一种基于PSO-LSTM模型的隧道围岩变形预测方法

技术领域

本发明涉及隧道工程技术领域，尤其涉及一种基于PSO-LSTM模型的隧道围岩变形预测方法。

背景技术

近年来，随着我国交通运输事业发展迅速，尤其是随着对国家高等级铁路、公路支持力度的加强，隧道建设的规模也越来越大，不良地质、环境条件下隧道工程越来越多，伴随而来的是复杂的隧道围岩变形问题。围岩变形特性及发展趋势是揭示围岩稳定状态的重要信息。围岩变形出现异常或突变，可能是由于隧道受力恶化，围岩平衡状态被打破，轻则影响隧道功能的正常使用，重则会发生大变形、坍塌等灾害事故。由于施工荷载、支护抗力及自然界外营力等各种因素联合作用，再加上围岩的非均质性及不连续性等因素，隧道围岩变形特性极其复杂，围岩变形往往表现出突变性、非连续性等特点，获取围岩变形数据并判断隧道稳定状态显得尤为重要。复杂地质地形条件下隧道变形特性复杂，监测难度大，且由于各种外界因素及仪器本身稳定性等问题，监测数据存在不连续或丢失等现实问题，因此构建理论模型，基于已有监测数据预测围岩变形并评价隧道稳定性为当前的研究热点。

目前国内外许多学者对隧道围岩变形预测进行了大量研究，常见的预测方法主要包括试验法、数值模拟法、灰色理论法、神经网络等预测方法，但这些方法也存在一定局限性，针对海量非连续数据处理效率低、数据学习能力不强、无法处理数据的长期依赖关系等，导致预测精度不高。

虽然目前本领域在隧道工程建设方面取得了显著的进展，但复杂多变的地质及敏感的环境条件仍然是一个不可逾越的障碍，这使得隧道工程建设变得异常复杂和具有挑战性。优化隧道建设的管理和监管，提高隧道的安全水平，为隧道质量的可持续发展提供有力保障，也是隧道工程技术发展的必然要求。由于隧道工程为复杂的地下结构工程，存在复杂的支护、围岩相互作用，再加上施工荷载、多重的外营力、不良地质环境条件等各种因素影响，导致隧道围岩变形特性极其复杂，因此，环境特殊性，隧道变形监测存在数据丢失、不连续及长期监测费用昂贵等问题，基于有限数据的变形预测对隧道稳定性评价、安全施工及运营具有非常重要的理论及实践意义。

综合上述问题，本方案提出一种基于粒子群优化和长短时记忆网络的深度学习模型(Particle Swarm Optimization-Long Short-Term Memory，简称PSO-LSTM模型)，首次应用于对隧道围岩变形的预测分析中，该方法能够自适应地学习时间序列数据的长期和短期依赖关系，有效地提取和利用海量非连续数据中的信息，能够对非线性问题进行很好的模拟，同时结合粒子群算法(PSO)对学习率和隐藏层神经元个数等超参数的优化，能够实现对隧道围岩变形的精准预测，对于隧道施工安全、支护方案优化及稳定控制等具有重要的理论意义。

发明内容

有鉴于此，本发明的目的在于提出一种效率高、结果准确性佳的基于PSO-LSTM模型的隧道围岩变形预测方法。

为了实现上述的技术目的，本发明所采用的技术方案为：

一种基于PSO-LSTM模型的隧道围岩变形预测方法，其包括：

S01、获取隧道拱顶沉降、水平收敛的变形数据以及变形数据所获取的时间点，以形成时间序列数据；

S02、对时间序列数据进行预处理；

S03、按预设比例将经过预处理后的时间序列数据划分为训练集和测试集；

S04、构建用于隧道围岩变形中拱顶沉降和水平收敛预测的LSTM模型，通过PSO算法对LSTM模型进行参数寻优；

S05、设置LSTM模型的参数，利用训练集训练基于LSTM的拱顶沉降和水平收敛预测模型，采用粒子群参数优化模型对LSTM进行重复训练，使得模型的预测准确性符合预设要求，获得PSO-LSTM模型；

S06、将测试集输入到PSO-LSTM模型中进行预测，输出预测值。

作为一种可能的实施方式，进一步，本方案S01还包括：根据隧道拱顶沉降、水平收敛的变形数据绘制与时间相关的拱顶沉降-时间、水平收敛-时间的变形曲线，根据变形曲线的变化规律及隧道围岩变形规律进行初步分析评价。

作为一种可能的实施方式，进一步，本方案S02中，对时间序列数据进行预处理包括数据清洗、缺失值填充、归一化处理中的一项以上；

其中，数据清洗包括对时间序列数据进行异常数据剔除；

缺失值填充包括根据时间序列数据进行拟合曲线公式，然后根据曲线公式获取对应的时间序列数据值，以完成变形数据的补充。

作为一种可能的实施方式，进一步，本方案S03中，在经过预处理后的时间序列数据中提取80％的数据量作为训练集，剩余20％作为测试集。

作为一种可能的实施方式，进一步，本方案S04中，通过PSO算法对LSTM模型进行参数寻优，其包括设置种群大小、迭代次数、惯性权重中的一项以上参数，以使得模型的预测准确性最大化。

作为一种可能的实施方式，进一步，本方案S05中，设置LSTM模型的参数包括设置隐藏层大小、学习率参数中的一项以上。

作为一种可能的实施方式，进一步，本方案S06中，将测试集输入到PSO-LSTM模型中进行预测，对于每个时刻的输入数据，PSO-LSTM模型根据之前的状态和输入，产生一个预测值，并作为下一时刻的输入值。

作为一种可能的实施方式，进一步，本方案S04通过PSO算法对LSTM模型进行参数寻优包括：

假设在一个D维的寻优空间中，有N个粒子组成一个群落，粒子具有位置向量和速度向量，其包括：

第i个粒子的位置坐标，记为：X

第i个粒子的速度向量，记为：V

迭代第m代向第m+1代粒子更新的式子：

v

x

其中，ω为惯性权重，c

作为一种可能的实施方式，进一步，本方案步骤S05训练基于LSTM的拱顶沉降和水平收敛预测模型包括：

构建遗忘门控制单元f

构建更新门控制单元：i

C′

构建输出门控制单元：O

输出的状态结果：h

C

其中，W

作为一种可能的实施方式，进一步，本方案还包括：

S07、按预设评估指标对PSO-LSTM模型进行预测结果评估，并根据评估结果对PSO-LSTM模型进行调优，以进一步提高PSO-LSTM模型的预测准确性。

作为一种较优的选择实施方式，优选的，本方案所述评估指标包括：均方根误差RMSE、平均绝对误差MAE、均方误差MSE、平均绝对百分比误差MAPE，其计算公式分别如下：

其中，T

采用上述的技术方案，本发明与现有技术相比，其具有的有益效果为：本发明方案提出一种基于PSO-LSTM混合模型的隧道围岩变形预测方法，通过建立长短期神经网络(LSTM)对实际监测数据的处理、训练，并结合粒子群算法对学习率、隐含层神经元个数进行优化，能够实现减少样本训练时间、提高围岩变形预测准确率的目标。该方法可为隧道支护方案优化、隧道安全施工及运营提供理论支撑。本方法预测的围岩变形结果准确性高、效率高，在未来大量隧道工程建设及运营维护中有着广阔的应用前景。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明方案所提及的LSTM模型的单元结构示意图；

图2是本发明方案PSO-LSTM隧道围岩变形预测模型的训练流程示意图；

图3是本发明方案实例举例的现场施工示意图，其示出了浅埋偏压四孔小净距隧道洞口工程；

图4是本发明方案实例举例中不同比例数据预测结果图；

图5是本发明方案实例举例中围岩变形预测结果图。

具体实施方式

下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

结合图2所示，本实施例方案一种基于PSO-LSTM模型的隧道围岩变形预测方法，其包括：

S01、获取隧道拱顶沉降、水平收敛的变形数据以及变形数据所获取的时间点，以形成时间序列数据；

S02、对时间序列数据进行预处理；

S03、按预设比例将经过预处理后的时间序列数据划分为训练集和测试集；

S04、构建用于隧道围岩变形中拱顶沉降和水平收敛预测的LSTM模型(如图1所示)，通过PSO算法对LSTM模型进行参数寻优；

S05、设置LSTM模型的参数，利用训练集训练基于LSTM的拱顶沉降和水平收敛预测模型，采用粒子群参数优化模型对LSTM进行重复训练，使得模型的预测准确性符合预设要求，获得PSO-LSTM模型；

S06、将测试集输入到PSO-LSTM模型中进行预测，输出预测值。

本方案S01中，获取隧道拱顶沉降、水平收敛的变形数据以及变形数据所获取的时间点的方式可以为现场监测获取或数值仿真获取等。

除此之外，本方案S01还包括：根据隧道拱顶沉降、水平收敛的变形数据绘制与时间相关的拱顶沉降-时间、水平收敛-时间的变形曲线，根据变形曲线的变化规律及隧道围岩变形规律进行初步分析评价。

本方案S02中，对时间序列数据进行预处理包括数据清洗、缺失值填充、归一化处理中的一项以上；当对数据进行归一化处理后，在后续S06获取的到预测值时，适时根据需要对预测值进行反归一化。

其中，数据清洗包括对时间序列数据进行异常数据剔除；

缺失值填充包括根据时间序列数据进行拟合曲线公式，然后根据曲线公式获取对应的时间序列数据值，以完成变形数据的补充。

本方案S03中，在经过预处理后的时间序列数据中提取80％的数据量作为训练集，剩余20％作为测试集，通常将前面的80％数据作为训练集，后面的20％数据作为测试集。

本方案S04中，通过PSO算法对LSTM模型进行参数寻优，其包括设置种群大小、迭代次数、惯性权重中的一项以上参数，以使得模型的预测准确性最大化。

本方案S05中，设置LSTM模型的参数包括设置隐藏层大小、学习率参数中的一项以上。

本方案S06中，将测试集输入到PSO-LSTM模型中进行预测，对于每个时刻的输入数据，PSO-LSTM模型根据之前的状态和输入，产生一个预测值，并作为下一时刻的输入值。

本方案S04通过PSO算法对LSTM模型进行参数寻优包括：

假设在一个D维的寻优空间中，有N个粒子组成一个群落，粒子具有位置向量和速度向量，其包括：

第i个粒子的位置坐标，记为：X

第i个粒子的速度向量，记为：V

迭代第m代向第m+1代粒子更新的式子：

v

x

其中，ω为惯性权重，c

本方案步骤S05训练基于LSTM的拱顶沉降和水平收敛预测模型包括：

构建遗忘门控制单元f

构建更新门控制单元：i

C′

构建输出门控制单元：O

输出的状态结果：h

C

其中，W

为了提高模型的预测可靠性，本方案还包括：

S07、按预设评估指标对PSO-LSTM模型进行预测结果评估，并根据评估结果对PSO-LSTM模型进行调优，以进一步提高PSO-LSTM模型的预测准确性。

而作为一种较优的选择实施方式，优选的，本方案所述评估指标包括：均方根误差RMSE、平均绝对误差MAE、均方误差MSE、平均绝对百分比误差MAPE，其计算公式分别如下：

其中，T

实施实例

为了进一步对上述实施例所揭示的方法进行举例阐述，如下提供一实例进行说明：

某市政道路浅埋偏压隧道为四孔小净距、大跨度隧道工程(如图3所示)。隧道由中间两座双向八车道的主线隧道和两侧两座人行隧道组成，隧道全长约1000m。隧道洞口段地形起伏较大，其坡面多为强风化花岗岩，节理裂隙发育，围岩稳定性较差，开挖扰动易产生大变形、坍塌。该隧道存在隧道工程结构复杂、浅埋偏压及大跨度、地质条件复杂等特点，为全线控制性工程。全面获取隧道围岩变形数据，分析变形特性，为施工安全、支护方案优化及结构的长期稳定性评价提供技术支撑是该工程重要的研究课题。得到四座隧道洞口段典型断面的的拱顶沉降与水平收敛等现场监测数据，其中部分数据见表1、表2。

表1拱顶沉降实测值(部分)

表2水平收敛监测数据(部分)

运用MATLAB对拱顶沉降和水平收敛进行归一化处理，然后将围岩时间-变形数据经训练集和测试集的比例分配。接着，将预处理的数据代入PSO算法中，对数据进行初始化，计算个体适应度，优化的目标是选取适应度高的个体。如果没有达到最高适应度，则返回第二步继续更新迭代，直到适应度达到最高且不变化时，此时函数值达到最优。然后，将优化的结果代入LSTM进行学习记忆，当达到设置的目标次数时输出预测结果，未达到时返回继续学习计算，最后得到对围岩变形预测结果。分别采用35％、50％、70％和90％的时间数据作为训练集，对后面时间天数的拱顶变化进行预测(如图4所示)。

以LSTM模型为对照模型，将两种模型(LSTM、PSO-LSTM)的预测结果进一步计算预测结果的评价指标，对预测效果进行评估如下表3：

表3不同比例数据下预测评价

综上所述，结合图5可以得出每个隧道的拱顶沉降、水平收敛预测值与实际值的误差均在允许误差范围内，说明该预测模型具有可靠的预测效果。通过PSO-LSTM模型的训练和优化，得到了较为准确的围岩变形预测结果，为施工安全提供了可靠的支持。这不仅可以在前期方案选择中判断隧道的稳定性趋势，也可以利用现场监测数据来判断下一时刻的变化趋势，从而为隧道的施工安全及运营安全保驾护航。

以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。