[發明專利]一種多滑窗模型融合的軟巖隧道圍巖變形預測方法及設備

在審

• 申請號: 202211400079.8
• 申請日: 2022-11-09
• 公開（公告）號: CN115630582A
• 公開（公告）日: 2023-01-20
• 發明（設計）人: 彭浩;梁銘;朱孟龍;宋冠先;黃能豪;韓玉;解威威;呂中玉;趙婷婷
• 申請（專利權）人: 廣西路橋工程集團有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/14
• 代理公司: 四川力久律師事務所 51221
• 代理人: 任曉揚

本發明涉及隧道的變形預測技術領域，特別是涉及一種多滑窗模型融合的軟巖隧道圍巖變形預測方法及設備，具體包括以下步驟：S1，輸入軟巖隧道圍巖變形監測數據；S2，將軟巖隧道圍巖變形監測數據按時間序列進行預處理，得到測試數據集；S3，以BiGRU為主體預測模型，通過不同滑窗尺度構建多滑窗預測模型，對模型進行綜合預測性能評估，并利用誤差倒數法對模型進行融合，構建出多滑窗BiGRU模型；S4，將測試數據集輸入多滑窗BiGRU模型，輸出軟巖隧道圍巖變形預測結果。本發明所構建的多滑窗BiGRU融合模型可以充分考慮多個模型的預測效果，最終輸出的綜合預測結果往往比單一模型更加可靠。

技術領域

本發明涉及隧道的變形預測技術領域，特別是涉及一種多滑窗模型融合的軟巖隧道圍巖變形預測方法及設備。

背景技術

隨著我國公路建設規模的不斷擴展，越來越多的地區開始進行大規模的山嶺隧道施工。尤其是在云南、廣西等西南地區，由于其隧址區工程地質條件復雜，時常面臨軟巖隧道圍巖變形的安全風險挑戰。一旦變形速率與累計沉降超過設計安全余量，必將危及隧道現場施工安全，嚴重時甚至可能造成嚴重的財產損失和不良社會影響。因此，軟巖隧道施工時的圍巖變形安全控制至關重要，對隧道施工過程中的圍巖變形做出可靠預測成為施工安全的重要保證。

對于隧道的變形預測，最早可分為數值模擬計算法與數理統計兩大類：前者通過收集隧道地質與設計參數，以有限元、離散元等數值模擬分析軟件對隧道進行仿真建模，最終得到某一區域的隧道圍巖變形量。這種方法由于建模參數準確度低、模型簡化程度高等缺點，所得的隧道變形量通常只在量級上與真實值保持一致，準確度欠佳；后者通過數理統計的方法，基于已有變形監測數據進行函數擬合，以獲取對圍巖變形的預測。這種方法通常適用于工程地質條件簡單、圍巖變形穩定的隧道工程，難以應對沉降速率多變的軟巖隧道。

隨著計算機及人工智能技術的發展，越來越多學者將其引入到各個領域的數據分析中，以期得到相對高效且準確的解決方案。在隧道圍巖變形預測領域，目前主要有兩種技術方案：

一是以常規機器學習模型為基本預測模型，如人工神經網絡(ANN)模型與支持向量機模型(SVM)等，利用這些模型的非線性映射能力與自適應性能，對于上述提高的常規圍巖變形預測方法取得了不錯應用效果，但這些模型普遍難以適用現實中隧道圍巖變形的單變量時間序列數據集，且由于模型原理的限制，無法提取時間序列數據所隱藏的高維特征；

二是從圍巖變形預測的時間序列角度出發，選取以循環神經網絡模型(RNN)為基礎的時間序列數據預測模型，如長短期記憶遞歸神經網絡模型(LSTM)以及門控循環單元神經網絡模型(GRU)等，開展隧道圍巖變形時間序列預測。

總體來說，第二種方法，即選取以循環神經網絡模型(RNN)為基礎的時間序列數據預測模型，如長短期記憶遞歸神經網絡模型(LSTM)以及門控循環單元神經網絡模型(GRU)等，開展隧道圍巖變形時間序列預測是目前主流技術研究方向。這種方法可以很好的考慮圍巖變形的時間序列特征，尤其是可以在單變量時間序列數據集中進行使用，通過滑窗操作將其從無監督學習轉化監督學習，進而從中提取高維特征用于時間序列數據的預測。

但由于僅有變形數據這一項特征，在軟巖隧道圍巖變形預測過程中，目前該項技術主要存在預測效果滯后以及單一滑窗模型預測精度不佳的問題，制約了該項技術在實際工程中的實用性。

發明內容

針對上述提到的選取以循環神經網絡模型(RNN)為基礎的時間序列數據預測模型僅有變形數據這一項特征，在軟巖隧道圍巖變形預測過程中，目前該項技術主要存在預測效果滯后以及單一滑窗模型預測精度不佳的問題，本發明以BiGRU為主體預測模型，通過不同滑窗尺度構建多滑窗預測模型，并對模型開展綜合預測性能評估，最終利用誤差倒數法對模型進行融合，提出了一種多滑窗模型融合的軟巖隧道圍巖變形預測方法及設備。

為了實現上述發明目的，本發明提供了以下技術方案：