1.一种隧道围岩变形预测方法，其特征在于，包括：采集围岩变形的监测数据，并判断所述监测数据是否为等间距；若是，则将所述监测数据划分为训练集和预测集；选择均方根误差作为衡量分解后信息完整度的指标；引入样本熵作为评价分解效果的指标；结合所述均方根误差和所述样本熵构建VMD的评价标准，并基于麻雀搜索算法求解VMD的参数 和参数 的最优组合；将得到的参数 和参数 的最优组合用于VMD中得到目标VMD；采用目标VMD将所述监测数据中的训练集和预测集分别分解为趋势项位移和随机项位移；建立GRU模型，并采用训练集对所述GRU模型进行训练，得到目标GRU模型；根据所述目标GRU模型进行位移预测，并对预测结果进行反归一化处理，得到目标位移预测结果，所述目标位移预测结果包括趋势项位移预测结果和随机项位移预测结果；根据所述目标位移预测结果，叠加计算得到围岩变形预测值。
2.根据权利要求1所述的方法，其特征在于，所述采集围岩变形的监测数据，并判断所述监测数据是否为等间距步骤之后，还包括：若否，则采用三次样条差值法进行等间距处理，并对处理后的监测数据进行划分为训练集和预测集。
3.根据权利要求1所述的方法，其特征在于，所述并基于麻雀搜索算法求解VMD的参数 和参数 的最优组合步骤，包括：将所述评价标准转化为约束优化问题；采用麻雀搜索算法解决所述约束优化问题，得到参数 和参数 的最优组合。
4.根据权利要求1所述的方法，其特征在于，所述采用目标VMD将所述监测数据中的训练集和预测集分别分解为趋势项位移和随机项位移步骤之后，还包括：对分解为的趋势项位移和随机项位移的监测数据进行归一化处理。
5.根据权利要求1所述的方法，其特征在于，所述建立GRU模型，并采用训练集对所述GRU模型进行训练，得到目标GRU模型步骤，包括：建立第一GRU模型，采用趋势项位移中的训练集对所述第一GRU模型进行训练，得到第一目标GRU模型；建立第二GRU模型，采用随机项位移中的训练集对所述第二GRU模型进行训练，得到第二目标GRU模型。
6.根据权利要求5所述的方法，其特征在于，根据所述目标GRU模型进行位移预测，并对预测结果进行反归一化处理，得到目标位移预测结果，所述目标位移预测结果包括趋势项位移预测结果和随机项位移预测结果步骤，包括：根据第一目标GRU模型预测趋势项位移，对预测的趋势项位移进行反归一化操作得到趋势项位移预测结果；根据第二目标GRU模型预测随机项位移，对预测的随机项位移进行反归一化操作得到随机项位移预测结果。
7.根据权利要求1所述的方法，其特征在于，根据所述目标位移预测结果，叠加计算得到围岩变形预测值步骤，包括：基于时序叠加原理将所述趋势项位移预测结果和所述随机项位移预测结果累加，计算得到围岩变形预测值。
8.根据权利要求1所述的方法，其特征在于，根据所述目标位移预测结果，叠加计算得到围岩变形预测值步骤之后，还包括：获取围岩变形的实际值，并根据所述围岩变形预测值计算目标决定系数、目标平均绝对误差和目标均方根误差；采用所述目标决定系数、所述目标平均绝对误差和所述目标均方根误差对所述围岩变形预测值进行定量评价。
9.一种隧道围岩变形预测装置，其特征在于，包括：数据采集判断模块、VMD分解模块、GRU预测处理模块和计算预测值模块，其中，所述数据采集判断模块用于，采集围岩变形的监测数据，并判断所述监测数据是否为等间距；若是，则将所述监测数据划分为训练集和预测集；所述VMD分解模块用于，选择均方根误差作为衡量分解后信息完整度的指标；引入样本熵作为评价分解效果的指标；结合所述均方根误差和所述样本熵构建VMD的评价标准，并求解VMD的参数 和参数 的最优组合；将得到的参数 和参数 的最优组合用于VMD中得到目标VMD；采用目标VMD将所述监测数据中的训练集和预测集分别分解为趋势项位移和随机项位移；所述GRU预测处理模块用于，建立GRU模型，并采用训练集对所述GRU模型进行训练，得到目标GRU模型；根据所述目标GRU模型进行位移预测，并对预测结果进行反归一化处理，得到目标位移预测结果，所述目标位移预测结果包括趋势项位移预测结果和随机项位移预测结果；所述计算预测值模块用于，根据所述目标位移预测结果，叠加计算得到围岩变形预测值。
转果果小程序
转果果公众号