基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法
技术领域
本发明涉及属于隧道工程
技术领域
，具体涉及一种基于 Bayes-LSTM模型的公路隧道施工期围岩变形预测方法。背景技术
近年来，随着交通建设发展，公路隧道的数量也在迅速增加，隧道开挖过程中会破坏岩土体应力应变的平衡状态，应力重分布与围岩变形等问题也会随之而来，围岩大变形是隧道施工中常见的施工灾害之一，其会破坏支护结构，侵入断面限界，对隧道的正常施工有着较大的影响。然而，隧道围岩存在非连续性、非均质性等特点，使得围岩变形的理论计算较为困难，因此在施工中准确地预测拱顶沉降与周边收敛，对围岩变形与围岩稳定性的分析具有十分重要的意义。通过调研国内外学者对隧道的围岩变形预测进行的大量研究成果不难发现，常见的预测方法为统计回归、数值模拟，随着人工智能技术的发展，为解决隧道围岩变形问题提供了新的解决方法，有学者提出以支持向量机为理论基础，利用粒子群算法和混沌理论优化模型参数，构建了混沌优化PSO-SVM模型来预测隧道围岩变形，还有学者采用灰色理论分析，时间序列分析与BP神经网络的模型。
虽然国内外学者对隧道围岩变形预测方法进行了较多的研究，但是上述预测模型均有一定的局限性，例如，BP神经网络受初值影响较大，同时容易出现网络梯度消失和梯度爆炸等问题。
发明内容
本发明的目的是提供一种基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法，能提高围岩变形预测的准确率，减少样本的训练时间，从而保障公路隧道的施工安全及建设进度。
本发明所采用的技术方案为：
基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法，其特征在于：
所述方法包括以下步骤：
a.获取拱顶沉降与周边收敛数据：数据为一段时间内某观测点实际测量的连续沉降数据；
b.机理知识分析：绘制拱顶沉降与周边收敛变化曲线图，对曲线变化规律与隧道围岩变形规律进行初步分析判断，排除特殊不良地质原因造成的施工期实测数据有明显异常的情况；
c.预处理数据：利用Python内置函数MinMaxScaler对数据进行归一化，利用series_to_supervised函数将时序数据转化为有监督数据；
d.划分数据集：利用train_test_split函数将前67％的数据作为训练集，后33％的数据作为测试样本，并以训练集中的20％作为验证集来验证模型的泛化能力；
e.使用Python内置的Keras框架搭建LSTM拱顶沉降与周边收敛预测模型；
f.利用Python内置的Hyperopt贝叶斯调参模块搭建参数优化模型，并设置Bayes优化参数以及搜索空间；
g.优化LSTM模型：设置初始参数，训练LSTM的拱顶沉降与周边收敛预测模型，以MSE作为损失函数，采用f中的参数优化模型对 LSTM进行重复训练，根据训练集验证集损失判断模型拟合效果，并选取损失最小的一组超参数组合构建LSTM模型；
h.加载训练完成的LSTM拱顶沉降与周边收敛预测模型，对测试集数据进行预测，输出预测值y；
i.利用Python内置的inverse_transform函数对h中的得到的预测数据进行反归一化。
步骤f中，Bayes优化参数包括:LSTM单元内隐藏层尺寸大小、优化器的选择、学习率、迭代次数；其中LSTM单元内隐藏层尺寸大小的搜索空间为2-64，优化器的选择为‘adam’，‘rmsporop’，‘adamax’，学习率的搜索空间为0.001-0.01，迭代次数的搜索空间为100-300。
步骤g中，训练LSTM的拱顶沉降与周边收敛预测模型包括：
构建遗忘门(forget gate)ft：ft＝σ(Wfht-1+Wfxt+bf)；
构建输入门(input gate)it：it＝σ(Wiht-1+Wixt+bi)；
当前时刻新的单元信息Ct：Ct＝ft×Ct-1+it×tanh(Wcht-1+Wcxt+bc)；
计算输出门(output gate)ot：ot＝σ(Woht-1+Woxt+bo)；
计算最终输出ht：ht＝ot×tanh(Ct)；
其中，W和b分别表示权值矩阵和偏置参数，σ是sigmoid函数， it决定更新到细胞状态中的所需信息，Ct为t时刻新的单元信息，ot决定细胞状态的输出部分，ht表示在t时刻xt对应单元的输出。
步骤g中，选优均方误差MSE为损失函数，其中，yi为实测值，为预测值。
步骤g中,当门输出为0时，禁止所有信息通过；当门输出为1 时，表示允许所有信息通过。
步骤g中，LSTM围岩变形预测模型为双层LSTM模型，采用Bayes 参数优化方法进行寻优，找出最佳参数。
本发明具有以下优点：
1、本发明利用Bayes优化LSTM模型，Bayes优化参数包括：LSTM 单元内隐藏层尺寸大小(units)、优化器(optimizer)的选择、学习率(learn_rate)、迭代次数(epochs)；其中LSTM单元内隐藏层尺寸大小的搜索空间为2-64，优化器的选择有‘adam’，‘rmsporop’，‘adamax’，学习率的搜索空间为0.001-0.01，迭代次数的搜索空间为100-300。根据不同的围岩变化曲线训练最佳参数，提升了围岩变形预测的准确率。
2、本发明基于的LSTM网络是由RNN衍生而来，LSTM网络是一种改进的循环神经网络(Recurrent Neural Networks,RNN)，可以解决RNN无法处理长距离的依赖问题，能够规避RNN中梯度爆炸和梯度消失的问题。所有RNN都具有一种重复神经网络模块的链式形式。在标准的RNN中，这个重复的模块只有一个非常简单的结构，例如一个tanh层。LSTM也具有这种链式结构，但是它的重复单元不同于标准RNN网络里的单元只有一个网络层，它的内部有四个网络层。同时， LSTM拥有三个“门”，分别为“遗忘门”、“输入门”、“输出门”。LSTM 靠一些“门”的结构让信息有选择的影响循环神经网络的每个时刻的状态，能够有选择性地决定让哪些信息通过。因此LSTM减少了模型训练的时间，也进一步提高了模型预测的精度，从而保障公路隧道的施工安全及建设进度。
附图说明
图1是本发明的方法流程图；
图2是本发明中示例数据拱顶沉降变化规律曲线图；
图3是本发明中示例数据周边收敛变化曲线图。
具体实施方式
下面结合具体实施方式对本发明进行详细的说明。
本发明涉及一种基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法，所述方法包括以下步骤：
a.获取拱顶沉降与周边收敛数据：数据为一段时间内某观测点实际测量的连续沉降数据；
b.机理知识分析：绘制拱顶沉降与周边收敛变化曲线图，对曲线变化规律与隧道围岩变形规律进行初步分析判断，排除特殊不良地质原因造成的施工期实测数据有明显异常的情况；
c.预处理数据：利用Python内置函数MinMaxScaler对数据进行归一化，利用series_to_supervised函数将时序数据转化为有监督数据；
d.划分数据集：利用train_test_split函数将前67％的数据作为训练集，后33％的数据作为测试样本，并以训练集中的20％作为验证集来验证模型的泛化能力；
e.使用Python内置的Keras框架搭建LSTM拱顶沉降与周边收敛预测模型；
f.利用Python内置的Hyperopt贝叶斯调参模块搭建参数优化模型，并设置Bayes优化参数以及搜索空间；
g.优化LSTM模型：设置初始参数，训练LSTM的拱顶沉降与周边收敛预测模型，以MSE作为损失函数，采用f中的参数优化模型对 LSTM进行重复训练，根据训练集验证集损失判断模型拟合效果，并选取损失最小的一组超参数组合构建LSTM模型；
h.加载训练完成的LSTM拱顶沉降与周边收敛预测模型，对测试集数据进行预测，输出预测值y；
i.利用Python内置的inverse_transform函数对h中的得到的预测数据进行反归一化。
步骤f中，Bayes优化参数包括:LSTM单元内隐藏层尺寸大小、优化器的选择、学习率、迭代次数；其中LSTM单元内隐藏层尺寸大小的搜索空间为2-64，优化器的选择为‘adam’，‘rmsporop’，‘adamax’，学习率的搜索空间为0.001-0.01，迭代次数的搜索空间为100-300。
步骤g中，训练LSTM的拱顶沉降与周边收敛预测模型包括：
构建遗忘门(forget gate)ft：ft＝σ(Wfht-1+Wfxt+bf)；
构建输入门(input gate)it：it＝σ(Wiht-1+Wixt+bi)；
当前时刻新的单元信息Ct：Ct＝ft×Ct-1+it×tanh(Wcht-1+Wcxt+bc)；
计算输出门(output gate)ot：ot＝σ(Woht-1+Woxt+bo)；
计算最终输出ht：ht＝ot×tanh(Ct)；
其中，W和b分别表示权值矩阵和偏置参数，σ是sigmoid函数， it决定更新到细胞状态中的所需信息，Ct为t时刻新的单元信息，ot决定细胞状态的输出部分，ht表示在t时刻xt对应单元的输出。
步骤g中，选优均方误差MSE为损失函数，其中，yi为实测值，为预测值。
步骤g中,当门输出为0时，禁止所有信息通过；当门输出为1 时，表示允许所有信息通过。
步骤g中，LSTM围岩变形预测模型为双层LSTM模型，采用Bayes 参数优化方法进行寻优，找出最佳参数。
实施例：
如图1所示，本发明的具体步骤为：
a.获取公路隧道施工期拱顶沉降与周边收敛数据：数据为一段时间内某观测点实际测量的连续沉降数据；
表1拱顶沉降实测值示例
表2周边收敛实测数据示例
b.机理知识分析：绘制拱顶沉降与周边收敛变化曲线图，对曲线变化规律与隧道围岩变形规律进行初步分析判断，排除特殊不良地质等原因造成的施工期实测数据有明显异常的情况；
c.预处理数据：利用Python内置函数MinMaxScaler对数据进行归一化，利用series_to_supervised函数将时序数据转化为有监督数据，由于监测天数非连续，本文利用前两天的累计沉降数据与监测天数作为特征因素来预测第三天数据，以C1为例，如表3所示；
表3 C1有监督数据示例
d.划分数据集：利用train_test_split函数将前67％的数据作为训练集，后33％的数据作为测试样本，并以训练集中的20％作为验证集来验证模型的泛化能力；
e.使用Python内置的Keras框架，搭建LSTM拱顶沉降与周边收敛预测模型；
f.利用Python内置的Hyperopt贝叶斯调参模块搭建参数优化模型，并设置Bayes优化参数以及搜索空间；
g.优化LSTM模型：设置初始参数，训练LSTM的拱顶沉降与周边收敛预测模型，以MSE作为损失函数，采用f中的参数优化模型对LSTM进行重复训练，根据训练集验证集损失判断模型拟合效果，并选取损失最小的一组超参数组合；
表4拱顶沉降Bayes优化的参数空间及其最优参数示例
表5周边收敛最优参数示例
h.加载训练完成的LSTM拱顶沉降与周边收敛预测模型，对测试集数据进行预测，输出预测值y；
i.利用Python内置的inverse_transform函数对h中的得到的预测数据进行反归一化。
本发明的内容不限于实施例所列举，本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换，均为本发明的权利要求所涵盖。
