[发明专利]基于LSTM深度学习的岩石时效变形预测方法及其系统

权利要求书

1.一种基于LSTM深度学习的岩石时效变形预测方法，其特征在于，包括以下步骤：

步骤S100：获取岩石时效变形的已有数据；

步骤S200：清洗已有数据后，进行数据集划分，得到训练集、验证集、测试集；

步骤S300：建立时序网络预测模型：采用sigmoid函数决定哪些特征信息需要被遗忘，构建LSTM单元的遗忘门，构建LSTM单元的输入门，构建LSTM单元的输出门，得到LSTM单元，通过LSTM单元构建神经网络层，采用随机梯度下降法反向计算神经网络层，得到时序网络预测训练模型；

步骤S400：在时序网络预测训练模型中输入验证集和测试集，进行测试，得到测试结果，根据测试结果优化模型，提升优化模型的训练速度，并进行超参数调试，得到岩石时效变形预测模型；

步骤S500：在岩石时效变形预测模型中输入实测参数，得到岩石时效变形预测结果；

所述步骤S200包括以下步骤：

步骤S210：逐一判断各已有数据是否存在缺失值，如果判断结果为是，则进行缺失值清洗；

所述缺失值清洗步骤包括以下步骤：

步骤S211：计算该已有数据每个字段的缺失值比例，判断该字段缺失值比例是否小于预设值，如果判断结果为否，则不去除该字段属性，得到缺失字段；如果判断结果为是，则继续判断该字段数据是否属于重要数据，如果属于则不去除该字段属性，得到第一保留字段，如果不属于，则去除该字段属性，得到第二保留字段；

步骤S212：填充第二保留字段中的缺失值，以同一指标的计算结果填充缺失值或以不同指标的计算结果填充缺失值；

步骤S213：判断各缺失字段是否属于重要数据，如果是，则重新获取缺失字段，得到第三保留字段，如果否，则去除该缺失字段；

步骤S220：对第一保留字段、第二保留字段和第三保留字段的格式及内容一致性进行分析，舍弃格式、内容不一致的数据，得到第一清洗数据；

步骤S230：对第一清洗数据进行逻辑错误清洗操作，得到第二清洗数据；

步骤S240：判断第二清洗数据中的数据是否属于需求数据，如果不是则删除，如果是则保留，得到总保留数据；

步骤S250：对总保留数据进行关联性验证，通过关联性验证的总保留数据为关联数据；

步骤S260：将关联字段划分为：训练集、验证集、测试集。

2.根据权利要求1所述的基于LSTM深度学习的岩石时效变形预测方法，其特征在于，所述已有数据来源为：工程试验报告、现场监测、对实测流变曲线进行处理得到数据、自制试样进行室内流变试验获得数据中的至少一种。

3.根据权利要求1所述的基于LSTM深度学习的岩石时效变形预测方法，其特征在于，所述同一指标为第二保留字段中各数据的均值、中位数或众数中的任一种；

所述逻辑错误清洗操作包括：①去重；②去除不合理值；③修正矛盾内容。

4.根据权利要求1所述的基于LSTM深度学习的岩石时效变形预测方法，其特征在于，所述构建的神经网络层数为2～4层。

5.根据权利要求1所述的基于LSTM深度学习的岩石时效变形预测方法，其特征在于，所述步骤S400包括以下步骤：

步骤S410：在所述时序网络预测训练模型中输入验证集和测试集，进行测试，得到测试结果；

步骤S420：根据测试结果准确率，优化时序网络预测训练模型，得到优化模型；

步骤S430：提升优化模型的训练速度；

步骤S440：对步骤S430所得模型训练一段时间后进行超参数调试，得到岩石时效变形预测模型。

6.根据权利要求5所述的基于LSTM深度学习的岩石时效变形预测方法，其特征在于，所述步骤S420包括以下步骤：

步骤S421：判断测试结果偏差值是否过高，如果判断结果为是，则调整时序网络预测训练模型的网络结构，若否则执行步骤S422；

步骤S422：判断测试结果的方差是否过高，如果判断结果为是，则对时序网络预测训练模型进行正规化操作或调整验证集和测试集中的数据，如果判断结果为否，则进行步骤S430。