[0118] 对于远距离(dij≥L2)，赋予较高的权重w3>1。

[0119] 接着，使用表格参数寻优法来确定每个距离类别的权重。具体步骤如下：

[0120] 根据实验或先验知识，创建一个包含不同权重组合的参数表。例如，可以设置一个表格，列出不同距离类别对应的权重值。

[0121] 对于每一组权重组合，评估其在降维后的数据集上的性能指标(如分类准确性、聚类质量等)。可以使用交叉验证等方法来评估性能。

[0122] 根据性能评估结果，选择最佳的一组权重值作为最终的权重参数。

[0123] 举例来说，假设已经完成了K‑均值聚类，并得到了聚类结果。现在需要根据聚类结果对欧式距离赋予权重。具体包括：

[0124] 确定距离类别，定义三个距离级别；其中，近距离：dij<5，中等距离：5≤dij<10，远距离：dij≥10；

[0125] 设定不同距离级别的权重；其中，近距离：w1＝0.5，中等距离：w2＝1.0，远距离：w3＝1.5；

[0126] 创建一个参数表，列出不同的权重组合；

[0127] 近距离权重w1：[0.5，0.6,0.7]；

[0128] 中等距离权重w2：[1.0]；

[0129] 远距离权重w3：[1.2，1.3，1.5]；

[0130] 对于每一组权重组合，评估其在降维后的数据集上的性能指标。例如，可使用以下几种性能指标进行评估：

[0131] 分类准确性：如果数据集有标签，可以计算分类准确率。

[0132] 聚类质量：可以使用Silhouette系数等聚类质量指标来评估聚类的效果。

[0133] 假设选择了以下一组权重进行评估：

[0134] 近距离权重w1＝0.5；中等距离权重w2＝1.0；远距离权重w3＝1.5；

[0135] 对降维后的数据集进行评估，发现这组权重使得聚类效果最佳，Silhouette系数最高。

[0136] 根据评估结果，选择性能最佳的一组权重值作为最终的权重参数。在这个例子中，选择了w1＝0.5，w2＝1.0，w3＝1.5作为最优的权重组合。

[0137] 一旦确定了最优的权重组合，就可以计算加权距离。例如，对于两个数据点xi和xj，通过与权重相乘来计算它们之间的加权距离。

[0138] S3213、利用加权距离，计算高维空间中每个特征点与其他特征点之间的联合概率，并根据联合概率构建高维空间中的联合概率分布矩阵。

[0139] 需要说明的是，通过将计算出的联合概率值组织成一个N×N的矩阵，其中N是特征点的总数。矩阵的每个元素pij表示特征点xi和特征点xj之间的联合概率。这个矩阵就是高维空间中的联合概率分布矩阵。

[0140] 作为优选的实施方式，利用加权距离，计算高维空间中每个特征点与其他特征点之间的联合概率的计算公式为：

[0141]

[0142] 式中，pij表示特征点xi和特征点xj之间的联合概率，pj|i表示特征点xj作为特征点xi邻居的概率，pi|j表示特征点xi作为特征点xj邻居的概率，N表示特征点的总数， 表示特征点xi和特征点xj之间的加权距离，σi表示以特征点xi为中心的高斯方差， 表示特征点xi和特征点xn之间的加权距离，pi|j表示特征点xi作为特征点xj邻居的概率， 表示特征点xj和特征点xi之间的加权距离， 表示特征点xj和特征点xn之间的加权距离，σj表示以特征点xj为中心的高斯方差。

[0143] S322、随机初始化低维数据集，并计算低维空间中的联合概率分布矩阵；

[0144] 需要说明的是，首先设定低维数据集的维度和数据集大小，通过用随机数生成器(如均匀分布或正态分布)在每个维度上生成若干个数据点。

[0145] 对于低维空间中的联合概率分布矩阵，可以基于上文高维空间中的联合概率分布矩阵的计算原理。

[0146] S323、计算高维空间中的联合概率分布与低维空间中的联合概率分布的KL散度，以KL散度最小化为目标函数，利用梯度下降法迭代求解出低维数据集。

[0147] 应当理解的是，KL散度，全称为Kullback‑Leibler Divergence，是衡量两个概率分布差异的一种重要指标。它起源于信息论，由Solomon Kullback和Richard Leibler在1951年共同提出。KL散度主要用于描述两个概率分布P和Q之间的差异或距离，尽管它并不是一个严格的距离度量(因为它不满足距离度量的所有性质，比如对称性和三角不等式)。

[0148] 需要说明的是，使用KL散度的公式计算高维空间中的联合概率分布与低维空间中的联合概率分布之间的差异。KL散度的公式为：

[0149]

[0150] 式中，testKL(p，q)表示高维空间中的联合概率分布与低维空间中的联合概率分布之间的KL散度，pij表示高维空间中特征点之间的联合概率，qij表示低维空间中数据点之间的联合概率，i，j均表示索引。

[0151] 此外，以KL散度最小化为目标函数，利用梯度下降法迭代求解出低维数据集包括以下步骤：

[0152] 对KL散度关于低维数据集中每个数据点的坐标求偏导，得到梯度的向量，这个梯度向量指示了如何改变低维数据点的位置以减小KL散度；

[0153] 使用梯度下降法(或类似的优化算法)根据计算出的梯度向量更新低维数据集中每个数据点的坐标，重复这个过程，直到达到预定的停止条件(如迭代次数限制、KL散度变化量小于阈值等)；

[0154] 输出优化后的低维数据集，这个低维数据集应该尽可能地保留了高维数据集中的结构信息，同时减小了KL散度。

[0155] S33、根据得到的低维数据集，构建并训练参数控制策略模型；

[0156] 作为优选的实施方式，根据得到的低维数据集，构建并训练参数控制策略模型包括以下步骤：

[0157] S331、将得到的低维数据集划分为训练集和测试集；

[0158] 需要说明的是，将得到的低维数据集划分为训练集和测试集。这是为了评估模型在未知数据上的表现，并防止过拟合，通常，比例可以根据具体需求调整，常见的是70％用于训练，30％用于测试。

[0159] S332、将压力传感器的监测压力数值作为输入，螺旋钻杆的提升速度和灌注流态水泥加固土的流量作为输出，利用训练集对深度卷积神经网络进行训练，得到初级参数控制策略模型；

[0160] 具体而言，将利用深度卷积神经网络(CNN)来训练参数控制策略模型。在这个步骤中，压力传感器5的监测压力数值作为输入特征，而螺旋钻杆3的提升速度和灌注流态水泥加固土的流量作为输出目标。

[0161] 使用深度学习框架(如TensorFlow或PyTorch)构建深度卷积神经网络。网络的具体架构(如层数、卷积核大小、激活函数等)需要根据具体问题和数据特性来设计。

[0162] 使用训练集数据对模型进行训练。在训练过程中，需要选择合适的损失函数(如均方误差)和优化算法(如Adam)，并设置适当的学习率和训练轮数。

[0163] S333、利用测试集对参数控制策略模型行评估，基于评估结果，利用分期设权理想点法对初级参数控制策略模型进行优化和调整，得到最终的参数控制策略模型。

[0164] 利用测试集对参数控制策略模型行评估，基于评估结果，利用分期设权理想点法对初级参数控制策略模型进行优化和调整，得到最终的参数控制策略模型包括以下步骤：

[0165] S3331、基于成桩机具的施工需求，建立多目标函数，多目标函数包括提升速度的平滑度、流量控制的精确度及施工成本的最小化；

[0166] 需要说明的是，在基于成桩机具的施工需求来建立多目标函数时，主要关注三个核心目标：提升速度的平滑度、流量控制的精确度以及施工成本的最小化。以下是对这三个目标函数的详细构建说明：

[0167] 提升速度的平滑度对于成桩机具的施工至关重要，因为它直接影响到施工质量和效率。为了量化这一指标，可以采用速度变化率的平方和作为目标函数。

[0168] 流量控制的精确度是成桩机具施工中的另一个关键指标。为了量化流量控制的精确度，可以采用实际流量与设定流量之间的偏差的平方和作为目标函数。

[0169] 施工成本是任何工程项目都需要考虑的重要因素。在成桩机具施工中，成本主要包括设备折旧费、能耗费、人工费等。为了简化问题，可以假设成本与目标函数的权重成正比，即：

[0170] f3＝α·设备折旧费+β·能耗费+γ·人工费；

[0171] 其中，α、β和γ分别是设备折旧费、能耗费和人工费的权重系数，这些系数可以根据实际情况进行调整，以反映不同成本因素的重要性。

[0172] S3332、利用测试集对初级参数控制策略模型的性能进行评估，并计算各目标函数的值；

[0173] 具体而言，将初级参数控制策略模型应用于测试集中的每个场景。在运行模型的过程中，需要收集以下数据：

[0174] 提升速度：记录模型在每个时间点给出的提升速度值。

[0175] 实际流量：记录模型控制下的实际流量值。

[0176] 施工成本：根据模型的运行情况和预设的成本计算公式，计算每个场景的施工成本。

[0177] 收集到数据后，可以计算各目标函数的值：

[0178] S3333、根据成桩机具施工的不同阶段，将初级参数控制策略模型的优化过程划分为若干个分期；并为每个分期的各目标函数设定权重值；

[0179] 具体而言，根据成桩机具施工的不同阶段，可以将初级参数控制策略模型的优化过程划分为若干个分期。每个分期可能对应着施工过程中的不同环节或关键节点，例如开始阶段、中间稳定阶段和结束阶段。

[0180] 接下来，需要为每个分期的各目标函数设定权重值，这些权重值应该反映出在不同施工阶段，各目标函数的重要性和优先级。例如，在施工开始阶段，提升速度的平滑度可能更为重要，因为需要确保机具能够平稳启动并避免过大的冲击；而在中间稳定阶段，流量控制的精确度可能成为主要关注点，以确保施工质量和效率；在施工结束阶段，施工成本的最小化可能更为重要，因为需要考虑整体的经济效益。

[0181] 具体来说，设定权重值的过程可以是基于经验的，也可以是通过数据分析或专家咨询来确定的。以下是一个简单的示例，说明如何为每个分期的各目标函数设定权重值：

[0182] (1)开始阶段

[0183] 提升速度的平滑度：0.6(因为平稳启动对机具和施工都至关重要)；

[0184] 流量控制的精确度：0.3(在开始阶段，流量控制虽然重要，但可能不是首要关注点)；

[0185] 施工成本的最小化：0.1(在开始阶段，成本可能不是主要考虑因素)；

[0186] (2)中间稳定阶段

[0187] 提升速度的平滑度：0.3(在中间阶段，速度平滑仍然重要，但可能不是最主要的)；

[0188] 流量控制的精确度：0.6(在中间稳定阶段，确保流量精确控制对施工质量至关重要)；

[0189] 施工成本的最小化：0.1(虽然成本重要，但在确保质量和效率的前提下考虑)；

[0190] (3)结束阶段

[0191] 提升速度的平滑度：0.2(在结束阶段，速度平滑仍然需要关注，以避免机具受损)；

[0192] 流量控制的精确度：0.3(结束阶段流量控制依然重要，但可能逐渐放松要求)；

[0193] 施工成本的最小化：0.5(在结束阶段，成本考虑逐渐占据重要地位，以确保整体经济效益)。

[0194] S3334、利用分期设权理想点法，将多目标优化问题转化为单目标优化问题，并通过粒子群优化算法对单目标优化问题进行求解，得到每个分期的最优模型参数；

[0195] 作为优选的实施方式，利用分期设权理想点法，将多目标优化问题转化为单目标优化问题，并通过粒子群优化算法对单目标优化问题进行求解，得到每个分期的最优模型参数包括以下步骤：

[0196] S33341、对于每个分期的各目标函数，根据历史数据确定理想值；

[0197] 需要说明的是，对于每个分期的各目标函数，需要根据历史数据或专家经验确定一个理想值。这个理想值代表了在该分期下，希望达到的最优目标函数值。例如，对于提升速度的平滑度，理想值可能是零(表示速度完全平滑)；对于流量控制的精确度，理想值可能是设定流量值(表示实际流量与设定流量完全一致)；对于施工成本，理想值可能是历史最低成本或预算限额。

[0198] S33342、根据每个分期的权重值和各目标函数与理想值之间的偏差，构建单目标优化函数；

[0199] 单目标优化函数的表达式为：

[0200]

[0201] 式中，L(θ)表示单目标优化函数，H表示目标函数的数量，ωt表示第t个目标函数*的权重值，Ft(θ)表示第t个目标函数的值，Ft表示第t个目标函数的理想值。

[0202] S33343、为每个目标优化函数随机生成初始解，初始解表示模型参数；

[0203] 需要说明的是，在构建多目标优化问题时，已经将问题通过分期设权理想点法转化为了单目标优化问题。接下来，为了求解这个单目标优化问题，需要为每个目标优化函数(实际上在这个转化后的框架下，已经融合为了一个单目标优化函数)随机生成初始解。这些初始解代表着模型参数的起始点，优化算法将从这个起始点开始搜索最优解。

[0204] S33344、利用粒子群优化算法对单目标优化问题进行迭代求解，当达到预设的迭代次数时，停止迭代，并输出每个分期的最优模型参数。

[0205] 应当理解的是，粒子群优化算法(Particle Swarm Optimization，PSO)是一种基于群体智能的优化算法，它模拟了鸟类、鱼类等群体中的个体相互协作寻找食物的行为。在将PSO应用于单目标优化问题时，将每个可能的解视为一个″粒子″，并通过迭代过程来更新这些粒子的位置和速度，以寻找最优解。

[0206] S3335、将每个分期的最优模型参数进行整合，得到最终的参数控制策略模型。

[0207] 需要说明的是，将每个分期的最优模型参数进行整合，得到最终的参数控制策略模型包括以下步骤：

[0208] 将每个分期的最优参数整理成表格或数组，包括参数名称、分期编号、最优值等信息。

[0209] 使用图表(如折线图、散点图)展示每个参数在不同分期的变化情况，观察参数之间是否存在明显的趋势或相关性。

[0210] 如果参数较多，计算参数之间的相关系数，以量化它们之间的关系，根据相关系数的大小，判断哪些参数可能需要协同调整。

[0211] 利用线性插值法对每个分期的最优模型参数进行整合，得到最终的参数控制策略模型。

[0212] S34、将压力传感器5的监测压力数值作为参数控制策略模型的输入值，通过模型分析输出螺旋钻杆3的提升速度和灌注流态水泥加固土的流量的最优值；

[0213] 需要说明的是，压力传感器5会实时监测并提供压力数值。这些数值是参数控制策略模型的输入值，用于模型的分析和预测，参数控制策略模型是一个已经训练好的深度学习模型，它能够根据输入的压力数值，分析并输出螺旋钻杆3的提升速度和灌注流态水泥加固土的流量的最优值。这些最优值是模型根据学习到的数据特征和规律生成的，旨在实现最优的控制效果。

[0214] S35、基于螺旋钻杆3的提升速度和灌注流态水泥加固土的流量的最优值，自动控制系统1调整螺旋钻杆3的提升速度和灌注流态水泥加固土的流量。

[0215] 需要说明的是，自动控制系统1是负责执行最优值的关键部分。当参数控制策略模型输出最优值后，自动控制系统1会接收这些最优值，并根据最优值调整螺旋钻杆3的提升速度和灌注流态水泥加固土的流量。这样，就能够根据实时监测的压力数值，动态地调整控制参数，以实现最佳的工作效果。

[0216] S4、当螺旋钻杆提升至预先设定的桩底高程后，停止灌注流态水泥加固土，清洗钻杆并进行下一桩位的成桩施工。

[0217] 具体而言，当螺旋钻杆3提升至预先设定的桩底高程以上0.5m后，停止灌注流态水泥加固土。

[0218] 如图2‑4所示，根据本发明的另一个实施例，提供了螺旋置换水泥加固土桩的成桩机具，该机具包括设置在升降系统一侧顶端的自动控制系统1，自动控制系统的1一侧设置有搅浆机2，升降系统的另一侧顶端设置有螺旋钻杆3，螺旋钻杆3的内部设置有与搅浆机2连接的注浆管4，螺旋钻杆3的底端设置有压力传感器5；

[0219] 需要说明的是，升降系统用于对螺旋钻孔的升降和驱动，包括桅杆立柱、液压动力单元、电气控制系统等等组成，升降系统的组成为现有技术，在此就不过多阐述了。

[0220] 自动控制系统1可以根据压力传感器5监测的压力数据实时控制螺旋钻杆的钻进和提升速度及灌注流态水泥加固土的流量。

[0221] 注浆管4位于螺旋钻杆3内部，与搅浆机2相连，注浆管4材料可选择钢材或强度较高的加筋软管，强度要求不低于10MPa。

[0222] 螺旋钻杆底部装有压力传感器5，压力传感器5能够实时监测螺旋钻杆3底部与灌注水泥土之间的压力，同时将压力数值传回自动控制系统1，自动控制系统1根据压力传感器5传回的压力数值自动控制钻杆提升的速度和灌注固化土的流量。

[0223] 搅浆机2内设置有滚筒21，滚筒21的内壁设置有轮齿22，且轮齿22的横截面为正体形结构，相邻的轮齿22之间设置有喷浆口23；

[0224] 具体而言，轮齿22均匀布设在滚筒21上，均匀分布的轮齿22相互交错，通过轮齿22的切削咬合作用能够将土快速挤碎，喷浆口23的尺寸为2mm‑5mm，喷浆口23的喷浆压力为2MPa‑7MPa，通过高压喷浆的冲切作用将土体进一步粉碎，使水泥土搅拌更加均匀。

[0225] 螺旋钻杆3由第一钻杆和第二钻杆构成，且第一钻杆和第二钻杆之间通过螺栓连接，第一钻杆位于第二钻杆的顶端，第一钻杆的顶端与升降系统连接；第一钻杆的直径为700mm‑1000mm，第二钻杆的直径500mm‑700mm(不包括700mm)；第一钻杆和第二钻杆的顶端均设置有若干与螺栓配合的固定螺杆31，第一钻杆和第二钻杆的底端均开设有若干与固定螺杆31相配合的螺孔32。

[0226] 具体而言，螺旋钻杆3能够实现节段拼装，节段之间通过螺栓连接，阶段之间预留有螺孔32和固定螺杆31，对接后采用螺栓旋紧固定即可。螺旋钻杆3按照尺寸大小不同分为两种，一种第一钻杆(粗钻杆)，直径为700mm‑1000mm，一种第二钻杆(细钻杆)，直径为500mm‑700mm(不包括700mm)。钻杆的节段长度为0.5m或1m，通过不同尺寸钻杆的节段拼装，可以实现成型不同尺寸的水泥加固土桩以及″上粗下细″的变截面水泥加固土桩，不同直径和不同长度的粗、细杆和之间可任意组合，通过节段拼装组成不同截面尺寸和不同长度的螺旋钻杆3，进而能够形成不同尺寸的桩体。

[0227] 如图5所示，根据本发明的又一个实施例，提供了灌注式加固土桩，包括桩身，桩身采用上述实施例的一种预灌注式加固土桩成桩机具的施工方法制备获得。

[0228] 综上，借助于本发明的上述技术方案，本发明利用t‑SNE算法对特征集合进行降维处理，减少了数据的维度，从而降低了计算复杂度，提高了模型的训练速度和响应速度，通过计算特征点之间的联合概率，并构建高维空间中的联合概率分布矩阵，能够更全面地考虑特征点之间的关系，提高了模型的鲁棒性和泛化能力，利用K‑均值聚类算法对欧式距离进行聚类处理，并根据聚类结果对欧式距离赋予权重，得到加权距离，这有助于突出重要特征，抑制噪声，从而增强模型的准确性，通过将低维数据集划分为训练集和测试集，对模型进行评估和优化，确保了模型的性能和稳定性，有助于在实际应用中更好地控制螺旋钻杆的提升速度和灌注流态水泥加固土的流量。本发明通过建立包括提升速度的平滑度、流量控制的精确度及施工成本的最小化在内的多目标函数，能够全面考虑成桩机具施工过程中的多个关键因素，从而得到更为综合和实用的参数控制策略，根据成桩机具施工的不同阶段，将优化过程划分为若干个分期，并为每个分期的各目标函数设定权重值，能够充分考虑施工过程中的动态变化，使得优化策略更加贴近实际施工需求，利用分期设权理想点法，将复杂的多目标优化问题转化为单目标优化问题，大大简化了求解过程。同时，通过粒子群优化算法对单目标优化问题进行求解，能够高效、准确地找到每个分期的最优模型参数。本发明通过自动控制系统实现了钻杆提升速度与流态水泥固化土灌注流量的精确控制，桩体整体施工条件保持一致，提升了螺旋置换水泥加固土桩的桩身均匀性和完整性。本发明通过搅浆机预先拌和流态水泥固化土，保证了固化土的搅拌均匀性，解决了传统加固土桩的搅拌不均匀，成桩质量差等问题，通过预先搅拌使水泥固化土达到最佳工作状态，从而提升了成桩质量，提高了单桩承载力。本发明采用长螺旋钻杆预先钻孔，能够精确控制桩径尺寸，长螺旋钻杆钻进过程中起到护壁作用，防止塌孔，相比传统水泥土搅拌桩，施工时间可由原来的40min‑50min减少至10min‑15min，施工工效提高2‑3倍，显著加快施工进度。本发明通过螺旋钻杆钻进预先成孔，螺旋钻杆钻进过程中可将原位土体钻至孔外，钻出的土体可用于流态水泥加固土的制备，原位土体可就地利用，无需外运土，能够有效降低工程造价，节约成本。

[0229] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。

[0230] 以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。