本发明涉及地下结构，尤其涉及的是一种知识-数据驱动的地下结构荷载-位移曲线预测方法。
背景技术：
1、如何准确测量地下结构的覆土压力一直是地下结构施工中的难题，在发现“粮仓效应”的存在后，通过活板门实验证明了沙中土壤拱形效应的存在，土壤在活板门下降过程中发生的剪切破坏和应力再分配现象通常称为土壤拱形效应，基于此现有技术提出了荷载-位移曲线，其是将地下沉降变形与地下结构物上覆土压力联系起来的重要工具。目前，大多数现有技术主要通过活板门实验和数值模拟来测量荷载-位移曲线，以得到活板门下降过程中活板门压力的变化。
2、现有技术中，大多数关于荷载-位移曲线的研究都集中在荷载-位移曲线特殊点的大小上，如最小土壤拱比和最终土壤拱比，采用的方法包括基于活板门的实验和采用一系列离心机和1g模型实验等，基于活板门的实验，根据活板门上的拱形发展（从最初的弯曲结构到三角形，最后形成一个具有垂直边缘的棱镜滑动体），提出了不同拱形状态下活板门载荷的计算公式。采用一系列离心机和1g模型实验，比较了不同埋深条件下的最小土壤拱比和最小土壤拱比位移。
3、但实际上，荷载-位移曲线是一个连续的曲线，根据某些特定的点来预测荷载-位移曲线的变化是片面的，随着技术的发展和研究，现有技术通过研究岩土工程实验和工程项目中垂直荷载的总体发展指出，可以通过经验函数来预测荷载-位移曲线的变化。提出简化荷载-位移曲线，用三条直线来描述活板门上的应力与活板门位移的发展，基于二维主动活板门实验中的三种土壤拱形演化模型，计算了整个荷载-位移曲线演化过程中的应力分布比。这种方法对荷载-位移曲线的研究更倾向于将荷载-位移曲线分为不同阶段进行研究，这可能导致计算过程中存在较大的误差。因此，现有技术进一步基于荷载-位移曲线的四相特性，提出了一个包含四个参数的复合函数来描述荷载-位移曲线，但参数的计算涉及了经验值，这可能会导致参数获取过程中出现错误。这就需要一种更精确的计算方法来获得函数模型的四个参数。
技术实现思路
1、本发明的目的是提供一种知识-数据驱动的地下结构荷载-位移曲线预测方法，旨在解决现有技术建立荷载-位移曲线时，存在较大误差的问题。
2、本发明解决技术问题所采用的技术方案如下：
3、本发明提供一种知识-数据驱动的地下结构荷载-位移曲线预测方法，所述知识-数据驱动的地下结构荷载-位移曲线预测方法包括：
4、获取地下结构工程参数，将所述地下结构工程参数输入预测模型，获取所述预测模型的中间参数输出；
5、根据所述中间参数输出获取荷载-位移曲线的参数；
6、根据所述荷载-位移曲线的参数建立荷载-位移曲线。
7、进一步地，所述获取地下结构工程参数，将所述地下结构工程参数输入预测模型，具体包括：
8、获取土壤参数、土壤埋深和地下结构宽度；
9、以所述土壤参数、土壤埋深和地下结构宽度作为地下结构工程参数输入预测模型。
10、进一步地，所述土壤参数包括土壤重度和内摩擦角。
11、进一步地，所述将所述地下结构工程参数输入所述预测模型，获取所述预测模型的中间参数输出，具体包括：
12、建立神经网络模型；
13、基于优化算法优化所述神经网络模型的参数，得到所述预测模型；
14、将所述地下结构工程参数输入预测模型，获取预测模型的中间参数输出。
15、进一步地，所述优化算法具体是种群智能算法，所述基于优化算法优化所述神经网络模型的参数，得到所述预测模型，具体包括：
16、将所述种群智能算法的搜索空间维数设置为所述参数的数量，将搜索者数设置为设定搜索者数，使搜索者在搜索空间中随机分布；
17、迭代进行优化，每次迭代时，根据种群智能算法规则更新搜索者位置，根据每个搜索者的位置计算每个搜索者的优化参数，并将所述优化参数引入广义回归模型，计算每个搜索者的适应度值，根据各个搜索者的适应度值更新全局最优解和每个搜索者的个人最优解；
18、以迭代优化获取的所述全局最优解作为所述广义回归神经网络模型的参数。
19、进一步地，所述种群智能算法具体是麻雀搜索算法和粒子群优化算法中的一种。
20、进一步地，所述中间参数输出包括参数、最小土壤拱形比、最小土壤拱形比位移和最终土壤拱形比；
21、所述根据所述中间参数输出获取荷载-位移曲线的参数，具体包括：
22、根据最终土壤拱形比获取参数：
23、；
24、根据参数、参数、最小土壤拱形比和最小土壤拱形比位移获取参数：
25、；
26、根据参数、参数、参数、最小土壤拱形比和最小土壤拱形比位移获取参数：
27、。
28、进一步地，所述荷载-位移曲线的参数包括参数、参数、参数和参数；
29、所述根据所述荷载-位移曲线的参数建立荷载-位移曲线，具体是根据参数、参数、参数和参数建立荷载-位移曲线：
30、；
31、其中，为归一化压力，为地下结构的归一化位移。
32、本发明采用上述技术方案具有以下效果：
33、本发明通过利用神经网络对建立一个完整的荷载-位移曲线函数所需的四个参数进行预测，本发明通过实验验证了利用神经网络预测荷载-位移曲线所需的四个参数具有较好的效果，有善改进了现有技术获取荷载-位移曲线的误差问题。
1.一种知识-数据驱动的地下结构荷载-位移曲线预测方法，其特征在于，所述知识-数据驱动的地下结构荷载-位移曲线预测方法包括：
2.根据权利要求1所述的一种知识-数据驱动的地下结构荷载-位移曲线预测方法，其特征在于，所述获取地下结构工程参数，将所述地下结构工程参数输入预测模型，具体包括：
3.根据权利要求2所述的一种知识-数据驱动的地下结构荷载-位移曲线预测方法，其特征在于，所述土壤参数包括土壤重度和内摩擦角。
4.根据权利要求1所述的一种知识-数据驱动的地下结构荷载-位移曲线预测方法，其特征在于，所述将所述地下结构工程参数输入所述预测模型，获取所述预测模型的中间参数输出，具体包括：
5.根据权利要求4所述的一种知识-数据驱动的地下结构荷载-位移曲线预测方法，其特征在于，所述优化算法具体是种群智能算法，所述基于优化算法优化所述神经网络模型的参数，得到所述预测模型，具体包括：
6.根据权利要求5所述的一种知识-数据驱动的地下结构荷载-位移曲线预测方法，其特征在于，所述种群智能算法具体是麻雀搜索算法和粒子群优化算法中的一种。
7.根据权利要求1所述的一种知识-数据驱动的地下结构荷载-位移曲线预测方法，其特征在于，所述中间参数输出包括参数、最小土壤拱形比、最小土壤拱形比位移和最终土壤拱形比；
8.根据权利要求1所述的一种知识-数据驱动的地下结构荷载-位移曲线预测方法，其特征在于，所述荷载-位移曲线的参数包括参数、参数、参数和参数；
