联合机器学习和土力学模型的建筑沉降量提取方法、系统及装置

技术领域

本发明涉及建筑沉降监测领域，尤其涉及建筑载荷引发的地面沉降量提取领域，特别是针对建筑载荷应力场和地下水渗流场共同作用下的地面沉降问题。

背景技术

地面沉降是区域性地面高程下降的一种地质环境现象。其涉及经济、环境、资源和社会等多个方面，是目前亟待解决的城市问题之一。了解地面沉降的非线性过程，揭示沉降的形成机理，才能更好的实现科学调控。前人研究表明，开采地下流体和建筑载荷增加通常是城市地面沉降的重要成因。近年来，随着全球城市化进程的加快，建筑载荷对地面沉降的影响有进一步加强的趋势。在此背景下，剥离地下水开采的影响，获取建筑载荷作用下的地面沉降量值，对沉降的科学防控至关重要。

现有的建筑载荷与地面沉降关系研究可分为两类。第一类利用空间统计分析方法探讨了建筑特征与地面沉降的关系。这些特征包括建筑附加应力、高度、密度和年龄等。这类方法仅分析了建筑载荷与地面沉降的相关性，无法定量提取建筑载荷引发的沉降量值。第二类基于岩土本构关系，构建建筑载荷作用下的地面沉降模型，研究建筑载荷对地面沉降的空间影响范围及建筑载荷引起的固结沉降时间。这类模型的构建通常需要复杂的岩土参数和地质钻孔数据，实验成本昂贵，难以大范围推广。此外，模型结果仅在小区域内保持较高的精度，对大范围沉降区难以适用。机器学习模型不受研究区水文地质参数获取的限制，可对区域尺度的地面沉降过程进行模拟。在众多机器学习模型中，BP神经网络通过模拟生物系统，对现实世界的物体做出交互反应。其具有较好的非线性映射能力，适用于地面沉降的模拟。遗传算法基于遗传学说理论，可优化样本种群。将遗传算法与BP神经网络结合，以避免BP神经网络陷入局部极小值。

综上，以往的建筑载荷作用下的地面沉降模型，仅在较小的区域内具有一定的适用性。随着全球沉降区面积的扩张，传统的模型难以适用。在地下水开采和建筑载荷共同作用下的沉降区，如何剥离地下水的影响，获取区域尺度建筑载荷引发的沉降量值，对沉降的防控至关重要。

发明内容

针对现有技术的不足，本发明提出了适用于大区域的建筑沉降量提取模型。该模型可在机器学习框架下使用现有的水文地质数据和建筑载荷信息，模拟区域尺度的地面沉降过程，获取建筑载荷造成的地面沉降量值。

具体而言，本发明提供了以下的技术方案：

一方面，本发明提供了一种联合机器学习和土力学模型的建筑沉降量提取方法，所述方法为：

步骤1、获取预设时间范围内，同一预设地区多次重复过境的SAR影像，进行干涉处理并提取高相干性目标点，对所述高相干性目标点的相位分量信息进行建模，分离各相位信息，以获取地面沉降信息；

步骤2、获取预设地区内建筑载荷空间位置信息、建筑年龄数据；

步骤3、获取建筑附加应力；

步骤4、获取预设地区各年地下水位下降值、压缩层厚度数据；

步骤5、分别构建地面沉降模型一、地面沉降模型二，提取区域尺度建筑载荷引发的地面沉降量值；所述地面沉降模型一以压缩层厚度数据、各年地下水位下降值、建筑年龄数据、建筑附加应力为输入，各年沉降量值为输出；所述地面沉降模型二以压缩层厚度数据、各年地下水位下降值为输入，各年沉降量值为输出；

步骤6、构建固结沉降模型，对基于机器学习算法获取的结果进行评估，以确定机器学习模型获取区域尺度建筑载荷引发沉降量值的准确性。

优选的，所述步骤3进一步包括：对所述高相干性目标点进行抽稀处理；将预设地区内建筑概化为矩形均布载荷；估算各高相干性目标点的附加应力。

优选的，所述步骤6中，所述评估的方式为：

选择受建筑载荷影响较小的区域A为背景场，构建固结沉降模型A，该模型的目的是验证固结沉降模型在无建筑载荷分布时模型的精度是否可靠；在验证可靠性时，优选的，可以采用如下方式：如果模拟结果与SAR影像数据的监测值累计误差在5mm以内，表明模型可以用于解算建筑载荷引发的沉降量值；

选择有建筑载荷分布的目标区域B，构建建筑载荷、土体自重应力和地下水开采共同作用下的固结沉降模型B，获取沉降模拟值M；使用同样的SAR影像数据的监测值与模型模拟值对比，评估模型的精度；

利用固结沉降模型模拟区域B在无建筑载荷分布时的地面沉降值N；

M与N的差值即为建筑载荷引发的沉降量值；利用所述沉降量值验证步骤5中联立地面沉降模型一、地面沉降模型二得到的区域尺度建筑载荷引发的沉降量值。

此处需要进一步说明的是：步骤5中基于机器学习构建的地面沉降模型一和地面沉降模型二，通过联立这两个模型才能剥离地下水的影响，获取区域尺度建筑引发的地面沉降量值。

步骤6中的固结沉降模型，同样构建了两个模型。区域A的模型是为了检验固结沉降模型在无建筑载荷分布时模型的精度是否可靠。在证明了模型较为可靠后，又在区域B获取了建筑载荷引发的沉降量值，该沉降量值是单体尺度的。最后用固结沉降模型单体尺度获取的值，验证机器学习模型区域尺度获取的值。

优选的，所述固结沉降模型的构建方式为：

建立固结微分方程为：

求解所述固结微分方程，获得沉降量值；

其中，

上述各式中，z为土体深度，C

优选的，求解所述固结微分方程的时间条件和边界条件为：

当t＝0，0

其中，H为土体厚度。

优选的，所述步骤5中，剥离地下水引起的沉降值，通过以下方式实现：针对特定建筑年龄的高相干性点，计算地面沉降模型一、地面沉降模型二的均方根误差得到。

另一方面，本发明还提供了一种联合机器学习和土力学模型的建筑沉降量提取系统，所述系统包括：

基础信息获取模块，用于获取预设区域内的地面沉降信息、建筑载荷空间位置信息、建筑年龄数据、建筑附加应力、各年地下水位下降值、压缩层厚度数据；所述地面沉降信息的获取方式为：基于预设地区多次重复过境的SAR影像，进行干涉处理并提取高相干性目标点，对所述高相干性目标点的相位分量信息进行建模，分离各相位信息，以获取地面沉降信息；

地面沉降模型模块，用于构建地面沉降模型一、地面沉降模型二，联立地面沉降模型一、地面沉降模型二，获取区域尺度建筑载荷引发的地面沉降量值；所述地面沉降模型一以压缩层厚度数据、各年地下水位下降值、建筑年龄数据、建筑附加应力为输入，各年沉降量值为输出；所述地面沉降模型二以压缩层厚度数据、各年地下水位下降值为输入，各年沉降量值为输出；

评估模块，构建固结沉降模型，对联立地面沉降模型一、地面沉降模型二获取的结果进行评估，以确定获取的区域尺度建筑载荷引发的沉降量值的准确性。

优选的，所述基础信息获取模块中，获取所述建筑附加应力的方式为：

对所述高相干性目标点进行抽稀处理；将预设地区内建筑概化为矩形均布载荷；估算各高相干性目标点的附加应力。

优选的，所述评估模块的评估方式为：

选择受建筑载荷影响较小的区域A为背景场，构建固结沉降模型A，以验证固结沉降模型在无建筑载荷分布时模型的精度；

优选的，该精度的验证具体可采用以下方式：如果模拟结果与SAR影像数据的监测值累计误差在5mm以内，表明模型可以用于解算建筑载荷引发的沉降量值；

当固结沉降模型A的精度满足要求时，选择有建筑载荷分布的目标区域B，构建建筑载荷、土体自重应力和地下水开采共同作用下的固结沉降模型B，获取沉降模拟值M；使用同样的SAR影像数据的监测值与模型模拟值对比，评估模型的精度；

利用固结沉降模型模拟区域B在无建筑载荷分布时的地面沉降值N；

M与N的差值即为建筑载荷引发的沉降量值；利用所述沉降量值验证联立的地面沉降模型一、地面沉降模型二得到的区域尺度建筑载荷引发的沉降量值。

优选的，所述固结沉降模型的构建方式为：

建立固结微分方程为：

求解所述固结微分方程，获得沉降量值；

其中，

上述各式中，z为土体深度，C

优选的，求解所述固结微分方程的时间条件和边界条件为：

当t＝0，0

其中，H为土体厚度。

此外，本发明还提供了一种联合机器学习和土力学模型的建筑沉降量提取装置，所述装置包括：

处理器；以及，

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时执行上述的联合机器学习和土力学模型的建筑沉降量提取方法。

与现有技术相比，本发明的方案至少具有以下的有益效果：

1)本发明联合机器学习和土力学模型，能够剥离地下水开采的影响，获取区域尺度建筑载荷引发的沉降量值，这为地面沉降的防治提供了依据。

2)在模型输入数据方面，本方案可充分利用现有的水文地质数据及建筑数据，极大程度的减少构建模型所需成本，具有很强的可推广性。

3)本方案在考虑水文地质背景的同时，创造性的引入了建筑附加应力和建筑年龄影响因子，从土力学层面模拟了地面沉降的形成过程。在地下水位数据充足的研究区，该方案还可用于地面沉降的预测。

附图说明

图1为PS-InSAR流程图；

图2为矩形均布载荷作用下不同位置的附加应力，(a)角点处应力；(b)建筑下方任意点应力；(c)建筑矩形框外任意点应力；

图3为本发明实施例的BP神经网络模型；

图4为本发明实施例的区域A固结沉降模型；

图5为本发明实施例的区域B固结沉降模型；

图6为本发明实施例的沉降量提取方法流程图。

具体实施方式

下面将结合本发明实施例中的图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

首先，对本发明中涉及到的缩率语的含义说明如下：

GA-BP：遗传算法-误差反向传播，Genetic Algorithm-Error Back Propagation；

PS-InSAR：永久散射体合成孔径雷达干涉测量，Persistent ScattererInterferometric Synthetic Aperture Radar；

SAR：合成孔径雷达，Synthetic Aperture Radar；

SLC：单视复数影像，Single Look Complex；

SRTM：航天飞机雷达地形测绘使命，Shuttle Radar Topography Mission；

DEM：数字高程模型，Digital Elevation Model；

LOS：视线，Line of Sight；

PS：永久散射体，Persistent Scatterer；

RMSE：均方根误差，Root Mean Square Error。

针对现有技术中的不足，本发明主要通过以下方式进行改进：

1)通过附加应力表征建筑载荷信息。以往基于机器学习的地面沉降模型，通常使用建筑高度和密度等特征值定性的表征建筑载荷。本发明基于土力学的方法，计算区域尺度建筑附加应力，因此更能从机理层面模拟沉降过程。

2)模型的构建引入建筑年龄影响因子。以往的机器学习模型，通常没有考虑建筑年龄的影响。根据太沙基有效应力原理：总应力＝有效应力+孔隙水压力。建筑附加应力会增加有效应力，从而造成土体固结，这一过程可能持续数十年。但是，在土体固结过程中，随着建筑年龄的增加，沉降速率是逐渐减缓的。因此模型的构建需要考虑建筑年龄的影响。

3)缩减构建模型所需成本。以往水土模型的构建，需要复杂的岩土参数和地质钻孔数据，实验成本昂贵。机器学习模型不受研究区水文地质参数获取的限制，可在机器学习框架下使用现有的水文地质数据和建筑载荷信息，获取建筑载荷引起的沉降量值。

4)模型的空间适用性广。由于地层结构复杂，以往的水土模型仅在小区域适用。神经网络模型通过对样本点的自适应学习，具有很好的非线性映射能力，能够对区域尺度的地面沉降过程进行模拟。因此空间适用性更广。

基于上述的四个改进方向，在一个具体的实施例中，本发明的方案可以优选如下的方法来实现：

本发明的方案，能够获取区域尺度建筑载荷引起的沉降量值。其中，机器学习算法需要的输入数据有：各年的地面沉降值、各年的建筑附加应力、建筑在每年相对应的年龄、各年的地下水位下降值和压缩层厚度。主要技术路线为：先对原始数据进行预处理，获取机器学习模型所需数据。再构建GA-BP神经网络模型，获取建筑载荷引起的地面沉降量值。最后，通过传统的土力学模型对估计结果进行验证。

总体而言，本方法主要包括以下几个关键步骤：第一步，利用PS-InSAR处理多源SAR影像，获取了各年的地面沉降信息。第二步，基于ArcGIS和Google Earth影像，统计建筑空间位置信息和建筑年龄信息。第三步，利用布辛奈斯克解估算建筑附加应力。第四步，计算每年的地下水位下降值，搜集研究区压缩层厚度信息。第五步，利用上述预处理数据，分两种情形构建了GA-BP神经网络模型：即考虑建筑因子(附加应力、建筑年龄)和不考虑建筑因子。通过这两个GA-BP神经网络模型估计建筑载荷造成的地面沉降量值。第六步，利用岩土数据和地质钻孔数据构建固结模型，对机器学习的结果进行验证。具体而言，在一个更为详细的实施例中，结合图6所示，本方法包括：

S1：基于PS-InSAR的地面沉降信息获取。

PS-InSAR处理流程如图1所示。在某一时间范围内，对同一地区多次重复过境的SAR影像进行干涉处理。提取高相干性目标，即永久散射体，对其相位分量信息进行建模，分离各相位信息从而获取每年的地表形变信息。首先从原始的Single Look Complex(SLC)影像中选取主影像，并与其他副影像配准。然后对主、副影像进行干涉处理。借助卫星轨道数据去除参考椭球面相位，选取美国SRTM(Shuttle Radar Topography Mission)获取的DEM数据去除地形相位后，生成时序差分干涉相位

其中

d

S2：建筑年龄信息获取。

根据Google Earth历史影像，利用ArcGIS统计建筑载荷空间位置信息及年龄属性信息。若研究区尺度较大，该步骤可以利用Landsat及Sentinel-2光学影像提取建筑载荷空间分布及年龄信息。

S3：建筑附加应力信息提取

附加应力主要为建筑载荷额外造成的应力。根据太沙基有效应力原理，附加应力会使得有效应力增加，从而造成土体压缩并引发地面沉降。首先，为了减少数据冗余，提升模型收敛速度，对InSAR获取的PS点抽稀处理，抽稀方法选用ArcGIS中的Subset Feature。然后，将建筑概化为矩形均布载荷，估算各PS点埋深1m处的附加应力。由此得到每年不同PS点位置处的建筑附加应力值。假设地基为半无限空间弹性体。如图2a，以点b为原点，载荷强度为P，则b点正下方M(x,y,z)点竖直法向正应力的积分dσ

附加应力σ

然后利用角点法计算任意沉降点M’处附加应力。当M’位于建筑载荷正下方时，如图2b，附加应力如公式5所示。式中σ

σ

当M’位于建筑载荷矩形范围外时，如图2c，附加应力为：

σ

S4：地下水位数据和压缩层厚度预处理。

可获取的地下水位数据通常是点要素或者是等值线形式的线要素。利用ArcGIS的克里金法将水位等值线插值成面。由于地质结构的差异性，地下水位的埋深与地面沉降可能并不直接相关联，因此需要计算每年地下水位下降值。这里利用ArcGIS的栅格计算器功能计算了各年地下水位下降值，此外，还需搜集研究区压缩层厚度数据，其中涉及黏土、粉质黏土等高度可压缩土层的总厚度。

S5：神经网络模型构建。

神经网络包括输入层，输出层及隐层共三层。在一个优选的实施方式中，分两种情形构建模型。模型一输入层为压缩层厚度、各年地下水位下降值、建筑年龄、各年PS点位置处的建筑附加应力；输出层为各年沉降量值。模型二输入层包括压缩层厚度和各年地下水位下降值，其余参数与模型一相同。神经网络的参数设置如表1所示。在GA部分，种群规模为50，进化代数为100。利用轮盘赌的方法选择适应度高的个体，交叉概率和变异概率分别设置为0.6和0.5。我们通过GA获取了多个全局性的解，再利用BP神经网络进行迭代运算，求取最优全局性解。经多次试验，确定隐含层设置七个神经元时，训练集和验证集的误差最小。输出层设置一个神经元，即不同年份对应的地面沉降量。选择Sigmoid函数作为激活函数，学习率和误差设置为0.01，Epochs设置为1500。

表1.GA-BP神经网络模型参数

以75％的数据为样本数据，25％数据为验证数据。通过R

S6：构建土力学验证模型。

沉降区同时受地下水开采和建筑载荷共同作用的影响。如何剥离地下水开采的影响，进而获取建筑载荷所引起的地面沉降量，是土力学模型主要解决的问题。

上述通过机器学习构建的地面沉降模型一、地面沉降模型二，获取的是区域尺度建筑载荷引发的沉降量，而土力学验证模型是获取某个点的建筑载荷引发的沉降量。土力学模型精度高，但构建模型所需要的数据获取难度极大。本发明则使用土力学模型对机器学习模型结果进行验证，如果机器学习模型精度较低，则通过引入新的数据和/或调整机器学习的结构或主要参数等方式，重新训练模型。

由于研究区同时受地下水开采和建筑载荷作用，无法直接获取建筑载荷引起的地面沉降量值，在一个具体的实施方式中，本发明设计了两组固结沉降实验模型，以剥离地下水开采的影响，获取单体建筑载荷引发的地面沉降量值。具体的实现方式如下：

在土体某一深度z处，V

上式中，e

上式中，q表示流量。根据公式(8)和公式(9)，可推导饱和土体固结方程：

由于压缩系数a与空隙比和竖向应力P的关系为：

此时，公式(10)中的

当水头为h，土体的渗透系数为k，水力坡降为i，横断面积为A时，达西定律可表示为：

联合公式(12)和(14)，代入公式(10)，可得固结微分方程：

式中，C

按照不同的时间条件和边界条件，利用傅里叶级数可对微分方程进行求解。共包含如下四种条件：假设土体厚度为H，当t＝0，0

模拟土体固结沉降过程的模型，需要岩土数据，地质钻孔数据和水位观测井数据等输入值。

在一个优选的实施方式中，岩土数据参数可以包括：土体密度、孔隙比、塑性指数、液性指数、压缩模量、压缩指数、泊松比。地质钻孔数据主要目的是获取地层结构信息。水位井观测数据是为了获取地下水位时序变化量。土力学验证模型构建过程如下：

1)选择受建筑载荷影响较小的区域A为背景场，构建沉降验证模型如图4所示。该模型的主要目的是检验仅在地下水开采和土体自重应力条件下，沉降模拟值是否可靠。用InSAR监测值与模型模拟值对比，评估模型的精度。

2)选择有建筑载荷分布的目标区域B，构建建筑载荷、土体自重应力和地下水开采共同作用下的固结沉降模型，获取沉降模拟值M。该模型的主要目的是模拟现实环境中，由各影响因子造成的地面沉降。同样使用InSAR结果对模拟结果进行验证，评估模型的精度。

3)利用固结模型模拟区域B在无建筑载荷分布时的地面沉降值N。由于区域A的实验已经证明了无建筑载荷分布情形下模型的可靠性，因此有理由认为沉降值N是可靠的。M与N的差值即为建筑载荷引发的沉降量值。通过固结沉降模型结果对GA-BP神经网络模型结果进行验证。

此处需要进一步说明的是：S5中基于机器学习构建的地面沉降模型一和地面沉降模型二，通过联立这两个模型才能剥离地下水的影响，获取区域尺度建筑引发的地面沉降量值。

S6中的固结沉降模型，同样构建了两个模型。区域A的模型是为了检验固结沉降模型在无建筑载荷分布时模型的精度是否可靠。在证明了模型较为可靠后，又在区域B获取了建筑载荷引发的沉降量值，该沉降量值是单体尺度的。最后用固结沉降模型单体尺度获取的值，验证机器学习模型区域尺度获取的值。

在又一个实施例中，本发明的技术方案还可以通过以下方式来实现：

一种联合机器学习和土力学模型的建筑沉降量提取系统，所述系统包括：

基础信息获取模块，用于获取预设区域内的地面沉降信息、建筑载荷空间位置信息、建筑年龄数据、建筑附加应力、各年地下水位下降值、压缩层厚度数据；所述地面沉降信息的获取方式为：基于预设地区多次重复过境的SAR影像，进行干涉处理并提取高相干性目标点，对所述高相干性目标点的相位分量信息进行建模，分离各相位信息，以获取地面沉降信息；

地面沉降模型模块，基于GA-BP神经网络算法，构建地面沉降模型一、地面沉降模型二，解算区域尺度建筑载荷引发的地面沉降量值；所述地面沉降模型一以压缩层厚度数据、各年地下水位下降值、建筑年龄数据、建筑附加应力为输入，各年沉降量值为输出；所述地面沉降模型二以压缩层厚度数据、各年地下水位下降值为输入，各年沉降量值为输出；

评估模块，构建固结沉降模型，对基于机器学习算法获取的结果进行评估，以确定机器学习模型获取区域尺度建筑载荷引发沉降量值的准确性。

优选的，所述基础信息获取模块中，获取所述建筑附加应力的方式为：

对所述高相干性目标点进行抽稀处理；将预设地区内建筑概化为矩形均布载荷；估算各高相干性目标点的附加应力。

优选的，所述评估模块的评估方式为：

选择受建筑载荷影响较小的区域A为背景场，构建固结沉降模型，该模型的目的是验证固结沉降模型在无建筑载荷分布时模型的精度是否可靠；在一个优选的实施方式中，如果模拟结果与SAR影像数据的监测值累计误差在5mm以内，表明模型可以用于解算建筑载荷引发的沉降量值；

选择有建筑载荷分布的目标区域B，构建建筑载荷、土体自重应力和地下水开采共同作用下的固结沉降模型，获取沉降模拟值M；使用同样的SAR影像数据的监测值与模型模拟值对比，评估模型的精度；

利用固结沉降模型模拟区域B在无建筑载荷分布时的地面沉降值N；

M与N的差值即为建筑载荷引发的沉降量值；利用所述沉降量值验证步骤5中联立地面沉降模型一、地面沉降模型二得到的区域尺度建筑载荷引发的沉降量值。

优选的，所述固结沉降模型的构建方式为：

建立固结微分方程为：

求解所述固结微分方程，获得沉降量值；

其中，

上述各式中，z为土体深度，C

优选的，求解所述固结微分方程的时间条件和边界条件为：

当t＝0，0

其中，H为土体厚度。

此外，在又一个实施例中，本发明还可以通过一种联合机器学习和土力学模型的建筑沉降量提取装置来实现，在一般的实施方式中，该装置包括：

处理器；以及，

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时执行上述的联合机器学习和土力学模型的建筑沉降量提取方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。