专利交易市场

本发明涉及一种基于迁移学习增强的软土地基沉降概率预测方法，步骤如下：S1.源域模型模块，由训练后源域模型提取沉降演化特征并输出源域参数（权重和偏置）；S2.构建目标域LSTM模型，冻结LSTM的时序特征提取层，并将等时间隔序列输入目标域模型中，利用源域参数对目标预测模型进行迁移微调，再启动滚动预测模块；S3.在优化后的LSTM模型引入基于最大似然的Likelihood‑LSTM概率建模模块，对滚动预测序列进行不确定性建模，获得级联LLSTM模型；S4.通过级联LLSTM模型实现参数更新与沉降概率预测。本发明有效抑制长期预测过程中误差的累积与放大，获得稳定长期沉降概率预测结果。

本发明提供了一种基于机器学习的滑坡失稳时间动态预报方法，包括：准备原始滑坡的原始监测数据，包括滑坡表面位移监测与滑坡裂缝计监测；采用移动平均法对数据进行预处理；采用改进的切线角法对预处理后的监测数据进行滑坡演化阶段判定；根据目标滑坡监测周期，设置动态预报计算区间；当判定滑坡进入加速运动阶段后，根据设置的动态区间，通过基础预报模型对滑坡失稳时间进行预报；以基础预报模型为输入，滑坡实际失稳时间为目标输出，采用机器学习对基础预报模型进行集成，建立滑坡失稳时间动态预报的综合预报模型，对滑坡失稳时间进行动态预报。显著提升了失稳时间预报的精准度和稳定性，为滑坡预警工作提供更为科学、直观和精准的参考。

本发明公开了一种基于机器学习的桩‑土相互作用预测分析方法，属于地基基础工程技术领域。其包括以下步骤：采用拉丁超立方抽样方法建立桩‑土变量的参数样本，采用数值模拟方法对参数样本建模，得到参数样本对应桩体的受力变形值，通过Lasso方法对输入变量及需求变量进行敏感性分析，降低输入变量维度；将参数样本划分为数量均等的K份进行交叉验证，建立基于L‑M算法的BP神经网络模型，隐藏层神经元个数定义在一定范围内循环遍历运算，通过对比训练误差确定最佳隐藏层神经元个数，使用训练后的神经网络模型，预测桩体的受力变形。本发明具有分析流程清晰、可靠性强、效率高的优点，为桩基的设计和应用提供理论依据。