[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

说明书

本发明公开的基于CNN‑RNN耦合数‑形融合的盾构隧道变形预测方法，通过数码相机和传感器获取测量区域的图形信息和变形数据采集。根据图像信息，通过CNN判断当前测点位置的安全状态。采用RNN方法，预测测点监测数据时间序列的发展趋势，然后将RNN结果与CNN结果作为全连接神经网络的输入参数，全连接神经网络输出综合考虑安全状态的变形预测结果。本发明考虑到盾构隧道中结构安全状态对变形发展趋势的影响，针对单一的时间序列预测在结构安全状态发生转变时预测不准确的问题，提出基于CNN‑RNN类耦合神经网络的盾构隧道变形数‑形融合预测算法，以较准确地预测出在结构安全状态已经发生变化时变形的发展趋势。本发明适用于地铁盾构隧道施工及运营期的变形预测。

技术领域

本发明涉及隧道工程结构监测领域，具体为基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法。

背景技术

盾构法是绝大多数城市地铁隧道所采用的施工方法，其具有安全、断面标准、施工速度快、机械化程度高、人工成本低等优点。如今，全国各个城市的隧道建设还在有序进行中，这为缓解城市地面交通、减少交通排放污染提供了重要支撑。在地铁施工期，对结构变形进行监测是至关重要的，其可帮助人们准确了解结构当前的受力状态，进而及时进行支护参数的变更，实现动态设计。在运营期，结构的变形监测也十分重要，随着材料的老化、长期的列车动荷载以及周边地层环境的改变，衬砌结构可能发生大变形进而破坏。

由于具有破坏性的结构变形往往发生较快，有时甚至来不及实施应急对策以防止破坏。此时，若能够提前预知结构的变形演变趋势则可有效防范风险。神经网络等人工智能技术为地下结构变形预测提供了新的可能。数据驱动预测模型利用已有的实测变形数据建模预测未来变形量，该方法成功避开了复杂的岩土变形机理，从数据本身的角度进行预测，可作为工程信息化施工和动态控制的有效途径。

正常情况下，RNN类预测方法在时间序列的预测领域已经取得了较好的成果。但是，数据驱动模型难以反映结构安全状态发生变化时对变形造成的影响，预测可能产生一定的滞后性。当结构的安全状态已经发生改变时，数据驱动仍按照之前的安全状态对历史数据进行趋势预测，这可能会增加预测失效的风险。因此，需要一种方法将结构的历史监测数据与安全状态联系起来进行融合预测。

发明内容

针对现有技术中存在的问题，本发明提供一种基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法，解数据驱动模型如RNN类时间序列预测方法中的滞后问题。

本发明是通过以下技术方案来实现：

一种基于CNN-RNN耦合数-形融合的盾构隧道变形预测方法，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。

优选的，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。

优选的，所述相机的拍摄频率与传感器的监测频率相同。

优选的，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。

优选的，步骤2中卷积神经网路的训练方法如下：