[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

说明书

本发明涉及基于Bayes‑LSTM模型的公路隧道施工期围岩变形预测方法，步骤为：获取拱顶沉降与周边收敛数据；进行机理知识分析；预处理数据；划分数据集；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；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；优化LSTM模型；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；利用Python内置的inverse_transform函数对预测数据进行反归一化。本方法对公路隧道施工期围岩变形监测数据分析速度快，预测精度高，处理数据效率高。

技术领域

本发明涉及属于隧道工程技术领域，具体涉及一种基于 Bayes-LSTM模型的公路隧道施工期围岩变形预测方法。

背景技术

近年来，随着交通建设发展，公路隧道的数量也在迅速增加，隧道开挖过程中会破坏岩土体应力应变的平衡状态，应力重分布与围岩变形等问题也会随之而来，围岩大变形是隧道施工中常见的施工灾害之一，其会破坏支护结构，侵入断面限界，对隧道的正常施工有着较大的影响。然而，隧道围岩存在非连续性、非均质性等特点，使得围岩变形的理论计算较为困难，因此在施工中准确地预测拱顶沉降与周边收敛，对围岩变形与围岩稳定性的分析具有十分重要的意义。通过调研国内外学者对隧道的围岩变形预测进行的大量研究成果不难发现，常见的预测方法为统计回归、数值模拟，随着人工智能技术的发展，为解决隧道围岩变形问题提供了新的解决方法，有学者提出以支持向量机为理论基础，利用粒子群算法和混沌理论优化模型参数，构建了混沌优化PSO-SVM模型来预测隧道围岩变形，还有学者采用灰色理论分析，时间序列分析与BP神经网络的模型。

虽然国内外学者对隧道围岩变形预测方法进行了较多的研究，但是上述预测模型均有一定的局限性，例如，BP神经网络受初值影响较大，同时容易出现网络梯度消失和梯度爆炸等问题。

发明内容

本发明的目的是提供一种基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法，能提高围岩变形预测的准确率，减少样本的训练时间，从而保障公路隧道的施工安全及建设进度。

本发明所采用的技术方案为：

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；