一种基于Seq2Seq模型的隧道地质风险多步超前预测方法及系统与流程

本发明涉及隧道工程施工安全，尤其涉及一种基于seq2seq模型的隧道地质风险多步超前预测方法及系统。

背景技术：

1、深埋长隧道已成为复杂地形区公路、铁路路网建设的关键控制性工程。例如，在我国西南地区，地质条件极端复杂，具有高地应力、岩溶发育、断裂构造密集、软弱围岩分布广的显著特点，隧道施工过程中面临的掌子面失稳坍塌、突水突泥、岩爆等灾害，绝大多数由不良地质条件直接引发，地质风险已成为隧道施工安全管控的核心对象。

2、近年来，人工智能技术为隧道施工地质风险智能预测提供了新的技术路径，现有研究已通过机器学习、深度学习算法实现了隧道施工地质风险的定量化分类预测，但仍存在以下核心技术缺陷：

3、现有智能预测模型多为单步风险分类模型，仅能对当前正在开挖的循环进行风险等级识别，无超前预警窗口，无法为现场施工预留前置防控处置时间，本质是风险事后识别，而非超前预警，难以从根源上规避地质灾害。

4、现有模型参数量大，在隧道工程中小规模数据集场景下极易出现过拟合，泛化能力差，且模型推理速度慢，无法适配隧道施工现场无高端算力的边缘端设备实时部署需求。

5、现有模型对多源数据中的高风险关键特征捕捉能力不足，未考虑隧道工程现场不同误判类型的代价差异，高风险样本识别精度无法满足工程安全要求。

6、现有模型仅输出风险等级预测结果，未对预测结果的可靠性进行量化评估，无法输出预测结果的置信度，难以解决深度学习黑箱效应带来的工程信任问题，预测结果无法直接支撑现场施工决策。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于seq2seq模型的隧道地质风险多步超前预测方法，以实现隧道施工地质风险的精准多步超前预警，并且其模型泛化性好、高风险样本识别精度高、可量化预测置信度，为现场施工提供可靠的决策依据。

2、本发明的目的是通过以下技术方案来实现的：

3、第一方面，本申请公开一种基于seq2seq模型的隧道地质风险多步超前预测方法，包括：构建并训练多步超前预测模型，所述多步超前预测模型包括编码器和解码器；所述编码器包括至少两组堆叠单元，所述堆叠单元包括依次串联构成的ghostconv卷积层、卷积块注意力模块和池化层，以及连接于所述堆叠单元之后的门控循环单元网络，用于对所述输入矩阵提取空间与时序特征，生成上下文向量；所述解码器包括门控循环单元层和全连接输出头，用于接收所述上下文向量并一次性输出所述未来预测窗口长度下各开挖循环的风险等级概率分布；在所述多步超前预测模型的训练阶段，采用代价敏感损失函数，所述代价敏感损失函数对不同风险等级设置差异化的类别权重；所述多步超前预测模型输入为历史连续多个开挖循环的预处理后的特征向量构成的输入矩阵，输出为未来连续多个开挖循环的风险等级预测结果。

4、第二方面，本申请公开一种基于seq2seq模型的隧道地质风险多步超前预测系统，包括存储器和处理器，所述存储器存储有用于实现所述的基于seq2seq模型的隧道地质风险多步超前预测方法的计算机程序，所述处理器对所述存储器进行读写操作。

5、本发明的有益效果是：

6、采用seq2seq编码器解码器架构，通过编码器压缩历史时空特征、解码器一次性输出未来5个开挖循环的风险预测结果，从根源上避免了递归预测的误差累积问题，实现了真正意义上的隧道施工地质风险超前预警，为现场施工预留了充足的前置防控处置时间，可有效降低地质灾害发生概率。

7、编码器采用cbam-ghostconv-gru融合结构，通过ghostconv替换传统普通卷积，在不损失特征提取能力的前提下，将卷积层参数量与计算量压缩 50%，大幅提升模型推理速度，适配隧道施工现场边缘端设备的实时部署需求，同时有效缓解了隧道工程中小规模数据集下的模型过拟合问题；通过cbam卷积注意力模块，自动强化对高风险预测贡献大的关键特征权重，抑制现场检测数据的噪声干扰，从模型结构层面提升了高风险样本的识别精度。

8、基于mc-dropout实现了预测结果的置信度量化，无需修改模型主体架构，仅通过推理阶段开启dropout层的蒙特卡洛采样，即可输出每一步预测结果的置信度与不确定性，有效缓解了深度学习模型的黑箱效应，让现场技术人员可直观判断预测结果的可靠性，预测结果可直接支撑现场施工决策。

9、所用数据源均为隧道施工现场常规可获取的数据，无需额外增加检测设备与施工成本，方法适配性强，泛化能力好，可直接应用于复杂地质山岭隧道的施工安全管控，工程落地性强。

1.一种基于seq2seq模型的隧道地质风险多步超前预测方法，其特征在于，包括：

2.根据权利要求1所述的基于seq2seq模型的隧道地质风险多步超前预测方法，其特征在于，基于特征向量构建时序数据集，具体包括：

3.根据权利要求2所述的基于seq2seq模型的隧道地质风险多步超前预测方法，其特征在于，所述两组堆叠单元中的第一组堆叠单元的ghostconv卷积层设置32个3×3卷积核，第二组堆叠单元的ghostconv卷积层设置64个3×3卷积核，且ghostconv卷积层的卷积核压缩比固定为2；

4.根据权利要求3所述的基于seq2seq模型的隧道地质风险多步超前预测方法，其特征在于，所述解码器的门控循环单元层为单组64个神经元的gru层，其神经元数量为编码器gru层神经元数量的二分之一；

5.根据权利要求1所述的基于seq2seq模型的隧道地质风险多步超前预测方法，其特征在于，所述代价敏感损失函数为：

6.根据权利要求1-5中任意一项所述的基于seq2seq模型的隧道地质风险多步超前预测方法，其特征在于，所述多步超前预测模型还包括推理阶段；

7.根据权利要求6所述的基于seq2seq模型的隧道地质风险多步超前预测方法，其特征在于，所述推理阶段还包括：

8.根据权利要求7所述的基于seq2seq模型的隧道地质风险多步超前预测方法，其特征在于，还包括对所述多步超前预测模型进行增量迭代：

9.一种基于seq2seq模型的隧道地质风险多步超前预测系统，包括存储器和处理器，其特征在于，所述存储器存储有用于实现权利要求1-8中任意一项所述的基于seq2seq模型的隧道地质风险多步超前预测方法的计算机程序，所述处理器对所述存储器进行读写操作。