[发明专利]一种基于LSTM网络的地铁隧道施工时沉降新型预测方法

说明书

本申请公开了一种基于LSTM网络的地铁隧道施工时沉降新型预测方法，其特征在于：包括以下步骤：1)获取足够的沉降数据，数据为一个周期内完整的沉降位移数据；2)建立LSTM的沉降位移预测模型，并进行训练；3)加载数据，通过差分使得数据稳定；4)转化数据，把数据变成有监督数据；5)把数据进行分类，一部分为训练数据就行模型的训练，另外一部分为测试数据，并把数据进行标准化处理；6)加载网络模型，根据模型的迭代次数，步长，神经元数量等其他参数进行训练和预测。本发明的优点在于它能克服现有技术的弊端，结构设计合理新颖。

技术领域

本发明涉及一种基于LSTM网络的地铁隧道施工时沉降新型预测方法，属于土木工程领域。

背景技术

随着人类社会的不断进步和国民经济的不断发展，工程建设的速度也不断的加快，各种新的技术也在不断的应用，与此同时，城市的不断发展也给施工带来了巨大的难度。由于城市中建筑物的不断增加，对变形的要求也逐渐的提高，由于施工带来的各种形变，一旦超过了承受允许值，就会产生严重的灾害，给人民的财产带来巨大的损失。因此，对于变形的监测，就显得格外的重要。同时，还需要建立高精度的预测模型，结合实测数据，对形变体做出变形状况的预测。目前，隧道沉降问题不仅影响着城市轨道交通的发展，同时对城市居民的生命财产安全都有极大的威胁。因而对隧道的沉降进行精准的预测研究具有十分重要的意义。国内外学者对隧道的沉降预测进行了大量的研究。研究方法大致可以分为两类：理论计算经验法和实测数据分析法。理论计算经验法以Peck经验公式法为代表，包括数值分析法、数值模拟法、半理论解析法和随机理论模型等。

实测数据分析法分为基于统计学的方法和机器学习方法。尤其是机器学习的研究应用，为解决隧道沉降预测问题提供了许多新的解决思路。有人提出使用有限元法对隧道周边的建筑进行沉降研究,然后使用神经网络对各种沉降情况进行了研究，最终得出对隧道沉降的预测结论。同时，随着大数据以及人工智能的发展，也出现了使用神经网络进行预测的方法。这些主要的预测方法有回归分析，灰色理论，时间序列分析和BP神经网络，但是这些模型都有一定的局限性，技术不断地循环演变推动着科技的发展，BP神经网络受初始值影响较大，易于出现局部极值问题，BP神经网络可以解决非线性问题，但其在训练过程中易陷入局部极小，收敛速度慢，对训练样本具有依赖性循环神经网络又容易出现网络梯度消失和梯度爆炸等问题。其余的方法也存在适用性较低，在变形监测中难以实际操作等问题。

发明内容

本发明目的在于克服现有地铁隧道施工时沉降预测方法存在的上述缺陷，提供一种基于LSTM网络的地铁隧道施工时沉降新型预测方法。

本发明采取的技术方案是，一种基于LSTM网络的地铁隧道施工时沉降新型预测方法，包括以下步骤：

1)获取沉降数据：数据为一段时间内某观测点的连续沉降数据，数据量大于50个；

2)处理数据：使用Python内置Pandas库里面的diff()函数，对数据进行差分，使数据变得稳定；

3)使用Python内置的Keras框架，搭建LSTM沉降位移预测模型，并进行训练；

4)使用Python内置pandas库里面的shift()函数，通过shift()函数将步骤2)中处理后的数据变成有监督数据；

5)将数据进行划分：划分方式为：将一部分数据划分为训练集，另一部数据划分为测试集，并把数据进行标准化处理；

6)加载训练集：设置初始参数，训练LSTM沉降位移预测模型；根据RSME的值确定是否使用网格搜索法进行参数寻优，从而使RSME的值在有限步长内取最小值；重复训练，确定最佳参数，使用测试集测试LSTM沉降位移预测模型的准确率，直到满足LSTM沉降位移预测模型的精度的要求，在LSTM沉降位移预测模型满足精度要求后，LSTM沉降位移预测模型训练完成；

7)加载训练完成的LSTM沉降位移预测模型，进行新数据的预测，输出预测值y；