[发明专利]一种地铁隧道台阶法施工地表沉降预测方法及系统

说明书

本申请公开了一种地铁隧道台阶法施工地表沉降预测方法及系统，方法包括以下步骤：获取原始地表沉降序列数据；对所述原始沉降数据进行处理；对处理后的所述原始地表沉降序列数据进行VMD分解，得到不同中心模态的子序列以及一个残差，各所述子序列按中心频率从低到高依次排列；根据各所述子序列和所述残差对GRU神经网络的超参数进行设定并优化；对优化后的所述GRU神经网络进行训练，之后输入各所述子序列与所述残差得到各所述子序列的预测分量和所述残差的预测分量；将各所述预测分量结果进行叠加得出地表沉降预测值。本申请波动性以及随机性较强的地表沉降有着良好的预测精度，为后续地铁隧道台阶法施工提供指导。

技术领域

本申请涉及地表沉降预测技术领域，具体涉及一种地铁隧道台阶法施工地表沉降预测方法及系统。

背景技术

目前，我国城市地下空间工程快速发展，地下工程施工引起的地表沉降对周围环境影响愈发显著。因此，城市隧道施工引起的地表沉降规律的预测便成为地下工程的一个重要问题。

目前，主要的地表沉降预测方法有两类，物理模型法和统计建模法。物理模型法一类是对引起沉降的物理因素进行分析，建立物理力学模型计算地表沉降值进行预测，统计建模法只是用数理统计分析的方法对大量历史监测数据内在关系及发展规律进行分析解译，进而预测沉降值，常用的有Peck法，随机介质理论方法，也有学者基于Verhulst模型对地基沉降进行预测。针对地表沉降预测的具有不确定性，上述方法往往在预测精度上并不理想，随着神经网络的兴起，神经网络如反向传播、广义回归、长短期记忆等神经网络也表现出了对复杂数据极高的拟合度，而被广泛应用目前但传统神经网络存在梯度爆炸或消失问题，而且由于结构复杂其计算效率较低。

地铁隧道的台阶法施工是一个长期过程，沉降周期长，影响因素多，沉降曲线复杂，具有较多波动段，若对复杂的原数据直接进行训练与预测，容易出现收敛慢、数据波动段拟合不佳、预测失真等问题，而对原数据进行平滑或者降噪，则容易丢失数据所携带的信息，使预测结果的实用性降低。

目前又有人用经验模态分解结合传统神经网络来进行时间序列预测，但是经验模态分解存在的模态混叠问题使得分量失去了单一特征尺度的特征，特征提取、模型训练、模式识别变得困难，这导致预测结果精度不高。

发明内容

本申请提出了一种地铁隧道台阶法施工地表沉降预测方法及系统，通过对原始地表沉降数据进行VMD分解得到多个子序列及一个残差，再将各子序列与残差输入经过训练的GUR网络得到预测分量，最后将预测分量结果进行叠加得出地表沉降预测值。

为实现上述目的，本申请提供了一种地铁隧道台阶法施工地表沉降预测方法，包括以下步骤：

获取原始地表沉降序列数据；

对所述原始沉降数据进行处理；

对处理后的所述原始地表沉降序列数据进行VMD分解，得到不同中心模态的子序列以及一个残差，各所述子序列按中心频率从低到高依次排列；

根据各所述子序列和所述残差对GRU神经网络的超参数进行设定并优化；

对优化后的所述GRU神经网络进行训练，之后输入各所述子序列与所述残差得到各所述子序列的预测分量和所述残差的预测分量；将各所述预测分量结果进行叠加得出地表沉降预测值。

可选的，获取所述原始地表沉降序列数据的方法包括：在高程控制网的基础上，对地铁四周地面的各个测点的竖向位移变化进行监测来获得。

可选的，对所述原始沉降数据处理的方法包括：将所述原始地表沉降序列数据中的间隔期数据，采用两端数据的均值将其补足，使整个沉降数据时间序列的频率为1Hz。