[发明专利]基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法

权利要求书

1.一种基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法，其特征在于，包括以下步骤：

步骤1、获取测量区域的图像信息以及变形数据信息；

步骤2、将步骤1获取的图像信息输入至训练后的卷积神经网路，卷积神经网路输出该测量区域的安全状态；

步骤3、采用步骤1得到的变形数据信息对构建的RNN类神经网络进行训练，RNN类神经网络输出测量区域下一时刻的预测变形值；

步骤4、将步骤2卷积神经网路输出的测量区域的安全状态，以及步骤3输出的测量区域下一时刻的预测变形值作为全连接神经网络的输入参数，全连接神经网络对预测变形值进行修正，输出综合考虑安全状态的最终变形预测值。

2.根据权利要求1所述的一种基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法，其特征在于，步骤1中采用相机拍摄测量区域的图像，在测量区域设置传感器，获取测量区域的变形数据。

3.根据权利要求2所述的一种基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法，其特征在于，所述相机的拍摄频率与传感器的监测频率相同。

4.根据权利要求3所述的一种基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法，其特征在于，沿隧道的轴向设置定位轨道7，相机通过相机固定器5套于定位轨道7上并能够滑动，机拍摄部位为传感器9所在的结构部位。

5.根据权利要求1所述的一种基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法，其特征在于，步骤2中卷积神经网路的训练方法如下：

获取各种盾构隧道的图片，并对图片进行人工安全标记，采用标记后的图片对构建的卷积神经网络进行训练，训练后的卷积神经网络输出图片中隧道位置的安全状态。

6.根据权利要求5所述的一种基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法，其特征在于，所述安全标记包括正常、裂缝和渗水。

7.根据权利要求1所述的一种基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法，其特征在于，步骤3中RNN类神经网络的训练方法如下：

将步骤1得到的监测数据按照时间排序得到时间序列；

设置RNN类神经网络的预测窗口p与预测步长q；

根据预测窗口p和预测步长q，将时间序列变换为矩阵A和B，矩阵A、B中分别由向量组a_i、b_i构成，设c_i是与b_i具有相同的数量和维度的向量组，求解映射关系F：a_i→c_i，使c与b在整体上最接近，即总体误差最小，完成RNN类神经网络的训练。

8.根据权利要求7所述的一种基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法，其特征在于，所述RNN类神经网络的训练误差ε如下：

9.根据权利要求1所述的一种基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法，其特征在于，步骤4中得到最终变形预测值的方法具体如下：

5.1、将t+1至t+q时刻的变形值与t时测量区域的安全状态进行对应，合并为一个新的序列，序列长度为q+1；

5.2、构建全连接神经网络并训练，其输入节点数量为q+1，输出节点数量为q；

5.3.将D_t+1:t+q+S_t作为输入，通过全连接神经网络预测D'_t+1:t+q，完成了时间数列数据和图像信息的融合预测，得到综合考虑被测点历史变形数据和安全状态的变形预测结果。

10.根据权利要求9所述的一种基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法，其特征在于，所述全连接神经网络的训练方法如下：

将i时刻的RNN预测结果记为D_i，将与D_i对应的实际监测结果记为M_i将i时刻的CNN结果记为S_i；对于某一时刻j，若D_j和S_j同时存在，则称作满足“训练数据条件”；

设预测步长为q、当前时刻为t，令i从0至t-q进行检索，对于每一时刻i，若满足“训练数据条件”，则将此时的D_i和S_i记为一组训练数据，设最终得到的训练数据组数为n；

当当前时刻t≥p+q+20时，进行神经网络训练，训练样本集一共有n组，每一组的输入数据为D_i和S_i(i＝1～n)，每一组的输出数据为M_i(i＝1～n)，求解映射关系F，使F(D_i,S_i)接近M_i，当F(D_i,S_i)与M_i之间的误差最小时，训练结束。