(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210630789.3 (22)申请日 2022.06.06 (71)申请人 广州地铁设计 研究院股份有限公司 地址 510030 广东省广州市越秀区环市西 路204号 申请人 中南大学　 中铁十二局集团第四工程有限公司 　 中南林业科技大 学 (72)发明人 史海欧　翟利华　梁粤华　农兴中　 刘健美　魏井申　周子豪　王树英　 易诗轩　郭旭东　卢小莉　张聪　 刘旭　蔡根森　 (74)专利代理 机构 长沙市融智专利事务所(普 通合伙) 43114 专利代理师 熊开兰(51)Int.Cl. G06F 30/13(2020.01) G06F 30/25(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) E21D 11/10(2006.01) G06F 119/14(2020.01) (54)发明名称 基于LSTM的隧道下穿既有地铁线沉降控制 方法、 设备及 介质 (57)摘要 本发明公开了一种基于LSTM的隧道下穿既 有地铁线沉降控制方法、 设备及介质， 方法： 获取 预测时刻 的下穿地层参数和既有线道床的沉降 值、 目标抬升值， 获取预测前一时刻的注浆参数 (注浆压力、 注浆量和注浆时长)； 将获取数据输 入到训练好的基于LSTM的预测模型， 得到预测时 刻的水平抬升注浆参数； 若预测得到的注浆参数 处于合适注 浆参数解的空间内， 则将其作为预测 时刻最优的注浆参数； 否则， 采用粒子群算法求 解预测时刻最优的的注浆参数； 在预测时刻采用 其最优的注 浆参数注浆以抬升既有地铁线道床； 滚动预测并注浆直到既有地铁线道床被抬升至 沉降值为0。 本发明可快速获得各时刻更加合理 的抬升注浆参数， 确保对既有地铁线的抬升效 果。 权利要求书2页 说明书4页 附图2页 CN 115168937 A 2022.10.11 CN 115168937 A 1.一种基于LSTM的隧道下穿既有地铁线沉降控制方法， 其特 征在于， 包括： 步骤1， 获取预测时刻的下穿地层参数和既有地铁线道床的沉降值、 目标抬升值， 获取 预测前一时刻的水平抬升注浆参数； 所述水平抬升注浆参数包括： 注浆压力、 注浆量和注 浆 时长； 步骤2， 将步骤1获取的数据输入到训练好的基于LSTM的预测模型， 输出得到预测时刻 的水平抬升注浆 参数； 步骤3， 若步骤2得到的水平抬升注浆参数处于合适注浆参数解的空间内， 则将其作为 预测时刻最优的水平抬升注浆参数； 否则， 采用粒子群算法并结合合适注浆参数解的空间， 探索最优的水平抬升注浆 参数， 并作为预测时刻最优的 的注浆参数； 步骤4， 在预测时刻采用其 最优的水平抬升注浆 参数， 抬升既有地铁线道床； 步骤5， 更新下一个预测时刻， 重复步骤1 ‑4， 直到既有地铁线道床被抬升 至沉降值 为0。 2.根据权利要求1所述的方法， 其特征在于， 下穿地层参数包括： 土体密度、 粘聚力、 内 摩擦角、 孔隙比和弹性模量。 3.根据权利要求1所述的方法， 其特 征在于， 所述 合适注浆参数解的空间， 确定方法为： (1)收集新建的隧道拱部沉降值h、 初支混凝土应力值σ 与水平抬升注浆参数： 注浆压力 P、 注浆量Q、 注浆时间t； (2)根据步骤(1)收集的数据， 建立水平抬升注浆参数与隧道拱部沉降值h及初支混凝 土应力值σ 之间的关系函数： (P,Q,t)＝F(h, σ )； (3)根据技术规范确定隧道拱部沉降值的阈值hmax和初支混凝土应力值的阈值σmax， 再 将阈值hmax和σmax代入步骤(2)得到的关系函数， 计算水平抬升注浆参数的阈值： Pmax、 Qmax、 tmax， 由此构建得到合适注浆参数解的空间为： 注浆压力0～Pmax、 注浆量0～Qmax、 注浆时间0 ～tmax。 4.根据权利要求1所述的方法， 其特征在于， 采用粒子群算法并结合合适注浆参数解的 空间， 探索最优的水平抬升注浆 参数， 具体为： (1)使用注浆压力、 注浆量和注浆时间表示粒子的位置， 初始化粒子群规模， 并使用所 述合适注浆参数解的空间限制粒子的解空间， 给每 个粒子赋予随机的初始位置和速度； (2)根据既有地铁线道床沉降值s及隧道拱部沉降值h及初支混凝土应力值σ， 计算粒子 群中各粒子的适应度函数值f＝mi nf(s,h, σ )； (3)根据各粒子当前的适应度函数值， 获取各粒子的局部最优解及粒子群的全局最优 解； (4)更新粒子群中各 粒子的速度和位置， 返回步骤(2)， 直到 达到最大迭代次数； (5)取粒子群的全局最优解， 将其对应的注浆 参数作为 最优的水平抬升注浆 参数。 5.根据权利要求1所述的方法， 其特征在于， 所述基于LSTM的预测模型， 其训练样本及 模型训练方法为： (1)根据现场勘探数据收集下穿段地层参数， 以及历史的针对既有地铁线道床沉降进 行水平抬升过程中的既有地铁线道床沉降值、 道床目标抬升值、 水平抬升注浆参数 的时间 变化序列， 构建训练样本集； (2)将当前时刻既有地铁线道床沉降值、 目标抬升值， 地层土 体密度、 粘聚力、 内摩擦 权　利　要　求　书 1/2 页 2 CN 115168937 A 2孔隙比、 弹性模量， 以及前一时刻的水平抬升注浆参数， 均作为基于LSTM长短时间序列神经 网络的预测模型 的输入数据； 将当前时刻水平抬升注浆参数作为输出数据； 对预测模型进 行训练， 得到训练好的基于LSTM的预测模型。 6.根据权利要求1所述的方法， 其特征在于， 将既有地铁线道床沉降值作为道床目标抬 升值。 7.一种电子设备， 包括存储器及处理器， 所述存储器中存储有计算机程序， 其特征在 于， 所述计算机程序被所述处理器执行时， 使得所述处理器实现如权利要求1～7中任一项 所述的方法。 8.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被 处理器执行时实现如权利要求1～6中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115168937 A 3