一种基于开挖变形特征的山岭隧道洞口预测模型制造技术

本发明专利技术公开了隧道洞口预测模型技术领域的一种基于开挖变形特征的山岭隧道洞口预测模型，包括监测数据预处理模块、GWO阈值模块和GWO

【技术实现步骤摘要】
一种基于开挖变形特征的山岭隧道洞口预测模型


[0001]本专利技术属于隧道洞口预测模型
，具体是一种基于开挖变形特征的山岭隧道洞口预测模型。

技术介绍

[0002]山岭隧道的洞口段作为隧道施工的“咽喉”，常常分布着节理裂隙较发育的严重风化岩体，施工中极易出现围岩失稳坍塌、地表塌陷等工程灾害。鉴于位移和变形是反映工程安全控制最核心的元素，因此，对洞口段地表沉降进行预测研究，对于保障隧道进洞安全及塌方灾害防治具有重要现实意义。
[0003]近年来，计算机和人工智能技术飞速发展，智能预测方法在路基沉降和滑坡位移预测中已有较多研究。而对于地表沉降的预测研究相对较少，主要采用的方法有神经网络模型、贝叶斯模型、粒子群
‑
最大似然模型等。显然，对地表沉降的预测主要集中在地铁盾构隧道领域，而对山岭隧道洞口段地表沉降的预测缺乏深入研究。

技术实现思路

[0004]为了解决上述现有技术缺乏对山岭隧道洞口段地表沉降的预测的问题，本专利技术的目的是提供一种基于开挖变形特征的山岭隧道洞口预测模型，通过监测数据预处理模块、GWO阈值模块和GWO
‑
OSELM模型预测模块构建开挖时隧道洞口地表沉降预测模型。
[0005]为了实现上述目的，本专利技术的技术方案如下：一种基于开挖变形特征的山岭隧道洞口预测模型，包括监测数据预处理模块、GWO阈值模块和GWO
‑
OSELM模型预测模块；
[0006]监测数据预处理模块，用于监测开挖时山岭隧道洞口的底边沉降测值，利用时间序列原理构建随机项位移和趋势项位移，并判断隧道洞口的沉降监测值是否等距，若是等距，将其分解为趋势项及随机项，若不是等距，将其转化为等距后再进行分解，并分别对分解得到的时序数据进行归一化操作；
[0007]GWO阈值模块，用于接收监测数据预处理模块处理后的数据，并初始化算法相关参数，计算狼群数量、最大迭代次数、搜索变量最大值及最小值、狼群个体初始位置及初始目标函数值；并且判断是否达到最大迭代次数，若否，则更新狼群位置，若是，则输出OSELM最优权值及阈值；
[0008]GWO
‑
OSELM模型预测模块，用于接收GWO阈值模块搜寻的最优权值和阈值，并将结果用于模型训练和预测中，得位移分量预测结果，由时间序列原理叠加得到地表沉降总预测值；
[0009]其中监测数据预处理模块包括监测单元、等距判断单元、三次样条插值单元、变分模态分解单元和数据归一化处理单元；
[0010]GWO阈值模块包括灰狼优化算法单元和判断迭代次数单元；
[0011]GWO
‑
OSELM模型预测模块包括初始化单元、在线学习单元和输出单元。
[0012]基础方案的原理及有益效果是：开挖隧道时，首先通过监测数据预处理模块，可实
时的监测隧道洞口处的地段沉降情况，并对监测的数据进行分解处理，以便于后续对数据进行归一化处理，然后将监测数据进行处理后，GWO阈值模块则通过灰狼优化算法单元计算出数据的权值和阈值，并且通过判断迭代次数单元对所计算出的值进行判断和选择，进而选出最优权值和阈值，然后将所选出的最优权值和阈值输出至GWO
‑
OSELM模型预测模块处，然后通过初始化单元和在线学习单元的运作，计算隧道洞口的地表沉降预测值，并且通过输出单元将预测的值输出，然后利用时间序列原理便可将隧道洞口处地段的沉降进行预测，由此可实现对山岭地区隧道洞口处的地表沉降情况进行预测。
[0013]进一步，时间序列原理构建随机项位移和趋势项位移的具体公式为：
[0014]s(t)＝α(t)+β(t)(1)
[0015]式中，s(t)为为隧道地表沉降总位移，α(t)为为趋势项位移，β(t)为随机项位移。
[0016]基础方案的有益效果是：通过该原理可直接得知隧道地表沉降总位移。
[0017]进一步，等距判断单元，用于判断洞口段地表沉降监测值是否等距；
[0018]三次样条插值单元，用于利用3次样条插值将其转化为等距后再进行分解；
[0019]变分模态分解单元，用于利用变分模态分解方法，通过在变分框架内寻找模型的最优解来实现位移的分解；
[0020]数据归一化处理单元，用于分别对分解得到的时序数据进行归一化操作，使其位于[
‑
1，1]。
[0021]基础方案的有益效果是：可及时的对所监测到的地表沉降值进行处理，并且将其分解为较为易处理的状态，从而便于后续的预测计算。
[0022]进一步，变分模态分解方法具体为：
[0023]首先构建变分问题，假设原始位移序列s(t)经分解后得到了K个分量，变分模态分解方法通过在变分框架内寻找模型的最优解来实现位移的分解，其变分约束表达式为：
[0024][0025][0026]式中，K为分解所得的模态个数{δ
k
}，{ω
k
}分别为分解后的第K个模态分量及对应中心频率，μ(t)为狄拉克函数，*为卷积运算符；
[0027]然后求解变分问题，引入Lagrange乘法算子，将上式转变为非约束变分问题，得到增广Lagrange表达式为：
[0028][0029]式中，σ为为二次惩罚因子。
[0030]基础方案的有益效果是：可将所监测到的地表沉降值进行最优分解，以使其进行后续的数据归一化处理，并输出至GWO阈值模块处。
[0031]进一步，灰狼优化算法单元，用于利用灰狼优化算法计算狼群数量、最大迭代次数、搜索变量最大值及最小值、狼群个体初始位置及初始目标函数值；具体计算步骤为：
[0032]首先狼群跟踪并接近猎物，按下式计算距离：
[0033]D＝|C
·
X
P
(u)
‑
X(u)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0034]C＝2
×
r1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0035]式中，D为灰狼与猎物间的距离，u为当前迭代次数,X
P
(u)第u代猎物位置向量，X(u)为第u代灰狼个体位置向量，C为系数向量，r1为[0,1]间均匀分布的随机向量；
[0036]然后狼群追捕并包围猎物，按下式更新位置：
[0037]X(u+1)＝X
p
(u)
‑
η
·
D
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0038]η＝2b
×
r2‑
b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0039]式中，η为系数向量，r2为b的随机向量，b的初始值为2，随最大迭代次数增加而线性递减至0；
[0040]最后狼群攻击并捕杀猎物，依据狼群中α狼寻找猎物方向，按下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于开挖变形特征的山岭隧道洞口预测模型，其特征在于：包括监测数据预处理模块、GWO阈值模块和GWO
‑
OSELM模型预测模块；监测数据预处理模块，用于监测开挖时山岭隧道洞口的底边沉降测值，利用时间序列原理构建随机项位移和趋势项位移，并判断隧道洞口的沉降监测值是否等距，若是等距，将其分解为趋势项及随机项，若不是等距，将其转化为等距后再进行分解，并分别对分解得到的时序数据进行归一化操作；GWO阈值模块，用于接收监测数据预处理模块处理后的数据，并初始化算法相关参数，计算狼群数量、最大迭代次数、搜索变量最大值及最小值、狼群个体初始位置及初始目标函数值；并且判断是否达到最大迭代次数，若否，则更新狼群位置，若是，则输出OSELM最优权值及阈值；GWO
‑
OSELM模型预测模块，用于接收GWO阈值模块搜寻的最优权值和阈值，并将结果用于模型训练和预测中，得位移分量预测结果，由时间序列原理叠加得到地表沉降总预测值；其中监测数据预处理模块包括监测单元、等距判断单元、三次样条插值单元、变分模态分解单元和数据归一化处理单元；GWO阈值模块包括灰狼优化算法单元和判断迭代次数单元；GWO
‑
OSELM模型预测模块包括初始化单元、在线学习单元和输出单元。2.根据权利要求1所述的基于开挖变形特征的山岭隧道洞口预测模型，其特征在于：所述时间序列原理构建随机项位移和趋势项位移的具体公式为：s(t)＝α(t)+β(t)(1)式中，s(t)为为隧道地表沉降总位移，α(t)为为趋势项位移，β(t)为随机项位移。3.根据权利要求2所述的基于开挖变形特征的山岭隧道洞口预测模型，其特征在于：所述等距判断单元，用于判断洞口段地表沉降监测值是否等距；所述三次样条插值单元，用于利用3次样条插值将其转化为等距后再进行分解；所述变分模态分解单元，用于利用变分模态分解方法，通过在变分框架内寻找模型的最优解来实现位移的分解；所述数据归一化处理单元，用于分别对分解得到的时序数据进行归一化操作，使其位于[
‑
1，1]。4.根据权利要求3所述的基于开挖变形特征的山岭隧道洞口预测模型，其特征在于：所述变分模态分解方法具体为：首先构建变分问题，假设原始位移序列s(t)经分解后得到了K个分量，变分模态分解方法通过在变分框架内寻找模型的最优解来实现位移的分解，其变分约束表达式为：法通过在变分框架内寻找模型的最优解来实现位移的分解，其变分约束表达式为：式中，K为分解所得的模态个数{δ
k
}，{ω
k
}分别为分解后的第K个模态分量及对应中心频率，μ(t)为狄拉克函数，*为卷积运算符；然后求解变分问题，引入Lagrange乘法算子，将上式转变为非约束变分问题，得到增广
Lagrange表达式为：式中，σ为为二次惩罚因子。5.根据权利要求4所述的基于开挖变形特征的山岭隧道洞口预测模型，其特征在于：所述灰狼优化算法单元，用于利用灰狼优化算法计算狼群数量、最大迭代次数、搜索变量最大值及最小值、狼群个体初始位置及初始目标函数值；具体计算步骤为：首先狼群跟踪并接近猎物，按下式计算距离：D＝|C
·
X
P
(u)
‑
X(u)|
ꢀꢀꢀꢀ
(5)C＝2
×
r1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式中，D为灰狼与猎物间的距离，u为当前迭代次数,X
P
(u)第u代猎物位置向量，X(u)为第u代灰狼个体位置向量，C为系数向量，r1为[0,1]间均匀分布的随机向量；然后狼群追捕并包围猎物，按下式更新位置：X(u+1)＝X
p
(u)
‑
η
·

【专利技术属性】
技术研发人员：方鹏，苏芳，
申请(专利权)人：广西建设职业技术学院，
类型：发明
国别省市：