(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110380281.8 (22)申请日 2021.04.08 (65)同一申请的已公布的文献号 申请公布号 CN 113065188 A (43)申请公布日 2021.07.02 (73)专利权人 佛山市顺德区建 设工程质量 安全 监督检测中心有限公司 地址 528000 广东省佛山市顺德区伦教街 道三洲社区振通 一路1号 (72)发明人 陈景忠　甘轶　万远收　庞国达　 魏智健　王强　 (74)专利代理 机构 北京维正专利代理有限公司 11508 专利代理师 倪鑫萍(51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 US 2016108598 A1,2016.04.21 CN 111538282 A,2020.08.14 张明义等.基于人工神经网络的静力压桩沉 桩阻力计算模拟. 《工程勘察》 .20 01,(第06期), 审查员 姜玲玲 (54)发明名称 基于机器学习的沉桩过程评估 方法、 存储介 质及电子设备 (57)摘要 本申请涉及一种基于机器学习的沉桩过程 评估方法、 存储介质及电子设备， 所述的沉桩过 程评估方法包括以下步骤： 采集特征参数——沉 桩施工过程参数及桩身设计参数； 利用所述的特 征参数训练模型； 基于所训练的模型， 实时获得 沉桩阶段信息和/或沉桩 过程不同深度桩端土层 的分类信息。 本申请可以实时获得沉桩阶段信息 和/或沉桩过程不同深度桩端土层的分类信息， 克服了沉桩过程隐蔽性、 未知性的问题， 现场施 工人员可以根据获得的沉桩阶段信息和/或沉桩 过程不同深度桩端土层的分类信息来指导实际 的沉桩操作， 保证 了沉桩后桩 身的质量。 权利要求书2页 说明书20页 附图8页 CN 113065188 B 2022.06.14 CN 113065188 B 1.基于机器学习的沉桩过程评估方法， 其特 征在于， 包括以下步骤： 采集特征参数——沉桩施工过程 参数及桩身设计参数； 从所述的特 征参数中筛 选子特征参数； 利用所述的子特 征参数来训练模型； 基于所训练的模型， 实时获得沉桩阶段信息和/或沉桩过程不同深度桩端土层的分类 信息； 具体包括： 采集特征参数——沉桩施工过程 参数及桩身设计参数； 从所述的特征参数中筛选子特征参数——锤型、 桩径、 壁厚、 单位深度锤击能量、 单位 深度锤击数、 累计锤击能量和累计锤击数； 利用所述的子特 征参数训练模型， 获得沉桩阶段 预测模型； 基于所述的沉桩阶段预测模型， 实时获得沉桩阶段信息； 所述的沉桩阶段信息包括： 未 进入持力层阶段、 刚进入持力层阶段、 准备收锤阶段、 可以收锤阶段。 2.根据权利要求1所述的基于机器学习的沉桩过程评估方法， 其特征在于， 在利用所述 的子特征参数训练模型的步骤之前， 还 包括： 采用主成分分析法将带有相关性、 耦合性的子特征参数进行合并， 并对噪音信息进行 滤除， 将特 征维度降为5 。 3.根据权利要求1或2所述的基于机器学习的沉桩过程评估方法， 其特征在于， 利用所 述的子特 征参数训练BP神经网络模型， 获得沉桩阶段 预测模型。 4.根据权利要求3所述的基于机器学习的沉桩过程评估方法， 其特征在于， 利用所述的 子特征参数训练BP神经网络模型， 获得沉桩阶段预测模型后， 还包括： 采用AdaBelief优化 器对所述的沉桩阶段 预测模型进行优化。 5.根据权利要求3所述的基于机器学习的沉桩过程评估方法， 其特征在于， 利用所述的 子特征参数训练BP神经网络模型， 获得沉桩阶段预测模型后， 还包括： 采用改进的 FocalLoss损失函数对所述的沉桩阶段预测模型进行优化； 其中， 所述的改进的FocalLoss 损失函数为： 其中， Lfl表示损失函数， n代表类别数量； yi表示变量0或1； y ′i表示样本预测属于类别i 的概率， γ表示调制系数。 6.根据权利要求1所述的基于 机器学习的沉桩过程评估方法， 其特 征在于， 具体包括： 采集特征参数——沉桩施工过程 参数及桩身设计参数； 从所述的特征参数中筛选子特征参数——锤型、 桩径、 壁厚、 单位深度锤击能量、 单位 深度锤击数、 累计锤击能量、 累计锤击数和累计锤击能量/(入土深度 ‑未响锤深度)； 利用所述的子特 征参数训练模型， 获得机器学习土层识别预测模型； 基于所述的机器学习土层识别预测模型， 实时获得沉桩过程不同深度桩端土层的分类 信息。 7.根据权利要求6所述的基于机器学习的沉桩过程评估方法， 其特征在于， 利用所述的 子特征参数训练XGBo ost模型， 获得机器学习土层识别预测模型。权　利　要　求　书 1/2 页 2 CN 113065188 B 28.根据权利要求1或6所述的基于机器学习的沉桩过程评估方法， 其特征在于， 通过以 下方法进行子特 征参数选择： 对特征参数进行删减， 获得不同特 征参数影响下机器学习预测模型的预测准确率； 根据所述的不同特征参数影响下机器学习预测模型的预测准确率， 最终确定出该预测 模型的子特 征参数。 9.根据权利要求8所述的基于机器学习的沉桩过程评估方法， 其特征在于， 对特征参数 进行删减之前还 包括： 计算入岩阶段 各特征参数对 模型的贡献度； 根据贡献度的大小对各 特征参数进行排序； 按照贡献度从小到大的顺序， 依次对特 征参数进行删减。 10.根据权利要求9所述的基于机器学习的沉桩过程评估方法， 其特征在于： 通过随机 森林集成学习方法计算入岩阶段 各特征参数对 模型的贡献度。 11.根据权利要求1所述的基于机器学习的沉桩过程评估方法， 其特征在于， 从所述的 特征参数中筛 选子特征参数前， 还包括： 对采集的特 征参数进行 数据清洗， 剔除脏数据； 和/或对沉桩施工过程参数进行无量纲化处理； 具体的， 采取Z ‑score标准化方法对沉 桩施工过程参数进 行无量纲 化处理， 即将数据按均值中心 化后， 再按标准差进 行缩放， 数据 服从均值 为0、 方差为1的正态分布； 公式如下： 其中， μ为所有样本数据的均值， σ 为所有样本数据的标准差， x*表示标准化后的沉桩施 工过程参数， x表示原所有样本的沉桩施工过程 参数。 12.一种计算机可读存储介质， 其特征在于， 存储有能够被处理器加载并执行如权利要 求1至11中任一种方法的计算机程序。 13.一种电子设备， 其特征在于， 包括存储器和处理器， 所述存储器上存储有能够被处 理器加载并执 行如权利要求1至1 1中任一种方法的计算机程序。权　利　要　求　书 2/2 页 3 CN 113065188 B 3