[發明專利]基于Bayes-LSTM模型的公路隧道施工期圍巖變形預測方法

有效

• 申請號: 202110593891.6
• 申請日: 2021-05-28
• 公開（公告）號: CN113408190B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 富志鵬;孔憲光;劉智;常建濤;曹升亮;李博融;李欣雨;趙礽曄;謝生同;馮俊琪;朱寶山
• 申請（專利權）人: 中交第一公路勘察設計研究院有限公司;西安電子科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/02
• 代理公司: 西安新思維專利商標事務所有限公司 61114
• 代理人: 黃秦芳

1.基于Bayes-LSTM模型的公路隧道施工期圍巖變形預測方法，其特征在于：

所述方法包括以下步驟：

a.獲取拱頂沉降與周邊收斂數據：數據為一段時間內某觀測點實際測量的連續沉降數據；

b.機理知識分析：繪制拱頂沉降與周邊收斂變化曲線圖，對曲線變化規律與隧道圍巖變形規律進行初步分析判斷，排除特殊不良地質原因造成的施工期實測數據有明顯異常的情況；

c.預處理數據：利用Python內置函數MinMaxScaler對數據進行歸一化，利用series_to_supervised函數將時序數據轉化為有監督數據；

d.劃分數據集：利用train_test_split函數將前67％的數據作為訓練集，后33％的數據作為測試樣本，并以訓練集中的20％作為驗證集來驗證模型的泛化能力；

e.使用Python內置的Keras框架搭建LSTM拱頂沉降與周邊收斂預測模型；

f.利用Python內置的Hyperopt貝葉斯調參模塊搭建參數優化模型，并設置Bayes優化參數以及搜索空間；

g.優化LSTM模型：設置初始參數，訓練LSTM的拱頂沉降與周邊收斂預測模型，以MSE作為損失函數，采用f中的參數優化模型對LSTM進行重復訓練，根據訓練集驗證集損失判斷模型擬合效果，并選取損失最小的一組超參數組合構建LSTM模型；

h.加載訓練完成的LSTM拱頂沉降與周邊收斂預測模型，對測試集數據進行預測，輸出預測值y；

i.利用Python內置的inverse_transform函數對h中的得到的預測數據進行反歸一化；

步驟g中，訓練LSTM的拱頂沉降與周邊收斂預測模型包括：

構建遺忘門(forgetgate)f_t：f_t＝σ(W_fh_t-1+W_fx_t+b_f)；

構建輸入門(inputgate)i_t：i_t＝σ(W_ih_t-1+W_ix_t+b_i)；

當前時刻新的單元信息C_t：C_t＝f_t×C_t-1+i_t×tanh(W_ch_t-1+W_cx_t+b_c)；

計算輸出門(outputgate)o_t：o_t＝σ(W_oh_t-1+W_ox_t+b_o)；

計算最終輸出h_t：h_t＝o_t×tanh(C_t)；

其中，W和b分別表示權值矩陣和偏置參數，σ是sigmoid函數，i_t決定更新到細胞狀態中的所需信息，C_t為t時刻新的單元信息，o_t決定細胞狀態的輸出部分，h_t表示在t時刻x_t對應單元的輸出。

2.根據權利要求1所述的基于Bayes-LSTM模型的公路隧道施工期圍巖變形預測方法，其特征在于：

步驟f中，Bayes優化參數包括:LSTM單元內隱藏層尺寸大小、優化器的選擇、學習率、迭代次數；其中LSTM單元內隱藏層尺寸大小的搜索空間為2-64，優化器的選擇為‘adam’，‘rmsporop’，‘adamax’，學習率的搜索空間為0.001-0.01，迭代次數的搜索空間為100-300。

3.根據權利要求2所述的基于Bayes-LSTM模型的公路隧道施工期圍巖變形預測方法，其特征在于：

步驟g中，選優均方誤差MSE為損失函數，其中，y_i為實測值，為預測值。