本发明涉及一种桩板式无土路基施工过程桩基垂直度控制方法，适用于建筑工程领域。
背景技术：
1、桩板式无土路基施工工艺是近年来兴起的一种新趋势，结构体系由2大部分组成，分别是工厂化预制板梁以及管桩组成的框架结构，和传统路基相比，桩板式结构路基刚度相对较大，施工完成后沉降较小，没有传统路基施工过程中出现的放坡占用农田，大大提高了土地利用率，有效解决了皖北地区公路建设中面临的无土可用、取土困难等资源供应问题。此外，预制管桩以及预制板可以在施工现场完成组装，大大提高了施工效率。施工时不需要进行取土，不存在施工污染和环保问题，还可以节省20％的造价，施工质量高，速度快等优点。
2、在桩板式无土路基施工过程中，管桩的施工质量至关重要，所述管桩采用预制高强度管桩，一般施工方法有两种—锤击桩和静压桩，所述锤击桩一般采用锤击机械设备，将预应力管桩采用锤击的方法按照设计的位置逐段打入地下，直到达到设计要求的收锤标准方停止锤击作业完成施工，所述静压桩一般采用静压桩机将预应力管桩压入设计的桩位；无论采用上述那两种桩基施工方法，在施工过程中控制桩基的垂直度始终是至关重要的一环，传统的桩板式无土路基桩基垂直度测量只是在桩基刚入桩时进行垂直度的测量，缺乏对桩基垂直度全程变化的监测，且传统的桩板式无土路基桩基础垂直度测量方法缺乏对全程垂直度数据变化趋势分析，基于此，提出本发明专利—一种桩板式无土路基施工过程桩基垂直度控制方法。
技术实现思路
1、本发明的目的是提供一种桩板式无土路基施工过程桩基垂直度控制方法，适用于建筑工程领域，具有实时性、精确性和广泛适用性等优点。
2、本发明的目的可以通过采取如下技术方案达到：
3、s101，测量及数据处理系统的布置；
4、所述测量及数据处理系统的布置，包括布置测量及数据处理系统，所述测量及数据处理系统，包括2台全站仪和计算机，通过无线实现数据互联互通；
5、s102，开始桩作业；
6、所述开始桩作业，包括开始桩施工作业，所述桩为预应力管桩，所述桩布置有垂直度监测点位，所述点位为2个，所述点位位于不同高程，所述点位采用反光贴片制作而成；
7、s103，测量并获得数据；
8、所述测量并获得数据，包括采用2全站仪以一定时间间隔对所述桩进行测量，测量并计算获得所述桩的垂直度，最终形成垂直度测量结果时序数据集c1；
9、s104，数据的初步整理；
10、所述数据的初步整理，包括对所述时序数据集c1进行初步整理，获得初步整理后数据集c2，所述初步整理包括以下步骤：
11、1)对所述时序数据集c1进行缺失值查询，定位缺失值位置，
12、2)对所述时序数据集c1采用回归树模型进行缺失值的填补，
13、3)所述回归树模型将包含缺失值的特征作为目标变量，其他相关特征作为自变量，
14、4)将数据集分为两部分，有缺失值的样本集合为a和没有缺失值的样本集合为b，
15、5)构建回归树模型，所述回归树模型最大深度设置为5，最小样本分割数设置为8，最小叶子节点样本数设置为2，分割特征选择准则选择均方误差，
16、6)使用回归树模型对集合a中的样本进行预测，得到缺失值的填补结果，
17、7)将预测得到的填补值应用到原始数据集中，用于替换相应的缺失值，最终完成所述的初步整理工作，获得数据集c2；
18、s105，数据的分析；
19、所述数据的分析，包括对所述数据集c2的数据进行滚动分析获得预测值，所述滚动分析为在获得n次时间间隔的垂直度测量数据进行数据初步整理后获得数据集c2，对其采用模型分析获得下一次时间间隔的预测值yn+1，根据所述预测值yn+1对下一个时间间隔的安全性进行评估，然后随着时间的推移，获得下一个时间间隔即为n+1次时间间隔的垂直度测量数据进行初步整理后获得数据集c2，对其采用模型分析获得下一次时间间隔的预测值yn+2，如此进行滚动预测；
20、所述数据的分析，包括所述模型分析的步骤为：
21、1)使用所述数据集c2进行数据归一化处理，所述归一化处理采用的方法为基于中位数和四分位数的最大最小值归一化，
22、2)采用滑动窗口法将所述数据集c2从时序数据转换为数据处理样本，每个样本输入序列和对应的目标值，将所述样本按照7：3的比例随机分为训练集和测试集，
23、3)构建递归神经网络预测模型，所述递归神经网络采用米希激活函数，所述米希激活函数的表达式为式(1)所示，
24、f(x)＝x*tanh[ln(1+ex)] (1)
25、4)模型训练，包括使用所述训练集对构建好的递归神经网络模型进行模型训练，达到设定的收敛标准或者设定的迭代次数则完成模型训练，
26、5)模型测试与调整，包括使用所述测试集数据以均方误差为指标对所述模型进行测试和调整，最终获得符合要求的模型，应用于数据分析中；
27、s106，数据的判断以及对应控制措施的采用；
28、所述数据的判断以及对应控制措施的采用，包括针对桩身垂直度参考相关规范并结合项目自身状况制定桩身垂直度控制目标，并根据所述控制目标制定预警值，将所述数据分析获得的预测值与所述预警值进行对比，如果所述预测值超出了预警值则发出预警并采用对应控制措施，所述控制措施包括但不限于调整桩机、重新点位、纠正装置和拆除重建。
29、进一步的，上述s105中，所述基于中位数和四分位数的最大最小值归一化包含以下步骤：
30、1)计算所有数据的中位数和四分位数，
31、2)计算数据的最大值和最小值，
32、3)采用下式(2)对数据进行归一化，
33、
34、式中，x为归一化前值，x’为归一化后值，xmedian为中位数值，q1为上四分位数值，q2为下四分位数值，μ为调整系数取值为1.5或2。
35、进一步的，上述s105中，所述构建递归神经网络预测模型，还包括所述递归神经网络循环层的类型采用长短期记忆神经网络，学习率设置为0.001，迭代次数设置为1000，批量大小设置为32。
1.一种桩板式无土路基施工过程桩基垂直度控制方法，其特征在于，所述方法包含以下步骤：
2.根据权利要求1所述的一种桩板式无土路基施工过程桩基垂直度控制方法，其特征在于，所述5)，所述基于中位数和四分位数的最大最小值归一化包含以下步骤：
3.根据权利要求书1所述的一种桩板式无土路基施工过程桩基垂直度控制方法，其特征在于，所述5)中，所述构建递归神经网络预测模型，还包括所述递归神经网络
