一种用于泥水平衡盾构的隧道围岩压力预测方法、设备和存储介质

1.本发明涉及地下工程施工技术领域，尤其是一种用于泥水平衡盾构的隧道围岩压力预测方法、设备和存储介质。


背景技术：

2.在地下隧道工程建设中，盾构是关键一环。以平衡开挖面压力原理对盾构进行分类，可分为泥水平衡盾构、土压平衡盾构和气压平衡盾构。其中的泥水平衡盾构适用于含泥岩的混合底层条件使用。但在实际应用中，常常会受到阻塞的干扰，造成噪声和隧道工作面压力的大幅度波动，进而导致难以对开挖面泥浆的压力进行预测，造成如地表塌陷等一系列意外事故的发生。为了降低施工事故风险和后续使用该隧道时的风险，需要采取手段对开挖面压力进行合理预测。


技术实现要素：

3.为了预测波动较大的隧道参数，本发明提供一种用于泥水平衡盾构的隧道围岩压力预测方法、设备和存储介质。
4.本发明的第一方面提供了一种用于泥水平衡盾构的隧道围岩压力预测方法，包括以下步骤：
5.获取隧道参数和地质资料，将所述隧道参数和地质资料整理为时间序列数据；
6.对所述时间序列数据进行分离，得到第一分量和第二分量；
7.对第一分量进行预测，得到第一预测结果；
8.对第二分量进行预测，得到第二预测结果；
9.将第一预测结果和第二预测结果进行求和，求和结果作为预测结果输出。
10.进一步地，对所述时间序列数据进行分离，包括以下步骤：
11.在所述时间序列数据中手动提取有代表性的第一分量和第二分量，作为第一分量标准和第二分量标准；
12.将所述第一分量标准与所述时间序列数据进行匹配，当匹配度高于预设的第一阈值时，将匹配数据作为第一分量输出；
13.将所述第二分量标准与所述时间序列数据进行匹配，当匹配度高于预设的第二阈值时，将匹配数据作为第二分量输出。
14.进一步地，所述第一分量为展示数据强度的分量；
15.所述第二分量为展示数据波动的分量。
16.进一步地，所述将所述隧道参数和地质资料整理为时间序列数据之后，还包括：去除所述时间序列数据中的噪声。
17.进一步地，所述去除所述时间序列数据中的噪声，包括以下步骤：
18.利用去趋势波动分析对所述时间序列数据进行变分模态分解；
19.通过巴氏距离计算所述时间序列数据和对应的各个模态分量概率密度函数之间的相似性，获取相关模态和非相关模态；
20.对非相关模态进行处理，提取其中有用的数据；
21.将相关模态和处理后的非相关模态进行重构，作为去噪数据输出。
22.进一步地，
23.所述对第一分量进行预测，具体包括：采用lstm网络对第一分量进行预测；
24.所述对第二分量进行预测，具体包括：采用lstm网络对第二分量进行预测。
25.进一步地，所述lstm网络的预测步骤如下所示：
26.根据传统rnn的公式计算当前候选单元状态：
27.其中，w
c
为权重矩阵，x
t
为电流输入，h
t
‑1为lstm网络单元上一时刻的隐藏状态，b
c
′
为偏差项，h为激活函数；所述rnn为循环神经网络
28.计算输入门的状态：
29.其中，w
i
为权重矩阵，x
t
为电流输入，h
t
‑1为lstm网络单元上一时刻的隐藏状态，b
i
为偏差项；σ为激活函数；
30.计算遗忘门的状态：
31.其中，w
f
为权重矩阵，x
t
为电流输入，h
t
‑1为lstm网络单元上一时刻的隐藏状态，b
f
为偏差项；σ为激活函数；
32.计算当前单元状态：
33.其中，
⊙
表示逐点乘积,c
t
‑1是前一时刻单元状态；
34.计算输出门：
35.其中，w
o
为权重矩阵，x
t
为电流输入，h
t
‑1为lstm网络单元上一时刻的隐藏状态，b
o
为偏差项；σ为激活函数；
36.预测结果输出为：
37.本发明还公开了一种设备，包括处理器以及存储器；
38.所述存储器用于存储程序；
39.所述处理器执行所述程序实现所述一种用于泥水平衡盾构的隧道围岩压力预测方法。
40.本发明还公开了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现所述一种用于泥水平衡盾构的隧道围岩压力预测方法。
41.本发明的有益效果为：采用lstm模型预测隧道参数，并排除了噪声干扰，能够实现对隧道开挖面围岩、泥浆的压力进行合理预测，降低施工事故和隧道后续使用事故的发生概率。
附图说明
42.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使
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技术的一些实施例，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。
43.图1为一种用于泥水平衡盾构的隧道围岩压力预测方法的实现流程图。
44.图2为lstm网络闸门的详细结构示意图。
45.图3为预测部分的工作原理图。
具体实施方式
46.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
47.实施例1说明了为预测波动较大的隧道参数而提出的方法的流程图。参照图1，s表示一个环中的plc数据时间序列。首先采用基于vmd
‑
dfa(variational mode decomposition
‑
detrended fluctuation analysis，变分模态分解
‑
去趋势波动分析)的去噪方法获取plc数据时间序列的去噪信号。blimfs(band
‑
limited intrinsic mode functions，有限带宽的固有模态分量)表示为u1，u2，
……
uk,uk+1,
……
uk_optimal。u1，u2，
……
uk被认为是去噪信号，参数k由标度指数决定，blimfs的其他成分被视为噪声。关于k_optimal的确定将在下个实施例中给出。对去噪后的信号进行互相关分析(canonical correlation analysis，cca)来区分趋势分量和波动分量。建立了基于lstm(long short
‑
term memory,长短期记忆网络)网络的强度和波动的两个预报器。最终的预测结果是预测结果1和预测结果2之和，分别对应于趋势分量和波动分量的预测结果。
48.实施例2描述了去噪方法的工作原理。关于变分模式分解(vmd)部分：vmd算法用于将环中的plc数据时间序列s(t)分解为离散的模式数uk，k＝1，2，
……
k_optimal。每种uk模式都有一个窄带中心频率wk。为了确定uk和wk，vmd算法需要求解约束变分问题(公式(1))：
[0049][0050]
其中t是时间脚本，δ是狄拉克函数，*表示卷积。{uk}和{wk}分别表示获得的模式和中心频率。二次罚的应用α和拉格朗日乘子λ将公式(1)转换为公式(2)：
[0051][0052]
公式(2)可用乘法器算法的交替方向乘子法(alternating direction method of multipliers，admms)求解。该解可表示为公式(3)。
[0053][0054]
借助于普朗歇尔
‑
傅里叶等距法，这个问题可以在频域中得到解决。时域模型作为该滤波解析信号的傅里叶逆变换的实部。该解可表示为公式(4)：
[0055][0056]
τ表示噪声容限的参数。对于给定的判别精度ε>0，使用vmd算法和python代码获得公式(4)的分辨率，如公式(5)所示
[0057][0058]
关于去趋势波动分析(dfa)部分：去趋势波动分析(dfa)用于计算非平稳时间序列的标度特性和检测长程相关性。它是对随机游动的修正均方根(rms)分析。公式(6)显示了dfa方法的第一步，即计算一个环中plc数据时间序列的累积和，s(t)，t＝1，2，
……
n；
[0059][0060]
累积和y(i)被划分为nn＝[n/n]个非重叠段，框大小为n。在每个框中，y(i)将由多项式函数yn(i)拟合，其阶数为被认为是框中的局部趋势。然后，累积和y(i)和局部趋势yn(i)的均方根波动将在公式(7)中计算。用不同的框尺寸计算f(n)，得到f(n)在大范围尺度上的行为。通过在对数曲线图中绘制f(n)与n的关系图，利用线性最小二乘回归的公式(8)确定标度指数h。
[0061]
[0062]
ln(f(n))＝hln(n)+c
ꢀꢀꢀꢀꢀꢀꢀ
(8)
[0063]
系数h衡量时间序列中的相关程度。当h＝0.5时，时间序列被视为白噪声(不相关)。当h>0.5时，时间序列是相关的，当h<0.5时，时间序列是反相关的。
[0064]
关于vmd
‑
dfa去噪过程：利用dfa分析得到的尺度指数h来确定分解层(k_optimal)和去噪阈值。k_optimal可由公式(9)计算。θ是去噪的阈值。本研究采用θ＝0.75。k的最大值设为15。vmd在此范围内应用于s(t)。然后针对给定的k对每个blimfs执行dfa。生成一系列的hj，j＝1，2，
……
k。k_optimal是满足h1:k≥θ的k的候选值的最大值.最后，根据公式(10)计算去除噪声的plc数据。
[0065][0066][0067]
实施例3描述了基于耦合cca
‑
lstm的plc数据预测模型。关于cca：互相关分析(cca)用于研究去噪plc数据与其分解分量之间的关系。带噪时间序列的互相关函数与uj，1≤j≤k、定义如公式(11)：
[0068][0069]
sdenoised和uj是每个时间序列的平均值，n是时间序列的长度。t是时间日志，表示在t时发出噪声的特征在t+t时出现在uj中。基于δj、去噪后的plc数据、s
trend
和s
denoised
的趋势和波动分量将被确定。
[0070]
关于ltsm：作为一种递归神经网络(rnn)，lstm网络采用门机制来克服rnn递归结构导致的消失梯度问题。图2示出了闸门的详细结构。正向计算方法如公式组(13)所示。在lstm单元中采用了三个门：输入(i
→
t)，遗忘门(f
→
t)和输出门(o
→
t)。这些门的输出位于区间[0,1]内。输入门用于测量输入信息对当前单元状态c
→
t的附属物，遗忘门有助于确定在前一个单元状态c
→
t
‑
1中遗忘多少信息。输出门帮助决定从当前单元格状态输出什么信息。
[0071]
当前lstm单元h
→
t的隐藏状态取决于电流输入x
→
t和先前的隐藏状态h
→
t
‑
1.由tanh(c
→
t)进一步规定捕获网络内存，它可以是强的，也可以是弱的(因此是长期的或短期的)。c
→
t是当前单元状态输出，由前一状态和当前输入确定。h
→
t和c
→
t的组合允许对时间序列问题使用lstm。权重矩阵(wf，wi，wo，wc)和相应的偏差项(b
→
f、b
→
i、b
→
o、b
→
c)通过时间反向传播算法确定(图2及公式组12)。
[0072][0073]
注：上式中中间的符号为逗号，如同[a,b]的表述方式，并非t
‑
1的上标号
[0074]
基于lstm的深度学习模型在预测隧道参数方面是很好的。在以前的基于lstm的模型中，plc数据中的噪声被忽略了。实验中发现，随着lstm层厚度的增加，结果的不稳定性增加。因此，本实施例使用一个lstm层来建立含噪声plc数据的预测模型。然而，在这项研究中，本实施例去除了输入和输出plc数据中的噪声，并执行了足够的训练数据。本实施例认为具有两个lstm层的预测器适合于学习plc数据中的更多时间特征，如图3所示。使用三个lstm层模型并没有导致模型性能的改进。
[0075]
在每一个lstm层后面使用了dropout层，通过在训练过程中以一定的概率忽略一些神经元(即，将它们的输出设置为零)，来降低过拟合风险。使用dropout层作为一种模型正则化。在这种情况下，每个epoch只有一小部分神经元接受训练。dropout率作为一个超参数被确定为lstm层中神经元的数目。
[0076]
在输出层之前，实现一个完全连接层，将lstm层的输出逐渐压缩到较低的维，以获得最终的输出。在稠密层中使用的激活函数是relu，它具有生物合理性、更好的梯度传播和高效计算的优点。采用glorot
‑
uniform和nadam优化方法进行初始化和优化，获得了良好的泛化性能和较快的收敛速度。当误差随着验证集中损失函数的监控参数的增加而增加时，提前停止]用于停止训练过程。超参数调整是通过随机搜索交叉验证实现的。
[0077]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
[0078]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0079]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的
常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0080]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0081]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0082]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0083]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0084]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0085]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。