(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 202210688944.7 (22)申请日 2022.06.16 (71)申请人 重庆科技学院 地址 401331 重庆市沙坪坝区大 学城东路 20号 (72)发明人 汪洪星　张凌飞　巫尚蔚　 (74)专利代理 机构 重庆德立创新专利代理事务 所(普通合伙) 50299 专利代理师 王典彪 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/13(2020.01) G06F 17/16(2006.01) G06N 7/00(2006.01) (54)发明名称 基于动态贝叶斯网络的隧道围岩位移时序 曲线预测方法 (57)摘要 本发明属于隧道围岩稳定性分析领域， 具体 公开一种基于动态贝叶斯网络的隧道围岩位移 时序曲线预测方法， 包括： S1.对影响 因素和围岩 位移进行离散化， 建立样本库； S2.改进 解释结构 模型的构建方法， 建立解释结构 模型； S3.根据解 释结构模型， 构建隧道围岩位移预测的静态贝叶 斯网络模型； S4.改进动态贝叶斯网络模型的结 构构建方法和参数学习方法； S5.构建动态贝叶 斯网络模型推理方法， 建立动态贝叶斯网络模 型； S6.预测隧道围岩位移时序曲线。 本发明优化 了解释结构 模型、 静态贝叶斯网络模 型和动态贝 叶斯网络模 型的构建方法， 能够在隧道工程施作 前确定围岩位移的动态发展情况， 对隧道工程选 址、 超前支护、 施工方法选 择、 工程病害诊断等具 有非常重要的指导 价值。 权利要求书5页 说明书16页 附图5页 CN 115062544 A 2022.09.16 CN 115062544 A 1.基于动态贝叶斯网络的隧道围岩位移时序曲线预测方法， 其特 征是， 包括以下内容： S1.确定隧道围岩位移的影响因素， 对影响因素和围岩位移进行离散化； 采集数据， 建 立包含影响因素和位移时序曲线的样本库； S2.根据影响因素和位移稳定值的分布， 进行变量相关性分析， 改进解释结构模型的构 建方法， 建立隧道围岩位移的解释结构模型； S3.根据解释结构模型， 改进静态贝叶斯网络模型结构的构建方法， 构建隧道围岩位移 预测的静态贝叶斯网络模型； S4.根据静态贝叶斯网络模型， 改进动态贝叶斯网络模型的结构构建方法和参数学习 方法； S5.对于改进的动态贝叶斯网络模型， 构建其推理方法， 建立隧道围岩位移时序曲线预 测的动态贝叶斯网络模型； S6.输入实测的影响因素 取值， 预测隧道围岩位移时序曲线。 2.如权利要求1所述的基于动态贝叶斯网络的隧道围岩位移时序曲线预测方法， 其特 征是， 在S1中， 影响因素包括围岩级别、 围岩岩性、 围岩结构、 初始地应力状态、 主要结构面 倾角、 隧道 埋深、 隧道开挖跨度、 地层 含水状况、 地下水控制、 超前支护工 法、 开挖工 法、 围岩 扰动程度、 支护时机和支护强度共14个 影响因素。 3.如权利要求1所述的基于动态贝叶斯网络的隧道围岩位移时序曲线预测方法， 其特 征是， 在S2 中， 包括围岩位移和影响因素共15个变量； 根据变量相关性分析结果， 建立变量 的相互影响矩阵， 以进 行解释结构模 型的构建； 变量之间的皮尔逊相关性系数小于0.05时， 认定二者相关， 否则不相关； 解释结构模型的构建， 具体包 含以下步骤： (1)根据相关性分析 结果， 构建变量的相互影响矩阵； (2)将相互影响矩阵， 转换成邻接矩阵A： 其中aij表示变量Xi对Xj的影响关系， aij＝1表示Xi对Xj存在影响， aij＝0表示不存在影 响； (3)对邻接矩阵进行幂运算， 得到可达矩阵M； 可达矩阵是表示系统中任意两变量经过 任意长度的路径后可抵 达的矩阵， 其具体 计算过程如下： M＝(A+I)n+1＝(A+I)n≠…≠(A+I)2≠(A+I)1 其中n为M的路径长， I 为单位矩阵； (4)对可达矩阵进行层级划分， 形成骨架矩阵； 可达矩阵M中第i行值为1的列所表示的 变量组成的集合称为可达集R(Xi)， 第j列值为1的行所表示的变量组成的集合称为前因集Q (Xi)， 变量集合L(Xi)表示同时存在于可达集和前因集中的变量组成的集合， 根据 是否满足 以下公式， 判断变量 集合是否为 最高级变量 集合： L(Xi)＝R(Xi)＝R(Xi)∩Q(Xi) (5)求得集合L1为层次结构的第一层变量， 删除M中L1对应的变量所在的行和 列， 得到新权　利　要　求　书 1/5 页 2 CN 115062544 A 2矩阵M′， 再对M′重复上述操作得到L2为第二层变 量， 同样再删除M ′中L2对应的变 量所在的行 和列， 此类 推得到L3,…,Ln， 确定所有变量的层次形成骨架 矩阵； (6)在骨架矩阵结构基础上， 根据同级或相邻级别中变量的作用关系， 按照高层次要素 指向低层次要素、 高层次变量在上、 低层次在下 的规则， 依次连线绘制成多级有向拓扑图， 忽略跨级变量的关系， 最终建立 解释结构模型。 4.如权利要求1所述的基于动态贝叶斯网络的隧道围岩位移时序曲线预测方法， 其特 征是， 在S3中， 根据解释结构模型， 改进静态贝叶斯网络模型结构的K2算法 的构建方法， 其 具体过程 为： (1)确定评分函数， 用P(G,D)作为评分函数， 公式为： 其中， 评分函数各变量含义如下： D： 数据集； G： 拟选的网络模型； n： 变量个数； P(G)： 网 络结构G的先验概率分布； ri： 变节点xi的取值数量； i： 节点的编号； j： 节点xi的父节点的取 值编号； π(xi)： 节点xi的父节点； qi： π(xi)的取值数量； Nijk： 节点xi的父节点π(xi)取第j个 值， xi取第k个值时的样本数量； Nij： 节点xi父节点集π(xi)的第j个状态组合 所对应的样本数 量； (2)根据解释结构模型， 确定节点的编号 i(1,,2,3...13)的取值和qi的取值； (3)根据解释结构模型， 确定 部分π(xi)的取值； (4)确定搜索策略为贪婪搜索算法； 搜索将评分函数最大的父节点变量放入集合； 当无 法使评分函数增大时， 停止 搜索， 则找到最优的模型； (5)基于训练集的样本数据， 通过 上述优化的K2算法， 建立静态贝叶斯网络模型 结构。 5.如权利要求1所述的基于动态贝叶斯网络的隧道围岩位移时序曲线预测方法， 其特 征是， 在S3中， 采用最大似然估计法， 进行静态贝叶斯网络模型参数的学习， 其具体过程如 下： (1)确定似然度的对数函数 形式为： 其中， N为样本数据， n为节点xi的个数； 令节点xi的父节点为π(xi)， qi为父节点π(xi)的 取值数量， ri为变节点xi的取值数量； Nijk为节点xi的父节点π(xi)取第j个 值， xi取第k个值时 的样本数量； θijk为节点xi的父节点π(xi)取第j个值， xi取第k个值时所对应的参数值， (2)对上述对数函数求取最大值， 即对参数θ求导得到最大值， 即可以得到参数θijk的取 值为：权　利　要　求　书 2/5 页 3 CN 115062544 A 3