摘要 ：為實(shí)現(xiàn)西嶺隧道節(jié)理密集帶段落圍巖變形的智能預(yù)測(cè)，確保后續(xù)的施工安全，提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）、鯨魚(yú)優(yōu)化算法（WOA）和時(shí)序卷積網(wǎng)絡(luò)（TCN）相結(jié)合的EMD-WOA-TCN隧道節(jié)理密集帶圍巖變形預(yù)測(cè)方法。利用現(xiàn)場(chǎng)實(shí)測(cè)的變形數(shù)據(jù)，結(jié)合EMD和WOA對(duì)TCN模型進(jìn)行優(yōu)化。結(jié)果表明：在經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）下，WOA-TCN模型相較于TCN模型在圍巖變形預(yù)測(cè)方面的精度更高，該模型不僅能夠?yàn)樗淼拦こ淘O(shè)計(jì)和施工提供科學(xué)依據(jù)，還能夠推動(dòng)智能預(yù)測(cè)技術(shù)在隧道工程領(lǐng)域的應(yīng)用，為相關(guān)領(lǐng)域的研究提供新的思路和方法。

關(guān)鍵詞 ：節(jié)理密集帶;變形預(yù)測(cè);經(jīng)驗(yàn)?zāi)B(tài)分解;鯨魚(yú)算法;時(shí)序卷積網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP393.1"" 文獻(xiàn)標(biāo)志碼：A"" 文章編號(hào)：1004-0366（2025）01-0092-08

隧道工程作為交通建設(shè)的重要組成部分，確保其穩(wěn)定和安全至關(guān)重要。在隧道施工過(guò)程中，圍巖變形不可忽視，尤其是當(dāng)遇到節(jié)理密集帶時(shí)，圍巖的穩(wěn)定性會(huì)受到極大挑戰(zhàn)。因此，準(zhǔn)確預(yù)測(cè)和評(píng)估隧道圍巖的變形行為，對(duì)于確保安全施工具有重要意義。傳統(tǒng)的圍巖變形預(yù)測(cè)方法多依賴于經(jīng)驗(yàn)公式或者簡(jiǎn)化的力學(xué)模型，這些方法在處理復(fù)雜地質(zhì)條件下的變形問(wèn)題時(shí)往往存在局限性。隨著數(shù)據(jù)驅(qū)動(dòng)方法的發(fā)展，基于實(shí)測(cè)數(shù)據(jù)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)為圍巖變形預(yù)測(cè)提供了新的解決方案，國(guó)內(nèi)外學(xué)者為此展開(kāi)了大量的研究。

在經(jīng)驗(yàn)?zāi)B(tài)分解（EMD，empirical mode decomposition）的研究方面，潘興良等^［1］利用EMD去除了下穿鐵路工程中既有鐵道變形現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)的干擾，獲得了下穿鐵路工程引起的既有軌道結(jié)構(gòu)真實(shí)變形；李勝天等^［2］通過(guò)改進(jìn)EMD抑制了端點(diǎn)效應(yīng)對(duì)EMD分解精度的影響，提高了滑坡變形監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)的準(zhǔn)確性；董泳等^［3］針對(duì)大壩變形信息中的高頻分量，提出了EMD-EEMD-LSTM模型預(yù)測(cè)大壩的變形趨勢(shì)；胡振東等^［4］利用EMD對(duì)高維變形數(shù)據(jù)進(jìn)行分解，結(jié)合IWCA-BP模型提升了傳統(tǒng)BP網(wǎng)絡(luò)在大壩變形預(yù)測(cè)中的精度和噪聲穩(wěn)健性。

在鯨魚(yú)優(yōu)化算法（WOA，whale optimization algorithm）的研究方面，周有榮等^［5］基于拉普拉斯交叉算子改進(jìn)鯨魚(yú)優(yōu)化算法，對(duì)指數(shù)冪乘積基坑變形預(yù)測(cè)模型進(jìn)行優(yōu)化，提高了基坑變形的預(yù)測(cè)精度；劉欣航等^［6］利用WOA-BPNN模型，通過(guò)同時(shí)考慮大壩位移監(jiān)測(cè)數(shù)據(jù)及大壩應(yīng)變監(jiān)測(cè)數(shù)據(jù)對(duì)拱壩壩體混凝土及基礎(chǔ)巖體的力學(xué)參數(shù)進(jìn)行了反演分析；吳澤鑫等^［7］通過(guò)鯨魚(yú)算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，準(zhǔn)確預(yù)測(cè)了地下礦山中斜坡道拱頂沉降的趨勢(shì)，BP神經(jīng)網(wǎng)絡(luò)表現(xiàn)出高效且準(zhǔn)確預(yù)測(cè)斜坡道拱頂沉降的能力。

在時(shí)序卷積網(wǎng)絡(luò)（TCN，temporal convolutional network）的研究方面，曾欣等^［8］采用最大信息系數(shù)方法優(yōu)化TCN，解決了混凝土重力壩的變形預(yù)測(cè)的高維非線性難題；江文金等^［9］利用TCN對(duì)八字門(mén)滑坡位移進(jìn)行預(yù)測(cè)，避免了循環(huán)神經(jīng)網(wǎng)絡(luò)存在的梯度爆炸等問(wèn)題，模型預(yù)測(cè)精度更高；陳奎等^［10］針對(duì)橋梁所承受的動(dòng)靜荷載特性差異問(wèn)題，將垂直監(jiān)測(cè)位移通過(guò)小波分解重構(gòu)后進(jìn)行TCN預(yù)測(cè)，與已有模型相比，預(yù)測(cè)精度提高；王景環(huán)等^［11］利用TCN與SVM組合的短期沉降預(yù)測(cè)方法，對(duì)基坑周邊建筑物沉降時(shí)序數(shù)據(jù)進(jìn)行預(yù)測(cè)，與單一SVM模型相比預(yù)測(cè)精度提高了10%～20%。

縱觀既有研究成果發(fā)現(xiàn)，現(xiàn)階段鮮有學(xué)者將EMD、WOA與TCN相結(jié)合并應(yīng)用于隧道變形預(yù)測(cè)研究。因此，本文提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）、鯨魚(yú)優(yōu)化算法（WOA）和時(shí)間卷積網(wǎng)絡(luò)（TCN）相結(jié)合的隧道節(jié)理密集帶圍巖變形預(yù)測(cè)方法。通過(guò)對(duì)現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)的經(jīng)驗(yàn)?zāi)B(tài)分解，并基于TCN和WOA-TCN模型對(duì)其進(jìn)行訓(xùn)練預(yù)測(cè)，驗(yàn)證了WOA-TCN模型在隧道節(jié)理密集帶圍巖變形預(yù)測(cè)中的有效性和優(yōu)越性。

1 工程概況

研究依托于西十高鐵西嶺隧道項(xiàng)目，西嶺隧道位于陜西省商洛市商州區(qū)，地貌屬秦嶺低中山區(qū)。隧道地處北秦嶺加里東期褶皺帶內(nèi)，斷裂構(gòu)造以北西西向?yàn)橹?，隧道洞身走向與構(gòu)造近平行或小角度相交，隧道通過(guò)區(qū)斷裂構(gòu)造發(fā)育，隧道洞身通過(guò)的較大的斷裂主要為f13及F4斷層破碎帶，根據(jù)鉆探揭示局部巖體破碎，節(jié)理裂隙較發(fā)育。

基于隧道穿越節(jié)理密集帶的現(xiàn)狀，現(xiàn)場(chǎng)針對(duì)該段落的Ⅲ級(jí)圍巖展開(kāi)現(xiàn)場(chǎng)變形監(jiān)測(cè)研究，根據(jù)變形監(jiān)測(cè)方案，Ⅲ級(jí)圍巖共確定94個(gè)變形監(jiān)測(cè)斷面。Ⅲ級(jí)圍巖94個(gè)監(jiān)測(cè)斷面的拱頂沉降及水平收斂的監(jiān)測(cè)信息如圖1、圖2所示。

由圖1、圖2可知，試驗(yàn)段Ⅲ級(jí)圍巖段落由于接近勘測(cè)到的節(jié)理密集帶區(qū)域，Ⅲ級(jí)圍巖的巖性有所削弱，進(jìn)而導(dǎo)致隧道開(kāi)挖后的穩(wěn)定時(shí)間延長(zhǎng)，從監(jiān)測(cè)數(shù)據(jù)上來(lái)看，由于77+400～77+807段接近斷層破碎帶，監(jiān)測(cè)變形的穩(wěn)定時(shí)間接近60 d，不易穩(wěn)定;由于后續(xù)斷面遠(yuǎn)離斷層破碎帶，圍巖的完整性較提高，變形基本在30 d左右達(dá)到穩(wěn)定。反觀圍巖變形的程度，從整體上看，隧道水平收斂的變形要大于拱頂沉降，且二者受斷層破碎帶的影響，變形穩(wěn)定值的波動(dòng)較大。其中，拱頂沉降主要集中在1.3～3.9 mm范圍內(nèi);水平收斂則主要集中在2.5～12.5 mm范圍內(nèi)。受水平應(yīng)力及斷裂構(gòu)造的影響，水平收斂的波動(dòng)范圍更大。

2 研究方法

2.1 經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）

經(jīng)驗(yàn)?zāi)B(tài)分解方法由黃鍔于1998年創(chuàng)造并提出^［12］，該方法將復(fù)雜的信號(hào)分解為有限個(gè)本征模態(tài)函數(shù)（IMF，intrinsic mode function）和1個(gè)殘差信號(hào)^［12］，公式表示為

s（t）=∑ni=1 imf i（t）+rn（t）， （1）

其中： imf i（t）為本征模態(tài)函數(shù);rn（t）為殘差信號(hào)。分解出來(lái)的各個(gè) IMF 分量包含了原信號(hào)的不同時(shí)間尺度的局部特征信息。

分解得到的每個(gè)IMF應(yīng)滿足如下條件^［12］：

（1） 函數(shù)在整個(gè)時(shí)間范圍內(nèi)，局部極值點(diǎn)和過(guò)零點(diǎn)的數(shù)目必須相等或最多相差一個(gè);

（2） 在任意時(shí)刻點(diǎn)，局部最大值的上包絡(luò)線和局部最小值的下包絡(luò)線均值必須為0。

通過(guò)如下方式獲取西嶺隧道變形數(shù)據(jù)的IMF：

（1） 尋找西嶺隧道變形數(shù)據(jù)所有的極大值和極小值，提取變形數(shù)據(jù)的特征;

（2） 利用變形數(shù)據(jù)所有的極大值和極小值，采用三次樣條函數(shù)擬合出變形數(shù)據(jù)的極大值和極小值包絡(luò)線;

（3） 利用得到的極大值和極小值包絡(luò)線，通過(guò)求均值的方式得到變形數(shù)據(jù)的均值包絡(luò)線；

（4） 利用原始數(shù)據(jù)減去均值包絡(luò)線獲得中間信號(hào)。

在得到變形數(shù)據(jù)的中間信號(hào)后，判斷其是否滿足IMF的2個(gè)條件，如不滿足，以該信號(hào)為基礎(chǔ)，重新進(jìn)行（1）～（4）的分析，直至得到原始數(shù)據(jù)的第一個(gè)IMF分量 I1（t）。從原始數(shù)據(jù)中減去I1（t）得到剩余分量r1（t），對(duì)r1（t）重復(fù)得到I1（t） 的過(guò)程，得到第二個(gè)IMF分量 I2（t），再將r1（t）減去I2（t）后獲得剩余分量r2（t）。如此分解下去，直到最后一個(gè)殘余信號(hào)rn（t） 無(wú)法繼續(xù)分解為止，完成西嶺隧道變形數(shù)據(jù)的EMD，并剔除包含噪聲的IMF分量后進(jìn)行數(shù)據(jù)重構(gòu)，得到最終的西嶺隧道EMD降噪數(shù)據(jù)。

EMD由于其自適應(yīng)性強(qiáng)、適用于非線性和非平穩(wěn)信號(hào)的優(yōu)點(diǎn)在數(shù)據(jù)降噪領(lǐng)域得到了廣泛關(guān)注，但其存在模態(tài)混疊現(xiàn)象和計(jì)算復(fù)雜度較高的缺點(diǎn)，可能導(dǎo)致分解結(jié)果不穩(wěn)定。

2.2 時(shí)序卷積網(wǎng)絡(luò)（TCN）

2018年，BAI等^［13］創(chuàng)造時(shí)序卷積網(wǎng)絡(luò)處理時(shí)間序列的數(shù)據(jù)。TCN模型采用一維卷積、因果卷積、空洞卷積、殘差連接的方法實(shí)現(xiàn)了對(duì)大樣本時(shí)間序列數(shù)據(jù)依賴關(guān)系的迅速提取，有效地減少了梯度消失和模型退化等問(wèn)題。

（1） 一維卷積

TCN網(wǎng)絡(luò)中引入一維全卷積網(wǎng)絡(luò)（FCN）架構(gòu)^［14］構(gòu)建數(shù)據(jù)的長(zhǎng)期記憶。一維全卷積結(jié)構(gòu)如圖3所示。

（2） 因果卷積

為確保當(dāng)前的輸出結(jié)果僅與當(dāng)前時(shí)刻之前的數(shù)據(jù)有關(guān)，TCN網(wǎng)絡(luò)引入因果卷積^［15］。因果卷積結(jié)構(gòu)如圖4所示。

（3） 擴(kuò)張卷積

擴(kuò)張卷積通過(guò)擴(kuò)張因子和卷積核的大小來(lái)增加感受野，避免大深度的卷積網(wǎng)絡(luò)訓(xùn)練時(shí)易出現(xiàn)梯度消失的問(wèn)題。擴(kuò)張因果卷積結(jié)構(gòu)如圖5所示。

對(duì)于一維輸入數(shù)據(jù)x和卷積核f，擴(kuò)張卷積F（s）的計(jì)算式為

F（s）=∑k-1i=0f（i）·xs-d·i， （2）

其中：d為擴(kuò)張系數(shù);k為卷積核大小。

（4） 殘差連接

殘差連接的加入可提高TCN結(jié)構(gòu)的泛化能力。標(biāo)準(zhǔn)殘差模塊^［16］如圖6所示。

殘差模塊的輸出結(jié)果F為

F= Activation （x+F（x））， （3）

其中：Activation為ReLU激活函數(shù)。

對(duì)于西嶺隧道的變形數(shù)據(jù)，利用EMD進(jìn)行分解后，以8∶2的比例劃分TCN的訓(xùn)練集和測(cè)試集，根據(jù)本次訓(xùn)練的數(shù)據(jù)規(guī)模，設(shè)置TCN網(wǎng)絡(luò)的神經(jīng)元數(shù)量為32，卷積核大小為2，擴(kuò)張因子為4。對(duì)80%的隧道變形數(shù)據(jù)進(jìn)行訓(xùn)練，余下20%的數(shù)據(jù)用于變形數(shù)據(jù)的測(cè)試。TCN網(wǎng)絡(luò)通過(guò)對(duì)訓(xùn)練集變形數(shù)據(jù)的學(xué)習(xí)，完成對(duì)西嶺隧道變形的預(yù)測(cè)。

TCN由于其出色的時(shí)序信息捕捉能力和較強(qiáng)的并行計(jì)算能力，在時(shí)序數(shù)據(jù)的預(yù)測(cè)方面得到了廣泛的應(yīng)用，但其仍存在計(jì)算資源消耗大和對(duì)超參數(shù)敏感的缺點(diǎn)，不恰當(dāng)?shù)某瑓?shù)設(shè)置可能導(dǎo)致性能下降。

2.3 鯨魚(yú)算法（WOA）

2016年，MIRJALILI等^［17］提出了鯨魚(yú)優(yōu)化算法。鯨魚(yú)算法包含包圍、進(jìn)攻和搜尋3個(gè)階段進(jìn)行最優(yōu)解搜索。

（1） 包圍獵物

WOA種群中的其他個(gè)體均朝著最優(yōu)的個(gè)體進(jìn)行包圍靠攏，該過(guò)程的數(shù)學(xué)模型為

D=|C·X*（t）-X|， （4）

X（t+1）=X*（t）-A·D， （5）

其中：t為當(dāng)前的迭代次數(shù);X*為當(dāng)前鯨群中最佳鯨魚(yú)的位置;X為當(dāng)前鯨魚(yú)的位置;A、C為系數(shù)向量，其數(shù)學(xué)模型分別為

A=2a·r-a， （6）

C=2·r， （7）

其中：a為收斂因子;r為［0，1］間的隨機(jī)數(shù)。

（2） 氣泡網(wǎng)進(jìn)攻

鯨群的氣泡網(wǎng)進(jìn)攻方式的數(shù)學(xué)模型有2種：第一種為縮小環(huán)繞機(jī)制，如式（6）所列;另一種為螺旋收緊機(jī)制，表示為

X（t+1）=D′·e^bl· cos（2π l）+X*（t），（8）

其中：b為對(duì)數(shù)螺線方程的常數(shù);l為區(qū)間［-1，1］的隨機(jī)數(shù)；D′為迭代過(guò)程中最優(yōu)的鯨魚(yú)個(gè)體與當(dāng)前個(gè)體之間的距離，表示為

D′=|X*（t）-X（t）|。 （9）

（3） 獵物搜尋為加快鯨群的捕食效率，鯨魚(yú)個(gè)體將采用全局搜索，相應(yīng)的數(shù)學(xué)表達(dá)為

D=|C·X rand -X|， （10）

X（t+1）=X rand -A·D， （11）

其中：X rand 為當(dāng)前鯨魚(yú)種群中隨機(jī)選擇的鯨魚(yú)個(gè)體的位置。

WOA具有原理簡(jiǎn)單、易于實(shí)現(xiàn)、全局搜索能力強(qiáng)、收斂速度快等優(yōu)點(diǎn)，能大幅度提高優(yōu)化效率。但該算法的局部搜索能力較弱，可能導(dǎo)致收斂到局部最優(yōu)解而非全局最優(yōu)解。

針對(duì)上述3種算法的優(yōu)缺點(diǎn)，本文構(gòu)建EMD-WOA-TCN組合模型，充分發(fā)揮3種算法的優(yōu)勢(shì)，利用EMD出色的數(shù)據(jù)降噪能力提高數(shù)據(jù)質(zhì)量，結(jié)合TCN優(yōu)秀的時(shí)序信息提取能力得到高精度的預(yù)測(cè)結(jié)果，針對(duì)TCN對(duì)參數(shù)敏感的缺點(diǎn)，利用WOA進(jìn)行參數(shù)優(yōu)化，進(jìn)一步提升組合模型的預(yù)測(cè)精度，實(shí)現(xiàn)對(duì)現(xiàn)場(chǎng)數(shù)據(jù)的高精度預(yù)測(cè)。因此，基于WOA的原理，將WOA與TCN相結(jié)合，構(gòu)建WOA-TCN模型對(duì)TCN進(jìn)行優(yōu)化。WOA針對(duì)TCN中的內(nèi)置參數(shù)，設(shè)置鯨群數(shù)量為10，優(yōu)化迭代次數(shù)為100次，優(yōu)化最佳的TCN網(wǎng)絡(luò)參數(shù)，提高西嶺隧道的圍巖變形預(yù)測(cè)準(zhǔn)確性和精度。

2.4 評(píng)價(jià)指標(biāo)

為衡量真實(shí)數(shù)據(jù)與訓(xùn)練預(yù)測(cè)數(shù)據(jù)之間的偏差程度，將引入平均絕對(duì)值誤差、均方根誤差、R2評(píng)估指標(biāo)和可釋方差得分對(duì)真實(shí)變形數(shù)據(jù)y和預(yù)測(cè)數(shù)據(jù)y′進(jìn)行預(yù)測(cè)效果評(píng)估，各類(lèi)評(píng)估指標(biāo)的計(jì)算公式如下：

（1） 平均絕對(duì)值誤差：

MAE （y，y′）=1n∑ni=1yi-y′i， （12）

實(shí)際應(yīng)用中， MAE 計(jì)算結(jié)果越接近0，模型的預(yù)測(cè)效果越好。

（2） 均方誤差：

MSE （y，y′）=1n∑ni=1（yi-y′i）2， （13）

實(shí)際應(yīng)用中， MSE 計(jì)算結(jié)果越接近0，模型的預(yù)測(cè)效果越好。

（3） R2 "score ：

R2=1-∑ni=1（y′i-yi）2∑ni=1（ya-yi）2， （14）

其中：ya為真實(shí)數(shù)據(jù)的平均值。

實(shí)際應(yīng)用中，R2計(jì)算結(jié)果越接近1，模型的預(yù)測(cè)效果越好。

（4） 可釋方差得分：

EVS =1-∑ni=1（y′i-ya）2∑ni=1（yi-ya）2， （15）

可釋方差得分表示模型能夠解釋數(shù)據(jù)方差的比例，EVS計(jì)算結(jié)果越接近1，表示模型解釋的數(shù)據(jù)方差越多，表現(xiàn)越好。

3 預(yù)測(cè)效果對(duì)比

3.1 經(jīng)驗(yàn)?zāi)B(tài)分解降噪

對(duì)Ⅲ級(jí)圍巖的變形數(shù)據(jù)進(jìn)行EMD降噪處理。拱頂沉降的IMF及瞬時(shí)頻率如圖7所示，水平收斂的IMF及瞬時(shí)頻率如圖8所示。

通過(guò)EMD對(duì)分解后的本征模態(tài)函數(shù)進(jìn)行重構(gòu)，去除噪聲信息，達(dá)到去噪目的。由圖7（b）、圖8（b）可知，沉降和收斂數(shù)據(jù)的IMF1分量存在較高的瞬時(shí)頻率，判斷其為數(shù)據(jù)中的噪聲信息，因此對(duì)沉降和收斂的數(shù)據(jù)重構(gòu)，去除IMF1，對(duì)其余分量進(jìn)行重構(gòu)。重構(gòu)后變形數(shù)據(jù)的降噪效果如圖9所示。

由圖9可知，EMD在Ⅲ級(jí)圍巖的拱頂沉降和水平收斂變形數(shù)據(jù)的處理上，還原了原始數(shù)據(jù)的變化趨勢(shì)，大幅度減少了原始數(shù)據(jù)的尖點(diǎn)數(shù)量，使得數(shù)據(jù)更加平滑，反映了其在數(shù)據(jù)降噪方面的良好性能。

3.2 基于經(jīng)驗(yàn)?zāi)B(tài)分解降噪數(shù)據(jù)的預(yù)測(cè)結(jié)果

引入WOA優(yōu)化TCN模型，將MSE作為優(yōu)化評(píng)價(jià)標(biāo)準(zhǔn)繪制WOA-TCN模型適應(yīng)度迭代曲線，如圖10所示。

WOA引入鯨群數(shù)量為10，迭代100次。由圖10可知，WOA在優(yōu)化TCN的過(guò)程中，隨著迭代次數(shù)的增加，最優(yōu)結(jié)果的均方誤差也隨之減小，符合WOA算法的計(jì)算特性。根據(jù)數(shù)據(jù)復(fù)雜程度的不同，WOA-TCN在處理沉降數(shù)據(jù)時(shí)，算法在迭代23次后找到最優(yōu)結(jié)果;WOA-TCN在處理收斂數(shù)據(jù)時(shí)，迭代86次后找到最優(yōu)結(jié)果。

變形數(shù)據(jù)降噪前TCN的預(yù)測(cè)效果及降噪后TCN和WOA-TCN模型的預(yù)測(cè)效果分別見(jiàn)圖11、圖12。

由圖11可知，由于原數(shù)據(jù)尖點(diǎn)較多、波動(dòng)劇烈，TCN針對(duì)原數(shù)據(jù)的預(yù)測(cè)效果較差，不能達(dá)到實(shí)際應(yīng)用的條件。由圖12可知，在利用EMD對(duì)原數(shù)據(jù)進(jìn)行降噪處理后，TCN對(duì)降噪數(shù)據(jù)的預(yù)測(cè)表現(xiàn)相較于原數(shù)據(jù)大大改善，體現(xiàn)了EMD在數(shù)據(jù)處理方面的優(yōu)越性能，大大提高了數(shù)據(jù)質(zhì)量，提升了TCN的預(yù)測(cè)精度，同時(shí)反映出TCN出色的時(shí)序數(shù)據(jù)預(yù)測(cè)能力。在此基礎(chǔ)上，利用WOA對(duì)TCN模型的參數(shù)進(jìn)行優(yōu)化，WOA-TCN的預(yù)測(cè)效果在TCN高精度預(yù)測(cè)的基礎(chǔ)上得到了進(jìn)一步的提升，預(yù)測(cè)結(jié)果和降噪數(shù)據(jù)的差距相比于TCN進(jìn)一步減小。降噪前后，TCN與WOA-TCN模型對(duì)Ⅲ級(jí)圍巖變形數(shù)據(jù)預(yù)測(cè)效果的評(píng)價(jià)對(duì)比情況如表1所列。

由表1可知，EMD降噪后，TCN對(duì)沉降變形的預(yù)測(cè)精度提升了297.88%，對(duì)收斂變形的預(yù)測(cè)精度提升了164.90%，大幅度提升了TCN的預(yù)測(cè)精度。

針對(duì)降噪數(shù)據(jù)利用WOA對(duì)TCN進(jìn)行進(jìn)一步優(yōu)化，WOA-TCN對(duì)沉降變形的預(yù)測(cè)精度相較TCN提升了5.43%，對(duì)收斂變形的預(yù)測(cè)精度提升了4.52%。WOA-TCN模型在Ⅲ級(jí)圍巖變形預(yù)測(cè)上的相關(guān)系數(shù) R 2均在0.99以上，體現(xiàn)出WOA-TCN模型在Ⅲ級(jí)圍巖變形預(yù)測(cè)上的優(yōu)越性能，該模型可以滿足現(xiàn)場(chǎng)變形預(yù)測(cè)的要求。

4 結(jié)論

基于西陵隧道節(jié)理密集帶Ⅲ級(jí)圍巖段落的變形監(jiān)測(cè)數(shù)據(jù)，開(kāi)展西嶺隧道節(jié)理密集帶圍巖變形預(yù)測(cè)研究，旨在尋找最佳的變形預(yù)測(cè)模型，主要結(jié)論如下：

（1） 針對(duì)現(xiàn)場(chǎng)采集到的變形數(shù)據(jù)波動(dòng)大、尖點(diǎn)密集的問(wèn)題，利EMD進(jìn)行變形數(shù)據(jù)的分解重構(gòu)，變形數(shù)據(jù)的重構(gòu)結(jié)果表明EMD可以有效抑制原始數(shù)據(jù)中的波動(dòng)較大、尖點(diǎn)較多的問(wèn)題，重構(gòu)數(shù)據(jù)的波動(dòng)降低、尖點(diǎn)減少，數(shù)據(jù)更加平滑，數(shù)據(jù)質(zhì)量得到進(jìn)一步提高。

（2） 利用TCN對(duì)EMD降噪前后的變形數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，進(jìn)而實(shí)現(xiàn)對(duì)隧道變形的預(yù)測(cè)。預(yù)測(cè)結(jié)果表明，針對(duì)EMD降噪后的變形數(shù)據(jù)，TCN表現(xiàn)出了較好的預(yù)測(cè)性能，數(shù)據(jù)預(yù)測(cè)精度較高，相較于降噪前的變形數(shù)據(jù)，TCN對(duì)沉降變形的預(yù)測(cè)精度提升了297.88%，對(duì)收斂變形的預(yù)測(cè)精度提升了164.90%，沉降和收斂的預(yù)測(cè)結(jié)果的相關(guān)系數(shù)均在0.9以上。

（3） 通過(guò)WOA進(jìn)一步優(yōu)化TCN對(duì)EMD降噪后的變形數(shù)據(jù)的預(yù)測(cè)結(jié)果，WOA通過(guò)尋優(yōu)迭代使得TCN對(duì)于西嶺隧道變形數(shù)據(jù)的預(yù)測(cè)精度得到進(jìn)一步提升。結(jié)果表明：在100次的尋優(yōu)迭代后，WOA-TCN對(duì)沉降變形的預(yù)測(cè)精度提升了5.43%，對(duì)收斂變形的預(yù)測(cè)精度提升了4.52%。WOA-TCN模型沉降和收斂預(yù)測(cè)結(jié)果的相關(guān)系數(shù) R 2均在0.99以上，體現(xiàn)了EMD-WOA-TCN組合模型在隧道變形預(yù)測(cè)上的卓越性能。

本文基于西嶺隧道采集的Ⅲ級(jí)圍巖變形數(shù)據(jù)，利用EMD進(jìn)行分解，解決了原數(shù)據(jù)中尖點(diǎn)過(guò)多、數(shù)據(jù)波動(dòng)過(guò)大的問(wèn)題，提升了原數(shù)據(jù)的數(shù)據(jù)質(zhì)量，并利用TCN網(wǎng)絡(luò)對(duì)EMD處理前后的數(shù)據(jù)進(jìn)行預(yù)測(cè)，由于EMD出色的降噪能力，TCN對(duì)降噪后變形數(shù)據(jù)實(shí)現(xiàn)了高精度的預(yù)測(cè)。但由于TCN對(duì)參數(shù)敏感，人為設(shè)定的TCN參數(shù)并沒(méi)有充分發(fā)揮TCN的優(yōu)勢(shì)，為充分發(fā)揮TCN的預(yù)測(cè)性能優(yōu)勢(shì)，引入WOA對(duì)TCN進(jìn)行參數(shù)優(yōu)化，WOA-TCN模型全面提升了TCN對(duì)西嶺隧道圍巖變形的預(yù)測(cè)精度。本文提出的EMD-WOA-TCN模型可以滿足西嶺隧道Ⅲ級(jí)圍巖節(jié)理密集帶變形的預(yù)測(cè)，也可為后續(xù)類(lèi)似工程的圍巖變形預(yù)測(cè)提供一種方法。

參考文獻(xiàn)：

［1］ 潘興良，劉建國(guó).基于經(jīng)驗(yàn)?zāi)B(tài)分解法的下穿鐵路工程對(duì)既有軌道變形監(jiān)測(cè)數(shù)據(jù)降噪方法 ［J］.城市軌道交通研究，2022，25（6）：96-101.

［2］ 李勝天，張軍.改進(jìn)EMD方法在滑坡變形監(jiān)測(cè)中的應(yīng)用 ［J］.測(cè)繪標(biāo)準(zhǔn)化，2022，38（2）：91-95.

［3］ 董泳，劉肖峰，李云波，等.基于EMD-EEMD-LSTM的大壩變形預(yù)測(cè)模型 ［J］.水力發(fā)電，2022，48（10）：68-71，112.

［4］ 胡振東，郭明強(qiáng).改進(jìn)水循環(huán)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測(cè) ［J］.地理空間信息，2024，22（1）：92-95.

［5］ 周有榮，王凱.改進(jìn)WOA-指數(shù)冪乘積模型在基坑變形預(yù)測(cè)中的應(yīng)用 ［J］.水資源與水工程學(xué)報(bào)，2020，31（3）：233-239.

［6］ 劉欣航，婁一青，鄭東健.基于多目標(biāo)優(yōu)化的WOA-BPNN高拱壩變形模量反演分析 ［J］.水電能源科學(xué)，2023，41（10）：96-99.

［7］ 吳澤鑫，張成良，張華超，等.基于WOA優(yōu)化神經(jīng)網(wǎng)絡(luò)的斜坡道拱頂沉降預(yù)測(cè)研究 ［J］.有色金屬工程，2024，14（4）：150-160，174.

［8］ 曾欣，馬力，戴子卿.基于動(dòng)態(tài)MIC優(yōu)化TCN的混凝土壩變形預(yù)測(cè)模型研究 ［J］.水力發(fā)電，2022，48（10）：58-63.

［9］ 江文金，冷小鵬，林祥，等.基于時(shí)間序列與時(shí)間卷積網(wǎng)絡(luò)的滑坡位移預(yù)測(cè) ［J］.科學(xué)技術(shù)與工程，2023，23（9）：3672-3679.

［10］ 陳奎，吳兆福，黃建偉，等.時(shí)域卷積組合模型在橋梁沉降預(yù)測(cè)中的研究 ［J］.測(cè)繪科學(xué)，2023，48（10）：126-135.

［11］ 王景環(huán)，汪亞民，鄭松崗，等.基于TCN與SVM組合模型的建筑沉降預(yù)測(cè) ［J］.工程勘察，2024，52（2）：64-67，72.

［12］ HUANG N E，SHEN Z，LONG S R， et al .The empirical mode decomposition and the hilbert spectrum for nonlinear and non-stationary time series analysis［J］.Proceedings Mathematical Physical amp; Engineering Sciences，1998，454（1971）：903-995.

［13］ BAI S，KOLTER J Z，KOLTUN V.An empirical evaluation of generic convolutional and recurrent networks for sequence modeling［J］.arXiv Preprint arXiv：1803.01271，2018.

［14］ LONG J，SHELHAMER E，DARRELL T.Fully convolutional networks for semantic segmentation［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2015：3431-3440.

［15］ OORD A，DIELEMAN S，ZEN H， et al .Wavenet：A generative model for raw audio［J］.arXiv Preprint arXiv 2016：1609.03499.

［16］ 劉新.基于TCN的時(shí)間序列數(shù)據(jù)特征提取研究與應(yīng)用 ［D］.大連：大連理工大學(xué)，2021.

［17］ MIRJALILI S，LEWIS A.The whale optimization algorithm［J］.Advances in Engineering Software，2016（95）：51-67.

Prediction of surrounding rock deformation in tunnel

joint-intensive zone based on EMD-WOA-TCN

HUANG Yusheng1，HAN Jichuan1，WEI Guilin1，YANG Luming1，LI Xinzhi^1，2

（1.School of Civil Engineering，Shijiazhuang Tiedao University，Shijiazhuang 050043，China;

2.Key Laboratory of Roads and Railway Engineering Safety Control （Shijiazhuang Tiedao University），

Ministry of Education，Shijiazhuang 050043，China）

Abstract

In order to achieve intelligent prediction of rock mass deformation in dense joint segments of the Xiling Tunnel and ensure subsequent safe construction，this paper proposes a novel prediction method based on the combination of empirical mode decomposition （EMD），whale optimization algorithm （WOA），and temporal convolutional network （TCN），referred to as EMD-WOA-TCN.By leveraging field-measured deformation data，the TCN model is optimized using EMD and WOA.The results demonstrate that under the framework of EMD，the WOA-TCN model exhibits higher accuracy in predicting rock mass deformation compared to the TCN model alone.This model not only provides a scientific basis for tunnel engineering design and construction but also promotes the application of intelligent prediction technology in the field of tunnel engineering，offering new insights and methods for research in related areas.

Key words

Joint-intensive zone;Deformation prediction;Empirical modal decomposition;Whale algorithm;Time series convolutional network

（本文責(zé)編：馮 婷）