測各個參數同地下水水位預測結果之間存在過高耦合； S3：根據觀測點坐標和分布情況劃定覆蓋全部觀測點的預測區域，該區域覆蓋整個基坑并向基坑邊界外延15～20m，基于各個觀測點觀測結果根據前一時刻tn-1的地下水水位2-D空間分布，按照時間步長△t＝tn-tn-1計算出當t＝tn時地下水水位2-D空間分布，基于各個觀測點的真實觀測結果和預測結果之間的殘差，采用數值模擬方法來提高區域預測的精度，對該區域范圍內的地下水水位預測結果在2-D空間模型條件下進行模擬，數值模擬過程，以預測下一個時間點前的該區域地下水水位分布連同實際地下水水位觀測記錄yn逐步預測現在時刻地下水水位分布的情況重復以上過程，即可預測更新未來時刻的區域地下水水位2-D空間分布； S4：利用數值同化技術將各觀測點的預測結果用于預測現在時刻的區域內地下水水位實時修正更新未來時刻區域范圍內地下水水位分布預測結果，具體被記作其中表示tn+1時刻的預測結果，通過反復迭代計算，算得k時刻之后的該區域地下水水位分布預測結果如下公式所示： 其中表示現在時刻的區域地下水水位2-D空間分布，ψ表示tn+1時刻地下水水位分布的計算過程，表示tn+k時刻地下水水位分布的預測結果，ψk表示經過了k次迭代計算，下一個時間點前的該區域地下水水位分布連同實際地下水水位觀測記錄yn逐步預測現在時刻地下水水位分布的情況 S5：將基于深度神經網絡算法的各個觀測點預測結果與數值同化方法相結合進行模擬，該區域預測結果通過平滑化方法進一步修正，避免預測結果當中出現突變，影響整體區域預測結果的情況；對該區域的地下水水位分布進行實時更新，從而對整個區域的預測結果進一步進行修正，得到穩定的基坑降水區域地下水水位2-D空間分布的最終預測結果； 步驟S1中，收集當年的最新監測數據，建立n個觀測時間序列的訓練樣本空間，Yn＝{t1,x1,y1,z1,…,ti,xi,yi,zi,…,tn,xn,yn,zn}訓練深度神經網絡模型，其中t表示觀測時間，x表示地下水水位歷史觀測記錄，y表示觀測點降水井的輸出功率，z表示施工期內的氣溫與降雨或降雪信息，i表示第i個觀測時間點； 引入卷積神經網絡，利用當前時刻前n天各個觀測點的地下水水位觀測數據設計神經網絡模型，并在實際的地下水水位預測案例中進行測試，構建模型函數ft,x,y,z，可對未來時刻離散分布在基坑降水區域個觀測點的地下水水位進行實時預測； 卷積神經網絡由多個隱藏層連接組成，其中隱藏層單元包含卷積層、激勵層、切分層、融合層操作，通過構建卷積神經網絡，利用歷史觀測數據資料對神經網絡的權重進行擬合，經過訓練獲得神經網絡模型，并對已有的地下水水位進行測試； 在步驟S2中：在深度神經網絡的訓練策略上，針對不同參數的特征，采用不同的損失函數進行擬合，同時進行動態的融合，需要考慮到預測區域的地下水水位兼顧氣候、溫度、輸出功率相關參數，采用包含以下三個損失函數進行神經網絡建模訓練： L＝LID+LTriplet+βLC 其中LID表示identityloss，LTriplet表示Tripletloss，LC表示centerloss，β為權重，建議取值范圍0.1～1； Identityloss是把ReID問題作為一個分類問題，每一個ID都是一個類，經過softmax分類后分到正確類的預測概率，取對數求和后再除以樣本總數，表示為： 其中，y為真實ID標簽，pi為預測概率，qi對應所屬類別的得分，N為每個batch訓練的樣本數，ε參數建議取值范圍0.1～1； Tripletloss是一種深度學習中的損失函數，用于訓練差異性較小的樣本，三組元包括Anchor、Positive、Negative，通過優化Anchor與Positive的距離小于Anchor與Negative的距離，實現樣本的相似性計算，表示為： LTriplet＝[dp-dn+α]+ 其中dp和dn為正樣本對和負樣本對之間的距離，α為帶有邊界的triplet損失，[z]+為maxz,0； Centerloss為每一個類別提供一個類別中心，最小化min-batch中每個樣本與對應類別中心的距離，表示為： 其中，yj對應第j個樣本的標簽，為第j個樣本的特征，為標簽yj特征的類別中心，B為batch樣本數； 將這種集成算法用于各個不同觀測點地下水水位的實時預測當中，從而避免各個參數同地下水水位預測結果之間存在過高耦合； 步驟S3中：預測范圍必須覆蓋全部基坑的觀測點位置，并向基坑外延15～20m，然后對該區域進行網格劃分，Un＝U1n,U2n,…,Uin,…,Umn，其中Un表示tn時刻地下水水位的2-D空間分布，i表示空間第i個單元，其單元總數為m，Uin表示tn時刻第i個單元的地下水水位預測結果；Un是按照單元以及時間分布進行排列，基于各個觀測點觀測結果，根據前一時刻tn-1的地下水水位分布，按照時間步長△t＝tn-tn-1計算出當t＝tn時地下水水位分布，基于各個離散分布在基坑降水區域內觀測點的真實觀測結果和預測結果之間的殘差，采用數值模擬方法來提高區域預測的精度，重復計算預測下一個時間點前的地下水水位預測分布結果連同地下水水位實際觀測記錄yn逐步預測現在的地下水水位分布情況可預測未來的地下水水位2-D空間分布； 對該區域范圍內各觀測點的地下水水位觀測結果在2-D空間模型條件下進行模擬，令為區域地下水水位分布Un的最優解，以預測下一個時間點前的該區域地下水水位分布連同實際地下水水位觀測記錄yn，逐步預測現在時刻地下水水位分布的情況以表示tn-1時刻地下水水位分布的計算過程： 由到在其數值同化過程表示為： 其中為地下水水位觀測值增量，ω是在卡爾曼濾波器中的m×q階權系數矩陣，ω表示下一個時間點預測的修正值，是預測下一個時間點前的背景誤差協方差與觀測誤差之間的相關矩陣： ω＝BHTR+HBHT-1 其中B與R分別表示背景誤差協方差矩陣與觀測方差矩陣，q×m階矩陣H表示觀測測空間擾動； 在步驟S5中，將基于深度神經網絡算法的各個觀測點預測結果結合數值同化方法進行模擬得到S4中的預測區域地下水水位2-D空間分布，該預測區域預測結果通過的平滑化方法進一步修正，采用高斯核函數對該區域的地下水水位2-D空間分布預測結果進行平滑，其中高斯濾波器的寬度決定著平滑程度，高斯濾波器的頻帶就越寬平滑程度就更好。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人沈陽工業大學;中鐵上海工程局集團市政環保工程有限公司，其通訊地址為：110870 遼寧省沈陽市鐵西區經濟技術開發區沈遼西路111號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。