[发明专利]基于并行混合网络的石窟寺岩体裂隙发育控制方法及装置

说明书

本发明公开了一种基于并行混合网络的石窟寺岩体裂隙发育控制方法及装置，方法包括：局部卷积模块和全局循环模块作为并行网络结构，时间窗口大小的多元时间序列数据作为输入，通过对多元时间序列中的每个单变量序列分别提取时间特征，构建具有不同时间尺度的时间模式表示向量；所述自注意力模块利用稀疏自注意力机制对每个单变量序列进行建模，捕捉不同序列之间的依赖关系；所述线性自回归模块为预测添加线性成分，同时使输出响应输入的尺度变化；将所述自注意力模块和所述线性自回归模块的输出进行求和，输出岩体裂隙发育的预测结果，进行失稳检测。装置包括：处理器和存储器。本发明准确捕捉不同时间尺度的时间模式，引入自注意力机制来对多元时序数据中不同序列之间复杂的依赖关系进行建模。

技术领域

本发明涉及石窟寺岩体裂隙预防控制领域，尤其涉及一种基于并行混合网络的石窟寺岩体裂隙发育控制方法及装置，通过对过去一段时间内采集到的裂隙宽度数据和影响裂隙发育的相关环境因素历史数据的分析和利用，来预测未来的石窟寺裂隙发育趋势，进而实现对石窟寺文物的有效保护。

背景技术

我国石窟寺分布广泛、规模宏大、体系完整，集建筑、雕塑、壁画、书法等艺术于一体，充分体现了中华民族的审美追求、价值理念、文化精神。然而，石窟寺关键岩体的裂隙在自然因素作用、岩体结构力和人为活动等多元因素的影响下会不断发育，最终导致岩体风化开裂，对石窟文物造成严重的危害，因此根据多元数据对其发育情况进行预测是非常重要的。

人工智能技术发展非常迅速，特别是深度学习技术已经在医疗、金融、人脸识别、电子商务、智能交通、工业制造和农业等众多领域得到了广泛的应用，验证了该类技术的可行性。但是目前在石窟寺岩体稳定性预测方面该技术的研究还处于空白，主要是因为石窟寺环境的复杂性比较高，同时存在多种不确定性影响因素。因此，如何有效准确的预测岩体裂隙发育是一个具有挑战性的问题。

目前时序数据预测领域，在统计学上常见的时序数据预测方法有自回归综合移动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)是典型的线性时序数据预测模型，ARIMA模型的流行是由于其统计特性以及模型选择过程中的Box-Jenkins方法，其中它还包括其他自回归时间序列模型，包括自回归模型(Autoregressive model,AR)、移动平均模型(moving average model,MA)和自回归移动平均模型(Auto-RegressiveMoving Average Model,ARMA)。然而，ARIMA模型以及其他变体很少用于高维多元时序数据预测，因为对于高维时序数据来说，ARIMA模型计算量太大，因此这些模型不能很好的拓展到多变量时序数据中。

目前处理时序数据预测问题的深度学习方法主要有DA-RNN(双阶段注意力-循环神经网络)、Auto-LSTM(自编码器-长短期记忆网络)、LSTNet(长短期时间序列网络)等，这些深度学习方法都采用了RNNs来处理时序依赖问题。RNNs可以有效的提取时序数据特征，但是仍然存在以下问题：

一、时序数据预测时会逐时刻地计算序列数据，当前时刻的预测依赖于之前的预测结果，迭代预测无法并行加速；

二、只能利用之前时刻的信息。虽然可以使用BiRNN(双向循环神经网络)做到利用之后时刻的信息，但是时间成本加倍。

石窟寺岩体裂隙发育预测关键的问题在于在石窟寺这种影响因素多样化且各项指标变化极其微小和缓慢的特殊环境下，如何充分考虑岩体裂隙本身的结构性质并准确捕捉多元因素间非线性依赖关系，进而构建解决石窟寺不确定环境下的裂隙发育微变化预测问题的深度学习模型。

然而，目前传统的机器学习方法在岩体裂隙发育预测方面还是基本空白，其他统计学方法也难以对该问题进行建模，并且，目前在该领域国内外没有相关的数据集，这也是岩体裂隙预测中的一大难点。

发明内容