基于Bayes-LSTM的公路隧道围岩变形预测方法研究

摘要

在公路隧道施工过程中，围岩的稳定性对隧道施工的影响较大。因此公路隧道围岩变形的监控量测与准确预测是保障隧道施工安全的关键。针对当前隧道围岩变形的预测精度较低以及泛化能力较差等问题，该文提出一种基于贝叶斯（Bayes）优化长短期记忆网络（LSTM）的方法，该方法首先对拱顶沉降和周边收敛的原始监测数据进行预处理，而后构建公路隧道拱顶沉降与周边收敛的初始LSTM模型，并利用Bayes优化模型中的超参数，最终得出预测结果。利用该模型对某公路隧道拱顶沉降和周边收敛进行预测，将预测结果以均方根误差为评价指标与神经网络（CNN）和支持向量回归（SVR）进行对比。预测拱顶沉降时，Bayes-LSTM模型的平均预测精度相较于CNN与SVR模型分别提高了1.0与1.26；预测周边收敛时，Bayes-LSTM模型平均精度相较于CNN与SVR分别提高了0.3与0.32。表明Bayes-LSTM模型的预测精度较高，同时其能在训练模型过程中对历史信息进行判断和取舍，极大地提高了时序数据处理的效率，为公路隧道围岩变形预测提供了新的思路和探索。

关键词

公路隧道 / 围岩变形 / 数据分析 / LSTM / 贝叶斯优化