本发明涉及地下工程智慧建设与安全监测，尤其涉及一种地下厂房变形预测及风险预警方法。
背景技术：
1、为节约建设成本、降低水头损失，并充分发挥围岩自身的承载能力，当前多数引水发电系统多采用地下结构形式，即建设地下厂房。地下厂房围岩变形的准确预测是评估洞室稳定性、指导动态设计与施工的关键。目前，针对地下洞室位移的预测方法主要包括数值模拟、理论解析以及基于监测数据的统计分析与机器学习方法。尽管上述方法在工程实践中应用广泛，但在面对特大型地下工程复杂的“地质-施工”耦合环境时，仍存在难以克服的局限性，具体包括以下问题：
2、（1）理论解析法受限于“均质各向同性”等理想化假设，难以定量刻画复杂地质构造下的非线性变形；而数值模拟则受制于力学参数获取的不确定性及建模计算的冗长周期，导致无法实时跟随每日开挖进度进行动态反馈，存在严重的时效性滞后，难以满足现场高频安全监控的需求。
3、（2）现有时序预测模型多采用单变量时间序列外推，错误地将围岩变形视为随时间自然流逝的自发过程，而忽略了“岩体质量、埋深及洞室尺寸”等静态特征对变形量级的控制作用，以及“开挖进尺”对变形速率的直接驱动作用。从而导致模型既无法感知地质差异带来的非线性影响，也无法捕捉停工、复工或爆破波动带来的工况突变，最终造成预测结果出现严重的趋势偏差与相位滞后。
4、（3）现有预测模型通常仅采用“绝对物理距离”简单标记传感器位置，割裂了定点监测数据与动态开挖卸荷之间的物理联系。这种线性化处理忽略了不同岩性及洞室规模下，开挖扰动对特定传感器位置的非线性衰减规律，导致模型无法根据地质差异自适应感知应力释放程度，在软硬岩交互地层中预测严重失真。
5、（4）现有预测模型仅使用离散的数字标签标记支护状态，忽略了喷射混凝土及注浆体随时间发生水化硬化的物理事实。模型将支护视为瞬间生效的恒定约束，无法反映“支护刚度从零逐渐增长”的过程，致使模型在支护施作初期的关键安全窗口期，预测值与实际受力状态严重失真。
6、（5） 现预测架构抗噪性差且误差累积严重，中长期预测不仅发散且不可靠。 地下工程监测数据常伴随爆破震动等尖峰噪声，常规模型采用的均方误差损失函数对异常值极度敏感，易导致训练发散；同时，普遍采用的“全位移递归预测”策略，致使单步误差随预测步长呈指数级累积。
7、随着监测技术和信息化水平的不断提高，地下厂房施工与运行过程中已能够获取大量多源监测信息，包括不同部位的围岩位移数据以及反映施工扰动特征的累计开挖距离、支护完成情况、开挖速率等参数。这些数据蕴含着围岩变形演化的重要规律，但传统方法难以对其进行充分挖掘和综合利用。
8、因此，需要研发出一种地下厂房变形预测及风险预警方法来解决以上问题。
技术实现思路
1、本发明的目的就在于为了解决上述问题设计了一种地下厂房变形预测及风险预警方法。
2、本发明通过以下技术方案来实现上述目的：
3、一种地下厂房变形预测及风险预警方法，包括以下步骤：
4、s1、获取特大型地下厂房洞群不同监测断面的多源异构数据，并将其结构化为模型可识别的静态张量和动态张量形式；
5、s2、对步骤s1处理得到的数据进行去噪处理；基于多源异构数据构建时序监督学习数据集，进行数据归一化，并基于时间滑窗机制和时序分块策略生成输入窗口长度为l、预测视窗长度为h的训练样本、验证样本及测试样本；
6、s3、采用pytorch框架构建多源数据融合与深度学习预测模型，并基于时序监督学习数据，结合huber损失函数、adamw优化器及梯度裁剪算法对模型进行训练；
7、s4、基于训练好的模型输出未来位移增量预测序列，重构未来时刻的累计总位移，构建基于相对位移率的工程风险预警模型，并据此划分工程风险等级以输出相应的施工控制建议。
8、具体地，多源异构数据包括静态地质几何特征数据和动态施工监测时序数据。
9、进一步地，静态地质几何特征数据包括岩体质量评分、洞室埋深、洞室高度、洞室宽度、岩石重度、抗压强度、抗拉强度、泊松比、变形模量、内摩擦角、粘聚力；动态施工监测时序数据包括累计挖掘进尺长度、位移传感器的空间效应特征值、时效性支护刚度系数、历史位移增量。
10、具体地，对位移传感器距掌子面距离进行非线性倒数变换，得到位移传感器的空间效应特征值，其表达式为：
11、；
12、；
13、上式中，表示为t时刻的位移传感器的空间效应特征值，数值越大表示受开挖扰动越剧烈，取值范围(0,1]；表示为t时刻监测断面距离当前开挖掌子面的实际物理距离；为洞室宽度；k为围岩扰动衰减形态因子，其并非固定常数，而是基于围岩地质参数的自适应参数；rmr为围岩地质完整性与强度的量化评分指标，其取值范围为[0,100]；，为经验拟合系数，根据工程所在区域的历史地质资料或数值反分析确定；e为自然对数的底数，表征地质属性对扰动衰减影响的非线性特征；
14、时变等效支护刚度为，其特征由喷射混凝土时效性刚度与锚杆空间约束刚度两部分耦合而成，取值范围通常在[0,1]之间，其表达式为：
15、；
16、；
17、；
18、；
19、；
20、上式中，和为权重分配系数，满足，该系数反映了初期支护中喷射混凝土与锚杆的相对贡献率；和分别为喷层和锚杆的理论最大刚度，用于实现数据的量纲归一化，消除数值差异对模型训练的影响；为t时刻喷射混凝土的瞬时弹性模量；为t时刻锚杆系统提供的等效径向支护刚度；喷射混凝土养护28天的标准弹性模量；为水泥类型系数，用于表征水化反应速率；为喷射混凝土的有效龄期，当≤0时，即尚未喷浆；为当前监测时刻；为该断面喷射混凝土的实际施作时刻；为锚杆杆体的弹性模量；为单根锚杆的横截面积；和分别为锚杆在环向和纵向的排布间距；为锚杆注浆体的时效sigmoid形式的激活函数，该函数确保锚杆刚度从0平滑过渡到设计值；为注浆凝固速率因子；为初凝时间偏置；
21、历史位移增量数据需进行去噪处理，若缺失时长不超过预设阈值3天，采用线性插值进行补全，若缺失时长超过阈值，则对对应序列进行截断以避免引入较大误差。
22、具体地，静态张量包括11个维度，具体定义为：
23、；
24、上式中，rmr为岩体质量评分、为洞室埋深、为洞室高度、为洞室宽度、为岩石重度、为抗压强度、为泊松比、为抗拉强度、e为变形模量、为内摩擦角、c为粘聚力；
25、动态张量是针对每一个监测传感器，构建随时间步t变化的动态特征矩阵；每个时间步包含4个维度，具体定义为：
26、；
27、上式中，表示为t时刻累计开挖进尺长度；表示为t时刻的位移传感器的空间效应特征值，数值越大表示受开挖扰动越剧烈；表示为t时刻等效支护刚度；表示为t的上一时刻的历史位移增量。
28、具体地，在步骤s2中，去噪处理是指针对位移时序数据中因爆破振动或电磁干扰产生的尖峰噪声，采用滑动中值滤波方法进行处理，滤波窗口大小设为5，用于在有效剔除离群点的同时保留位移数据的阶跃变形特征。
29、具体地，在步骤s2中，时序监督学习数据集是将长期的监测数据按照用去过去的l天去预测未来h天的增量位移，切分成若干个样本的集合；
30、数据归一化为采用robustscaler进行，它利用数据集的中位数和第四分位距对数据进行中心化和缩放处理，其表达式为：
31、；
32、上式中，x表示为原始监测数据；q1、q2、q3为别为第1四分位数25%、中位数50%和第3四分位数75%；q3-q1为数据分布中最中间的50%数据的范围。
33、具体地，在步骤s2中，时间滑窗机制是指：输入：第1天到第l天的数据；标签：第l+1天到第l+h天的真实数据，即为第一个样本，以此类推；
34、输入窗口长度l=60天，预测视窗长度h=30天；
35、时序分块策略的训练集数据占总数据的70%，验证集数据占总数据的15%，测试集数据占总数据的15%。
36、进一步地，在步骤s3中，多源数据融合与深度学习预测模型的架构包含三个部分：静态编码器、动态序列编码器和融合与解码器；
37、静态编码器是利用多层感知机提取静态地质参数的非线性特征，经过两层全连接层，将不随时间变化的11维静态地质几何特征映射为高维嵌入向量s，其表达式为：
38、；
39、；
40、上式中，为输入的静态特征向量；，为第一层全连接层的权重矩阵和偏置项；为静态分支的中间隐层特征；，为第二层全连接层的权重矩阵和偏置项；relu为修正线性单元激活函数，计算公式为max(0,x)；dropout为随机失活操作；s为输出的静态特征嵌入向量；
41、动态序列编码器用于对随时间变化的监测数据进行特征编码，其采用长短期记忆网络模型实现；在对完整时间序列进行处理后，lstm仅提取最后一个时间步对应的隐藏状态作为序列的整体表征，其表达式为：
42、；
43、；
44、；
45、；
46、；
47、；
48、；
49、上式中，为t时刻的动态输入特征；，为上一时刻和当前时刻的隐藏状态；，，分别为遗忘门、输入门、输出门；为候选细胞状态；，上一时刻和当前时刻的细胞状态；为sigmoid激活函数；tanh为双曲正切激活函数；为哈达玛积；，，，，，，，，，为长短期记忆网络内部各门控的可学习权重和偏置；为第l个时间步的隐藏状态；l为滑窗长度；为动态上下文向量，取自序列最后一个时间步的隐藏状态；
50、融合与解码器是用于将静态嵌入特征与动态特征进行拼接融合，得到融合后的多源特征向量z，随后将融合特征直接映射为未来30天的位移增量；其具体表达式如下：
51、；
52、；
53、；
54、上式中，z为融合后的多源特征向量，该向量同时包含了静态地质几何特征和动态时序监测特征；和分别为解码层中间层的权重和偏置；为解码层的中间层特征；和分别为输出层的权重和偏置；为预测输出向量，即[,…,]；
55、huber损失函数用于计算模型预测值与真实值之间的误差，具体公式如下：
56、；
57、上式中，表示为总损失函数；表示为第i个样本的损失值，当预测误差小于1时，采用均方误差以获得平滑梯度；当误差大于1时，采用线性绝对误差以降低离群噪声对模型训练的惩罚权重；其具体公式如下：
58、；
59、上式中，表示第i个样本在未来30天内的真实总位移增量值；表示第i个样本在未来30天内的模型预测总位移增量值；为huber损失的阈值参数，其值为1；
60、adamw优化器用于对神经网络的权重参数进行迭代更新，该优化器将权重衰减项与梯度更新过程进行解耦，使权重衰减直接作用于参数本身，其具体表达式如下：
61、；
62、；
63、；
64、；
65、；
66、上式中，itera表示当前迭代的时间步；和分别表示更新前与更新后的模型权重参数；表示当前时间步对应的梯度；和分别表示梯度的一阶矩估计值和二阶矩估计值；和分别表示经偏差修正后的一阶矩估计值和二阶矩估计值；和为指数衰减率；为学习率；为权重衰减系数；为数值稳定常数。
67、进一步地，在步骤s4中，未来时刻的累计总位移的具体公式为：
68、
69、上式中，当前时刻监测获得的累计总位移实测值；为模型预测未来第k天的位移总增量；为预测的30天后累计总位移；
70、相对位移率rd的表达式为：
71、；
72、上式中，为预测得到的未来最终累计位移值，单位为mm；为该监测处的洞室宽度，单位为m；
73、工程风险预警和施工控制建议的具体内容为：rd<0.2%，系统提示:低风险，工况正常；0.2%≤rd<0.5%，系统提示：中风险，建议加强监测，检查锚杆受力；0.5≤rd<1.0%，系统提示：高风险，建议暂停掌子面推进，实施补强支护；rd≥1.0%，系统提示：特高风险，存在失稳风险，建议立即停工撤人，启动应急预案。
74、本发明的有益效果：
75、(1)本发明提出了一种“静态-动态双流融合”的深度学习预测架构，有效解决了非匀速施工条件下围岩变形预测滞后的难题。区别于现有技术主要依赖时间序列外推的局限性，本发明将表征施工强度的动态变量流与表征地质属性的静态特征流进行深度耦合，重构了施工扰动对围岩变形的直接驱动逻辑。该模型成功建立了从施工进尺、支护时效到围岩响应的全链路时空演化法则，有效规避了现有技术因割裂施工过程与变形响应而导致的系统性偏差，大幅提高了地下厂房边墙位移预测的可靠性。
76、(2)本发明构建了基于洞室规模和地质参数自适应的“位移传感器的空间效应特征值”，能够结合岩石力学机制与深度学习算法，智能感知开挖扰动的时空演化规律。该技术克服了传统模型忽略洞室规模与地质差异的缺陷，能在软硬岩交互地层中实时捕捉应力波传播特征，及时发现因施工扰动引发的变形隐患并动态预警，有效预防围岩失稳；此外，通过对‘地质—几何—施工’强耦合机制的量化表征，可为现场施工工序的科学调整提供依据，抵御复杂地质环境下的非线性变形风险，维持围岩长期稳定，保障地下工程的结构安全与延长使用寿命。
77、(3)本发明构建了基于材料硬化机理的“时变等效支护刚度”特征，实现了对支护约束效应的物理量化表征。区别于现有技术通常仅采用离散的数字标签来标记支护状态，忽略了混凝土类材料强度的时效性演化，本发明引入混凝土水化反应动力学方程与锚杆空间约束模型，将支护输入从静态的“阶跃信号”升级为随时间连续、非线性增长的“物理刚度曲线”。这一设计有效解决了现有深度学习模型在支护施作初期因无法感知约束力变化而导致的预测结果严重偏离工程实际的难题。
78、(4)本发明构建了面向地下厂房洞室的“抗噪型增量式直接多步预测架构”，实现了复杂施工环境下位移预测精度与鲁棒性的双重提升。针对地下厂房洞室开挖过程中监测数据常受爆破震动、电磁干扰导致信噪比低的难题，本发明采用位移增量直接输出策略，并深度融合由huber损失函数及梯度裁剪组成的鲁棒训练机制。这种“抗噪+增量”的双重设计，确保了模型在地下厂房高强度施工扰动下仍能稳定收敛，显著提高了未来30天围岩位移演化趋势预测的可靠性。
79、(5)本发明构建了“低成本普适型”地下厂房洞室的工程风险智能预警体系，实现了从常规数据输入到量化决策输出的工程闭环。该体系无需额外部署昂贵采集设备，仅依托施工常规既有资料即可将模型预测的微观位移转化为基于相对位移率的宏观无量纲指标，并依据四级阈值自动判定风险等级。这种设计在大幅降低系统实施成本与数据获取门槛的同时，还能够直接为现场提供具体的量化控制建议，易在特大型地下工程中大规模推广应用。