[發明專利]基于MIC-LSTM的盾構施工地表變形動態預測方法

有效

• 申請號: 202011268712.3
• 申請日: 2020-11-13
• 公開（公告）號: CN112364422B
• 公開（公告）日: 2023-06-13
• 發明（設計）人: 于祥濤;李增良;岳琳輝
• 申請（專利權）人: 中鐵二十局集團有限公司
• 主分類號: G06F30/13
• 分類號: G06F30/13;G06F30/27;E21D9/06;G06N3/0442;G06N3/084;G06Q10/04;G06Q50/08
• 代理公司: 西安創知專利事務所 61213
• 代理人: 衛蘇晶

本發明公開了一種基于MIC?LSTM的盾構施工地表變形動態預測方法，該方法包括以下步驟：一、在盾構施工過程中，獲取I個盾構管片環所處施工區域的地表變形量以及地表變形影響因素；二、LSTM神經網絡模型的訓練；三、根據訓練好的LSTM神經網絡模型預測I個盾構管片之后各個盾構管片所處施工區域施工過程中的地表變形量。本發明方法步驟簡單，設計合理，實現盾構施工地表變形的各個影響因素的權重賦值，以區分各個影響因素對于預測模型的重要程度，并采用LSTM神經網絡進行建模動態預測，提高了盾構施工地表變形的預測精度和效率。

技術領域

本發明屬于盾構施工技術領域，尤其是涉及一種基于MIC-LSTM的盾構施工地表變形動態預測方法。

背景技術

盾構法施工是在隧道開挖過程中被廣泛應用的一種暗挖施工工藝，其在施工過程中因地層開挖容易致使周圍土體擠出或松弛，易造成地層損失，進而引起地表變形問題發生。地表變形超過某一安全值后，容易引發沿線建筑物的不均勻變形、地下管線受損，甚至會導致在開挖隧道坍塌等不安全事故發生。因此，在盾構掘進過程中實時掌握地表變形情況至關重要，這使得地表變形的預測問題成為一個值得關注的重要課題。

目前，關于地表變形的預測方法主要包括數值法、公式法、解析法和智能算法等。隨著計算機水平和各種深度學習算法的不斷發展，智能算法在解決盾構施工引起的地表變形問題中表現出優于其他方法的準確性和及時性。但是有的智能算法在對盾構施工引起的地表變形進行預測時僅考慮了影響地表變形的主要因素，尚未考慮當前時刻變形對地表變形預測的影響，屬于靜態預測的范疇。另外，有的智能算法在考慮影響地表變形的主要因素時沒有對因素進行重要度區分，各因素之間的耦合關系可能會導致信息的重疊，增加了預測模型的計算量。

因此，現如今需要一種基于MIC-LSTM的盾構施工地表變形動態預測方法，實現盾構施工地表變形的各個影響因素的權重賦值，以區分各個影響因素對于預測模型的重要程度，并采用LSTM神經網絡進行建模動態預測，提高了盾構施工地表變形的預測精度和效率。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種基于MIC-LSTM的盾構施工地表變形動態預測方法，其方法步驟簡單，設計合理，實現盾構施工地表變形的各個影響因素的權重賦值，以區分各個影響因素對于預測模型的重要程度，并采用LSTM神經網絡進行建模動態預測，提高了盾構施工地表變形的預測精度和效率。

為解決上述技術問題，本發明采用的技術方案是：一種基于MIC-LSTM的盾構施工地表變形動態預測方法，其特征在于，該方法包括以下步驟：

步驟一、在盾構施工過程中，獲取I個盾構管片環所處施工區域的地表變形量以及地表變形影響因素；其中，地表變形影響因素包括盾構施工的地質參數、盾構施工形成隧道的覆跨比和盾構機的掘進參數；其中，I表示盾構管片環的總數，I為正整數，且I不小于50；

步驟二、LSTM神經網絡模型的訓練：

步驟201、對I個盾構管片環所處施工區域的地表變形量終值以及地表變形影響因素分別進行預處理，得到預處理后的L個影響因素集合和預處理后的變形量集合；其中，預處理后的第l個影響因素集合為表示第i個盾構管片環所處施工區域施工時的第l個影響因素的預處理后數據，i表示盾構管片環的序號，i為正整數，1≤i≤I；l為正整數，且1≤l≤L，L表示地表變形影響因素的總數；

預處理后的變形量集合為{Y^′1,Y^′2,...,Y^′i,...,Y^′I}；其中，Y^′i表示第i個盾構管片環所處施工區域的地表變形量終值的預處理后數據；

步驟202、采用MIC法對預處理后的L個影響因素集合和預處理后的變形量集合處理，得到地表變形影響因素的權重；

步驟203、構建LSTM神經網絡模型；