买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉沈阳工业大学;中铁上海工程局集团市政环保工程有限公司申请的专利基于深度神经网络的基坑降水区地下水位预测与更新方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114881323B 。

龙图腾网通过国家知识产权局官网在2025-09-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210490758.2，技术领域涉及：G06Q10/04；该发明授权基于深度神经网络的基坑降水区地下水位预测与更新方法是由孙海霞;杨璐;王天韵;于维鹤;刘学明;王国林;脱伟伟设计研发完成，并于2022-05-07向国家知识产权局提交的专利申请。

本基于深度神经网络的基坑降水区地下水位预测与更新方法在说明书摘要公布了：本申请提供了基于深度神经网络的基坑降水区地下水位预测与更新方法，用于基坑降水区域地下水水位2‑D空间分布的预测与更新，该方法包括：采集各个观测点的地下水水位观测数据，构建深度神经网络模型，并通过深度神经网络算法建立函数关系，对目标区域的地下水水位进行预测和更新，为基坑施工工作的开展提供信息，基于观测数据，融合多种损失函数，解决以往的神经网络模型在地下水位预测当中存在预测点空间位置单一，观测资料准确度较低、数据结果离散性较大，实时更新效果较差，不能及时充分反映水位变化的实际情况，进而导致施工中无法预测地下水水位，使施工效率低，无法得到精确数据的问题。

本发明授权基于深度神经网络的基坑降水区地下水位预测与更新方法在权利要求书中公布了：1.基于深度神经网络的基坑降水区地下水位预测与更新方法，用于基坑降水区域地下水水位2-D空间分布的预测与更新，其特征在于，该方法包括： S1：通过基坑降水采集离散分布在降水区域的各观测点地下水水位历史观测数据，通过构建深度神经网络更好地实时预测区域地下水水位，通过深度神经网络算法建立复杂函数关系，对该区域的地下水水位进行预测和实时更新； S2：充分利用历史观测数据，融合多种损失函数，针对不同参数的特征进行拟合，通过多层神经网络的权重拟合地下水水位同气候、温度、输出功率参数之间的函数关系； 在深度神经网络的训练策略上，针对施工期内不同的训练参数进行动态融合，将这种集成算法用于该区域地下水水位的实时预测中，能够对整个目标区域的多个任务同时预测，避免预测各个参数同地下水水位预测结果之间存在过高耦合； S3：根据观测点坐标和分布情况划定覆盖全部观测点的预测区域，该区域覆盖整个基坑并向基坑边界外延15～20m，基于各个观测点观测结果根据前一时刻tn-1的地下水水位2-D空间分布，按照时间步长△t＝tn-tn-1计算出当t＝tn时地下水水位2-D空间分布，基于各个观测点的真实观测结果和预测结果之间的残差，采用数值模拟方法来提高区域预测的精度，对该区域范围内的地下水水位预测结果在2-D空间模型条件下进行模拟，数值模拟过程，以预测下一个时间点前的该区域地下水水位分布连同实际地下水水位观测记录yn逐步预测现在时刻地下水水位分布的情况重复以上过程，即可预测更新未来时刻的区域地下水水位2-D空间分布； S4：利用数值同化技术将各观测点的预测结果用于预测现在时刻的区域内地下水水位实时修正更新未来时刻区域范围内地下水水位分布预测结果，具体被记作其中表示tn+1时刻的预测结果，通过反复迭代计算，算得k时刻之后的该区域地下水水位分布预测结果如下公式所示： 其中表示现在时刻的区域地下水水位2-D空间分布，ψ表示tn+1时刻地下水水位分布的计算过程，表示tn+k时刻地下水水位分布的预测结果，ψk表示经过了k次迭代计算，下一个时间点前的该区域地下水水位分布连同实际地下水水位观测记录yn逐步预测现在时刻地下水水位分布的情况 S5：将基于深度神经网络算法的各个观测点预测结果与数值同化方法相结合进行模拟，该区域预测结果通过平滑化方法进一步修正，避免预测结果当中出现突变，影响整体区域预测结果的情况；对该区域的地下水水位分布进行实时更新，从而对整个区域的预测结果进一步进行修正，得到稳定的基坑降水区域地下水水位2-D空间分布的最终预测结果； 步骤S1中，收集当年的最新监测数据，建立n个观测时间序列的训练样本空间，Yn＝{t1,x1,y1,z1,…,ti,xi,yi,zi,…,tn,xn,yn,zn}训练深度神经网络模型，其中t表示观测时间，x表示地下水水位历史观测记录，y表示观测点降水井的输出功率，z表示施工期内的气温与降雨或降雪信息，i表示第i个观测时间点； 引入卷积神经网络，利用当前时刻前n天各个观测点的地下水水位观测数据设计神经网络模型，并在实际的地下水水位预测案例中进行测试，构建模型函数ft,x,y,z，可对未来时刻离散分布在基坑降水区域个观测点的地下水水位进行实时预测； 卷积神经网络由多个隐藏层连接组成，其中隐藏层单元包含卷积层、激励层、切分层、融合层操作，通过构建卷积神经网络，利用历史观测数据资料对神经网络的权重进行拟合，经过训练获得神经网络模型，并对已有的地下水水位进行测试； 在步骤S2中：在深度神经网络的训练策略上，针对不同参数的特征，采用不同的损失函数进行拟合，同时进行动态的融合，需要考虑到预测区域的地下水水位兼顾气候、温度、输出功率相关参数，采用包含以下三个损失函数进行神经网络建模训练： L＝LID+LTriplet+βLC 其中LID表示identityloss，LTriplet表示Tripletloss，LC表示centerloss，β为权重，建议取值范围0.1～1； Identityloss是把ReID问题作为一个分类问题，每一个ID都是一个类，经过softmax分类后分到正确类的预测概率，取对数求和后再除以样本总数，表示为： 其中，y为真实ID标签，pi为预测概率，qi对应所属类别的得分，N为每个batch训练的样本数，ε参数建议取值范围0.1～1； Tripletloss是一种深度学习中的损失函数，用于训练差异性较小的样本，三组元包括Anchor、Positive、Negative，通过优化Anchor与Positive的距离小于Anchor与Negative的距离，实现样本的相似性计算，表示为： LTriplet＝[dp-dn+α]+ 其中dp和dn为正样本对和负样本对之间的距离，α为带有边界的triplet损失，[z]+为maxz,0； Centerloss为每一个类别提供一个类别中心，最小化min-batch中每个样本与对应类别中心的距离，表示为： 其中，yj对应第j个样本的标签，为第j个样本的特征，为标签yj特征的类别中心，B为batch样本数； 将这种集成算法用于各个不同观测点地下水水位的实时预测当中，从而避免各个参数同地下水水位预测结果之间存在过高耦合； 步骤S3中：预测范围必须覆盖全部基坑的观测点位置，并向基坑外延15～20m，然后对该区域进行网格划分，Un＝U1n,U2n,…,Uin,…,Umn，其中Un表示tn时刻地下水水位的2-D空间分布，i表示空间第i个单元，其单元总数为m，Uin表示tn时刻第i个单元的地下水水位预测结果；Un是按照单元以及时间分布进行排列，基于各个观测点观测结果，根据前一时刻tn-1的地下水水位分布，按照时间步长△t＝tn-tn-1计算出当t＝tn时地下水水位分布，基于各个离散分布在基坑降水区域内观测点的真实观测结果和预测结果之间的残差，采用数值模拟方法来提高区域预测的精度，重复计算预测下一个时间点前的地下水水位预测分布结果连同地下水水位实际观测记录yn逐步预测现在的地下水水位分布情况可预测未来的地下水水位2-D空间分布； 对该区域范围内各观测点的地下水水位观测结果在2-D空间模型条件下进行模拟，令为区域地下水水位分布Un的最优解，以预测下一个时间点前的该区域地下水水位分布连同实际地下水水位观测记录yn，逐步预测现在时刻地下水水位分布的情况以表示tn-1时刻地下水水位分布的计算过程： 由到在其数值同化过程表示为： 其中为地下水水位观测值增量，ω是在卡尔曼滤波器中的m×q阶权系数矩阵，ω表示下一个时间点预测的修正值，是预测下一个时间点前的背景误差协方差与观测误差之间的相关矩阵： ω＝BHTR+HBHT-1 其中B与R分别表示背景误差协方差矩阵与观测方差矩阵，q×m阶矩阵H表示观测测空间扰动； 在步骤S5中，将基于深度神经网络算法的各个观测点预测结果结合数值同化方法进行模拟得到S4中的预测区域地下水水位2-D空间分布，该预测区域预测结果通过的平滑化方法进一步修正，采用高斯核函数对该区域的地下水水位2-D空间分布预测结果进行平滑，其中高斯滤波器的宽度决定着平滑程度，高斯滤波器的频带就越宽平滑程度就更好。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人沈阳工业大学;中铁上海工程局集团市政环保工程有限公司，其通讯地址为：110870 辽宁省沈阳市铁西区经济技术开发区沈辽西路111号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。