基于CNN-LSTM模型的公路隧道围岩变形预测方法研究

基于CNN-LSTM模型的公路隧道围岩变形预测方法研究

刘国保

（中铁一局集团有限公司，陕西西安 710054）

【摘  要】在隧道工程中，围岩的变形直接影响着隧道结构的稳定性与安全性。在围岩变形过程中若不能及时进行有效监测与准确预测，则可能引发围岩的较大变形，甚至导致严重的工程灾害。因此，对围岩变形的及时监测与精准预测具有至关重要的意义。为解决这一问题，本研究提出了一种融合卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合模型用于围岩变形的预测。该CNN-LSTM模型基于哥伦比亚某公路隧道三个不同断面80天的历史沉降数据进行训练，并预测了接下来9天的沉降行为，其预测结果与实际观测值较为吻合。此外，本文还对比了单独的CNN、LSTM以及结合的CNN-LSTM三种不同模型的预测精度，结果表明CNN-LSTM模型在预测围岩变形方面具有最高的精度，显示了其在隧道变形监测领域                                                                                                     的应用潜力。

【关键词】公路隧道；围岩变形；机器学习；变形预测

0引言

在公路隧道施工期间，围岩变形问题显得复杂而至关重要[1]，主要体现在拱顶沉降和周边围岩的收敛。因此，对施工过程中的隧道围岩进行监测和预测势在必行。围岩变形可能导致严重的工程问题，如围岩坍塌或岩爆[2,3]，不仅会影响工程进度，还可能危及工作人员的人身安全。因此，及时监测和精确预测拱顶沉降和周边围岩收敛对于降低隧道施工风险、提升工程质量至关重要。

近年来，国内外诸多学者就机器学习预测方法方面做了大量研究，来解决隧道工程中遇到围岩变形问题。其中，黄震等人[4]提出了支持向量机与神经网络组合模型，用于围岩挤压变形的分类。姚凯等[5]通过广义回归神经网络方法结合果蝇优化算法建立了隧道围岩变形的非线性预测模型。李海斌等[6]基于PSO-BP神经网络模型对滇西的隧道围岩变形进行了准确的预测。杨文波等[7]则提出了一种隧道大变形预测方法，这种方法基于粒子群优化-支持向量机算法，解决了多项评价指标权重计算复杂及界限值多样等问题。杜润泽等[8]通过非线性自回归神经网络（NARNN）提出了隧道围岩变形的预测模型。胡涛涛等[9]结合支持向量机算法和遗传算法，实现了对软岩隧道围岩变形量的准确预测。张碧[10]将隧道变形数据分解为趋势项和误差项，对隧道变形进行了准确预测。

在隧道工程中，隧道围岩变形是非线性不平衡的，同时岩石材料存在非均质性，准确描述围岩变形过程理论上来讲存在一定困难。卷积神经网络（CNN）[11]以其优异的特征提取能力和对空间相关性的高效处理而备受关注。CNN能够自动学习输入数据的特征，无需人工提取，因此对于具有复杂结构的隧道变形数据的处理具有很大的优势。另一方面，长短期记忆网络（LSTM）[12]则擅长处理时间序列数据，能够捕捉数据中的长期依赖关系，并在预测过程中有效地记忆和利用历史信息。因此，在隧道围岩变形预测中，CNN可以用于提取空间特征，而LSTM可以用于捕捉时间序列中的动态变化，两者结合可以更全面地分析和预测隧道变形情况。

隧道围岩变形是非线性不平衡的，同时岩石材料存在非均质性，准确描述围岩变形过程理论上来讲存在一定困难。针对隧道围岩变形存在非线性、随机性等问题，本文以某公路隧道为研究对象，基于人工智能算法构建围岩变形预测模型，提高围岩变形预测的准确度。

1 工程概况

某哥伦比亚公路项目1号隧道位于哥伦比亚Antioquia省Uramita市-Dabeiba市，隧道里程K2+543～K4+725，总长度为2182m。计为双向两车道，每侧行车道宽4m，每侧硬路肩宽0.5m，开挖断面约100㎡。如图1和图2所示。

图1. 某公路项目1号隧道示意图

图2.隧道施工图

由于本隧道采用单洞双车道设计，各个断面必须设置2至3个拱顶沉降观测点。鉴于拱顶、侧墙及仰拱等部位承受的荷载相对较大，这些区域更易出现形变。因此，本次的监测点布局，如图3所示，要求对称安置。此外，监测工作主要利用全站仪等非接触式测量设备进行，以确保精确和高效的数据采集。

图3. 某公路项目1号隧道施工监测测点

3基于CNN-LSTM的深度学习隧道变形预测模型

本文将CNN与LSTM网络结合，利用CNN对于数据特征提取的优势和LSTM针对时间序列具有全局依赖的特点，构建了一种基于CNN-LSTM的深度学习隧道变形预测模型。首先将隧道沉降时间序列输入到卷积层进行特征提取，然后由LSTM单元解析全局特征之间的关联，强化全局特征提取。该模型主要由输入层、卷积层、池化层、LSTM层、输出层组成，如图4所示。

图4. CNN-LSTM模型网络结构图

3.1 CNN结构

卷积神经网络（CNN）是一种专门用于处理和分析图像数据的深度学习模型。它通过一系列的卷积层和池化层来提取输入图像中的特征，然后通过全连接层进行分类或其他任务。CNN的卷积操作能够有效地捕捉图像中的局部模式和结构信息，而池化操作则能够减少特征图的尺寸并保留重要的特征。这种层级结构使得CNN能够自动学习到图像中的抽象特征，从而在图像识别、目标检测、图像分割等任务中取得了非常好的效果。

          （1）

式中：表示第层的第个特征映射；表示第层的第个特征映射；表示第层的第个卷积核；表示第层的第个偏置权重；为输入特征映射数量；表示激活函数；表示卷积运算。卷积核的具体计算操作以图5为示例.

图5.卷积核示意图

3.2 LSTM 结构

长短期记忆网络（Long Short-Term Memory，LSTM）是一种常用于处理序列数据的循环神经网络（RNN）变体。与传统的RNN相比，LSTM具有更强大的记忆能力，能够有效地处理长期依赖关系。如图6 所示，LSTM通过引入三个门控机制来实现对序列信息的精确控制：遗忘门（forget gate）、输入门（input gate）和输出门（output gate）。这些门控机制允许网络选择性地遗忘或记住过去的信息，并控制新的信息如何被整合到当前状态中。遗忘门决定了前一个时间步的记忆状态中哪些信息应该被保留，哪些信息应该被丢弃；输入门决定了当前时间步的输入信息应该如何被整合到记忆状态中；输出门决定了记忆状态中的信息如何传递给下一个时间步的输出。

图6. LSTM 单元结构

4算例分析

4.1数据获取与实验平台

为验证 CNN-LSTM 模型对于隧道围岩变形预测的精确性和适用性，选择隧道3个里程断面K3+552、K3+562、K3+572监控量测数据作为研究对象，收集三组断面拱顶沉降监测数据，见图7，其中共包含 87天的监测数据。

图7. 87天隧道断面沉降量

图8. CNN-LSTM模型训练损失

在本次研究中，使用了配备Intel Core i7-8750H CPU、Nvidia GeForce RTX 1080 GPU和32GB内存的服务器。模型基于Python 3.9和PyTorch框架，构建了具有GPU加速的CNN-LSTM网络架构。三组各87个训练样本分别输入预训练的CNN-LSTM模型进行进一步训练，训练集和验证集按9:1的比例划分，即前78天为训练样本，验证集为后9天，批训练量设为16。训练共计迭代500个epoch，损失函数的选取为均方误差（MSE），旨在衡量模型预测值与实际观测值之间的差异，并使用Adam优化器自动调整学习率。如图8所示，在迭代过程中模型损失迅速下降并趋于稳定，说明了模型具有快速收敛的特性，并且在多次迭代后仍能保持低损失，这意味着模型的泛化能力较强，未出现过拟合现象。

4.1结果分析

为探究所提出的CNN-LSTM模型的优势，依次将三个隧道断面的拱顶沉降80天的历史数据分别输入到CNN-LSTM、CNN、LSTM模型进行预测，随后基于未来9天的沉降预测值与实际值进行对比分析。

图9.K3+552断面实际沉降值与预测值

图10.K3+562断面实际沉降值与预测值  

图11.K3+572断面实际沉降值与预测值                   

由图9、10、11可知，三种模型的预测结果与实际观测值之间存在不同程度的偏差。CNN-LSTM模型显示了与实际沉降值最为接近的预测，表明其在捕捉隧道沉降数据的时空特征方面的有效性。CNN与LSTM模型对未来的沉降值表现出较大的差异。此类差异可能源自各模型处理时间序列数据的不同能力。CNN模型在时间序列数据高维空间特征提取能力较强，但可能在捕捉时间序列的长期依赖方面较差。相比之下，LSTM模型专注于时间数据的顺序和模式，但它可能不足以单独处理隧道沉降数据的空间维度。CNN-LSTM模型结合了两者的优势，通过卷积层捕捉空间特征，并利用LSTM单元处理时间依赖性，从而提供更准确的预测。值得注意的是，所有模型的预测结果都维持在一个较窄的误差范围内，这表明预测模型能够稳定地学习沉降数据的基本趋势，尽管在预测精度上存在差异。在实际应用中，这种稳定性是建立监测和预警系统的关键要素，可以为隧道运营者提供及时的维护与干预信号。此外，考虑到隧道沉降受多种因素影响，包括地质条件、交通载荷和气候变化等，未来工作可以通过引入这些因素作为额外的特征来扩展模型的预测能力。研究结果表明，本文所提出的CNN-LSTM模型能够很好的结合CNN、LSTM模型的优势，从而缩小预测值与实际值的差异，为以后实际工程中隧道长期稳定性和安全管理提供了新的视角。

5结论与展望

本研究中的CNN-LSTM模型表现出对隧道沉降预测的高准确性，具有将深度学习技术应用于隧道安全监控的潜力。在未来工作中，研究可通过扩大数据集范围、提升模型复杂性以及融合更多传感器数据，进一步提升模型的预测能力和鲁棒性。通过不断完善模型并整合更多数据，预计未来能够开发出更为精确和可靠的隧道沉降预测工具，助力城市隧道的安全监测与维护策略。此外，模型在不同地质条件和结构布局的泛化能力，以及在实际工程决策中的可行性也值得进一步探索。最终，此类模型的进步可能为早期预警系统和隧道维护工作提供支持，从而降低维修成本并防止潜在的结构失败。

参考文献

[1]吕擎峰,李钰,牛荣等.基于深度学习的特殊岩土隧道围岩变形预测研究[J].应用基础与工程科学学报,2023,31(06):1590-1600.

[2]王锋.基于SSA-LSTM模型的软岩隧道变形特征智能预测及应用研究[J].现代隧道技术,2024,61(01):56-66.

[3]陈春陆,张乐,张俊云等.缓倾层状煤系软岩地层隧道围岩大变形及支护对策[J].地下空间与工程学报,2023,19(S2):1011-1020.

[4]黄震, 廖敏杏, 张皓量等. 基于 SVM-BP 模型非完整数据的隧道围岩挤压变形预测[J]. 现代隧道技术, 2020, 57(S1): 129-138.

[5]姚 凯, 朱向阳, 张克宏, 等. 基于FOA-GRNN 的软岩隧道围岩变形预测模型[J]. 地下空间与工程学报, 2019, 15(增2): 908-913.

[6]李海斌, 翟秋柱, 张 优, 等 . PSO-BP 神经网络在隧道围岩变形预测中的应用[J]. 路基工程, 2017(5): 164-169.

[7]杨文波, 王宗学, 田浩晟, 等 . 基于 PSO-SVM 算法的层状软岩隧道大变形预测方法[J]. 隧道与地下工程灾害防治, 2022, 4(1):29-37.

[8]杜润泽, 姜志伟 . 基于 NARNN 方法的某隧道围岩变形预测[J]. 低温建筑技术, 2022, 44(5): 115-118+128.

[9]胡涛涛, 钱兴邦, 涂 鹏, 等 . 基于优化支持向量机的高地应力炭质板岩隧道大变形灾变预测[J]. 兰州大学学报(自然科学版),2022, 58(5): 607-615.

[10]张 碧 . 基于小波变换的隧道大变形组合预测方法[J]. 长江科学院院报, 2017, 34(7): 94-98+105.

[11]HUANG H W, LI Q T, ZHANG D M. Deep learning based image recognition for crack and leakage defects of metro shield tunnel[J]. Tunnelling and Underground Space Technology, 2018, 77(01): 66-176.

[12]ZHANG P, WU H N, CHEN R P, et al. A critical evaluation of machine learning and deep learning in shield-ground interaction prediction[J]. Tunnelling and Underground Space Technology, 2020, 106(01): 1-14.