CN115221793A - 一种隧道围岩变形预测方法及装置 - Google Patents
一种隧道围岩变形预测方法及装置 Download PDFInfo
- Publication number
- CN115221793A CN115221793A CN202210904673.4A CN202210904673A CN115221793A CN 115221793 A CN115221793 A CN 115221793A CN 202210904673 A CN202210904673 A CN 202210904673A CN 115221793 A CN115221793 A CN 115221793A
- Authority
- CN
- China
- Prior art keywords
- target
- displacement
- vmd
- prediction result
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Architecture (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种隧道围岩变形预测方法及装置,该方案基于麻雀搜索算法求解VMD的参数τ和参数σ的最优组合,避免了人工寻参的繁重及经验设置参数的主观影响,提高了围岩变形序列的分解质量;采用GRU模型预测的方式,可以充分挖掘围岩变形历史数据中的有效信息,相比静态模型更能体现围岩变形演化中的动态系统本质;具有更优异地预测精度及工程实用性。
Description
技术领域
本发明涉及隧道围岩变形技术领域,具体涉及一种隧道围岩变形预测方法及装置。
背景技术
在工程性质复杂的岩体中开挖隧道会打破岩体初始的平衡状态,改变其应力场,引起应力重分布。在此过程中,围岩不可避免地会产生形变,过大的变形量极易造成失稳、坍塌等重大安全事故,严重危及施工人员的生命及财产安全。因此,开展围岩变形预测研究,建立精准的变形预测模型,对于及时掌握围岩变形演化规律、保障施工安全及减少经济损失是尤为迫切和重要的。
依据时序分析将围岩变形分解为具有实际物理意义的分量,并分别进行预测是一种十分有效的方法。经典的时序分解方法有小波分析(WA)、经验模态分解(EMD)、变分模态分解(VMD)等。其中,VMD有着独特的优势,它可以指定分解后的分量个数,克服了WA缺乏自适应性的缺点,并在一定程度上缓解了EMD模态混叠、端点效应等问题。但VMD分解效果依赖于参数的选取,在围岩变形领域研究中,学者经常通过不断试算的方式得到了VMD参数,这种方法工作量大且不易得到最优组合值,从而致使分解效果不佳。
另一方面,随着人工智能技术的飞速发展,已有大量学者将SVM、BP神经网络等模型引入围岩变形预测中,但这类常用的模型归属于静态模型,其输出只取决于当前的输入,并没有记忆功能,且不能较好的适应新增样本的连续变化。显然,对于围岩变形序列而言,这类模型在一定程度上忽略了围岩变形演化中的动态系统本质,并不能充分挖掘其有效信息,制约着预测精度的提升。
因此,为了克服上述现有技术的缺点,亟需提供一种解决方法。
发明内容
针对现有技术存在的不足,本发明提出一种隧道围岩变形预测方法,以解决现有技术中存在的工作量大且不易得到最优组合值,从而致使分解效果不佳,以及忽略了围岩变形演化中的动态系统本质,并不能充分挖掘其有效信息,制约着预测精度的提升的技术问题。
一种隧道围岩变形预测方法,其特征在于,包括:采集围岩变形的监测数据,并判断所述监测数据是否为等间距;若是,则将所述监测数据划分为训练集和预测集;定义VMD的分解评价标准,并基于麻雀搜索算法求解VMD的参数τ和参数σ的最优组合;将得到的参数τ和参数σ的最优组合用于VMD中得到目标VMD;采用目标VMD将所述监测数据中的训练集和预测集分别分解为趋势项位移和随机项位移;建立GRU模型,并采用训练集对所述GRU模型进行训练,得到目标GRU模型;根据所述目标GRU模型进行位移预测,并对预测结果进行反归一化处理,得到目标位移预测结果,所述目标位移预测结果包括趋势项位移预测结果和随机项位移预测结果;根据所述目标预测结果,叠加计算得到围岩变形预测值。
在一个实施例中,采集围岩变形的监测数据,并判断所述监测数据是否为等间距步骤之后,还包括:若否,则采用三次样条差值法进行等间距处理,并对处理后的监测数据进行划分为训练集和预测集。
在一个实施例中,所述定义VMD的分解评价标准步骤,包括:选择均方根误差作为衡量分解后信息完整度的指标;引入样本熵作为评价分解效果的指标;结合所述均方根误差和所述样本熵构建VMD的评价标准。
在一个实施例中,所述并基于麻雀搜索算法求解VMD的参数τ和参数σ的最优组合步骤,包括:将所述评价标准转化为约束优化问题;采用麻雀搜索算法解决所述约束优化问题,得到参数τ和参数σ的最优组合。
在一个实施例中,所述采用目标VMD将所述监测数据中的训练集和预测集分别分解为趋势项位移和随机项位移步骤之后,还包括:对分解为的趋势项位移和随机项位移的监测数据进行归一化处理。
在一个实施例中,所述建立GRU模型,并采用训练集对所述GRU模型进行训练,得到目标GRU模型步骤,包括:建立第一GRU模型,采用趋势项位移中的训练集对所述第一GRU模型进行训练,得到第一目标GRU模型;建立第二GRU模型,采用随机项位移中的训练集对所述第二GRU模型进行训练,得到第二目标GRU模型。
在一个实施例中,根据所述目标GRU模型进行位移预测,并对预测结果进行反归一化处理,得到目标位移预测结果,所述目标位移预测结果包括趋势项位移预测结果和随机项位移预测结果步骤,包括:根据第一目标GRU模型预测趋势项位移,对预测的趋势项位移进行反归一化操作得到趋势项位移预测结果;根据第二目标GRU模型预测随机项位移,对预测的随机项位移进行反归一化操作得到随机项位移预测结果。
在一个实施例中,根据所述目标预测结果,叠加计算得到围岩变形预测值步骤,包括:基于时序叠加原理将所述趋势项位移预测结果和所述随机项预测结果累加,计算得到围岩变形预测值。
在一个实施例中,根据所述目标预测结果,叠加计算得到围岩变形预测值步骤之后,还包括:获取围岩变形的实际值,并根据所述围岩变形预测值计算目标决定系数、目标平均绝对误差和目标均方根误差;采用所述目标决定系数、所述目标平均绝对误差和所述目标均方根误差对所述围岩变形预测值进行定量评价。
一种隧道围岩变形预测装置,其特征在于,包括:数据采集判断模块、VMD分解模块、GRU预测处理模块和计算预测值模块,其中,所述数据采集判断模块用于,采集围岩变形的监测数据,并判断所述监测数据是否为等间距;若是,则将所述监测数据划分为训练集和预测集;所述VMD分解模块用于,定义VMD的分解评价标准,并基于麻雀搜索算法求解VMD的参数τ和参数σ的最优组合;将得到的参数τ和参数σ的最优组合用于VMD中得到目标VMD;采用目标VMD将所述监测数据中的训练集和预测集分别分解为趋势项位移和随机项位移;所述GRU预测处理模块用于,建立GRU模型,并采用训练集对所述GRU模型进行训练,得到目标GRU模型;根据所述目标GRU模型进行位移预测,并对预测结果进行反归一化处理,得到目标位移预测结果,所述目标位移预测结果包括趋势项位移预测结果和随机项位移预测结果;所述计算预测值模块用于,根据所述目标预测结果,叠加计算得到围岩变形预测值。
由上述技术方案可知,本发明的有益技术效果如下:
1.该方法基于麻雀搜索算法求解VMD的参数τ和参数σ的最优组合,避免了人工寻参的繁重及经验设置参数的主观影响,提高了围岩变形序列的分解质量;采用GRU模型预测的方式,可以充分挖掘围岩变形历史数据中的有效信息,相比静态模型更能体现围岩变形演化中的动态系统本质;具有更优异地预测精度及工程实用性。
2.通过三次样条差值法对非等间距的监测数据进行等间距处理,保证被分析的监测数据的合理性,从而防止因为监测数据不合理导致后续分析预测出现误差的情况,进一步提高预测的准确性。
3.采用目标决定系数、目标平均绝对误差和均方根误差对预测结果进行定量评价。目标决定系数取值为(0,1),其值越大表明预测值与实际值一致程度越高;目标平均绝对误差能反应预测值误差的实际情况,目标均方根误差对较大误差极其敏感,可以反应预测的精密度,两项指标均越小越好。极大的提高了定量评价的全面性和准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为一个实施例中一种隧道围岩变形预测方法的流程示意图;
图2为图1中一种隧道围岩变形预测方法的整体流程示意图;
图3为一个实施例中拱顶沉降等距数据的示意图;
图4为一个实施例中不同算法分解变形序列的寻优过程示意图;
图5为一个实施例中拱顶沉降序列分解结果的示意图;
图6为一个实施例中拱顶沉降序列各分量预测散点图;
图7为一个实施例中拱顶沉降整体预测结果的示意图;
图8为一个实施例中不同模型拱顶沉降预测结果的示意图;
图9为一个实施例中一种隧道围岩变形预测装置的结构框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
在一个实施例中,如图1和图2所示,提供了一种隧道围岩变形预测方法,包括以下步骤:
S1采集围岩变形的监测数据,并判断监测数据是否为等间距。
具体地,在实际工程中,采集到的围岩变形监测数据表现为非等间距,如果直接用来分析是不合理的。因此,在拿到监测数据之后,首先应判断是否为等距数据。
在其中一个实施例中,步骤S1之后,还包括步骤:若否,则采用三次样条差值法进行等间距处理,并对处理后的监测数据进行划分为训练集和预测集。
具体地,若监测数据为非等间距,则先采用三次样条差值法进行等距处理,再进行训练集和预测集的划分。三次样条插值(Cubic Spline Interpolation)简称Spline插值,是通过一系列形值点的一条光滑曲线,数学上通过求解三弯矩方程组得出曲线函数组的过程。
S2若是,则将监测数据划分为训练集和预测集。
具体地,监测数据若是等间距数据,则将监测数据划分为训练集和预测集。其中,训练集用来训练模型,预测集用来验证模型的泛化能力及适用性。
S3定义VMD的分解评价标准,并基于麻雀搜索算法求解VMD的参数τ和参数σ的最优组合。
在其中一个实施例中,步骤S3中的定义VMD的分解评价标准步骤,包括:选择均方根误差作为衡量分解后信息完整度的指标;引入样本熵作为评价分解效果的指标;结合均方根误差和样本熵构建VMD的评价标准。
具体地,VMD,即变分模态分解,是一种完全非递归、自适应信号分解方法,可依据围岩变形序列本身的时间尺度特征将原始序列分解为指定数量的本征模态分量,但分解个数K、上升步长τ和二次惩罚因子σ对VMD算法分解效果的影响较显著。K为预设分解本征模态分量(IMF)个数,在围岩变形序列分解中取为2;τ和σ影响着分解后的损失度与分解效果,但在其选择上通常采用经验设置或不断试算的方式,经验设置具有较强的随机性,且缺乏理论基础;而对于复杂的围岩变形序列,不断试算方式不仅运算量大、耗时长,也不易得到两参数最优组合值。因此亟需定义一个适用于围岩变形预测领域的评价标准来指导VMD参数的选取。所以先进行定义VMD分解评价标准,τ和σ两参数之间是相互影响的,为充分考虑两者对分解质量的影响,定义评价标准总体思路如下:
(1)为考量分解后的损失度,将分解得到的2个本征模态分量进行累加重构为y′(t),并计算其与原始序列y(t)的均方根误差RMSE,以此作为衡量分解后信息完整度的指标,即:
式中:y(t)为t时刻原始值,y′(t)为t时刻重构值,N为序列长度。
(2)为考量分解效果,引入样本熵(SE)作为评价分解效果的指标。样本熵是一种衡量时间序列正则性与复杂度的算法,其值越大表示复杂度越高,反之则信号复杂度越低。
式中:m为重构序列维度,取为2;相似容限r=0.2·std,std为ZN的标准差,ZN为围岩变形序列。
在围岩变形序列分解所得两分量中,趋势项位移序列(IMF1)为去除突发性因素及监测条件所引起变形的分量,所以其复杂程度越低越好。因此,本文以趋势项位移序列的样本熵值作为衡量分解效果的指标。
(3)将RMSE与SE相结合,不仅能保证分解后序列信息的完整性,还能体现原始序列的分解效果。综上,构建评价标准EI为:
EI=RMSE(y(t),y′(t))·SE(IMF1) (3)
式中:RMSE(y(t),y′(t))为重构序列y′(t)和原始序列y(t)的均方根误差,其值越小代表分解后的信息完整度越高;SE(IMF1)为分解后趋势项位移序列的样本熵值,其值越小表示趋势项位移序列越规则,分解效果越好。
在其中一个实施例中,并基于麻雀搜索算法求解VMD的参数τ和参数σ的最优组合步骤,包括:将评价标准转化为约束优化问题;采用麻雀搜索算法解决约束优化问题,得到参数τ和参数σ的最优组合。
具体地,对τ和σ参数求解,可将公式(3)转换为约束优化问题,也就是在一定区间内找到参数τ和σ的值,使得EI最小,即:
S.t.τ,σ∈R (4)
采用麻雀搜索算法(SSA)来解决上述约束优化问题。SSA是一种新型元启发式算法,具有较好的全局寻优能力,在稳定性及精度方面相较于灰狼优化算法(GWO)、鲸鱼优化算法(WOA)等具有明显的优势。具体步骤如下:
1°输入训练集样本,并初始化麻雀搜索算法参数;
2°每个麻雀个体代表VMD算法的τ和σ两参数。以式(3)作为麻雀搜索算法的适应度函数,计算所有麻雀的适应度值,找到当前全局最优解并确定其位置;
3°更新发现者、加入者和预警者的位置,查看位置更新后的个体适应度值,确定最佳麻雀个体的位置;
4°判断是否满足中止准则,即得到全局最优解或者满足最大迭代次数。若满足,则输出最佳麻雀位置作为参数τ和σ的最优值,反之,则继续执行步骤2°、3°。
S4将得到的参数τ和参数σ的最优组合用于VMD中得到目标VMD。
具体地,将得到的τ和σ最佳组合值用于VMD算法中,就可到目标VMD算法。
S5采用目标VMD将监测数据中的训练集和预测集分别分解为趋势项位移和随机项位移。
具体地,将训练集分解为趋势项位移的训练集以及随机项位移的训练集;预测集分解为趋势项位移的预测集以及随机项位移的预测集。
在其中一个实施例中,步骤S5之后,还包括:对分解为的趋势项位移和随机项位移的监测数据进行归一化处理。具体地,为使预测算法更易收敛,分别对数据进行归一化处理,使其位于[0,1]之间。
S6建立GRU模型,并采用训练集对GRU模型进行训练,得到目标GRU模型。
在其中一个实施例中,步骤S6还包括:建立第一GRU模型,采用趋势项位移中的训练集对第一GRU模型进行训练,得到第一目标GRU模型;建立第二GRU模型,采用随机项位移中的训练集对第二GRU模型进行训练,得到第二目标GRU模型。
具体地,采用趋势项位移中的训练集对GRU动态神经网络进行训练,得到第一目标GRU模型;采用随机项位移中的训练集对GRU动态神经网络进行训练,得到第二目标GRU模型。GRU,Gated Recurrent Unit,是LSTM网络的一种效果很好的变体,它较LSTM网络的结构更加简单,而且效果也很好,因此也是当前非常流形的一种网络。
S7根据目标GRU模型进行位移预测,并对预测结果进行反归一化处理,得到目标位移预测结果,目标位移预测结果包括趋势项位移预测结果和随机项位移预测结果。
在其中一个实施例中,步骤S7还包括:根据第一目标GRU模型预测趋势项位移,对预测的趋势项位移进行反归一化操作得到趋势项位移预测结果;根据第二目标GRU模型预测随机项位移,对预测的随机项位移进行反归一化操作得到随机项位移预测结果。
具体地,利用训练后的第一目标GRU网络进行趋势项位移的预测,并进行反归一化操作得到趋势项位移预测结果。利用训练后的第二目标GRU网络进行随机项位移的预测,并进行反归一化操作得到随机项位移预测结果。
S8根据目标预测结果,叠加计算得到围岩变形预测值。
在其中一个实施例中,步骤S8包括:基于时序叠加原理将趋势项位移预测结果和随机项预测结果累加,计算得到围岩变形预测值。
在其中一个实施例中,步骤S8之后,还包括:获取围岩变形的实际值,并根据围岩变形预测值计算目标决定系数、目标平均绝对误差和目标均方根误差;采用目标决定系数、目标平均绝对误差和目标均方根误差对围岩变形预测值进行定量评价。
具体地,采用决定系数R2、平均绝对误差MAE和均方根误差RMSE对预测结果进行定量评价。R2取值为(0,1),其值越大表明预测值与实际值一致程度越高;MAE能反应预测值误差的实际情况,RMSE对较大误差极其敏感,可以反应预测的精密度,两项指标均越小越好。计算公式如下:
在一个实施例中,对采用上述一种隧道围岩变形预测方法得到的结果进行验证,首先如图3所示,为进行处理后的拱顶沉降60d等距数据。然后进行围岩变形序列分解。为验证麻雀搜索算法(SSA)优化VMD的有效性及优越性,分别采用经验设置值、鲸鱼优化算法(WOA)(一种现有技术)寻优值及SSA寻优值作为VMD的分解参数,将拱顶沉降训练集序列分解为相应的模态分量。公平起见,WOA和SSA算法的种群参数保持一致:最大迭代次数40,种群数量60,寻优范围为[1,10000]、[0,1]。此外,算法参数设置为:SSA发现者比例为0.7,预警者占比0.2,安全值为0.6;WOA螺旋形状参数为1。以公式(3)为适应度函数,评价标准EI值即为适应度值,三种算法的寻优过程如图4所示,寻优结果见表1,
表1不同算法寻优结果
算法 | σ | τ | EI |
VMD | 2500 | 0 | 2.70 |
WOA-VMD | 213.56 | 0.57 | 0.68 |
SSA-VMD | 62.44 | 0.33 | 0.19 |
由图4可以明显看出,与经验设置相比,采用WOA和SSA对VMD参数寻优后,评价标准EI值均有大幅度地降低,这表明了群智能算法优化VMD的有效性;且相较于WOA-VMD,SSA-VMD的EI值最小,分解效果最优,这是由于SSA算法具有较强的寻优能力,能够更为准确地寻得τ和σ最佳组合值;再结合表1可知,采用SSA优化参数时EI值最小为0.19,相比于经验设置和WOA优化参数分别减少了92.96%和72.06%。综上所述,SSA可自适应地寻得两参数最优组合值,不仅提高了分解后序列信息的完整性和分解效果,还避免了人工寻参的繁重、降低了经验设置的主观影响。
将所寻最优参数组合值应用于VMD算法中,并将拱顶沉降测试集序列分解为趋势项位移和随机项位移,如图5所示。
围岩变形预测,在Python 3.8的TensorFlow 2.3.0(是一个开放源代码软件库,用于进行高性能数值计算。)后端上使用Keras2.4.3(Keras是一个高层神经网络API)构建了一个包含两层GRU层和一层Dense层(全连接层,根据特征的组合进行分类,大大减少特征位置对分类带来的影响)的GRU神经网络(GRU,Gated Recurrent Unit,是LSTM网络的一种效果很好的变体,它较LSTM网络的结构更加简单,而且效果也很好,因此也是当前非常流形的一种网络。),每层GRU的神经元数量分别为80和100,优化器为Adam算法(Adam是一种可以替代传统随机梯度下降过程的一阶优化算法,它能基于训练数据迭代地更新神经网络权重。),损失函数为MSE,迭代次数为100。经多次试算后确定输入序列长度为3,即当前阶段位移预测值由前3d的位移数据共同决定。
分别采用了SVR(SVM回归算法称为支持向量回归或SVR。支持向量回归是一种监督学习算法,用于预测离散值。)和BP神经网络(BP网络(Back Propagation),是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。),用以验证GRU神经网络的优越性。各分量预测结果如图6所示,整体预测结果如图7所示,定量评价指标值见表2,
表2不同模型预测结果评价指标值
通过与常用SVM和BP神经网络所建立的模型对比得到,SSA-VMD-GRU模型的预测精度最高、误差最小。这说明基于GRU神经网络的预测模型充分挖掘了围岩变形序列的深度有效信息,相比静态模型能更好地体现围岩变形系统发展过程中的动态性。
为了探讨分解对预测结果的影响,另外建立了GRU、VMD-GRU及WOA-VMD-GRU三种模型对围岩变形序列进行预测。预测结果如图8所示,定量评价指标值见表3,
表3定量评价指标值
通过考虑未分解及不同算法分解对预测结果的影响,充分说明了优化VMD参数的必要性及SSA的优越性,也证明了所提评价标准在围岩变形序列分解中的合理性。
在一个实施例中,如图9所示,提供了一种隧道围岩变形预测装置,其特征在于,包括:数据采集判断模块210、VMD分解模块220、GRU预测处理模块230和计算预测值模块240,其中,
数据采集判断模块210用于,采集围岩变形的监测数据,并判断监测数据是否为等间距;若是,则将监测数据划分为训练集和预测集;
VMD分解模块220用于,定义VMD的分解评价标准,并求解VMD的参数τ和参数σ的最优组合;将得到的参数τ和参数σ的最优组合用于VMD中得到目标VMD;采用目标VMD将监测数据中的训练集和预测集分别分解为趋势项位移和随机项位移;
GRU预测处理模块230用于,建立GRU模型,并采用训练集对GRU模型进行训练,得到目标GRU模型;根据目标GRU模型进行位移预测,并对预测结果进行反归一化处理,得到目标位移预测结果,目标位移预测结果包括趋势项位移预测结果和随机项位移预测结果;
计算预测值模块240用于,根据目标预测结果,叠加计算得到围岩变形预测值。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种隧道围岩变形预测方法,其特征在于,包括:
采集围岩变形的监测数据,并判断所述监测数据是否为等间距;
若是,则将所述监测数据划分为训练集和预测集;
定义VMD的分解评价标准,并基于麻雀搜索算法求解VMD的参数τ和参数σ的最优组合;
将得到的参数τ和参数σ的最优组合用于VMD中得到目标VMD;
采用目标VMD将所述监测数据中的训练集和预测集分别分解为趋势项位移和随机项位移;
建立GRU模型,并采用训练集对所述GRU模型进行训练,得到目标GRU模型;
根据所述目标GRU模型进行位移预测,并对预测结果进行反归一化处理,得到目标位移预测结果,所述目标位移预测结果包括趋势项位移预测结果和随机项位移预测结果;
根据所述目标预测结果,叠加计算得到围岩变形预测值。
2.根据权利要求1所述的方法,其特征在于,所述采集围岩变形的监测数据,并判断所述监测数据是否为等间距步骤之后,还包括:
若否,则采用三次样条差值法进行等间距处理,并对处理后的监测数据进行划分为训练集和预测集。
3.根据权利要求1所述的方法,其特征在于,所述定义VMD的分解评价标准步骤,包括:
选择均方根误差作为衡量分解后信息完整度的指标;
引入样本熵作为评价分解效果的指标;
结合所述均方根误差和所述样本熵构建VMD的评价标准。
4.根据权利要求1所述的方法,其特征在于,所述并基于麻雀搜索算法求解VMD的参数τ和参数σ的最优组合步骤,包括:
将所述评价标准转化为约束优化问题;
采用麻雀搜索算法解决所述约束优化问题,得到参数τ和参数σ的最优组合。
5.根据权利要求1所述的方法,其特征在于,所述采用目标VMD将所述监测数据中的训练集和预测集分别分解为趋势项位移和随机项位移步骤之后,还包括:
对分解为的趋势项位移和随机项位移的监测数据进行归一化处理。
6.根据权利要求1所述的方法,其特征在于,所述建立GRU模型,并采用训练集对所述GRU模型进行训练,得到目标GRU模型步骤,包括:
建立第一GRU模型,采用趋势项位移中的训练集对所述第一GRU模型进行训练,得到第一目标GRU模型;
建立第二GRU模型,采用随机项位移中的训练集对所述第二GRU模型进行训练,得到第二目标GRU模型。
7.根据权利要求6所述的方法,其特征在于,根据所述目标GRU模型进行位移预测,并对预测结果进行反归一化处理,得到目标位移预测结果,所述目标位移预测结果包括趋势项位移预测结果和随机项位移预测结果步骤,包括:
根据第一目标GRU模型预测趋势项位移,对预测的趋势项位移进行反归一化操作得到趋势项位移预测结果;
根据第二目标GRU模型预测随机项位移,对预测的随机项位移进行反归一化操作得到随机项位移预测结果。
8.根据权利要求1所述的方法,其特征在于,根据所述目标预测结果,叠加计算得到围岩变形预测值步骤,包括:
基于时序叠加原理将所述趋势项位移预测结果和所述随机项预测结果累加,计算得到围岩变形预测值。
9.根据权利要求1所述的方法,其特征在于,根据所述目标预测结果,叠加计算得到围岩变形预测值步骤之后,还包括:
获取围岩变形的实际值,并根据所述围岩变形预测值计算目标决定系数、目标平均绝对误差和目标均方根误差;
采用所述目标决定系数、所述目标平均绝对误差和所述目标均方根误差对所述围岩变形预测值进行定量评价。
10.一种隧道围岩变形预测装置,其特征在于,包括:数据采集判断模块、VMD分解模块、GRU预测处理模块和计算预测值模块,其中,
所述数据采集判断模块用于,采集围岩变形的监测数据,并判断所述监测数据是否为等间距;若是,则将所述监测数据划分为训练集和预测集;
所述VMD分解模块用于,定义VMD的分解评价标准,并求解VMD的参数τ和参数σ的最优组合;将得到的参数τ和参数σ的最优组合用于VMD中得到目标VMD;采用目标VMD将所述监测数据中的训练集和预测集分别分解为趋势项位移和随机项位移;
所述GRU预测处理模块用于,建立GRU模型,并采用训练集对所述GRU模型进行训练,得到目标GRU模型;根据所述目标GRU模型进行位移预测,并对预测结果进行反归一化处理,得到目标位移预测结果,所述目标位移预测结果包括趋势项位移预测结果和随机项位移预测结果;
所述计算预测值模块用于,根据所述目标预测结果,叠加计算得到围岩变形预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210904673.4A CN115221793A (zh) | 2022-07-29 | 2022-07-29 | 一种隧道围岩变形预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210904673.4A CN115221793A (zh) | 2022-07-29 | 2022-07-29 | 一种隧道围岩变形预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115221793A true CN115221793A (zh) | 2022-10-21 |
Family
ID=83614098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210904673.4A Pending CN115221793A (zh) | 2022-07-29 | 2022-07-29 | 一种隧道围岩变形预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115221793A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659749A (zh) * | 2022-11-01 | 2023-01-31 | 河海大学 | 基坑变形预测方法及系统、电子设备和存储介质 |
CN115688251A (zh) * | 2022-12-19 | 2023-02-03 | 山东大学 | 基于深度学习的地震多发区隧道风险决策方法及系统 |
-
2022
- 2022-07-29 CN CN202210904673.4A patent/CN115221793A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659749A (zh) * | 2022-11-01 | 2023-01-31 | 河海大学 | 基坑变形预测方法及系统、电子设备和存储介质 |
CN115659749B (zh) * | 2022-11-01 | 2024-02-06 | 河海大学 | 基坑变形预测方法及系统、电子设备和存储介质 |
CN115688251A (zh) * | 2022-12-19 | 2023-02-03 | 山东大学 | 基于深度学习的地震多发区隧道风险决策方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
CN115221793A (zh) | 一种隧道围岩变形预测方法及装置 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN112966954A (zh) | 一种基于时间卷积网络的防洪调度方案优选方法 | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN114547974A (zh) | 基于输入变量选择与lstm神经网络的动态软测量建模方法 | |
CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
CN112363896A (zh) | 日志异常检测系统 | |
CN115470962A (zh) | 一种基于LightGBM的企业失信风险预测模型构建方法 | |
CN111415008B (zh) | 一种基于vmd-foa-grnn的船舶流量预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
CN111859814A (zh) | 基于lstm深度学习的岩石时效变形预测方法及其系统 | |
CN117114184A (zh) | 一种城市碳排放影响因素特征提取与中长期预测方法及装置 | |
CN111667189A (zh) | 一种基于一维卷积神经网络的建筑工程项目风险预测方法 | |
CN114021432A (zh) | 一种应力腐蚀开裂裂纹扩展速率预测方法及系统 | |
CN113255963A (zh) | 基于路元拆分和深度学习模型lstm的路面使用性能预测方法 | |
CN117076887A (zh) | 一种泵站机组运行状态预测和健康评估方法及系统 | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN113868957B (zh) | 贝叶斯深度学习下剩余寿命预测及不确定性量化校准方法 | |
CN114881204A (zh) | 基于路元拆分和ga-bp神经网络模型的路面平整度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |