[发明专利]石窟寺岩体裂隙发育长期多步控制方法、装置及存储介质

说明书

本发明公开了一种石窟寺岩体裂隙发育长期多步控制方法及装置，方法包括：基于多项式回归与深度学习融合提出MTLFnet网络，网络将时间序列的趋势刻画成一个自变量为时间索引的函数，用于获取多步时间趋势；网络由一数据增强模块、n个周期性时间序列预测模块、和一不确定性时间序列预测模块组成；周期性时间序列预测模块学习分解后的单时间序列；不确定性时间序列预测模块提取多时间序列间的空间依赖关系，将多项式回归预测出的不确定性时间序列时间特征和空间依赖关系融合得出对石窟寺岩体裂隙发育的预测结果。装置包括：处理器和存储器。本发明将时间序列的趋势刻画成一个自变量为时间索引的函数，用于获取多步时间趋势，实现了对裂隙发育长期多步控制。

技术领域

本发明涉及石窟寺岩体裂隙领域，尤其涉及一种石窟寺岩体裂隙发育长期多步控制方法、装置及存储介质，通过对过去一段时间内采集到的石窟寺窟内气象数据和历史石窟寺岩体裂隙学习，来预测未来一段时间的石窟寺岩体裂隙大小，进而实现对石窟寺岩体失稳的有效预防和控制。

背景技术

在中国石窟寺分布广泛、规模宏大、体系完整，集建筑、雕塑、壁画、书法等艺术于一体，充分体现了中华民族的审美追求、价值理念、文化精神。石窟寺同时兼具历史价值、艺术价值、文化价值、科学价值、社会价值，这些绵亘千余年的雕刻艺术，凝结着劳动人民的智慧，是古代艺术匠师们辛勤劳动的结晶，也是前人为我们留下的宝贵的精神财富。对于石窟寺的保护与利用，我国仍处于起步阶段，仍然面临一些突出问题：石窟寺文物安全风险高，容易受地质灾害、生物病害影响；应对岩体风化、渗水、结构失稳等病害的关键保护技术尚未突破等问题。因此加强石窟寺保护利用，对石窟寺岩体裂隙发育的预测成为亟待解决的问题。

对于石窟寺岩体裂隙的预测任务，大多数研究是利用统计学的方法、力学计算方法、可靠性分析方法，近年来也有研究将深度学习用于边坡岩体裂隙预测中。

传统的统计模型有：自回归(AR)，移动平均值(MA)和自回归平均移动(Autoregressive and Moving Average，ARMA)、自回归综合平均移动(AutoregressiveIntegrated Moving Average，ARIMA)，其中自回归综合移动平均值是一个线性模型族，包含上述模型。这些统计方法假定变量间存在线性相关性，因此将变量间的关系抽象成线性模型。

目前时序数据预测领域，常见的机器学习模型有：支持向量回归(Support VectorRegression，SVR)，深度置信网络(Deep Belief Network，DBN)，随机森林回归(RandomForest Regression，RFR)和循环神经网络(Recurrent Neural Networks，RNNs)。循环神经网络RNN在网络中添加了“循环”(loops)，让信息可以更持久，每一次神经网络的判断过程之后，都会把信息传给下一次判断过程，将前一时刻学习的结果应用到当前学习过程中，解决了记忆可以持续性。在RNN的基础上衍生出长短时记忆网络 (Long-Short-Term-Memory，LSTM)，它解决了“长距离依赖”时，RNN的效果开始变差的问题。门控循环单元(GatedRecurrent Unit,GRU)是RNN的另一种变体，它的结构比 LSTM简单，但是效果和LSTM相当，二者均被广泛地应用于时间序列预测任务中。

上述这些模型在单变量时间序列预测中都取得了很不错的效果，但是这些模型很少侧重于关注多变量时间序列的预测。