[发明专利]基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法

权利要求书

1.基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法，其特征在于：

所述方法包括以下步骤：

a.获取拱顶沉降与周边收敛数据：数据为一段时间内某观测点实际测量的连续沉降数据；

b.机理知识分析：绘制拱顶沉降与周边收敛变化曲线图，对曲线变化规律与隧道围岩变形规律进行初步分析判断，排除特殊不良地质原因造成的施工期实测数据有明显异常的情况；

c.预处理数据：利用Python内置函数MinMaxScaler对数据进行归一化，利用series_to_supervised函数将时序数据转化为有监督数据；

d.划分数据集：利用train_test_split函数将前67％的数据作为训练集，后33％的数据作为测试样本，并以训练集中的20％作为验证集来验证模型的泛化能力；

e.使用Python内置的Keras框架搭建LSTM拱顶沉降与周边收敛预测模型；

f.利用Python内置的Hyperopt贝叶斯调参模块搭建参数优化模型，并设置Bayes优化参数以及搜索空间；

g.优化LSTM模型：设置初始参数，训练LSTM的拱顶沉降与周边收敛预测模型，以MSE作为损失函数，采用f中的参数优化模型对LSTM进行重复训练，根据训练集验证集损失判断模型拟合效果，并选取损失最小的一组超参数组合构建LSTM模型；

h.加载训练完成的LSTM拱顶沉降与周边收敛预测模型，对测试集数据进行预测，输出预测值y；

i.利用Python内置的inverse_transform函数对h中的得到的预测数据进行反归一化；

步骤g中，训练LSTM的拱顶沉降与周边收敛预测模型包括：

构建遗忘门(forgetgate)f_t：f_t＝σ(W_fh_t-1+W_fx_t+b_f)；

构建输入门(inputgate)i_t：i_t＝σ(W_ih_t-1+W_ix_t+b_i)；

当前时刻新的单元信息C_t：C_t＝f_t×C_t-1+i_t×tanh(W_ch_t-1+W_cx_t+b_c)；

计算输出门(outputgate)o_t：o_t＝σ(W_oh_t-1+W_ox_t+b_o)；

计算最终输出h_t：h_t＝o_t×tanh(C_t)；

其中，W和b分别表示权值矩阵和偏置参数，σ是sigmoid函数，i_t决定更新到细胞状态中的所需信息，C_t为t时刻新的单元信息，o_t决定细胞状态的输出部分，h_t表示在t时刻x_t对应单元的输出。

2.根据权利要求1所述的基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法，其特征在于：

步骤f中，Bayes优化参数包括:LSTM单元内隐藏层尺寸大小、优化器的选择、学习率、迭代次数；其中LSTM单元内隐藏层尺寸大小的搜索空间为2-64，优化器的选择为‘adam’，‘rmsporop’，‘adamax’，学习率的搜索空间为0.001-0.01，迭代次数的搜索空间为100-300。

3.根据权利要求2所述的基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法，其特征在于：

步骤g中，选优均方误差MSE为损失函数，其中，y_i为实测值，为预测值。