CN106500614B - 一种隧道运行期变形监测预报系统及方法 - Google Patents
一种隧道运行期变形监测预报系统及方法 Download PDFInfo
- Publication number
- CN106500614B CN106500614B CN201610910220.7A CN201610910220A CN106500614B CN 106500614 B CN106500614 B CN 106500614B CN 201610910220 A CN201610910220 A CN 201610910220A CN 106500614 B CN106500614 B CN 106500614B
- Authority
- CN
- China
- Prior art keywords
- tunnel
- deformation
- optical fiber
- monitoring
- tunnel deformation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013307 optical fiber Substances 0.000 claims abstract description 69
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000003287 optical effect Effects 0.000 claims description 3
- 239000011435 rock Substances 0.000 abstract description 36
- 239000000835 fiber Substances 0.000 abstract description 7
- 238000007726 management method Methods 0.000 abstract description 5
- 238000013500 data storage Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000004836 empirical method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007569 slipcasting Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及隧道运行期变形监测预报系统及方法，所述系统包括设置在隧道的监测断面(A)中的分布式光纤传感器(1)、光纤应变分析仪(2)、光纤(3)、数据传输单元(4)、GPRS模块(5)和监测中心计算机(6)，分布式光纤传感器(1)收集到的隧道变形量和隧道变形速率数据存储到光纤应变分析仪(2)中并通过光纤(3)传输到位于隧道外的数据传输单元(4)，数据传输单元(4)通过GPRS模块(5)将隧道变形量和隧道变形速率数据传输到监控中心计算机(6)。该系统及方法将神经网络方法和灰色模型方法组合进行隧道围岩变形量及变形速率的预测方法，使得监测结果更科学合理，预测结果更准确，监测预测管理更加科学和系统。
Description
技术领域
本发明属于隧道的安全监测预测领域，特别涉及一种隧道运行期变形监测预报系统及方法。
背景技术
随着隧道工程施工技术和设计理论的快速发展，我国隧道(公路，铁路，地铁等)的修建也越来越多。围岩变形稳定与隧道工程安全是紧密联系在一起的，隧道工程事故的主要表现就是围岩的失稳，这就使得对隧道围岩变形监控越来越重要。同时，隧道变形监测技术也从中得到了飞跃性的发展。伴随着信息化测绘时代的来临，以数字化信息为核心的传感网技术对工程领域中的设计、施工、监测和管理模式产生了深远影响。考虑到隧道工程的变形监测内容多、周期长、数据量大等特征，以前纯人工定时实地的监测方法难以满足实际需求，借助卫星定位、测量机器人、传感器、网络通讯等技术，传感网模式的现代化监测系统相继产生。
目前，预测隧道围岩变形的方法比较多，主要有经验法、数值分析法、实验分析法、现场监测法、回归预测法、反分析预测法、灰色模型预测法、人工神经网络模型预测法等。但由于隧道围岩的复杂性和多变性，每一种预测方法都有着自己的缺陷，都难于准确地预测出围岩的变形量。如灰色模型预测法不能用来长期预测，有失真的趋势，且传统模型采用等时距原始数据，限制了在工程实际中的应用。人工神经网络模型预测法的学习样本有限时精度难以保证，学习样本数量很多时，又会陷入"维数灾难"、泛化性能不高，其精度受样本影响较大。基于数值分析的预测预报方法的本构模型尚不能真实反映围岩特性，尤其是围岩的结构特性。现场监测法通过对大量实测数据进行统计分析，以此预测围岩的变形量，其统计的离散性较大。经验法虽然比较贴近现实，但经验方法也要有统计数据和理论解析的支撑。
总之，目前相关的监测方法以围岩变形量为主，将变形速率考虑在内的较少，且以监测边界变形为主，不能监测到围岩内部的变形。同时，目前将隧道变形监测和预测结合起来的也比较少，导致管理的效率不高，隧道围岩的变形预测对隧道的变形监测起着至关重要的作用。
鉴于现有技术的上述技术缺陷，迫切需要研制一种新型的随便运行期变形的监测预报方法。
发明内容
本发明的目的在于克服现有技术中存在的缺点，提供一种隧道运行期变形监测预报系统及方法，该系统及方法将神经网络方法和灰色模型方法组合进行隧道围岩变形量及变形速率的预测方法，使得监测结果更科学合理，预测结果更准确，监测预测管理更加科学和系统。
为了实现上述目的，本发明提供如下技术方案：一种隧道运行期变形监测预报系统，其包括设置在隧道的监测断面中的分布式光纤传感器、光纤应变分析仪、光纤、数据传输单元、GPRS模块和监测中心计算机，其特征是，所述分布式光纤传感器收集到的隧道变形量和隧道变形速率数据存储到所述光纤应变分析仪中，存储到所述光纤应变分析仪中的隧道变形量和隧道变形速率数据通过所述光纤传输到位于隧道外的所述数据传输单元，所述数据传输单元通过所述GPRS模块将隧道变形量和隧道变形速率数据传输到所述监控中心计算机，所述监控中心计算机根据得到的隧道变形量和隧道变形速率数据分别构建隧道变形量-时间样本数据库和隧道变形速率-时间样本数据库，并采用人工神经网络方法将所得的样本数据库进行训练得到隧道变形量和隧道变形速率的预测模型，由此预测模型给出下一段时间的隧道变形量和隧道变形速率；再采用灰色模型方法对隧道变形情况进行预测，得到下一段时间的隧道变形量和变形速率；最后，将两种方法得到的预测值赋予不同的权重，得到最终的预测值，并将最终的预测值与阈值进行比较，如果最终的预测值大于阈值，由所述监测中心计算机发出预警，如果最终的预测值小于阈值，则隧道安全。
进一步地，其中，每个所述监测断面中设置四个所述分布式光纤传感器且四个所述分布式光纤传感器分别设置在隧道顶部、底部和隧道两侧壁，并且每个所述分布式光纤传感器都包括分布式光纤应变传感器和温度补偿光纤传感器。
更进一步地，其中，所述分布式光纤传感器为OPGW光缆。
此外，本发明还提供一种采用上述隧道运行期变形监测预报系统进行隧道运行期变形监测预报的方法，其特征是，包括以下步骤：
(1)、通过所述分布式光纤传感器收集隧道变形量和隧道变形速率数据；
(2)、将所收集的隧道变形量和隧道变形速率数据存储到所述光纤应变分析仪中；
(3)、将存储到所述光纤应变分析仪中的隧道变形量和隧道变形速率数据通过所述光纤传输到位于隧道外的所述数据传输单元；
(4)、所述数据传输单元通过所述GPRS模块将隧道变形量和隧道变形速率数据传输到所述监控中心计算机；
(5)、所述监控中心计算机根据得到的隧道变形量和隧道变形速率数据分别构建隧道变形量-时间样本数据库和隧道变形速率-时间样本数据库，并采用人工神经网络方法将所得的样本数据库进行训练得到隧道变形量和隧道变形速率的预测模型，由此预测模型给出下一段时间的隧道变形量和隧道变形速率；
(6)、采用灰色模型方法对隧道变形情况进行预测，得到下一段时间的隧道变形量和变形速率；
(7)、给所述步骤(5)和步骤(6)得到的预测值赋予不同的权重，得到最终的预测值；
(8)、将最终的预测值与阈值进行比较，如果最终的预测值大于阈值，由所述监测中心计算机发出预警，如果最终的预测值小于阈值，则隧道安全。
进一步地，其中，所述步骤(6)中采用灰色模型方法中的等时距GM(1，1)模型对隧道变形情况进行预测。
与现有技术相比，本发明的隧道运行期变形监测预报系统及方法具有以下积极效果：
1、监测仪器采用分布式光纤传感器，且每个监测断面中设置四个分布式光纤传感器，能更加精确地测量出所需围岩部分的变形，特别是对于围岩内部的监测是其他监测手段所不能做到的。
2、结合有线通讯(光纤)和无线通讯(GPRS)，可监测任何隧道(隧道内无信号的情况下也能监测)，且能将监测数据实时传递到监测中心计算机，使得隧道监测管理更加科学方便。
3、采用人工神经网络方法和灰色模型方法的组合对变形进行预测，很大程度上克服了不同预测技术的缺陷，使得监测预测结果更加准确可靠。
4、将隧道围岩变形和变形速率同时作为隧道安全的监测部分，更加科学和符合隧道的破坏形式。
附图说明
图1是本发明的隧道运行期变形监测预报系统的组成示意图。
图2是本发明的隧道运行期变形监测预报方法的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，实施例的内容不作为对本发明的保护范围的限制。
图1示出了本发明的隧道运行期变形监测预报系统的组成示意图。如图1所示，本发明的隧道运行期变形监测预报系统包括设置在隧道的监测断面A中的分布式光纤传感器1和位于隧道内的光纤应变分析仪2，以及位于隧道外的数据传输单元4、GPRS模块5和监测中心计算机6。所述光纤应变分析仪2与所述数据传输单元4通过光纤3相连。
其中，所述分布式光纤传感器1用于获得隧道变形量和隧道变形速率数据。在本发明中，优选地，所述分布式光纤传感器1为OPGW光缆。更优选地，每个所述监测断面A中设置四个所述分布式光纤传感器1且四个所述分布式光纤传感器1分别设置在隧道顶部、底部和隧道两侧壁。这种布置方式能更加精确地测量出所需围岩部分的变形，特别是对于围岩内部的监测是其他监测手段所不能做到的。
并且每个所述分布式光纤传感器1都包括分布式光纤应变传感器和温度补偿光纤传感器。这样，既能获得隧道围岩变形量，又能获得隧道围岩变形速率，通过将隧道围岩变形量和变形速率同时作为隧道安全的监测部分，更加科学和符合隧道的破坏形式。
在本发明中，所述分布式光纤传感器1沿隧道围岩径向安装。当安装所述分布式光纤传感器1的位置有锚杆时，可与隧道锚杆一起施工，并使得所述分布式光纤传感器1与锚杆有一定距离。当无锚杆时，需沿隧道围岩径向钻取监测孔，监测孔须穿过隧道围岩松动影响圈，到达隧道围岩稳定区域，孔径为80mm左右，并且所述分布式光纤传感器1需要固定的支撑杆件送至监测孔孔底，通过注浆方式填充所述分布式光纤传感器1和周围围岩空隙，使所述分布式光纤传感器1与围岩协调变形。
在本发明中，将各个监测孔的所述分布式光纤传感器1熔接串联接至所述光纤应变分析仪2，从而将所述分布式光纤传感器1收集到的隧道变形量和隧道变形速率数据存储到所述光纤应变分析仪2中。在本发明中，优选地，所述光纤应变分析仪2采用BOTDR。
存储到所述光纤应变分析仪2中的隧道变形量和隧道变形速率数据通过所述光纤3传输到位于隧道外的所述数据传输单元4。所述数据传输单元4通过所述GPRS模块5将隧道变形量和隧道变形速率数据传输到所述监控中心计算机6。在本发明中，结合有线通讯(光纤)和无线通讯(GPRS)，可监测任何隧道(隧道内无信号的情况下也能监测)，且能将监测数据实时传递到监测中心计算机，使得隧道监测管理更加科学方便。
所述监控中心计算机6根据得到的隧道变形量和隧道变形速率数据分别构建隧道变形量-时间样本数据库和隧道变形速率-时间样本数据库，并采用人工神经网络方法将所得的样本数据库进行训练得到隧道变形量和隧道变形速率的预测模型，由此预测模型给出下一段时间的隧道变形量和隧道变形速率。
具体地，通过所述分布式光纤传感器1和光纤应变分析仪2，根据布里渊频移与应变和温度的线性关系即可得到围岩径向上的应变和温度，剔除温度的影响，即可得到围岩沿隧道断面径向的应变分布。以围岩外边缘为起点向内进行一次积分，即可得到围岩各点的变形
其中，S为距围岩外边缘x米处的变形，ε为分布式光纤传感器应变。
通常围岩内边缘为变形最大处，以围岩内边缘为例，可得到隧道各监测点的变形，可得到某时刻所对应的隧道各点的变形值(s-t)：(s0,t0)(s1,t1)(s2,t2)…(sn,tn)其中，t1-t0＝t2-t1＝…＝tn-tn-1＝▽t＝24h，从而建立各点的变形量-时间样本数据库；由vn＝(sn-sn-1)/▽t，可得某时刻所对应测隧道各点的变形速率(v-t)：(v0,t0)(v1,t1)(v2,t2)…(vn,tn)，从而建立各点的变形速率-时间样本数据库。
利用MATLAB的神经网络工具箱，选择ANFIS，利用最后监测的30个数据，分别生成变形量-时间的ANFIS模型和变形速率-时间的ANFIS的预测模型；向基于ANFIS的变形量-时间模型输入下一时间值：tn+1＝tn+▽t，得到24小时时的变形量预测值s′n+1，向基于ANFIS的变形速率-时间模型输入下一时间值：tn+1＝tn+▽t，得到24小时时的变形速率预测值v′n+1；同理，将▽t变成2▽t，可得到48小时时的变形量预测值和变形速率预测值。
再采用灰色模型方法对隧道变形情况进行预测，得到下一段时间的隧道变形量和变形速率。在本发明中，优选地，采用灰色模型方法中的等时距GM(1，1)模型对隧道变形情况进行预测。
具体地，利用监测得到的变形值和变形速率值作为原始数据，同样取最后监测的30个数据，有等时间间隔的数据序列
S(0)＝[S(0)(1)，S(0)(2)，S(0)(3)……S(0)(30)]
对S(0)进行一次累加生成，得到
对此生成序列建立一阶微分方程
即得到GM(1，1)模型，其中a，b是灰参数，其值可以用最小二乘法求得：
A＝[ab]T＝(BTB)-1BTYn
其中，
把为定义对S(1)作紧邻均值求出A后，把的值代入式(1)，解出微分方程得：
对S1(k+1)做累减可得到还原模拟数据，即：
同理可得V″n+1；
分别求得变形量-时间和变形速率-时间的灰色模型，从而求得预测值；将tn+1代入灰色模型中即可求得s″n+1，v″n+1。
然后，将两种方法得到的预测值赋予不同的权重，得到最终的预测值。在本发明中，具体地，
利用sn+1＝(1-wn)s′n+1+wns″n+1,vn+1＝(1-w′n)v′n+1+w′nv″n+1)，求得变形量和变形速率最终的预测值。其中wn,w′n分别由
sn＝(1-wn)s′n+wns″n,vn＝(1-w′n)v′n+w′nv″n
求得。式中，sn,vn是上一时段监测得到的监测数据，s′n,v′n是上一时段神经网络方法得到的预测值，s″n,v″n上一时段灰色模型方法得到的预测值。
接着，根据相关规定和专家经验，结合具体工程对象设置变形量和变形速率的阈值s和v。将最终的预测值和阈值比较，若：sn+1≤s且vn+1≤v，则隧道安全，将(sn+1,tn+1)，(vn+1,tn+1)分别加入变形-时间样本数据库和变形速率-时间样本数据库，重复上述步骤，继续预测。否则停止预测，由所述监测中心计算机6发出报警。
图2示出了本发明的隧道运行期变形监测预报方法的流程图。如图2所示，本发明的隧道运行期变形监测预报的方法包括以下步骤：
首先，通过所述分布式光纤传感器1收集隧道变形量和隧道变形速率数据。
其次，将所收集的隧道变形量和隧道变形速率数据存储到所述光纤应变分析仪2中。
接着，将存储到所述光纤应变分析仪2中的隧道变形量和隧道变形速率数据通过所述光纤3传输到位于隧道外的所述数据传输单元4。
然后，所述数据传输单元4通过所述GPRS模块5将隧道变形量和隧道变形速率数据传输到所述监控中心计算机。
之后，所述监控中心计算机6根据得到的隧道变形量和隧道变形速率数据分别构建隧道变形量-时间样本数据库和隧道变形速率-时间样本数据库，并采用人工神经网络方法将所得的样本数据库进行训练得到隧道变形量和隧道变形速率的预测模型，由此预测模型给出下一段时间的隧道变形量和隧道变形速率.
接着，采用灰色模型方法对隧道变形情况进行预测，得到下一段时间的隧道变形量和变形速率。
然后，给两种方法得到的预测值赋予不同的权重，得到最终的预测值。
最后，将最终的预测值与阈值进行比较，如果最终的预测值大于阈值，由所述监测中心计算机6发出预警，如果最终的预测值小于阈值，则隧道安全。
本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (4)
1.一种隧道运行期变形监测预报系统，其包括设置在隧道的监测断面(A)中的分布式光纤传感器(1)、光纤应变分析仪(2)、光纤(3)、数据传输单元(4)、GPRS模块(5)和监测中心计算机(6)，其特征是，所述分布式光纤传感器(1)收集到的隧道变形量和隧道变形速率数据存储到所述光纤应变分析仪(2)中，存储到所述光纤应变分析仪(2)中的隧道变形量和隧道变形速率数据通过所述光纤(3)传输到位于隧道外的所述数据传输单元(4)，所述数据传输单元(4)通过所述GPRS模块(5)将隧道变形量和隧道变形速率数据传输到所述监测中心计算机(6)；所述监测中心计算机(6)根据得到的隧道变形量和隧道变形速率数据分别构建隧道变形量-时间样本数据库和隧道变形速率-时间样本数据库，并采用人工神经网络方法将所得的样本数据库进行训练得到隧道变形量和隧道变形速率的预测模型，由此预测模型给出下一段时间的隧道变形量和隧道变形速率；再采用灰色模型方法对隧道变形情况进行预测，得到下一段时间的隧道变形量和变形速率；最后，将两种方法得到的预测值赋予不同的权重，得到最终的预测值，并将最终的预测值与阈值进行比较，如果最终的预测值大于阈值，由所述监测中心计算机(6)发出预警，如果最终的预测值小于阈值，则隧道安全。
2.根据权利要求1所述的隧道运行期变形监测预报系统，其特征是，每个所述监测断面(A)中设置四个所述分布式光纤传感器(1)且四个所述分布式光纤传感器(1)分别设置在隧道顶部、底部和隧道两侧壁，并且每个所述分布式光纤传感器(1)都包括分布式光纤应变传感器和温度补偿光纤传感器。
3.根据权利要求1或2所述的隧道运行期变形监测预报系统，其特征是，所述分布式光纤传感器(1)为OPGW光缆。
4.一种采用权利要求3所述的隧道运行期变形监测预报系统进行隧道运行期变形监测预报的方法，其特征是，包括以下步骤：
(1)、通过所述分布式光纤传感器(1)收集隧道变形量和隧道变形速率数据；
(2)、将所收集的隧道变形量和隧道变形速率数据存储到所述光纤应变分析仪(2)中；
(3)、将存储到所述光纤应变分析仪(2)中的隧道变形量和隧道变形速率数据通过所述光纤(3)传输到位于隧道外的所述数据传输单元(4)；
(4)、所述数据传输单元(4)通过所述GPRS模块(5)将隧道变形量和隧道变形速率数据传输到所述监控中心计算机(6)；
(5)、所述监控中心计算机(6)根据得到的隧道变形量和隧道变形速率数据分别构建隧道变形量-时间样本数据库和隧道变形速率-时间样本数据库，并采用人工神经网络方法将所得的样本数据库进行训练得到隧道变形量和隧道变形速率的预测模型，由此预测模型给出下一段时间的隧道变形量和隧道变形速率；
(6)、采用灰色模型方法对隧道变形情况进行预测，得到下一段时间的隧道变形量和变形速率；
(7)、给所述步骤(5)和步骤(6)得到的预测值赋予不同的权重，得到最终的预测值；
(8)、将最终的预测值与阈值进行比较，如果最终的预测值大于阈值，由所述监测中心计算机(6)发出预警，如果最终的预测值小于阈值，则隧道安全。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610910220.7A CN106500614B (zh) | 2016-10-19 | 2016-10-19 | 一种隧道运行期变形监测预报系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610910220.7A CN106500614B (zh) | 2016-10-19 | 2016-10-19 | 一种隧道运行期变形监测预报系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106500614A CN106500614A (zh) | 2017-03-15 |
| CN106500614B true CN106500614B (zh) | 2018-10-19 |
Family
ID=58295293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610910220.7A Active CN106500614B (zh) | 2016-10-19 | 2016-10-19 | 一种隧道运行期变形监测预报系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106500614B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106958460B (zh) * | 2017-05-16 | 2019-02-05 | 山东大学 | 一种适用于隧道与地下工程监控量测信息的智慧感知系统及方法 |
| CN108921319B (zh) * | 2018-04-27 | 2021-09-07 | 中铁西南科学研究院有限公司 | 一种用于岩溶隧道结构安全预警的监测方法 |
| CN109145463B (zh) * | 2018-08-27 | 2023-04-18 | 北京住总集团有限责任公司 | 一种用于隧道开挖过程中的变形分析方法 |
| CN111022124B (zh) * | 2019-12-31 | 2021-04-30 | 山东交通学院 | 一种桥隧工程短、长期变形的超前预警方法 |
| CN111678454A (zh) * | 2020-06-24 | 2020-09-18 | 安徽理工大学 | 一种煤柱稳定性分布式监测系统及方法 |
| CN112504333B (zh) * | 2020-11-13 | 2021-12-10 | 贵州大学 | 隧道竖向沉降及拱壁压应力监测器及云端监测预警系统 |
| CN114623776B (zh) * | 2022-05-16 | 2022-07-22 | 四川省公路规划勘察设计研究院有限公司 | 基于隧道变形监测的隧道损伤预测方法 |
| CN115600747B (zh) * | 2022-10-24 | 2024-02-13 | 无锡瑞鼎电力科技有限公司 | 一种基于物联网的隧道状态监测管理方法及系统 |
| CN116817777B (zh) * | 2023-04-21 | 2024-06-11 | 中国铁建昆仑投资集团有限公司 | 基于高精度传感器和Transformer的隧道围岩变形预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11132732A (ja) * | 1997-10-31 | 1999-05-21 | Mitsubishi Heavy Ind Ltd | 内空断面測定装置 |
| JPH11237219A (ja) * | 1997-12-17 | 1999-08-31 | Mitsubishi Heavy Ind Ltd | 構造物の変形量測定装置 |
| CN103745073A (zh) * | 2014-01-27 | 2014-04-23 | 北方工业大学 | 一种边坡三维变形预测方法 |
| CN104047611A (zh) * | 2014-06-06 | 2014-09-17 | 同济大学 | 软弱破碎围岩隧道二衬施作的最佳时机判别方法 |
| CN104374433A (zh) * | 2014-12-12 | 2015-02-25 | 东南大学 | 基于分布式长标距光纤光栅的隧道结构监测系统及其监测方法 |
-
2016
- 2016-10-19 CN CN201610910220.7A patent/CN106500614B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11132732A (ja) * | 1997-10-31 | 1999-05-21 | Mitsubishi Heavy Ind Ltd | 内空断面測定装置 |
| JPH11237219A (ja) * | 1997-12-17 | 1999-08-31 | Mitsubishi Heavy Ind Ltd | 構造物の変形量測定装置 |
| CN103745073A (zh) * | 2014-01-27 | 2014-04-23 | 北方工业大学 | 一种边坡三维变形预测方法 |
| CN104047611A (zh) * | 2014-06-06 | 2014-09-17 | 同济大学 | 软弱破碎围岩隧道二衬施作的最佳时机判别方法 |
| CN104374433A (zh) * | 2014-12-12 | 2015-02-25 | 东南大学 | 基于分布式长标距光纤光栅的隧道结构监测系统及其监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106500614A (zh) | 2017-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106500614B (zh) | 一种隧道运行期变形监测预报系统及方法 | |
| Chen | Structural health monitoring of large civil engineering structures | |
| Wu et al. | Critical review of data-driven decision-making in bridge operation and maintenance | |
| Chen et al. | Deployment of a smart structural health monitoring system for long-span arch bridges: A review and a case study | |
| Soga et al. | Infrastructure sensing | |
| CN104678954A (zh) | 基于全生命周期的大坝安全智能监测与预警系统及其方法 | |
| CN104111032A (zh) | 一种基于光纤光栅传感网络的大型结构体变形测量方法 | |
| CN103604384A (zh) | 船闸结构应变、应力分布式光纤监测方法及系统 | |
| CN116011125B (zh) | 一种不确定车桥耦合系统响应预测的方法 | |
| CN117128448A (zh) | 一种lng储罐结构智能监测系统 | |
| CN107368463A (zh) | 基于光纤光栅传感网络数据的巷道非线性变形预测方法 | |
| CN108520227A (zh) | 一种基于双传感器信息的传递熵的桥梁结构损伤定位方法 | |
| CN107664489A (zh) | 一种桥梁应变和变形的测量方法 | |
| CN103604632A (zh) | 广义位移角度监测问题索集中载荷递进式识别方法 | |
| CN117494293B (zh) | 基于温度分析的混凝土监测预警方法及系统 | |
| Zhou et al. | A method for convergence monitoring considering the flattening effect in a shield tunnel with BOTDA sensors | |
| Moon et al. | Application of artificial neural network to predict dynamic displacements from measured strains for a highway bridge under traffic loads | |
| Wu et al. | Fast calibration for vibration-based pavement roughness measurement based on model updating of vehicle dynamics | |
| Wong et al. | Modular architecture of SHM system for cable-supported bridges | |
| CN103630392A (zh) | 线位移时混合监测的问题索集中载荷递进式识别方法 | |
| CN103472774A (zh) | 一种电力隧道实时监测系统及方法 | |
| Xu et al. | A method for suspenders tension identification of bridges based on the spatio‐temporal correlation between the girder strain and suspenders tension | |
| Quqa et al. | Damage index based on the strain‐to‐displacement relation for health monitoring of railway bridges | |
| CN110631634B (zh) | 一种完全逆分析的结构监测评估方法、系统以及存储介质 | |
| JP2023007932A (ja) | 風況予測システム、風況予測方法、および風況予測プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |