本发明涉及裂隙预测，尤其涉及一种基于深度学习的隧道掘进面前方裂隙预测方法及系统。
背景技术：
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
2、在隧道工程中，由岩体结构导致的施工事故严重影响着隧道施工进度和施工安全。裂隙岩体作为隧道工程最为常见的一种结构岩体，其裂纹扩展和节理几何特征对岩体的力学性质起着重要作用，极易引起开挖面岩体失稳、围岩大变形、塌方等地质灾害。通常情况下，隧道掌子面上所包含的裂隙信息表明了当前该部位岩体中的裂隙发育状态以及预示着该部位岩体裂隙接下来的发展方向。因此，根据历史开挖面中的裂隙分布预测开挖面前方的裂隙空间分布对现场施工有重要意义，根据预测结果采取相应措施能有效减少地质灾害的发生。
3、传统方法大多通过钻孔数据和岩芯露头对开挖面前方裂隙分布情况进行探测，虽然能提供较为直观的裂隙数据，但是钻孔控制点有限，操作过程复杂，探测深度具有局限性，难以全面的探测出开挖面前方裂隙分布。近年来，部分学者利用地质统计学和非线性方法识别预测岩体前方深部结构面，通过已开挖掌子面表面暴露裂隙分析裂隙物理相关性，充分考虑天然地质体的不确定性以及各向异性特征。但隧道开挖过程中裂隙的时空演化规律研究仍不成熟。
4、隧道工程开挖过程可以看作一个时空演化过程，随着计算机智能技术的发展，利用深度学习技术探索推断岩体裂隙中包含的时空特征与非平稳的不确定信息，已成为研究热点。但是，深度学习技术中的时空预测模型往往需要固定的数据格式以及大量数据集，而隧道内受环境等因素影响，获取大量数据较为困难。因此，现有技术方案受到几个方面的限制：
5、(1)如何建立满足神经网络模型训练要求的裂隙时空数据集；(2)如何获取大量数据集来训练预测模型以保证裂隙预测的准确性；(3)如何通过时空预测模型较为准确地预测隧道中的平稳裂隙及非平稳裂隙。
技术实现思路
1、为了解决上述问题，本发明提出了一种基于深度学习的隧道掘进面前方裂隙预测方法及系统，利用隧道三维模型建立裂隙数据序列，通过隧道已开挖裂隙数据预测未开挖裂隙空间分布，深度挖掘隧道岩体裂隙分布的时空规律，对现场施工有重要指导意义。
2、在一些实施方式中，采用如下技术方案：
3、一种基于深度学习的隧道掘进面前方裂隙预测方法，包括：
4、获取隧道已开挖部分的裂隙二维图像，将裂隙二维图像中裂隙点的二维坐标转换为三维坐标，建立隧道已开挖三维模型；
5、对隧道已开挖三维模型的掌子面进行切片处理，根据裂隙面与掌子面切片的交线获得每个掌子面的裂隙，建立裂隙图像时空数据集；
6、利用所述裂隙图像时空数据集对裂隙预测模型进行训练，使用训练好的裂隙预测模型对隧道掘进面前方裂隙进行预测；
7、其中，所述裂隙预测模型包括至少3个循环神经网络单元，每一个循环神经网络单元的输入均是对输入的多张连续图像进行编码后获得的卷积特征图，每一个循环神经网络单元的输出均为预测的裂隙图像；前一个循环神经网络单元的输出同时作为后一个循环神经网络单元的输入，以学习之前学习到的特征。
8、将预测得到的裂隙数据补充到隧道已开挖三维模型中，不断更新模型参数和裂隙时空数据集。
9、在另一些实施方式中，采用如下技术方案：
10、一种基于深度学习的隧道掘进面前方裂隙预测系统，包括：
11、三维模型构建模块，用于获取隧道已开挖部分的裂隙二维图像，将裂隙二维图像中裂隙点的二维坐标转换为三维坐标，建立隧道已开挖三维模型；
12、数据获取模块，用于对隧道已开挖三维模型的掌子面进行切片处理，根据裂隙面与掌子面切片的交线获得每个掌子面的裂隙，建立裂隙图像时空数据集；
13、裂隙预测模块，用于利用所述裂隙图像时空数据集对裂隙预测模型进行训练，使用训练好的裂隙预测模型对隧道掘进面前方裂隙进行预测；
14、其中，所述裂隙预测模型包括至少3个循环神经网络单元，每一个循环神经网络单元的输入均是对输入的多张连续图像进行编码后获得的卷积特征图，每一个循环神经网络单元的输出均为预测的裂隙图像；前一个循环神经网络单元的输出同时作为后一个循环神经网络单元的输入，以学习之前学习到的特征。
15、还包括：模型更新模块，用于将预测得到的裂隙数据补充到隧道已开挖三维模型中，不断更新模型参数和裂隙时空数据集。
16、在另一些实施方式中，采用如下技术方案：
17、一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于深度学习的隧道掘进面前方裂隙预测方法。
18、在另一些实施方式中，采用如下技术方案：
19、一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于深度学习的隧道掘进面前方裂隙预测方法。
20、与现有技术相比，本发明的有益效果是：
21、(1)本发明将裂隙发育随着隧道开挖视为时空演化的过程，通过神经网络模型强大的学习能力深度挖掘岩体裂隙的时空发育规律，预测掘进面前方的主要裂隙空间分布，对现场施工有重要指导意义。
22、(2)本发明基于隧道已开挖的裂隙数据建立隧道三维模型，通过切片处理获取每个掌子面的主要裂隙分布图像，建立了满足神经网络模型训练要求的裂隙时空数据集；此外，切片处理可获得充足的裂隙时空数据集来训练裂隙预测模型，解决了神经网络模型需大量训练数据而隧道内因环境等因素影响数据难以获取的难题。
23、(3)本发明基于深度学习中的裂隙预测模型对隧道掘进面前方裂隙进行预测，获取隧道已开挖部分的地质数据后即可预测隧道未开挖掌子面的裂隙空间分布，并随着开挖不断更新预测模型，不需要其它仪器和实验，通过电脑操作即可实现，实施性强，简单快捷方便，实现了隧道掘进面前方裂隙预测的智能化。
24、(4)本发明通过循环神经网络能够更好的挖掘裂隙发育时空规律，更好的预测非平稳裂隙，即部分尺寸较小和仅穿过短距离掌子面的裂隙；通过循环神经网络前后连接可以学习一些前面已经学到的特征，这样垂直方向可以学习本次输入的特征，水平方向可以学习之前学到的有用特征，这样对长期的裂隙时空关系有着更深入的学习。
25、本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
1.一种基于深度学习的隧道掘进面前方裂隙预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于深度学习的隧道掘进面前方裂隙预测方法，其特征在于，还包括：将预测得到的裂隙数据补充到隧道已开挖三维模型中，不断更新模型参数和裂隙时空数据集。
3.如权利要求1所述的一种基于深度学习的隧道掘进面前方裂隙预测方法，其特征在于，所述的将裂隙二维图像中裂隙点的二维坐标转换为三维坐标，具体为：
4.如权利要求3所述的一种基于深度学习的隧道掘进面前方裂隙预测方法，其特征在于，计算隧道起始截面x轴中点坐标m以及隧道半圆柱模型的半径r，具体为：
5.如权利要求3所述的一种基于深度学习的隧道掘进面前方裂隙预测方法，其特征在于，计算每个裂隙点i的三维坐标(x，y，z)，具体为：
6.如权利要求1所述的一种基于深度学习的隧道掘进面前方裂隙预测方法，其特征在于，建立隧道已开挖三维模型，具体为：
7.一种基于深度学习的隧道掘进面前方裂隙预测系统，其特征在于，包括：
8.如权利要求7所述的一种基于深度学习的隧道掘进面前方裂隙预测系统，其特征在于，还包括：模型更新模块，用于将预测得到的裂隙数据补充到隧道已开挖三维模型中，不断更新模型参数和裂隙时空数据集。
9.一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-6任一项所述的基于深度学习的隧道掘进面前方裂隙预测方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的基于深度学习的隧道掘进面前方裂隙预测方法。