一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备技术

本发明专利技术涉及隧道的变形预测技术领域，特别是涉及一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备，具体包括以下步骤：S1，输入软岩隧道围岩变形监测数据；S2，将软岩隧道围岩变形监测数据按时间序列进行预处理，得到测试数据集；S3，以BiGRU为主体预测模型，通过不同滑窗尺度构建多滑窗预测模型，对模型进行综合预测性能评估，并利用误差倒数法对模型进行融合，构建出多滑窗BiGRU模型；S4，将测试数据集输入多滑窗BiGRU模型，输出软岩隧道围岩变形预测结果。本发明专利技术所构建的多滑窗BiGRU融合模型可以充分考虑多个模型的预测效果，最终输出的综合预测结果往往比单一模型更加可靠。出的综合预测结果往往比单一模型更加可靠。出的综合预测结果往往比单一模型更加可靠。

【技术实现步骤摘要】
一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备


[0001]本专利技术涉及隧道的变形预测
，特别是涉及一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备。

技术介绍

[0002]随着我国公路建设规模的不断扩展，越来越多的地区开始进行大规模的山岭隧道施工。尤其是在云南、广西等西南地区，由于其隧址区工程地质条件复杂，时常面临软岩隧道围岩变形的安全风险挑战。一旦变形速率与累计沉降超过设计安全余量，必将危及隧道现场施工安全，严重时甚至可能造成严重的财产损失和不良社会影响。因此，软岩隧道施工时的围岩变形安全控制至关重要，对隧道施工过程中的围岩变形做出可靠预测成为施工安全的重要保证。
[0003]对于隧道的变形预测，最早可分为数值模拟计算法与数理统计两大类：前者通过收集隧道地质与设计参数，以有限元、离散元等数值模拟分析软件对隧道进行仿真建模，最终得到某一区域的隧道围岩变形量。这种方法由于建模参数准确度低、模型简化程度高等缺点，所得的隧道变形量通常只在量级上与真实值保持一致，准确度欠佳；后者通过数理统计的方法，基于已有变形监测数据进行函数拟合，以获取对围岩变形的预测。这种方法通常适用于工程地质条件简单、围岩变形稳定的隧道工程，难以应对沉降速率多变的软岩隧道。
[0004]随着计算机及人工智能技术的发展，越来越多学者将其引入到各个领域的数据分析中，以期得到相对高效且准确的解决方案。在隧道围岩变形预测领域，目前主要有两种技术方案：
[0005]一是以常规机器学习模型为基本预测模型，如人工神经网络(ANN)模型与支持向量机模型(SVM)等，利用这些模型的非线性映射能力与自适应性能，对于上述提高的常规围岩变形预测方法取得了不错应用效果，但这些模型普遍难以适用现实中隧道围岩变形的单变量时间序列数据集，且由于模型原理的限制，无法提取时间序列数据所隐藏的高维特征；
[0006]二是从围岩变形预测的时间序列角度出发，选取以循环神经网络模型(RNN)为基础的时间序列数据预测模型，如长短期记忆递归神经网络模型(LSTM)以及门控循环单元神经网络模型(GRU)等，开展隧道围岩变形时间序列预测。
[0007]总体来说，第二种方法，即选取以循环神经网络模型(RNN)为基础的时间序列数据预测模型，如长短期记忆递归神经网络模型(LSTM)以及门控循环单元神经网络模型(GRU)等，开展隧道围岩变形时间序列预测是目前主流技术研究方向。这种方法可以很好的考虑围岩变形的时间序列特征，尤其是可以在单变量时间序列数据集中进行使用，通过滑窗操作将其从无监督学习转化监督学习，进而从中提取高维特征用于时间序列数据的预测。
[0008]但由于仅有变形数据这一项特征，在软岩隧道围岩变形预测过程中，目前该项技术主要存在预测效果滞后以及单一滑窗模型预测精度不佳的问题，制约了该项技术在实际工程中的实用性。

技术实现思路

[0009]针对上述提到的选取以循环神经网络模型(RNN)为基础的时间序列数据预测模型仅有变形数据这一项特征，在软岩隧道围岩变形预测过程中，目前该项技术主要存在预测效果滞后以及单一滑窗模型预测精度不佳的问题，本专利技术以BiGRU为主体预测模型，通过不同滑窗尺度构建多滑窗预测模型，并对模型开展综合预测性能评估，最终利用误差倒数法对模型进行融合，提出了一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备。
[0010]为了实现上述专利技术目的，本专利技术提供了以下技术方案：
[0011]一种多滑窗模型融合的软岩隧道围岩变形预测方法，具体包括以下步骤：
[0012]S1，输入软岩隧道围岩变形监测数据；
[0013]S2，将所述软岩隧道围岩变形监测数据按时间序列进行预处理，得到测试数据集；
[0014]S3，以BiGRU为主体预测模型，通过不同滑窗尺度构建多滑窗预测模型，对模型进行综合预测性能评估，并利用误差倒数法对模型进行融合，构建出多滑窗BiGRU模型；
[0015]S4，将所述测试数据集输入所述多滑窗BiGRU模型，输出软岩隧道围岩变形预测结果。
[0016]作为本专利技术的优选方案，步骤S1中，所述软岩隧道围岩变形监测数据设置成时间戳+变形值的数据格式。
[0017]作为本专利技术的优选方案，步骤S2中将所述软岩隧道围岩变形监测数据按时间序列进行预处理具体是指，对所述软岩隧道围岩变形监测数据依次进行插值升采样、平稳性检验与一阶差分处理。
[0018]作为本专利技术的优选方案，S3具体包括以下步骤：
[0019]S31，构建多滑窗BiGRU预测模型，所述多滑窗BiGRU预测模型包括模型A、模型B和模型C，所述模型A、模型B和模型C是滑动窗口大小不同的BiGRU模型，每个所述BiGRU模型包括输入层、BiGRU层、DENSE层以及输出层，其中BiGRU层为单层隐匿层；
[0020]S32，分别对所述模型A、模型B和模型C进行训练，并分别计算所述模型A、模型B和模型C的平均绝对误差、平均绝对误差百分比、均方根误差和相关系数；
[0021]S33，从所述平均绝对误差、平均绝对误差百分比、均方根误差和相关系数中选出一个参数作为误差值，采用误差倒数法计算出所述模型A、模型B和模型C的权重；
[0022]S34，将所述模型A、模型B和模型C输出的预测值分别乘以权重后求和，构建出多滑窗BiGRU模型。
[0023]作为本专利技术的优选方案，步骤S33中，所述模型A、模型B和模型C的权重计算公式为：
[0024]ω1＝(ε2+ε3)/2(ε1+ε2+ε3)
[0025]ω2＝(ε1+ε3)/2(ε1+ε2+ε3)
[0026]ω3＝(ε1+ε2)/2(ε1+ε2+ε3)
[0027]式中，ω1、ω2、与ω3代表模型A、模型B以及模型C的模型权重；ε1，ε2与ε3代表模型A、模型B以及模型C的模型误差值。
[0028]作为本专利技术的优选方案，步骤S33中从所述平均绝对误差、平均绝对误差百分比、均方根误差和相关系数中选出平均绝对误差作为误差值。
[0029]作为本专利技术的优选方案，步骤S34中构建的多滑窗BiGRU模型计算公式为：
[0030]M＝0.3208M
A
+0.3491M
B
+0.3302M
C
[0031]式中：M为模型融合后多滑窗BiGRU模型输出值；M
A
、M
B
、M
C
分别是模型A、模型B与模型C的预测输出值。
[0032]基于相同的构思，还提出了一种多滑窗模型融合的软岩隧道围岩变形预测系统，包括：
[0033]数据采集模块，用于获取软岩隧道围岩变形监测数据；
[0034]软岩隧道围岩变形预测模块，用于将所述软岩隧道围岩变形监测数据输入到多滑窗BiGRU模型后，得到软岩隧道围岩变形预测结果，具体执行以下步骤：
[0035]将所述软岩隧道围岩变形监测数据按时间序列进行预处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多滑窗模型融合的软岩隧道围岩变形预测方法，其特征在于，具体包括以下步骤：S1，输入软岩隧道围岩变形监测数据；S2，将所述软岩隧道围岩变形监测数据按时间序列进行预处理，得到测试数据集；S3，以BiGRU为主体预测模型，通过不同滑窗尺度构建多滑窗预测模型，对模型进行综合预测性能评估，并利用误差倒数法对模型进行融合，构建出多滑窗BiGRU模型；S4，将所述测试数据集输入所述多滑窗BiGRU模型，输出软岩隧道围岩变形预测结果。2.如权利要求1所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法，其特征在于，步骤S1中，所述软岩隧道围岩变形监测数据设置成时间戳+变形值的数据格式。3.如权利要求1所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法，其特征在于，步骤S2中将所述软岩隧道围岩变形监测数据按时间序列进行预处理具体是指，对所述软岩隧道围岩变形监测数据依次进行插值升采样、平稳性检验与一阶差分处理。4.如权利要求1所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法，其特征在于，S3具体包括以下步骤：S31，构建多滑窗BiGRU预测模型，所述多滑窗BiGRU预测模型包括模型A、模型B和模型C，所述模型A、模型B和模型C是滑动窗口大小不同的BiGRU模型，每个所述BiGRU模型包括输入层、BiGRU层、DENSE层以及输出层，其中BiGRU层为单层隐匿层；S32，分别对所述模型A、模型B和模型C进行训练，并分别计算所述模型A、模型B和模型C的平均绝对误差、平均绝对误差百分比、均方根误差和相关系数；S33，从所述平均绝对误差、平均绝对误差百分比、均方根误差和相关系数中选出一个参数作为误差值，采用误差倒数法计算出所述模型A、模型B和模型C的权重；S34，将所述模型A、模型B和模型C输出的预测值分别乘以权重后求和，构建出多滑窗BiGRU模型。5.如权利要求4所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法，其特征在于，步骤S33中，所述模型A、模型B和模型C的权重计算公式为：ω1＝(ε2+ε3)/2(ε1+ε2+ε3)ω2＝(ε1+ε3)/2(ε1+ε2+ε3)ω3＝(ε1+ε2)/2(ε1+ε2+...

【专利技术属性】
技术研发人员：彭浩，梁铭，朱孟龙，宋冠先，黄能豪，韩玉，解威威，吕中玉，赵婷婷，
申请(专利权)人：广西路桥工程集团有限公司，
类型：发明
国别省市：