本发明属于盾构施工危险预测技术领域，涉及一种沉降预测系统，尤其涉及一种多模型融合的盾构施工沉降预测方法及系统。
背景技术：
随着我国经济的快速发展，各大中型城市居住人口急剧增加，造成了一系列交通问题，地铁建设进程逐步加快。盾构法因安全、环保、快速、性价比高等特点成为了地铁隧道施工的主要施工方法，而地下复杂多变的地质环境对盾构施工中的沉降控制造成了极大的挑战。由于城市地表建筑物众多，盾构施工引起地表沉降过大将引起严重的安全事故，因此需要对盾构施工过程中的沉降进行实时准确的预测，避免发生重大的施工事故。
目前已有大量研究者对人工智能方法在盾构施工过程中的地表沉降预测的应用做了相关研究，主要可以分为经验公式法、理论解析法、数值模拟法以及机器学习方法。通过经验公式描述沉降的形态，往往是针对特定地区的公式中的参数无法确定，沉降槽形状完全是固定的，不够精细化，难以对地表沉降进行准确预测。而理论解析法的计算模型较为简单，考虑的因素有限，难以反应真实的盾构与土体的相互作用，并且计算公式中往往包含有数值难以确定参数，影响解析法公式在实际工程中的应用。基于数值模拟法计算盾构掘进引起的地表沉降问题中，计算结果依赖于本构模型的选取和模型参数的数值，能模拟的土体变形情况有限。而近年来兴起的机器学习预测方法由于具有良好的自适应学习能力和非线性映射能力，能够充分挖掘输入监测数据的潜在规律，并相比传统分析方法具有较高的预测精度。
申请公告号为cn107239599a的发明专利首先选择影响盾构施工地表沉降的主要因素，将当前时刻的施工数据作为模型输入参数，利用神经模糊推理系统对盾构施工引起的沉降进行预测。申请公告号为cn108985340a的发明专利提出了一种基于双模型融合的盾构施工地面沉降量预测方法，将处理后的地质数据和掘进参数建立bp神经网络模型和支持向量机模型，并将两者预测结果进行融合，得到最终的沉降预测结果。以上专利在进行模型建立时主要考虑了掘进参数与地质情况对地表沉降的影响作用，但均未考虑测点沉降的时间序列特征，而其对提高沉降预测效果具有重要作用。
申请公告号为cn109978226а的发明专利提出了一种基于循环神经网络的盾构施工地面沉降预测方法，该方法将地面沉降的主要因素和当前时刻的沉降情况共同作为输入数据，采用循环神经网络的深层神经网络对地面沉降进行预测。该方法在进行预测时考虑了当前沉降的影响，并采用循环神经网络捕捉其时序特征，但掘进参数的采集频率和沉降监测数据的频率存在较大差距，采用同一模型进行建模，会造成掘进参数变化信息的大量缺失，且传统循环神经网络在处理长时间序列时存在梯度消失的问题。
有鉴于此，如今迫切需要设计一种新的沉降预测方式，以便克服现有沉降预测方式存在的上述至少部分缺陷。
技术实现要素：
本发明提供一种多模型融合的盾构施工沉降预测方法及系统，可提高盾构施工中沉降预测的精准度。
为解决上述技术问题，根据本发明的一个方面，采用如下技术方案：
一种多模型融合的盾构施工沉降预测方法，所述盾构施工沉降预测方法包括：
获取隧道地质数据、历史沉降数据以及历史掘进数据；
对施工数据进行预处理，并对数据进行归一化处理；
构建基于多模型融合的沉降预测模型；
结合实时施工情况对未来监测点沉降进行预测。
作为本发明的一种实施方式，获取隧道地质数据、历史沉降数据以及历史掘进数据步骤中，隧道地质数据具体包括各地质钻孔点各土层底标高以及各土层物理力学性质，历史沉降数据包括监测时间、监测点位置、测点沉降，历史掘进数据包括正面土压力、注浆量、螺闸门开度、注浆压力、刀盘扭矩、千斤顶推力、切口水平偏差、切口高程偏差、盾尾水平偏差、盾尾高程偏差、盾构坡度角。
作为本发明的一种实施方式，对施工数据进行预处理，并归一化步骤中，对其进行预处理，得到旨在提供信息且非冗余的派生值，便于进行后续的模型训练和泛化步骤；
s21、对地质数据预处理；
由于盾构通常并非在单一土层下掘进，为准确描述盾构的周围的施工地质环境，本专利采用各隧道断面平均粘聚力c、平均内摩擦角φ以及平均含水率ω来表示开挖面的地质情况，具体计算方法如下：
式中，si为第i层土层与开挖面接触的面积，pi为第i层土占开挖面面积比例，r为开挖面半径，ci、φi和ωi分别为第i层土的粘聚力、内摩擦角以及含水率；
s22、对掘进数据预处理；
由于原始盾构掘进数据包含大量无效信息，包括停推数据以及异常数据，需要对原始施工数据进行处理；具体步骤如下：
s221、根据推进速度、刀盘转速和推力大小进行停推判断，推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除；
s222、剔除掘进参数中的异常数据；
s223、基于预处理后的数据计算各掘进参数每环的统计量，具体包括各分区土压力平均值、刀盘转速平均值、刀盘转速平均值、累计注浆量变化量、水平姿态变化量、高程姿态变化量和注浆压力平均值作为掘进参数特征；
s23、数据归一化；
由于不同施工数据量纲不同且数量级相差巨大，需要对样本数据归一化处理到(0，1)之间，处理方法如下:
x*＝(x-xmin)/(xmax-xmin)
式中，x*为归一化后的值，x为原始值，xmin为数据组最小值，xmax为数据组最大值。
作为本发明的一种实施方式，构建基于多模型融合的沉降预测模型步骤中，构建的基于多模型融合的沉降预测模型通过将该监测点t-6时刻到t时刻的地表沉降数据、t 1时刻前8环掘进参数数据、隧道几何信息及地质信息输入模型，输出t 1时刻该监测点的沉降情况；
所述沉降预测模型包括基于bp神经网络的施工环境特征提取模型、基于卷积神经网络的掘进特征提取模型、基于lstm的沉降时序特征提取模型以及监测点沉降回归预测模型；
基于bp神经网络的施工环境特征提取模型通过将地质数据、隧道几何信息及t 1时刻监测点相对盾构切口位置作为输入，输出施工环境特征向量；
基于卷积神经网络的掘进特征提取模型将t 1时刻前8环掘进参数数据转化为特征矩阵作为模型输入，输出掘进参数特征向量；
基于lstm的沉降时序特征提取模型通过将t-6至t时刻的监测点沉降数据及相对位置作为输出，输出监测点沉降特征向量；
监测点沉降回归预测模型通过将上述三个模型的输出结果合并，通过两个全连接层对监测点沉降进行预测；
构建基于多模型融合的沉降预测模型步骤中，沉降预测模型结合掘进参数、沉降数据和施工环境数据的特点采用卷积神经网络、循环神经网络模型和反向传播神经模型对不同类型的数据特征进行提取，并将各模型的输出结果合并成一个特征向量，最后通过两个全连接层计算得到最终的沉降结果；
预测模型的输入包括施工环境数据、掘进参数数据和测点沉降数据，其中施工环境数据具体包括隧道埋深、地下水位及检测点位置对应的隧道断面土层粘聚力、内摩擦角、侧向土压力系数、含水率和压缩模量；掘进参数数据包括t 1时刻前8环内每环各掘进参数的统计量，具体有正面各分区土压力、刀盘转速、推进速度、水平姿态变化量、高程姿态变化量、注浆量、注浆压力；测点沉降数据包括t-6到t各时刻该检测点与切口的距离、本次检测与上一次检测的时间间隔、测点累计沉降值；输出为该测点t 1时刻的沉降量大小；具体模型构建过程如下：
步骤s31、基于bp神经网络的施工环境特征提取；
由于bp神经网络良好的非线性表达能力，采用bp神经网络对施工环境特征进行建模；定义第i层的第j个神经元状态为
式中
设置bp网络层数为3，即l1，l2，l3。l1为施工状态特征的输入层。l2是隐含层，l3是连接其他模型输出的顶层。bp神经网络输入参数包括隧道埋深、地下水位及检测点位置对应的隧道断面土层粘聚力、内摩擦角、含水率、侧向土压力系数和压缩模量；输出为二维的掘进环境特征；
步骤s32、基于长期短时记忆lstm的沉降时空特征提取；
长期短时记忆lstm在时间序列特征的建模取得了成功地应用，而沉降监测点的沉降数据是典型的时序数据，其前后数据具有较强的关联性；采用长短时记忆网络对沉降数据进行建模，来更好地捕捉监测点沉降随时间和盾构掘进变化的规律；
lstm部分主要由遗忘门、输入门和输出门三部分组成；在lstm中，遗忘门决定ct-1对ct的影响程度，输入门决定xt对ct的影响程度，输出门控制ct对ht的影响程度。遗忘门、输入门、输出门计算公式分别为：
ft＝σ(wfht-1 wfxt bf)
it＝σ(wiht-1 wixt bi)
ot＝σ(woht-1 woxt bo)
其中，ft、it、ot分别为遗忘门、输入门、输出门状态结算结果；wf、wi、wo分别为遗忘门、输入门、输出门权重矩阵；bf、bi、bo分别为遗忘门、输入门、输出门偏置项；lstm最终的输出由输出门和单元状态共同确定；
ht＝ottanh(ct)
其中：
lstm网络输入为t-6到t各时刻该检测点与切口的距离、本次检测与上一次检测的时间间隔、测点累计沉降值；时间步取值可以为6，根据实际施工沉降检测频率可以进行相应调整，输出为3维的沉降时序特征；
步骤s33、基于卷积神经网络的掘进参数特征提取；
卷积神经网络在时空数据特征提取具有良好的效果；在盾构掘进过程中，各掘进数据参数间具有较强的关联关系，且掘进参数数据又是典型的时序数据；为了对盾构掘进过程中掘进参数的变化特征进行有效提取，采用卷积神经网络对历史掘进参数数据进行特征提取；具体包括以下几个步骤：
步骤s331、数据格式转化，将预处理后原始的掘进参数数据转化成i*j*1的三维数据，其中i为参数类型数，j为将掘进数据输入卷积神经网络的环数，本专利中i为11，j为8。
步骤s332、网络模型的搭建，卷积神经网络共由三层组成，包括两层卷积层和一层全连接层；第一层卷积层共有8个卷积核，每个卷积核尺寸3*3，通道数为1，激活函数为relu；第二层卷积层共有8个卷积核，每个卷积核尺寸为3*3，通道数为8，激活函数为relu；最后一层全连接层，首先将卷积后的3维数据展开为1维数据输入全连接层，全连接层由一个隐含层组成，包括64个节点，最终输出为8维的掘进参数特征；
步骤s34、地表沉降数据回归预测；
将以上三个模型的输出结果进行连接，并添加一个全连接层计算得到该检测点t 1时刻的沉降量；定义最终回归结果为
式中，wy和by分别是权矩阵和偏置向量；
定义该融合模型的损失函数为预测值和实际值均方误差，采用反向误差传播算法完成预测模型的训练过程。
作为本发明的一种实施方式，结合实时施工情况对未来沉降进行预测步骤中，为实现对盾构推进过程中地表各监测点t 1时刻的累计沉降量预测，具体实现过程如下：
步骤s41、通过当前工程及相似历史工程数据训练沉降预测模型；
步骤s42、通过地勘报告或其他地质辨识方法获得沉降监测点下方的土层性质；
步骤s43、根据现场施工情况估计t 1时盾构所处位置，t 1时刻前8环已经推进的根据实际的掘进参数输入模型，还未推进的根据施工指令单数据作为模型输入。
步骤s44、获取该监测点t-6时刻至t时刻的历史沉降数据；
步骤s45、将上述计算数据输入沉降预测模型得到该测点t 1时刻的沉降情况。
步骤s46、重复上述步骤，直到所有轴线监测点预测完毕。
根据本发明的另一个方面，采用如下技术方案：一种多模型融合的盾构施工沉降预测系统，所述盾构施工沉降预测系统包括：
数据获取模块，用以获取隧道地质数据、历史沉降数据以及历史掘进数据；
数据处理模块，用以对施工数据进行预处理，并对数据进行归一化处理；
预测模型构建模块，用以构建基于多模型融合的沉降预测模型；
沉降预测模块，用以根据实时施工情况利用所述预测模型构建模块构建的沉降预测模型对未来沉降进行预测。
作为本发明的一种实施方式，所述数据获取模块获取的隧道地质数据具体包括各地质钻孔点各土层底标高以及各土层物理力学性质，历史沉降数据包括监测时间、监测点位置、测点沉降，历史掘进数据包括正面土压力、注浆量、螺闸门开度、注浆压力、刀盘扭矩、千斤顶推力、切口水平偏差、切口高程偏差、盾尾水平偏差、盾尾高程偏差、盾构坡度角。
作为本发明的一种实施方式，所述数据处理模块用以对其进行预处理，得到旨在提供信息且非冗余的派生值，便于进行后续的模型训练和泛化步骤；
s21、对地质数据预处理；
由于盾构通常并非在单一土层下掘进，为准确描述盾构的周围的施工地质环境，本专利采用各隧道断面平均粘聚力c、平均内摩擦角φ以及平均含水率ω来表示开挖面的地质情况，具体计算方法如下：
式中，si为第i层土层与开挖面接触的面积，pi为第i层土占开挖面面积比例，r为开挖面半径，ci、φi和ωi分别为第i层土的粘聚力、内摩擦角以及含水率；
s22、对掘进数据预处理；
由于原始盾构掘进数据包含大量无效信息，包括停推数据以及异常数据，需要对原始施工数据进行处理；具体步骤如下：
s221、根据推进速度、刀盘转速和推力大小进行停推判断，推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除；
s222、剔除掘进参数中的异常数据；
s223、基于预处理后的数据计算各掘进参数每环的统计量，具体包括各分区土压力平均值、刀盘转速平均值、刀盘转速平均值、累计注浆量变化量、水平姿态变化量、高程姿态变化量和注浆压力平均值作为掘进参数特征；
s23、数据归一化；
由于不同施工数据量纲不同且数量级相差巨大，需要对样本数据归一化处理到(0，1)之间，处理方法如下:
x*＝(x-xmin)/(xmax-xmin)
式中，x*为归一化后的值，x为原始值，xmin为数据组最小值，xmax为数据组最大值。
作为本发明的一种实施方式，所述预测模型构建模块构建的基于多模型融合的沉降预测模型通过将该监测点t-6时刻到t时刻的地表沉降数据、t 1时刻前8环掘进参数数据、隧道几何信息及地质信息输入模型，输出t 1时刻该监测点的沉降情况；
所述沉降预测模型包括基于bp神经网络的施工环境特征提取模型、基于卷积神经网络的掘进特征提取模型、基于lstm的沉降时序特征提取模型以及监测点沉降回归预测模型；
基于bp神经网络的施工环境特征提取模型通过将地质数据、隧道几何信息及t 1时刻监测点相对盾构切口位置作为输入，输出施工环境特征向量；
基于卷积神经网络的掘进特征提取模型将t 1时刻前8环掘进参数数据转化为特征矩阵作为模型输入，输出掘进参数特征向量；
基于lstm的沉降时序特征提取模型通过将t-6至t时刻的监测点沉降数据及相对位置作为输出，输出监测点沉降特征向量；
监测点沉降回归预测模型通过将上述三个模型的输出结果合并，通过两个全连接层对监测点沉降进行预测；
所述沉降预测模型结合掘进参数、沉降数据和施工环境数据的特点采用卷积神经网络、循环神经网络模型和反向传播神经模型对不同类型的数据特征进行提取，并将各模型的输出结果合并成一个特征向量，最后通过两个全连接层计算得到最终的沉降结果；
预测模型的输入包括施工环境数据、掘进参数数据和测点沉降数据，其中施工环境数据具体包括隧道埋深、地下水位及检测点位置对应的隧道断面土层粘聚力、内摩擦角、侧向土压力系数、含水率和压缩模量；掘进参数数据包括t 1时刻前8环内每环各掘进参数的统计量，具体有正面各分区土压力、刀盘转速、推进速度、水平姿态变化量、高程姿态变化量、注浆量、注浆压力；测点沉降数据包括t-6到t各时刻该检测点与切口的距离、本次检测与上一次检测的时间间隔、测点累计沉降值；输出为该测点t 1时刻的沉降量大小；
具体模型构建过程如下：
步骤s31、基于bp神经网络的施工环境特征提取
由于bp神经网络良好的非线性表达能力，采用bp神经网络对施工环境特征进行建模；定义第i层的第j个神经元状态为
式中
设置bp网络层数为3，即l1，l2，l3。l1为施工状态特征的输入层。l2是隐含层，l3是连接其他模型输出的顶层。bp神经网络输入参数包括隧道埋深、地下水位及检测点位置对应的隧道断面土层粘聚力、内摩擦角、含水率、侧向土压力系数和压缩模量；输出为二维的掘进环境特征；
步骤s32、基于长期短时记忆lstm的沉降时空特征提取；
长期短时记忆lstm在时间序列特征的建模取得了成功地应用，而沉降监测点的沉降数据是典型的时序数据，其前后数据具有较强的关联性；采用长短时记忆网络对沉降数据进行建模，来更好地捕捉监测点沉降随时间和盾构掘进变化的规律；
lstm部分主要由遗忘门、输入门和输出门三部分组成；在lstm中，遗忘门决定ct-1对ct的影响程度，输入门决定xt对ct的影响程度，输出门控制ct对ht的影响程度。遗忘门、输入门、输出门计算公式分别为：
ft＝σ(wfht-1 wfxt bf)
it＝σ(wiht-1 wixt bi)
ot＝σ(woht-1 woxt bo)
其中，ft、it、ot分别为遗忘门、输入门、输出门状态结算结果；wf、wi、wo分别为遗忘门、输入门、输出门权重矩阵；bf、bi、bo分别为遗忘门、输入门、输出门偏置项；lstm最终的输出由输出门和单元状态共同确定；
ht＝ottanh(ct)
其中:
lstm网络输入为t-6到t各时刻该检测点与切口的距离、本次检测与上一次检测的时间间隔、测点累计沉降值；时间步取值可以为6，根据实际施工沉降检测频率可以进行相应调整，输出为3维的沉降时序特征；
步骤s33、基于卷积神经网络的掘进参数特征提取；
卷积神经网络在时空数据特征提取具有良好的效果；在盾构掘进过程中，各掘进数据参数间具有较强的关联关系，且掘进参数数据又是典型的时序数据；为了对盾构掘进过程中掘进参数的变化特征进行有效提取，采用卷积神经网络对历史掘进参数数据进行特征提取；
具体包括以下几个步骤：
步骤s331、数据格式转化，将预处理后原始的掘进参数数据转化成i*j*1的三维数据，其中i为参数类型数，j为将掘进数据输入卷积神经网络的环数，本专利中i为11，j为8。
步骤s332、网络模型的搭建，卷积神经网络共由三层组成，包括两层卷积层和一层全连接层；第一层卷积层共有8个卷积核，每个卷积核尺寸3*3，通道数为1，激活函数为relu；第二层卷积层共有8个卷积核，每个卷积核尺寸为3*3，通道数为8，激活函数为relu；最后一层全连接层，首先将卷积后的3维数据展开为1维数据输入全连接层，全连接层由一个隐含层组成，包括64个节点，最终输出为8维的掘进参数特征；
步骤s34、地表沉降数据回归预测；
将以上三个模型的输出结果进行连接，并添加一个全连接层计算得到该检测点t 1时刻的沉降量；定义最终回归结果为
式中，wy和by分别是权矩阵和偏置向量；
定义该融合模型的损失函数为预测值和实际值均方误差，采用反向误差传播算法完成预测模型的训练过程；
作为本发明的一种实施方式，所述沉降预测模块用以实现对盾构推进过程中地表各监测点t 1时刻的累计沉降量预测，具体实现过程如下：
步骤s41、通过当前工程及相似历史工程数据训练沉降预测模型；
步骤s42、通过地勘报告或其他地质辨识方法获得沉降监测点下方的土层性质；
步骤s43、根据现场施工情况估计t 1时盾构所处位置，t 1时刻前8环已经推进的根据实际的掘进参数输入模型，还未推进的根据施工指令单数据作为模型输入。
步骤s44、获取该监测点t-6时刻至t时刻的历史沉降数据；
步骤s45、将上述计算数据输入沉降预测模型得到该测点t 1时刻的沉降情况。
步骤s46、重复上述步骤，直到所有轴线监测点预测完毕。
本发明的有益效果在于：本发明提出的多模型融合的盾构施工沉降预测方法及系统，可提高盾构施工中沉降预测的精准度。
附图说明
图1为本发明一实施例中盾构施工沉降预测方法的流程图。
图2为本发明一实施例中沉降预测模型的模型框架示意图。
图3为本发明一实施例中沉降预测模型的结构示意图。
图4为本发明一实施例中多模型融合的盾构施工沉降预测系统的组成示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
该部分的描述只针对几个典型的实施例，本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
说明书中各个实施例中的步骤的表述只是为了方便说明，本申请的实现方式不受步骤实现的顺序限制。说明书中的“连接”既包含直接连接，也包含间接连接。
本发明揭示了一种多模型融合的盾构施工沉降预测方法，图1为本发明一实施例中盾构施工沉降预测方法的流程图，图2为本发明一实施例中沉降预测模型的模型框架示意图；请参阅图1、图2，所述盾构施工沉降预测方法包括：
【步骤s1】获取隧道地质数据、历史沉降数据以及历史掘进数据；
在本发明的一实施例中，步骤s1中，由于模型建立需要大量数据进行模型的训练，所以收集历史盾构施工项目的隧道地质数据、历史沉降数据以及历史掘进数据。隧道地质数据具体包括各地质钻孔点各土层底标高以及各土层物理力学性质，历史沉降数据包括监测时间、监测点位置、测点沉降，历史掘进数据包括正面土压力、注浆量、螺闸门开度、注浆压力、刀盘扭矩、千斤顶推力、切口水平偏差、切口高程偏差、盾尾水平偏差、盾尾高程偏差、盾构坡度角。
【步骤s2】对施工数据进行预处理，并对数据进行归一化处理；
在本发明的一实施例中，对施工数据进行预处理，并归一化步骤中，由于直接获取到的原始施工数据维度较高且存在数据冗余，需要对其进行预处理，得到旨在提供信息且非冗余的派生值，便于进行后续的模型训练和泛化步骤；
s21、对地质数据预处理；
由于盾构通常并非在单一土层下掘进，为准确描述盾构的周围的施工地质环境，本专利采用各隧道断面平均粘聚力c、平均内摩擦角φ以及平均含水率ω来表示开挖面的地质情况，具体计算方法如下：
式中，si为第i层土层与开挖面接触的面积，pi为第i层土占开挖面面积比例，r为开挖面半径，ci、φi和ωi分别为第i层土的粘聚力、内摩擦角以及含水率；
s22、对掘进数据预处理；
由于原始盾构掘进数据包含大量无效信息，包括停推数据以及异常数据，需要对原始施工数据进行处理；具体步骤如下：
s221、根据推进速度、刀盘转速和推力大小进行停推判断，推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除；
s222、采用3σ准则剔除掘进参数中的异常数据；
s223、基于预处理后的数据计算各掘进参数每环的统计量，具体包括各分区土压力平均值、刀盘转速平均值、刀盘转速平均值、累计注浆量变化量、水平姿态变化量、高程姿态变化量和注浆压力平均值作为掘进参数特征；
s23、数据归一化；
由于不同施工数据量纲不同且数量级相差巨大，需要对样本数据归一化处理到(0，1)之间，处理方法如下:
x*＝(x-xmin)/(xmax-xmin)
式中，x*为归一化后的值，x为原始值，xmin为数据组最小值，xmax为数据组最大值。
【步骤s3】构建基于多模型融合的沉降预测模型；
在本发明的一实施例中，构建基于多模型融合的沉降预测模型步骤中，构建的基于多模型融合的沉降预测模型通过将该监测点t-6时刻到t时刻的地表沉降数据、t 1时刻前8环(当然也可以是其他环数)掘进参数数据、隧道几何信息及地质信息输入模型，输出t 1时刻该监测点的沉降情况。
图3为本发明一实施例中沉降预测模型的结构示意图；请参阅图3，在一实施例中，沉降预测模型的结构如图3所示。
所述沉降预测模型包括基于bp神经网络的施工环境特征提取模型、基于卷积神经网络的掘进特征提取模型、基于lstm的沉降时序特征提取模型以及监测点沉降回归预测模型。
基于bp神经网络的施工环境特征提取模型通过将地质数据、隧道几何信息及t 1时刻监测点相对盾构切口位置作为输入，输出施工环境特征向量；
基于卷积神经网络的掘进特征提取模型将t 1时刻前8环掘进参数数据转化为特征矩阵作为模型输入，输出掘进参数特征向量；
基于lstm的沉降时序特征提取模型通过将t-6至t时刻的监测点沉降数据及相对位置作为输出，输出监测点沉降特征向量；
监测点沉降回归预测模型通过将上述三个模型的输出结果合并，通过两个全连接层对监测点沉降进行预测；
构建基于多模型融合的沉降预测模型步骤中，沉降预测模型结合掘进参数、沉降数据和施工环境数据的特点采用卷积神经网络、循环神经网络模型和反向传播神经模型对不同类型的数据特征进行提取，并将各模型的输出结果合并成一个特征向量，最后通过两个全连接层计算得到最终的沉降结果。
预测模型的输入包括施工环境数据、掘进参数数据和测点沉降数据，其中施工环境数据具体包括隧道埋深、地下水位及检测点位置对应的隧道断面土层粘聚力、内摩擦角、侧向土压力系数、含水率和压缩模量；掘进参数数据包括t 1时刻前8环内每环各掘进参数的统计量，具体有正面各分区土压力、刀盘转速、推进速度、水平姿态变化量、高程姿态变化量、注浆量、注浆压力；测点沉降数据包括t-6到t各时刻该检测点与切口的距离、本次检测与上一次检测的时间间隔、测点累计沉降值；输出为该测点t 1时刻的沉降量大小。
在本发明的一实施例中，具体模型构建过程如下：
步骤s31、基于bp神经网络的施工环境特征提取；
由于bp神经网络良好的非线性表达能力，采用bp神经网络对施工环境特征进行建模；定义第i层的第j个神经元状态为
式中
设置bp网络层数为3，即l1，l2，l3。l1为施工状态特征的输入层。l2是隐含层，l3是连接其他模型输出的顶层。bp神经网络输入参数包括隧道埋深、地下水位及检测点位置对应的隧道断面土层粘聚力、内摩擦角、含水率、侧向土压力系数和压缩模量；输出为二维的掘进环境特征；
步骤s32、基于长期短时记忆lstm的沉降时空特征提取；
长期短时记忆lstm在时间序列特征的建模取得了成功地应用，而沉降监测点的沉降数据是典型的时序数据，其前后数据具有较强的关联性；采用长短时记忆网络对沉降数据进行建模，来更好地捕捉监测点沉降随时间和盾构掘进变化的规律；
lstm部分主要由遗忘门、输入门和输出门三部分组成；在lstm中，遗忘门决定ct-1对ct的影响程度，输入门决定xt对ct的影响程度，输出门控制ct对ht的影响程度。遗忘门、输入门、输出门计算公式分别为:
ft＝σ(wfht-1 wfxt bf)
it＝σ（wiht-1 wixt bi)
ot＝σ(woht-1 woxt bo)
其中，ft、it、ot分别为遗忘门、输入门、输出门状态结算结果；wf、wi、wo分别为遗忘门、输入门、输出门权重矩阵；bf、bi、bo分别为遗忘门、输入门、输出门偏置项；lstm最终的输出由输出门和单元状态共同确定；
ht＝ottanh(ct)
其中:
lstm网络输入为t-6到t各时刻该检测点与切口的距离、本次检测与上一次检测的时间间隔、测点累计沉降值；时间步取值可以为6，根据实际施工沉降检测频率可以进行相应调整，输出为3维的沉降时序特征；
步骤s33、基于卷积神经网络的掘进参数特征提取；
卷积神经网络在时空数据特征提取具有良好的效果；在盾构掘进过程中，各掘进数据参数间具有较强的关联关系，且掘进参数数据又是典型的时序数据；为了对盾构掘进过程中掘进参数的变化特征进行有效提取，采用卷积神经网络对历史掘进参数数据进行特征提取；具体包括以下几个步骤：
步骤s331、数据格式转化，将预处理后原始的掘进参数数据转化成i*j*1的三维数据，其中i为参数类型数，j为将掘进数据输入卷积神经网络的环数，本专利中i为11，j为8。
步骤s332、网络模型的搭建，卷积神经网络共由三层组成，包括两层卷积层和一层全连接层；第一层卷积层共有8个卷积核，每个卷积核尺寸3*3，通道数为1，激活函数为relu；第二层卷积层共有8个卷积核，每个卷积核尺寸为3*3，通道数为8，激活函数为relu；最后一层全连接层，首先将卷积后的3维数据展开为1维数据输入全连接层，全连接层由一个隐含层组成，包括64个节点，最终输出为8维的掘进参数特征；
步骤s34、地表沉降数据回归预测；
将以上三个模型的输出结果进行连接，并添加一个全连接层计算得到该检测点t 1时刻的沉降量；定义最终回归结果为
式中，wy和by分别是权矩阵和偏置向量；
定义该融合模型的损失函数为预测值和实际值均方误差，采用反向误差传播算法完成预测模型的训练过程。
【步骤s4】结合实时施工情况对未来沉降进行预测。
在本发明的一实施例中，结合实时施工情况对未来沉降进行预测步骤中，为实现对盾构推进过程中地表各监测点t 1时刻的累计沉降量预测，具体实现过程如下：
步骤s41、通过当前工程及相似历史工程数据训练沉降预测模型；
步骤s42、通过地勘报告或其他地质辨识方法获得沉降监测点下方的土层性质；
步骤s43、根据现场施工情况估计t 1时盾构所处位置，t 1时刻前8环已经推进的根据实际的掘进参数输入模型，还未推进的根据施工指令单数据作为模型输入。
步骤s44、获取该监测点t-6时刻至t时刻的历史沉降数据；
步骤s45、将上述计算数据输入沉降预测模型得到该测点t 1时刻的沉降情况。
步骤s46、重复上述步骤，直到所有轴线监测点预测完毕。
本发明还揭示一种多模型融合的盾构施工沉降预测系统，图4为本发明一实施例中多模型融合的盾构施工沉降预测系统的组成示意图；请参阅图4，所述盾构施工沉降预测系统包括：数据获取模块1、数据处理模块2、预测模型构建模块3及沉降预测模块4。
数据获取模块1用以获取隧道地质数据、历史沉降数据以及历史掘进数据；数据处理模块2用以对施工数据进行预处理，并对数据进行归一化处理；预测模型构建模块3用以构建基于多模型融合的沉降预测模型；沉降预测模块4用以根据实时施工情况利用所述预测模型构建模块构建的沉降预测模型对未来沉降进行预测。
在本发明的一实施例中，所述数据获取模块1获取的隧道地质数据具体包括各地质钻孔点各土层底标高以及各土层物理力学性质，历史沉降数据包括监测时间、监测点位置、测点沉降，历史掘进数据包括正面土压力、注浆量、螺闸门开度、注浆压力、刀盘扭矩、千斤顶推力、切口水平偏差、切口高程偏差、盾尾水平偏差、盾尾高程偏差、盾构坡度角。
在本发明的一实施例中，所述数据处理模块2用以对其进行预处理，得到旨在提供信息且非冗余的派生值，便于进行后续的模型训练和泛化步骤；
s21、对地质数据预处理；
由于盾构通常并非在单一土层下掘进，为准确描述盾构的周围的施工地质环境，本专利采用各隧道断面平均粘聚力c、平均内摩擦角φ以及平均含水率ω来表示开挖面的地质情况，具体计算方法如下：
式中，si为第i层土层与开挖面接触的面积，pi为第i层土占开挖面面积比例，r为开挖面半径，ci、φi和ωi分别为第i层土的粘聚力、内摩擦角以及含水率；
s22、对掘进数据预处理；
由于原始盾构掘进数据包含大量无效信息，包括停推数据以及异常数据，需要对原始施工数据进行处理；具体步骤如下：
s221、根据推进速度、刀盘转速和推力大小进行停推判断，推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除；
s222、采用3σ准则剔除掘进参数中的异常数据；
s223、基于预处理后的数据计算各掘进参数每环的统计量，具体包括各分区土压力平均值、刀盘转速平均值、刀盘转速平均值、累计注浆量变化量、水平姿态变化量、高程姿态变化量和注浆压力平均值作为掘进参数特征；
s23、数据归一化；
由于不同施工数据量纲不同且数量级相差巨大，需要对样本数据归一化处理到(0，1)之间，处理方法如下:
x*＝(x-xmin)/(xmax-xmin)
式中，x*为归一化后的值，x为原始值，xmin为数据组最小值，xmax为数据组最大值。
在本发明的一实施例中，所述预测模型构建模块3构建的基于多模型融合的沉降预测模型通过将该监测点t-6时刻到t时刻的地表沉降数据、t 1时刻前8环掘进参数数据、隧道几何信息及地质信息输入模型，输出t 1时刻该监测点的沉降情况；
所述沉降预测模型包括基于bp神经网络的施工环境特征提取模型、基于卷积神经网络的掘进特征提取模型、基于lstm的沉降时序特征提取模型以及监测点沉降回归预测模型；
基于bp神经网络的施工环境特征提取模型通过将地质数据、隧道几何信息及t 1时刻监测点相对盾构切口位置作为输入，输出施工环境特征向量；
基于卷积神经网络的掘进特征提取模型将t 1时刻前8环掘进参数数据转化为特征矩阵作为模型输入，输出掘进参数特征向量；
基于lstm的沉降时序特征提取模型通过将t-6至t时刻的监测点沉降数据及相对位置作为输出，输出监测点沉降特征向量；
监测点沉降回归预测模型通过将上述三个模型的输出结果合并，通过两个全连接层对监测点沉降进行预测；
所述沉降预测模型结合掘进参数、沉降数据和施工环境数据的特点采用卷积神经网络、循环神经网络模型和反向传播神经模型对不同类型的数据特征进行提取，并将各模型的输出结果合并成一个特征向量，最后通过两个全连接层计算得到最终的沉降结果；
预测模型的输入包括施工环境数据、掘进参数数据和测点沉降数据，其中施工环境数据具体包括隧道埋深、地下水位及检测点位置对应的隧道断面土层粘聚力、内摩擦角、侧向土压力系数、含水率和压缩模量；掘进参数数据包括t 1时刻前8环内每环各掘进参数的统计量，具体有正面各分区土压力、刀盘转速、推进速度、水平姿态变化量、高程姿态变化量、注浆量、注浆压力；测点沉降数据包括t-6到t各时刻该检测点与切口的距离、本次检测与上一次检测的时间间隔、测点累计沉降值；输出为该测点t 1时刻的沉降量大小；
具体模型构建过程如下：
步骤s31、基于bp神经网络的施工环境特征提取
由于bp神经网络良好的非线性表达能力，采用bp神经网络对施工环境特征进行建模；定义第i层的第j个神经元状态为
式中
设置bp网络层数为3，即l1，l2，l3。l1为施工状态特征的输入层。l2是隐含层，l3是连接其他模型输出的顶层。bp神经网络输入参数包括隧道埋深、地下水位及检测点位置对应的隧道断面土层粘聚力、内摩擦角、含水率、侧向土压力系数和压缩模量；输出为二维的掘进环境特征；
步骤s32、基于长期短时记忆lstm的沉降时空特征提取；
长期短时记忆lstm在时间序列特征的建模取得了成功地应用，而沉降监测点的沉降数据是典型的时序数据，其前后数据具有较强的关联性；采用长短时记忆网络对沉降数据进行建模，来更好地捕捉监测点沉降随时间和盾构掘进变化的规律；
lstm部分主要由遗忘门、输入门和输出门三部分组成；在lstm中，遗忘门决定ct-1对ct的影响程度，输入门决定xt对ct的影响程度，输出门控制ct对ht的影响程度。遗忘门、输入门、输出门计算公式分别为：
ft＝σ(wfht-1 wfxt bf)
it＝σ(wiht-1 wixt bi)
ot＝σ(woht-1 woxt bo)
其中，ft、it、ot分别为遗忘门、输入门、输出门状态结算结果；wf、wi、wo分别为遗忘门、输入门、输出门权重矩阵；bf、bi、bo分别为遗忘门、输入门、输出门偏置项；lstm最终的输出由输出门和单元状态共同确定；
ht＝ottanh(ct)
其中：
lstm网络输入为t-6到t各时刻该检测点与切口的距离、本次检测与上一次检测的时间间隔、测点累计沉降值；时间步取值可以为6，根据实际施工沉降检测频率可以进行相应调整，输出为3维的沉降时序特征；
步骤s33、基于卷积神经网络的掘进参数特征提取；
卷积神经网络在时空数据特征提取具有良好的效果；在盾构掘进过程中，各掘进数据参数间具有较强的关联关系，且掘进参数数据又是典型的时序数据；为了对盾构掘进过程中掘进参数的变化特征进行有效提取，采用卷积神经网络对历史掘进参数数据进行特征提取；
具体包括以下几个步骤：
步骤s331、数据格式转化，将预处理后原始的掘进参数数据转化成i*j*1的三维数据，其中i为参数类型数，j为将掘进数据输入卷积神经网络的环数，本专利中i为11，j为8。
步骤s332、网络模型的搭建，卷积神经网络共由三层组成，包括两层卷积层和一层全连接层；第一层卷积层共有8个卷积核，每个卷积核尺寸3*3，通道数为1，激活函数为relu；第二层卷积层共有8个卷积核，每个卷积核尺寸为3*3，通道数为8，激活函数为relu；最后一层全连接层，首先将卷积后的3维数据展开为1维数据输入全连接层，全连接层由一个隐含层组成，包括64个节点，最终输出为8维的掘进参数特征；
步骤s34、地表沉降数据回归预测；
将以上三个模型的输出结果进行连接，并添加一个全连接层计算得到该检测点t 1时刻的沉降量；定义最终回归结果为
式中，wy和by分别是权矩阵和偏置向量；
定义该融合模型的损失函数为预测值和实际值均方误差，采用反向误差传播算法完成预测模型的训练过程。
在本发明的一实施例中，所述沉降预测模块4用以实现对盾构推进过程中地表各监测点t 1时刻的累计沉降量预测，具体实现过程如下：
步骤s41、通过当前工程及相似历史工程数据训练沉降预测模型；
步骤s42、通过地勘报告或其他地质辨识方法获得沉降监测点下方的土层性质；
步骤s43、根据现场施工情况估计t 1时盾构所处位置，t 1时刻前8环已经推进的根据实际的掘进参数输入模型，还未推进的根据施工指令单数据作为模型输入。
步骤s44、获取该监测点t-6时刻至t时刻的历史沉降数据；
步骤s45、将上述计算数据输入沉降预测模型得到该测点t 1时刻的沉降情况。
步骤s46、重复上述步骤，直到所有轴线监测点预测完毕。
综上所述，本发明提出的多模型融合的盾构施工沉降预测方法及系统，可提高盾构施工中沉降预测的精准度。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施；例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中，本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中；例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现；例如，作为与处理器配合从而执行各个步骤或功能的电路。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。实施例中所涉及的效果或优点可因多种因素干扰而可能不能在实施例中体现，对于效果或优点的描述不用于对实施例进行限制。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。
1.一种多模型融合的盾构施工沉降预测方法，其特征在于，所述方法包括：
获取隧道地质数据、历史沉降数据以及历史掘进数据；
对施工数据进行预处理，并对数据进行归一化处理；
构建基于多模型融合的沉降预测模型；
结合实时施工情况对未来沉降进行预测。
2.根据权利要求1所述的多模型融合的盾构施工沉降预测系统，其特征在于：
获取隧道地质数据、历史沉降数据以及历史掘进数据步骤中，隧道地质数据具体包括各地质钻孔点各土层底标高以及各土层物理力学性质，历史沉降数据包括监测时间、监测点位置、测点沉降，历史掘进数据包括正面土压力、注浆量、螺闸门开度、注浆压力、刀盘扭矩、千斤顶推力、切口水平偏差、切口高程偏差、盾尾水平偏差、盾尾高程偏差、盾构坡度角。
3.根据权利要求1所述的多模型融合的盾构施工沉降预测系统，其特征在于：
对施工数据预处理，并对数据进行归一化处理步骤中，对掘进数据和地质数据进行预处理，得到旨在提供信息且非冗余的派生值，便于进行后续的模型训练和泛化步骤；
s21、对地质数据预处理；
由于盾构通常并非在单一土层下掘进，为准确描述盾构的周围的施工地质环境，本专利采用各隧道断面平均粘聚力c、平均内摩擦角φ以及平均含水率ω来表示开挖面的地质情况，具体计算方法如下：
式中，si为第i层土层与开挖面接触的面积，pi为第i层土占开挖面面积比例，r为开挖面半径，ci、φi和ωi分别为第i层土的粘聚力、内摩擦角以及含水率；
s22、对掘进数据预处理；
由于原始盾构掘进数据包含大量无效信息，包括停推数据以及异常数据，需要对原始施工数据进行处理；具体步骤如下：
s221、根据推进速度、刀盘转速和推力大小进行停推判断，推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除；
s222、剔除掘进参数中的异常数据；
s223、基于预处理后的数据计算各掘进参数每环的统计量，具体包括各分区土压力平均值、刀盘转速平均值、刀盘转速平均值、累计注浆量变化量、水平姿态变化量、高程姿态变化量和注浆压力平均值作为掘进参数特征；
s23、数据归一化；
由于不同施工数据量纲不同且数量级相差巨大，需要对样本数据归一化处理到(0，1)之间，处理方法如下：
x*＝(x-xmin)/(xmax-xmin)
式中，x*为归一化后的值，x为原始值，xmin为数据组最小值，xmax为数据组最大值。
4.根据权利要求1所述的多模型融合的盾构施工沉降预测系统，其特征在于：
构建基于多模型融合的沉降预测模型步骤中，构建的基于多模型融合的沉降预测模型通过将该监测点t-6时刻到t时刻的地表沉降数据、t 1时刻前8环掘进参数数据、隧道几何信息及地质信息输入模型，输出t 1时刻该监测点的沉降情况；
所述沉降预测模型包括基于bp神经网络的施工环境特征提取模型、基于卷积神经网络的掘进特征提取模型、基于lstm的沉降时序特征提取模型以及监测点沉降回归预测模型；
基于bp神经网络的施工环境特征提取模型通过将地质数据、隧道几何信息及t 1时刻监测点相对盾构切口位置作为输入，输出施工环境特征向量；
基于卷积神经网络的掘进特征提取模型将t 1时刻前8环掘进参数数据转化为特征矩阵作为模型输入，输出掘进参数特征向量；
基于lstm的沉降时序特征提取模型通过将t-6至t时刻的监测点沉降数据及相对位置作为输出，输出监测点沉降特征向量；
监测点沉降回归预测模型通过将上述三个模型的输出结果合并，通过两个全连接层对监测点沉降进行预测；
构建基于多模型融合的沉降预测模型步骤中，沉降预测模型结合掘进参数、沉降数据和施工环境数据的特点采用卷积神经网络、循环神经网络模型和反向传播神经模型对不同类型的数据特征进行提取，并将各模型的输出结果合并成一个特征向量，最后通过两个全连接层计算得到最终的沉降结果；
预测模型的输入包括施工环境数据、掘进参数数据和测点沉降数据，其中施工环境数据具体包括隧道埋深、地下水位及检测点位置对应的隧道断面土层粘聚力、内摩擦角、侧向土压力系数、含水率和压缩模量；掘进参数数据包括t 1时刻前8环内每环各掘进参数的统计量，具体有正面各分区土压力、刀盘转速、推进速度、水平姿态变化量、高程姿态变化量、注浆量、注浆压力；测点沉降数据包括t-6到t各时刻该检测点与切口的距离、本次检测与上一次检测的时间间隔、测点累计沉降值；输出为该测点t 1时刻的沉降量大小；具体模型构建过程如下：
步骤s31、基于bp神经网络的施工环境特征提取；
由于bp神经网络良好的非线性表达能力，采用bp神经网络对施工环境特征进行建模；定义第i层的第j个神经元状态为
式中
设置bp网络层数为3，l1为施工状态特征的输入层，l2是隐含层，l3是连接其他模型输出的顶层；bp神经网络输入参数包括隧道埋深、地下水位及检测点位置对应的隧道断面土层粘聚力、内摩擦角、含水率、侧向土压力系数和压缩模量；输出为二维的掘进环境特征；
步骤s32、基于长期短时记忆lstm的沉降时空特征提取；
长期短时记忆lstm在时间序列特征的建模取得了成功地应用，而沉降监测点的沉降数据是典型的时序数据，其前后数据具有较强的关联性；采用长短时记忆网络对沉降数据进行建模，来更好地捕捉监测点沉降随时间和盾构掘进变化的规律；
lstm部分主要由遗忘门、输入门和输出门三部分组成；在lstm中，遗忘门决定ct-1对ct的影响程度，输入门决定xt对ct的影响程度，输出门控制ct对ht的影响程度；遗忘门、输入门、输出门计算公式分别为：
ft＝σ(wfht-1 wfxt bf)
it＝σ(wiht-1 wixt bi)
ot＝σ(woht-1 woxt bo)
其中，ft、it、ot分别为遗忘门、输入门、输出门状态结算结果；wf、wi、wo分别为遗忘门、输入门、输出门权重矩阵；bf、bi、bo分别为遗忘门、输入门、输出门偏置项；lstm最终的输出由输出门和单元状态共同确定：
ht＝ottanh(ct)
其中，
lstm网络输入为t-6到t各时刻该检测点与切口的距离、本次检测与上一次检测的时间间隔、测点累计沉降值；时间步取值为6，根据实际施工沉降检测频率可以进行相应调整，输出为3维的沉降时序特征；
步骤s33、基于卷积神经网络的掘进参数特征提取；
卷积神经网络在时空数据特征提取具有良好的效果；在盾构掘进过程中，各掘进数据参数间具有较强的关联关系，且掘进参数数据又是典型的时序数据；为了对盾构掘进过程中掘进参数的变化特征进行有效提取，采用卷积神经网络对历史掘进参数数据进行特征提取；具体包括以下几个步骤：
步骤s331、数据格式转化，将预处理后原始的掘进参数数据转化成i*j*1的三维数据，其中i为参数类型数，j为将掘进数据输入卷积神经网络的环数；
步骤s332、网络模型的搭建，卷积神经网络共由三层组成，包括两层卷积层和一层全连接层；第一层卷积层共有8个卷积核，每个卷积核尺寸3*3，通道数为1，激活函数为relu；第二层卷积层共有8个卷积核，每个卷积核尺寸为3*3，通道数为8，激活函数为relu；最后一层全连接层，首先将卷积后的3维数据展开为1维数据输入全连接层，全连接层由一个隐含层组成，包括64个节点，最终输出为8维的掘进参数特征；
步骤s34、地表沉降数据回归预测；
将以上三个模型的输出结果进行连接，并添加一个全连接层计算得到该检测点t 1时刻的沉降量；定义最终回归结果为
式中，wy和by分别是权矩阵和偏置向量；
定义该融合模型的损失函数为预测值和实际值均方误差，采用反向误差传播算法完成预测模型的训练过程。
5.根据权利要求1所述的多模型融合的盾构施工沉降预测系统，其特征在于：
结合实时施工情况对未来沉降进行预测步骤中，为实现对盾构推进过程中地表各监测点t 1时刻的累计沉降量预测，具体实现过程如下：
步骤s41、通过当前工程及相似历史工程数据训练沉降预测模型；
步骤s42、通过地勘报告或其他地质辨识方法获得沉降监测点下方的土层性质；
步骤s43、根据现场施工情况估计t 1时盾构所处位置，t 1时刻前8环已经推进的根据实际的掘进参数输入模型，还未推进的根据施工指令单数据作为模型输入。
步骤s44、获取该监测点t-6时刻至t时刻的历史沉降数据；
步骤s45、将上述计算数据输入沉降预测模型得到该测点t 1时刻的沉降情况。
步骤s46、重复上述步骤，直到所有轴线监测点预测完毕。
6.一种多模型融合的盾构施工沉降预测系统，其特征在于，所述系统包括：
数据获取模块，用以获取隧道地质数据、历史沉降数据以及历史掘进数据；
数据处理模块，用以对施工数据进行预处理，并对数据进行归一化处理；
预测模型构建模块，用以构建基于多模型融合的沉降预测模型；
沉降预测模块，用以根据实时施工情况利用所述预测模型构建模块构建的沉降预测模型对未来沉降进行预测。
7.根据权利要求6所述的多模型融合的盾构施工沉降预测系统，其特征在于：
所述数据获取模块获取的隧道地质数据具体包括各地质钻孔点各土层底标高以及各土层物理力学性质，历史沉降数据包括监测时间、监测点位置、测点沉降，历史掘进数据包括正面土压力、注浆量、螺闸门开度、注浆压力、刀盘扭矩、千斤顶推力、切口水平偏差、切口高程偏差、盾尾水平偏差、盾尾高程偏差、盾构坡度角。
8.根据权利要求6所述的多模型融合的盾构施工沉降预测系统，其特征在于：
所述数据处理模块用以对其进行预处理，得到旨在提供信息且非冗余的派生值，便于进行后续的模型训练和泛化步骤；
s21、对地质数据预处理；
由于盾构通常并非在单一土层下掘进，为准确描述盾构的周围的施工地质环境，本专利采用各隧道断面平均粘聚力c、平均内摩擦角φ以及平均含水率ω来表示开挖面的地质情况，具体计算方法如下：
式中，si为第i层土层与开挖面接触的面积，pi为第i层土占开挖面面积比例，r为开挖面半径，ci、φi和ωi分别为第i层土的粘聚力、内摩擦角以及含水率；
s22、对掘进数据预处理；
由于原始盾构掘进数据包含大量无效信息，包括停推数据以及异常数据，需要对原始施工数据进行处理；具体步骤如下：
s221、根据推进速度、刀盘转速和推力大小进行停推判断，推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除；
s222、剔除掘进参数中的异常数据；
s223、基于预处理后的数据计算各掘进参数每环的统计量，具体包括各分区土压力平均值、刀盘转速平均值、刀盘转速平均值、累计注浆量变化量、水平姿态变化量、高程姿态变化量和注浆压力平均值作为掘进参数特征；
s23、数据归一化；
由于不同施工数据量纲不同且数量级相差巨大，需要对样本数据归一化处理到(0，1)之间，处理方法如下：
x*＝(x-xmin)/(xmax-xmin)
式中，x*为归一化后的值，x为原始值，xmin为数据组最小值，xmax为数据组最大值。
9.根据权利要求6所述的多模型融合的盾构施工沉降预测系统，其特征在于：
所述预测模型构建模块构建的基于多模型融合的沉降预测模型通过将该监测点t-6时刻到t时刻的地表沉降数据、t 1时刻前8环掘进参数数据、隧道几何信息及地质信息输入模型，输出t 1时刻该监测点的沉降情况；
所述沉降预测模型包括基于bp神经网络的施工环境特征提取模型、基于卷积神经网络的掘进特征提取模型、基于lstm的沉降时序特征提取模型以及监测点沉降回归预测模型；
基于bp神经网络的施工环境特征提取模型通过将地质数据、隧道几何信息及t 1时刻监测点相对盾构切口位置作为输入，输出施工环境特征向量；
基于卷积神经网络的掘进特征提取模型将t 1时刻前8环掘进参数数据转化为特征矩阵作为模型输入，输出掘进参数特征向量；
基于lstm的沉降时序特征提取模型通过将t-6至t时刻的监测点沉降数据及相对位置作为输出，输出监测点沉降特征向量；
监测点沉降回归预测模型通过将上述三个模型的输出结果合并，通过两个全连接层对监测点沉降进行预测；
所述沉降预测模型结合掘进参数、沉降数据和施工环境数据的特点采用卷积神经网络、循环神经网络模型和反向传播神经模型对不同类型的数据特征进行提取，并将各模型的输出结果合并成一个特征向量，最后通过两个全连接层计算得到最终的沉降结果；
预测模型的输入包括施工环境数据、掘进参数数据和测点沉降数据，其中施工环境数据具体包括隧道埋深、地下水位及检测点位置对应的隧道断面土层粘聚力、内摩擦角、侧向土压力系数、含水率和压缩模量；掘进参数数据包括t 1时刻前8环内每环各掘进参数的统计量，具体有正面各分区土压力、刀盘转速、推进速度、水平姿态变化量、高程姿态变化量、注浆量、注浆压力；测点沉降数据包括t-6到t各时刻该检测点与切口的距离、本次检测与上一次检测的时间间隔、测点累计沉降值；输出为该测点t 1时刻的沉降量大小；
具体模型构建过程如下：
步骤s31、基于bp神经网络的施工环境特征提取
由于bp神经网络良好的非线性表达能力，采用bp神经网络对施工环境特征进行建模；定义第i层的第j个神经元状态为
式中，
设置bp网络层数为3，l1为施工状态特征的输入层，l2是隐含层，l3是连接其他模型输出的顶层；bp神经网络输入参数包括隧道埋深、地下水位及检测点位置对应的隧道断面土层粘聚力、内摩擦角、含水率、侧向土压力系数和压缩模量；输出为二维的掘进环境特征；
步骤s32、基于长期短时记忆lstm的沉降时空特征提取；
长期短时记忆lstm在时间序列特征的建模取得了成功地应用，而沉降监测点的沉降数据是典型的时序数据，其前后数据具有较强的关联性；采用长短时记忆网络对沉降数据进行建模，来更好地捕捉监测点沉降随时间和盾构掘进变化的规律；
lstm部分主要由遗忘门、输入门和输出门三部分组成；在lstm中，遗忘门决定ct-1对ct的影响程度，输入门决定xt对ct的影响程度，输出门控制ct对ht的影响程度。遗忘门、输入门、输出门计算公式分别为：
ft＝σ(wfht-1 wfxt bf)
it＝σ(wiht-1 wixt bi)
ot＝σ(woht-1 woxt bo)
其中，ft、it、ot分别为遗忘门、输入门、输出门状态结算结果；wf、wi、wo分别为遗忘门、输入门、输出门权重矩阵；bf、bi、bo分别为遗忘门、输入门、输出门偏置项；lstm最终的输出由输出门和单元状态共同确定；
ht＝ottanh(ct)
其中，
lstm网络输入为t-6到t各时刻该检测点与切口的距离、本次检测与上一次检测的时间间隔、测点累计沉降值；时间步取值为6，根据实际施工沉降检测频率可以进行相应调整，输出为3维的沉降时序特征；
步骤s33、基于卷积神经网络的掘进参数特征提取；
卷积神经网络在时空数据特征提取具有良好的效果；在盾构掘进过程中，各掘进数据参数间具有较强的关联关系，且掘进参数数据又是典型的时序数据；为了对盾构掘进过程中掘进参数的变化特征进行有效提取，采用卷积神经网络对历史掘进参数数据进行特征提取；
具体包括以下几个步骤：
步骤s331、数据格式转化，将预处理后原始的掘进参数数据转化成i*j*1的三维数据，其中i为参数类型数，j为将掘进数据输入卷积神经网络的环数；
步骤s332、网络模型的搭建，卷积神经网络共由三层组成，包括两层卷积层和一层全连接层；第一层卷积层共有8个卷积核，每个卷积核尺寸3*3，通道数为1，激活函数为relu；第二层卷积层共有8个卷积核，每个卷积核尺寸为3*3，通道数为8，激活函数为relu；最后一层全连接层，首先将卷积后的3维数据展开为1维数据输入全连接层，全连接层由一个隐含层组成，包括64个节点，最终输出为8维的掘进参数特征；
步骤s34、地表沉降数据回归预测；
将以上三个模型的输出结果进行连接，并添加一个全连接层计算得到该检测点t 1时刻的沉降量；定义最终回归结果为
式中，wy和by分别是权矩阵和偏置向量；
定义该融合模型的损失函数为预测值和实际值均方误差，采用反向误差传播算法完成预测模型的训练过程。
10.根据权利要求6所述的多模型融合的盾构施工沉降预测系统，其特征在于：
所述预测模块用以实现对盾构推进过程中地表各监测点t 1时刻的累计沉降量预测，具体实现过程如下：
步骤s41、通过当前工程及相似历史工程数据训练沉降预测模型；
步骤s42、通过地勘报告或其他地质辨识方法获得沉降监测点下方的土层性质；
步骤s43、根据现场施工情况估计t 1时盾构所处位置，将t 1时刻前8环中已经推进的根据实际的掘进参数输入模型，还未推进的根据施工指令单数据作为模型输入；
步骤s44、获取该监测点t-6时刻至t时刻的历史沉降数据；
步骤s45、将上述计算数据输入沉降预测模型得到该测点t 1时刻的沉降情况；
步骤s46、重复上述步骤，直到所有轴线监测点预测完毕。
技术总结