[发明专利]基于MIC-LSTM的盾构施工地表变形动态预测方法

说明书

本发明公开了一种基于MIC‑LSTM的盾构施工地表变形动态预测方法，该方法包括以下步骤：一、在盾构施工过程中，获取I个盾构管片环所处施工区域的地表变形量以及地表变形影响因素；二、LSTM神经网络模型的训练；三、根据训练好的LSTM神经网络模型预测I个盾构管片之后各个盾构管片所处施工区域施工过程中的地表变形量。本发明方法步骤简单，设计合理，实现盾构施工地表变形的各个影响因素的权重赋值，以区分各个影响因素对于预测模型的重要程度，并采用LSTM神经网络进行建模动态预测，提高了盾构施工地表变形的预测精度和效率。

技术领域

本发明属于盾构施工技术领域，尤其是涉及一种基于MIC-LSTM的盾构施工地表变形动态预测方法。

背景技术

盾构法施工是在隧道开挖过程中被广泛应用的一种暗挖施工工艺，其在施工过程中因地层开挖容易致使周围土体挤出或松弛，易造成地层损失，进而引起地表变形问题发生。地表变形超过某一安全值后，容易引发沿线建筑物的不均匀变形、地下管线受损，甚至会导致在开挖隧道坍塌等不安全事故发生。因此，在盾构掘进过程中实时掌握地表变形情况至关重要，这使得地表变形的预测问题成为一个值得关注的重要课题。

目前，关于地表变形的预测方法主要包括数值法、公式法、解析法和智能算法等。随着计算机水平和各种深度学习算法的不断发展，智能算法在解决盾构施工引起的地表变形问题中表现出优于其他方法的准确性和及时性。但是有的智能算法在对盾构施工引起的地表变形进行预测时仅考虑了影响地表变形的主要因素，尚未考虑当前时刻变形对地表变形预测的影响，属于静态预测的范畴。另外，有的智能算法在考虑影响地表变形的主要因素时没有对因素进行重要度区分，各因素之间的耦合关系可能会导致信息的重叠，增加了预测模型的计算量。

因此，现如今需要一种基于MIC-LSTM的盾构施工地表变形动态预测方法，实现盾构施工地表变形的各个影响因素的权重赋值，以区分各个影响因素对于预测模型的重要程度，并采用LSTM神经网络进行建模动态预测，提高了盾构施工地表变形的预测精度和效率。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于MIC-LSTM的盾构施工地表变形动态预测方法，其方法步骤简单，设计合理，实现盾构施工地表变形的各个影响因素的权重赋值，以区分各个影响因素对于预测模型的重要程度，并采用LSTM神经网络进行建模动态预测，提高了盾构施工地表变形的预测精度和效率。

为解决上述技术问题，本发明采用的技术方案是：一种基于MIC-LSTM的盾构施工地表变形动态预测方法，其特征在于，该方法包括以下步骤：

步骤一、在盾构施工过程中，获取I个盾构管片环所处施工区域的地表变形量以及地表变形影响因素；其中，地表变形影响因素包括盾构施工的地质参数、盾构施工形成隧道的覆跨比和盾构机的掘进参数；其中，I表示盾构管片环的总数，I为正整数，且I不小于50；

步骤二、LSTM神经网络模型的训练：

步骤201、对I个盾构管片环所处施工区域的地表变形量终值以及地表变形影响因素分别进行预处理，得到预处理后的L个影响因素集合和预处理后的变形量集合；其中，预处理后的第l个影响因素集合为表示第i个盾构管片环所处施工区域施工时的第l个影响因素的预处理后数据，i表示盾构管片环的序号，i为正整数，1≤i≤I；l为正整数，且1≤l≤L，L表示地表变形影响因素的总数；

预处理后的变形量集合为{Y^′1,Y^′2,...,Y^′i,...,Y^′I}；其中，Y^′i表示第i个盾构管片环所处施工区域的地表变形量终值的预处理后数据；

步骤202、采用MIC法对预处理后的L个影响因素集合和预处理后的变形量集合处理，得到地表变形影响因素的权重；

步骤203、构建LSTM神经网络模型；