CN110688689B - 一种基于多源监测数据融合的隧道变形预测方法 - Google Patents

一种基于多源监测数据融合的隧道变形预测方法 Download PDF

Info

Publication number
CN110688689B
CN110688689B CN201910640665.1A CN201910640665A CN110688689B CN 110688689 B CN110688689 B CN 110688689B CN 201910640665 A CN201910640665 A CN 201910640665A CN 110688689 B CN110688689 B CN 110688689B
Authority
CN
China
Prior art keywords
tunnel
matrix
monitoring
deformation
value
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
Application number
CN201910640665.1A
Other languages
English (en)
Other versions
CN110688689A (zh
Inventor
段清超
赵宝华
王刚
李治国
刘涛
林纯鹏
逄锦伟
张丹枫
于硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Tunnel Group Co Ltd CRTG
CRTG Survey and Design Institute Co Ltd
Original Assignee
China Railway Tunnel Group Co Ltd CRTG
CRTG Survey and Design Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Railway Tunnel Group Co Ltd CRTG, CRTG Survey and Design Institute Co Ltd filed Critical China Railway Tunnel Group Co Ltd CRTG
Priority to CN201910640665.1A priority Critical patent/CN110688689B/zh
Publication of CN110688689A publication Critical patent/CN110688689A/zh
Application granted granted Critical
Publication of CN110688689B publication Critical patent/CN110688689B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于多源监测数据融合的隧道变形预测方法，该预测方法包括如下：步骤一、构建隧道变形监测参考框架，计算隧道变形监测参考框架下的多源监测数据矩阵，并得出各矩阵元素值；步骤二、创建BP神经网络，采用果蝇优化算法对其进行优化，得到训练后的BP神经网络；步骤三、将步骤一中的各矩阵元素值作为输入量，输入所述步骤二中的训练后的BP神经网络中，得到各输出量，即得到各变形预测矩阵。本发明中的方法采用三维激光扫描技术进行隧道结构变形监测，采用多源监测数据融合，通过改进果蝇寻优算法对BP神经网络预测算法进行优化，实现结合结构受力信息和设计情况进行整体变形预测，同时通过优化BP神经网络提高隧道结构变形预测精度。

Description

一种基于多源监测数据融合的隧道变形预测方法
技术领域
本发明属于隧道变形监测技术领域，具体涉及一种基于多源监测数据融合的隧道变形预测方法。
背景技术
目前，传统的隧道监控量测技术采用倒挂尺、收敛计及水准仪测量方式，需要按照一定间隔布设拱顶和净空收敛监测点，只能进行单点测量，无法进行隧道整体性变形分析，且工作效率低。传统监控量测变形预测，只是基于拱顶沉降和净空收敛监测数据，没有结合隧道结构的受力、围岩级别、隧道埋深、隧道跨度进行分析，变形监测预测数据源比较单一。BP神经网络是一种误差反向传播的前向神经网络，即利用误差反向调节神经网络的权值和阈值，是变形预测最为常用的一种算法，然而BP神经网络存在着对初始权值敏感、易陷入局部极值、收敛速度慢的系统性缺陷。
发明内容
本发明所要解决的技术问题在于针对上述现有技术的不足，提供一种基于多源监测数据融合的隧道变形预测方法，采用三维激光扫描技术进行隧道结构变形监测，采用多源监测数据融合，通过改进果蝇寻优算法对BP神经网络预测算法进行优化，实现结合结构受力信息和设计情况进行整体变形预测，同时通过优化BP神经网络提高隧道结构变形预测精度。
为解决上述技术问题，本发明采用的技术方案是，一种基于多源监测数据融合的隧道变形预测方法，该预测方法包括如下：
步骤一、构建隧道变形监测参考框架，计算隧道变形监测参考框架下的多源监测数据矩阵，并得出各矩阵元素值；
步骤二、创建BP神经网络，采用果蝇优化算法对其进行优化，得到训练后的BP神经网络；
步骤三、将步骤一中所述的各矩阵元素值作为输入量，输入所述步骤二中的训练后的BP神经网络中，得到各输出量，即得到各变形预测矩阵。
进一步地，该步骤一中，构造隧道变形监测参考框架的过程如下：
步骤S1.构建隧道设计表面模型和隧道点云模型；
步骤S2.以步骤S1中所述隧道设计表面模型中的中轴线上的任意里程为起点，将隧道设计中轴线等分成长度为d的m段，则隧道设计表面模型和隧道点云模型沿隧道设计中轴线方向等分成长度为d的m段；
过隧道设计中轴线建立水平面M，所述水平面M的左右两端部与隧道设计表面模型和隧道点云模型相交，以所述中轴线为固定轴，顺或逆时针旋转所述水平面M，旋转圆心角每间隔θ，则所述隧道设计表面模型和隧道点云模型在环向均被切割成n段，所述隧道设计表面模型和隧道点云模型均被分割为m×n个单元格；设隧道设计表面模型单元网格命名为Wi,j，对应单元网格的形心为wi,j；其中i＝1，2，...，m，j＝1，2，...,n；其中：
d在0.01m至0.1m间取值，d和m均为自然整数；
θ在1°和2°之间取值；
n为自然整数；
步骤S3.计算锚索拉力监测矩阵、钢拱架应力监测矩阵、围岩级别矩阵、隧道埋深矩阵、隧道跨度矩阵和点云模型变形矩阵，并得出各矩阵元素值。
进一步地，该锚索拉力监测矩阵和钢拱架应力监测矩阵的计算过程如下：布设锚索拉力和钢拱架应力监测点：沿隧道中轴线方向间隔设置监测断面，相邻两个监测断面的间隔长度为D，D在15m至30m取值；在各所述监测断面上布设锚索拉力和钢拱架应力监测点；
计算锚索拉力监测矩阵：选择距离隧道变形监测参考框架中形心wi,j，最近的4个锚索拉力监测点，按照反距离加权计算形心wi,j的锚索拉力监测值为ml(i,j)p，则内插得到的所有锚索拉力监测值ml(i,j)p构成第p期锚索拉力监测矩阵ML(i,j)P；
钢拱架应力监测矩阵：选择距离隧道变形监测参考框架中形心wi,j(最近的4个钢拱架应力监测点，按照反距离加权计算形心wi,j的钢拱架应力监测值为gl(i,j)p，则内插得到的所有钢拱架应力监测值gl(i,j)p构成第p期钢拱架监测矩阵GL(i,j)P；
其中：i＝1，2，...，m；j＝1，2，...，n；p为自然数，表示第p期；1＜P≤p，且为自然整数。
进一步地，该围岩级别矩阵、隧道埋深矩阵和隧道跨度矩阵的计算过程分别如下：
围岩级别矩阵：将围岩级别转化为对应的阿拉伯数字，然后输入隧道变形监测参考框架中形心wi,j对应的围岩级别值rc(i,j)p，构建围岩级别矩阵RC(i,j)P；
隧道埋深矩阵：将隧道埋深设计值，输入隧道变形监测参考框架中形心wi,j对应的隧道埋深值td(i,j)p，构建隧道埋深矩阵TD(i,j)P；
隧道跨度矩阵：将隧道跨度设计值，输入隧道变形监测参考框架中形心wi,j对应的隧道跨度值ts(i,j)p，构建隧道埋深矩阵TS(i,j)P。
进一步地，计算点云模型变形矩阵，具体如下：
步骤A1.隧道设计表面模型单元网格Wi,j对应的隧道点云模型单元网格命名为Bi,j,p，隧道中轴线上第i个等分段的中心为Oi；其中：p为不小于1的自整数，表示第p期；
步骤A2.将所述隧道点云模型单元网格Bi,j,p范围内的点云数据拟合成平面NPi,j,p；
步骤A3.计算拟合平面NPi,j,p的形心Oi,j,p，形心Oi,j,p距离中轴线上Oi的空间距离为Li,j,p作为拟合平面NPi,j,p的变形监测观测值，隧道设计表面模型单元网格Wi,j对应的第p期变形量计为t(i,j)p，t(i,j)p＝Li,j,p-Li,j,p-1，则所有单元网格变形量t(i,j)p构成第p期变形矩阵T(i,j)p。
进一步地，该步骤二中得到训练后的BP神经网络的过程如下：
步骤2.1.创建BP神经网络；
步骤2.2.根据BP神经网络结构设定果蝇群体的维数，并初始化果蝇群体的位置Xi＝Xa，Yi＝Ya；其中，蝇群体的维数等于BP神经网络所有的权值和阈值个数和；
步骤2.3.赋予果蝇群体随机方向的寻优方向和距离，为Xi＝Xa+R，Yi＝Ya+R，将迭代寻优过程分为两部分，在迭代寻优前期，R＝R*αγ，搜索步长R逐渐变大，使得其全局搜索能力逐渐增强，其中：α为大于1的常数，γ为迭代次数，1≤γ≤maxgen/2，maxgen为最大迭代次数；在迭代寻优后期，R＝R*βγ，搜索步长R逐渐变小，使得局部搜索能力逐渐增强，其中：β为小于1的常数，γ为迭代次数，maxgen/2+1≤γ≤maxgen，maxgen为最大迭代次数；
步骤2.4.计算果蝇个体距原点的距离D和味道浓度判定值S，S＝sign((2*rand()-1))/Dist+(rand()-1)*Dist；
步骤2.5.把S带入适应度函数，其中适应度函数采用实际值与预测值的绝对值误差，计算得到适应度函数值，并保存果蝇个体位置；
步骤2.6.求出最优适应度函数值，保存当前网络的权值和阈值；
步骤2.7.更新果蝇群体位置，即X_axis＝Xbest，Y_axis＝Ybest；
步骤2.8.迭代寻优，判定当前迭代数g是否小于最大迭代次数maxgen，若g<maxgen则执行果蝇寻优算法的迭代寻优过程，若g＝maxgen，则结束本次循环；
步骤2.9.将最优权值和阈值的解带入步骤2.1中的BP神经网络，得训练后的BP神经网络。
进一步地，该步骤三的具体过程如下：将锚索拉力监测值ml(i,j)p、钢拱架应力监测值gl(i,j)p、围岩级别值rc(i,j)p、隧道埋深值td(i,j)p、TS(i,j)P和所有单元网格变形量t(i,j)p作为训练后的BP神经网络的输入量，将第p+1期单元网格Wi,j对应的变形预测量t(i,j)p+1′作为输出量，则所有的t(i,j)p+1′构成变形预测矩阵T(i,j)p+1′，对变形预测矩阵T(i,j)p+1′绘制隧道变形等值线图，用于隧道变形分析。
本发明一种基于多源监测数据融合的隧道变形预测方法具有如下优点：1.构造隧道变形监测参考框架，同时布设锚索拉力和钢拱架应力监测点，通过反距离加权内插实现锚索拉力和钢拱架应力监测矩阵，根据隧道设计资料和现场勘察得到隧道围岩级别矩阵、隧道埋深矩阵及隧道跨度矩阵，通过隧道变形监测参考框架计算隧道点云模型变形矩阵，锚索拉力、钢拱架应力、围岩级别、隧道埋深、隧道跨度及点云模型本期变形构成了多源监测数据，进行隧道整体结构变形预测。2.对果蝇优化算法中的搜索步长和味道浓度判定值进行改进，利用改进后的果蝇优化算法优化BP神经网络，消除BP神经网络的初始权值和阈值设置的随机性和盲目性，加快BP神经网络的收敛速度。3.结合结构受力信息和设计信息，实现了隧道整体性变形预测和分析。
附图说明
图1是基于多源监测数据融合的隧道变形预测方法示意图；
图2是构建隧道变形监测参考框架示意图；
图3是锚索拉力和钢拱架应力监测点布设示意图；
ML表示锚索拉力监测；GL表示钢拱架应力监测；
图4是单元网格锚索拉力计算示意图；
图5是隧道点云模型变形值计算示意图；
图6是改进果蝇寻优算法优化神经网络示意图；
图7是基于多源监测数据融合的隧道变形预测示意图。
具体实施方式
本发明一种基于多源监测数据融合的隧道变形预测方法，该预测方法包括如下：如图1和2所示：
步骤一、构建隧道变形监测参考框架，计算隧道变形监测参考框架下的多源监测数据矩阵，并得出各矩阵元素值；
步骤二、创建BP神经网络，采用果蝇优化算法对其进行优化，得到训练后的BP神经网络；
步骤三、将步骤一中所述的各矩阵元素值作为输入量，输入所述步骤二中的训练后的BP神经网络中，得到各输出量，即得到各变形预测矩阵。
上述步骤一中，构造隧道变形监测参考框架的过程如下：
步骤S1.构建隧道设计表面模型和隧道点云模型；
步骤S2.以步骤S1中所述隧道设计表面模型中的中轴线上的任意里程为起点，将隧道设计中轴线等分成长度为d的m段，则隧道设计表面模型和隧道点云模型沿隧道设计中轴线方向等分成长度为d的m段；隧道中轴线的位置的确定如下：由隧道线路设计的平曲线要素、竖曲线要素和隧道中线的偏距，等间隔计算出隧道中轴线上的三维坐标，得到隧道中轴线的位置。
过隧道设计中轴线建立水平面M，所述水平面M的左右两端部与隧道设计表面模型和隧道点云模型相交，以所述中轴线为固定轴，顺或逆时针旋转所述水平面M，旋转圆心角每间隔θ，则所述隧道设计表面模型和隧道点云模型在环向均被切割成n段，所述隧道设计表面模型和隧道点云模型均被分割为m×n个单元格；设隧道设计表面模型单元网格命名为Wi,j，对应单元网格的形心为wi,j；其中i＝1，2，...，m，j＝1，2，...,n；其中：
d在0.01m至0.1m间取值，d和m均为自然整数；
θ在1°和2°之间取值；
n为自然整数；
步骤S3.计算锚索拉力监测矩阵、钢拱架应力监测矩阵、围岩级别矩阵、隧道埋深矩阵、隧道跨度矩阵和点云模型变形矩阵，并得出各矩阵元素值。
锚索拉力监测矩阵和钢拱架应力监测矩阵的计算过程如下：布设锚索拉力和钢拱架应力监测点：如图3所示，沿隧道中轴线方向间隔设置监测断面，相邻两个监测断面的间隔长度为D，D在15m至30m取值；在各所述监测断面上布设锚索拉力和钢拱架应力监测点；在每一个监测断面上均分别布设5个锚索拉力监测点和5个钢拱架应力监测点，排布方式为：在两侧拱腰处对称布设监测点，拱顶处布设一处监测点，在同一横切面的位置处，间隔布设有一个锚索拉力检测点和钢拱架应力监测点，锚索拉力采用锚索计进行性监测，钢拱架应力采用反力计进行监测。锚索计监测值记为ML′s,t，钢拱架应力值记为GL′s,t，其中：s表示监测断面，t表示断面监测位置，s＝1，2，..，S；t＝1,2,...,5，1表示左侧拱腰下方，2表示左侧拱腰上方，3表示拱顶位置，4表示右侧拱腰上方，5表示右侧拱腰下方。
计算锚索拉力监测矩阵：选择距离隧道变形监测参考框架中形心wi,j，最近的4个锚索拉力监测点，按照反距离加权计算形心wi,j的锚索拉力监测值为ml(i,j)p，则内插得到的所有锚索拉力监测值ml(i,j)p构成第p期锚索拉力监测矩阵ML(i,j)P；如图4所示。
钢拱架应力监测矩阵：选择距离隧道变形监测参考框架中形心wi,j(最近的4个钢拱架应力监测点，按照反距离加权计算形心wi,j的钢拱架应力监测值为gl(i,j)p，则内插得到的所有钢拱架应力监测值gl(i,j)p构成第p期钢拱架监测矩阵GL(i,j)P；
其中：i＝1，2，...，m；j＝1，2，...，n；p为自然数，表示第p期；1＜P≤p，且为自然整数。
上述围岩级别矩阵、隧道埋深矩阵和隧道跨度矩阵的计算过程分别如下：
围岩级别矩阵：将围岩级别转化为对应的阿拉伯数字，然后输入隧道变形监测参考框架中形心wi,j对应的围岩级别值rc(i,j)p，构建围岩级别矩阵RC(i,j)P；围岩级别是用罗马数字表示的，即1-9分别如下，Ⅰ，Ⅱ，Ⅲ，Ⅳ，Ⅴ，Ⅵ，Ⅶ，Ⅷ，Ⅸ，将罗马数字用对应的阿拉伯数字表示，表示围岩级别，将阿拉伯数字输入分别输入隧道变形监测参考框架中形心wi,j对应的围岩级别值rc(i,j)p。
隧道埋深矩阵：将隧道埋深设计值，输入隧道变形监测参考框架中形心wi,j对应的隧道埋深值td(i,j)p，构建隧道埋深矩阵TD(i,j)P。
隧道跨度矩阵：将隧道跨度设计值，输入隧道变形监测参考框架中形心wi,j对应的隧道跨度值ts(i,j)p，构建隧道埋深矩阵TS(i,j)P。
计算点云模型变形矩阵，具体如下：
步骤A1.隧道设计表面模型单元网格Wi,j对应的隧道点云模型单元网格命名为Bi,j,p，隧道中轴线上第i个等分段的中心为Oi；其中：p为不小于1的自整数，表示第p期；根据隧道横断面设计资料，绘制得到隧道横断面图。由隧道设计中轴线和设计横断面在CAD三维模型中进行套接，得到隧道设计表面模型。
由三维扫描仪对隧道设计表面模型进行扫描，点云数据经过预处理，即点云数据拼接、抽稀和去噪步骤，得到隧道表面点云模型，即隧道点云模型。
步骤A2.将所述隧道点云模型单元网格Bi,j,p范围内的点云数据拟合成平面；
步骤A3.计算拟合平面NPi,j,p的形心Oi,j,p，形心Oi,j,p距离中轴线上Oi的空间距离为Li,j,p作为拟合平面NPi,j,p的变形监测观测值，隧道设计表面模型单元网格Wi,j对应的第p期变形量计为t(i,j)p，t(i,j)p＝Li,j,p-Li,j,p-1，则所有单元网格变形量t(i,j)p构成第p期变形矩阵T(i,j)p。如图5所示。
上述步骤二中得到训练后的BP神经网络的过程如下：如图6所示：
步骤2.1.创建BP神经网络；
步骤2.2.根据BP神经网络结构设定果蝇群体的维数，并初始化果蝇群体的位置Xi＝Xa，Yi＝Ya；其中，果蝇群体的维数等于BP神经网络所有的权值和阈值个数和；
步骤2.3.赋予果蝇群体随机方向的寻优方向和距离，为Xi＝Xa+R，Yi＝Ya+R，将迭代寻优过程分为两部分，在迭代寻优前期，R＝R*αγ，搜索步长R逐渐变大，使得其全局搜索能力逐渐增强，其中：α为大于1的常数，γ为迭代次数，1≤γ≤maxgen/2，maxgen为最大迭代次数；在迭代寻优后期，R＝R*βγ，搜索步长R逐渐变小，使得局部搜索能力逐渐增强，其中：β为小于1的常数，γ为迭代次数，maxgen/2+1≤γ≤maxgen，maxgen为最大迭代次数；
步骤2.4.计算果蝇个体距原点的距离D和味道浓度判定值S，S＝sign((2*rand()-1))/Dist+(rand()-1)*Dist；使得能取到负值；
步骤2.5.把S带入适应度函数，其中适应度函数采用实际值与预测值的绝对值误差，计算得到适应度函数值，并保存果蝇个体位置；
步骤2.6.求出最优适应度函数值，保存当前网络的权值和阈值；
步骤2.7.更新果蝇群体位置，即X_axis＝Xbest，Y_axis＝Ybest；X_axis表示迭代下一步果蝇群体更新后的群体初始位置X坐标，Xbest表示经过果蝇上一步迭代寻优的最优果蝇个体位置的X坐标；Y_axis和Ybest的定义同上。
步骤2.8.迭代寻优，判定当前迭代数g是否小于最大迭代次数maxgen，若g<maxgen则执行果蝇寻优算法的迭代寻优过程，若g＝maxgen，则结束本次循环；
步骤2.9.将最优权值和阈值的解带入步骤2.1中的BP神经网络，得训练后的BP神经网络。
上述步骤三的具体过程如下：将锚索拉力监测值ml(i,j)p、钢拱架应力监测值gl(i,j)p、围岩级别值rc(i,j)p、隧道埋深值td(i,j)p、TS(i,j)P和所有单元网格变形量t(i,j)p作为训练后的BP神经网络的输入量，第p+1期单元网格Wi,j对应的变形预测量t(i,j)p+1′作为输出量，则所有的t(i,j)p+1′构成变形预测矩阵T(i,j)p+1′，对变形预测矩阵T(i,j)p+1′绘制隧道变形等值线图，用于隧道变形分析。用Matlab的contourf命令对第p+1期变形预测矩阵T(i,j)p+1′绘制隧道变形等值线图，进行隧道变形整体性分析。
本发明中，如图7所示，首先构造隧道变形监测参考框架，同时布设锚索拉力和钢拱架应力监测点，通过反距离加权内插实现锚索拉力和钢拱架应力监测矩阵，根据隧道设计资料和现场勘察得到隧道围岩级别矩阵、隧道埋深矩阵及隧道跨度矩阵，通过隧道变形监测参考框架计算隧道点云模型变形矩阵，锚索拉力、钢拱架应力、围岩级别、隧道埋深、隧道跨度及点云模型本期变形构成了多源监测数据。
对果蝇优化算法中的搜索步长和味道浓度判定值进行改进，通过改进果蝇优化算法优化BP神经网络，解决了BP神经网络易陷入局部极值等自身缺陷性问题，改进了预测算法。基于多源监测数据融合的隧道变形预测，结合了隧道结构受力和设计信息，实现了隧道整体性变形预测和分析。
采用本发明中的方法对隧道变形进行预测，具体如下：
工况如下：某地隧道，隧道采用分离式设计，隧道进口采用削竹式，出口采用端墙式，起止桩号为K216+380～K220+300，长3920m。2#斜井洞口位于右线K219+436右侧1410m处鹿扎沟北侧斜坡上，与主洞交叉桩号为K218+400，与主洞平面交角为90°，起点桩号为K0+035，终点桩号为K1+790，长1755m。2号斜井采用三台阶法施工。
试验段为K1+680至K1+780里程范围，隧道埋深为590m，围岩为中风化炭质板岩，薄层状构造，岩体节理裂隙发育，岩体破碎，围岩级别为V级，隧道跨度为11.4m。采用本发明中的方法，基于三维激光扫描技术，采用多源监测数据融合进行隧道整体变形预测。
构造隧道变形监测参考框架：
S1.由隧道设计中轴线、隧道初支设计横断面，将隧道中轴线套接在横断面上隧道中心处，构建隧道设计表面模型；
S2.以K1+680为起点，将隧道设计中轴线等分成长度为0.1m的1000段，将隧道设计表面模型和隧道点云模型沿隧道设计中轴线的方向等分成长度为0.1m的1000段。
隧道点云模型采用天宝TX8三维扫描仪进行扫描，利用RealWorks点云处理软件进行点云数据的拼接、抽稀和去噪预处理工作，由于受现场施工影响，取上台阶和中台阶点云数据模型进行处理分析。
过隧道设计中轴线建立水平面M，平面M绕隧道中轴线旋转至右侧中台阶和下台阶的交界处，并作为旋转的起始位置，绕中轴线每间隔1°，平面切割一次隧道设计表面模型和隧道点云模型，环向分割成177份，则隧道设计模型和隧道点云模型被分割成1000×177个单元格。以单元网格所在的行列号进行编号，隧道设计表面模型单元网格命名为Wi，j，对应单元网格的形心为wi,j(其中i＝1,2,...,1000，j＝1,2,...,177)；
锚索拉力和钢拱架应力监测点布设：
锚索拉力和钢拱架应力监测断面每20m布设一个监测断面，共布设6个监测断面，每个监测断面布设5个测点，分别布设在拱顶、上台阶和中台阶交界处、中台阶和下台阶交界处，锚索拉力和钢拱架应力监测点各布设120个。
锚索计监测值记为ML′s,t，钢拱架应力值记为GL′s,t，s表示监测断面，t表示断面监测位置；其中：s＝1，2，...，6，t＝1，2，...，5，其中1、表示左侧拱腰下方，2表示左侧拱腰上方，3表示拱顶位置，4表示右侧拱腰上方，5表示右侧拱腰下方。
计算多源监测矩阵：
3.1.锚索拉力监测矩阵：根据锚索拉力监测点的空间坐标位置，以最大搜索半径为11.44m，搜索隧道变形监测参考框架中形心wi,j，其中i＝1，2，...，1000，j＝1，2，...，177，最近的4个锚索拉力监测点 形心wi,j距离最近的4个锚索拉力监测点的距离分别为dml1、dml2、dml3、dml4。
按照反距离加权计算，距离最近的4个锚索拉力的权值分别为pml1、pml2、pml3、pml4，且则有隧道变形监测参考框架中形心wi,j对应锚索拉力监测值ml(i,j)。
则第p期隧道变形参考框架下锚索拉力监测矩阵为ML(i,j)p，矩阵元素值为ml(i,j)p，其中i＝1，2，...，1000，j＝1，2，...，177，p为自然数表示第p期。
钢拱架应力监测矩阵：同锚索拉力监测矩阵计算方法，按照反距离加权计算第p期钢拱架监测矩阵GL(i,j)p，其中i＝1，2，...，1000，j＝1，2，...，177，p为自然数表示第p期；
围岩级别矩阵：将围岩级别V转化为对应的阿拉伯数字5，参考框架中形心wi,j对应的围岩级别值rc(i,j)p＝5，围岩级别矩阵RC(i,j)p为元素值为5，1000×177的矩阵，其中i＝1，2，...，1000，j＝1，2，...，n，p为自然数表示第p期；
隧道埋深矩阵：根据隧道埋深设计资料，试验段埋深为590m，参考框架中形心wi,j对应的隧道埋深值td(i,j)p＝590，隧道埋深矩阵TD(i,j)p为元素值为590，1000×177的矩阵，其中i＝1，2，...，1000，j＝1，2，...，177，p为自然数表示第p期；
隧道跨度矩阵：根据隧道跨度设计跨度为11.42m，参考框架中形心wi,j对应的隧道跨度值ts(i,j)p＝11.42，隧道埋深矩阵TS(i,j)p为元素值为11.42，1000×177的矩阵，其中i＝1，2，...，1000，j＝1，2，...，177，p为不小于1的自然整数；
点云模型变形矩阵：
S1.隧道设计表面模型单元网格Wi,j对应的隧道点云模型单元网格命名为Bi,j,p，表示第p期，p为不小于1的自整数，第1期为Bi,j,1，隧道中轴线上第i个等分段的中心为Oi；
S2.隧道点云模型单元网格内点云数据拟合平面，隧道点云模型单元网格Bi,j,p范围内的点云数据拟合成平面NPi,j,p，其中i＝1,2,...,1000，j＝1,2,...,177，p表示第p期；
S3.计算变形矩阵，计算拟合平面NPi,j,p的形心Oi,j,p，形心Oi,j,p距离中轴线上Oi的空间距离为Li,j,p作为拟合平面NPi,j,p的变形监测观测值，隧道设计表面模型单元网格Wi,j对应的第p期变形量计为t(i,j)p，t(i,j)p＝Li,j,p-Li,j,p-1，则所有单元网格变形量t(i,j)p构成第p期变形矩阵T(i,j)p，其中i＝1,2,...,1000，j＝1,2,...,177，p为不小于1的自然整数；
果蝇寻优算法优化BP神经网络方法：
4.1创建BP神经网络，确定网络结构及参数，ml(i,j)p、gl(i,j)p、rc(i,j)p、td(i,j)p、ts(i,j)p、t(i,j)p作为神经网络的输入量，t(i,j)p+1作为输出量，BP神经网络参数设置：输入层节点个数6，隐含层节点个数15，输出层节点个数1，最大迭代次数为600，学习率为0.1，训练目标为0.001。
4.2根据BP神经网络结构设定果蝇群体的维数121，即果蝇群体的维数等于BP神经网络所有的权值和阈值个数和，并初始化果蝇群体的位置Xi＝Xa，Yi＝Ya；初始化果蝇个体的位置Xa＝10*rand(1,121)，Ya＝10*rand(1,121)，最大迭代次数maxgen＝50，种群规模sizepop＝20。
4.3赋予果蝇群体随机方向的寻优方向和距离，实现群体位置更新，即Xi＝Xa+R，Yi＝Ya+R，原搜索步长R为固定步长，进行改进。R＝20*rand(1,121)-10作为初始值，将迭代寻优过程分为两部分，在迭代寻优前期，每迭代一次进行更新，R＝R*αγ(α＝1.1，γ为迭代次数，1≤γ≤maxgen/2，maxgen为最大迭代次数)，搜索步长R逐渐变大，使得其全局搜索能力逐渐增强，在迭代寻优后期，每迭代一次进行更新，R＝R*βγ，β＝0.9，γ为迭代次数，maxgen/2+1≤γ≤maxgen，maxgen为最大迭代次数，搜索步长R逐渐变小，使得局部搜索能力逐渐增强；
4.4计算果蝇个体距原点的距离D和味道浓度判定值S，果蝇优化味道浓度判定值S，由S＝1/Dist，改进为
S＝sign((2*rand()-1))/Dist+(rand()-1)*Dist，对味道浓度判定值S进行修正，使得能取到负值；
4.5把S带入适应度函数，其中适应度函数采用实际值与预测值的绝对值误差，计算得到适应度函数值，并保存果蝇个体位置；
部分程序如下：
Smell(p)＝fun(S(p,:),inputnum,hiddennum,outputnum,net,inputn,outputn)；
其中，Smell(p)为适应度函数值，fun为适应度函数，计算出实际值和预测值的绝对值误差，fun的matlab程序定义如下。
function error＝fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn)
w1＝x(1:inputnum*hiddennum)；
B1＝x((inputnum*hiddennum+1):(inputnum*hiddennum+hiddennum))；
w2＝x((inputnum*hiddennum+hiddennum+1):(inputnum*hiddennum+hiddennum+hiddennum*outputnum))；
B2＝x((inputnum*hiddennum+hiddennum+hiddennum*outputnum+1):(inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum))；
net.iw{1,1}＝reshape(w1,hiddennum,inputnum)；
net.lw{2,1}＝reshape(w2,outputnum,hiddennum)；
net.b{1}＝reshape(B1,hiddennum,1)；
net.b{2}＝B2；
net.trainParam.epochs＝20；
net.trainParam.lr＝0.1；
net.trainParam.goal＝0.0008；
net.trainParam.show＝100；
net.trainParam.showWindow＝0；
net＝train(net,inputn,outputn)；
an＝sim(net,inputn)；
error＝sum(abs(an-outputn))；
end；
4.6求出最优适应度函数值，即适应度函数值最小，保存当前网络的权值和阈值；
4.7更新果蝇群体位置，即X_axis＝Xbest，Y_axis＝Ybest；
4.8迭代寻优，判定当前迭代数g是否小于最大迭代次数maxgen，若g<maxgen则执行果蝇寻优算法的迭代寻优过程，若g＝maxgen，则结束本次循环；
4.9将最优权值和阈值的解带入BP神经网络；
w1＝x(1:inputnum*hiddennum)；
B1＝x((inputnum*hiddennum+1):(inputnum*hiddennum+hiddennum))；
w2＝x((inputnum*hiddennum+hiddennum+1):(inputnum*hiddennum+hidde nnum+hiddennum*outputnum))；
B2＝x((inputnum*hiddennum+hiddennum+hiddennum*outputnum+1):(inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum))；
net.iw{1,1}＝reshape(w1,hiddennum,inputnum)；
net.lw{2,1}＝reshape(w2,outputnum,hiddennum)；
net.b{1}＝reshape(B1,hiddennum；1)；
net.b{2}＝B2；
4.10训练BP神经网络，进行数据预测；
net＝train(net,inputn,outputn)；％神经网络训练。an＝sim(net,inputn_test)；％神经网络预测。

Claims (3)

1.一种基于多源监测数据融合的隧道变形预测方法，其特征在于，该预测方法包括如下：
步骤一、构建隧道变形监测参考框架，计算隧道变形监测参考框架下的多源监测数据矩阵，并得出各矩阵元素值；
步骤二、创建BP神经网络，采用果蝇优化算法对其进行优化，得到训练后的BP神经网络；
步骤三、将步骤一中所述的各矩阵元素值作为输入量，输入所述步骤二中的训练后的BP神经网络中，得到各输出量，即得到各变形预测矩阵；
所述步骤一中，构造隧道变形监测参考框架的过程如下：
步骤S1.构建隧道设计表面模型和隧道点云模型；
步骤S2.以步骤S1中所述隧道设计表面模型中的中轴线上的任意里程为起点，将隧道设计中轴线等分成长度为d的m段，则隧道设计表面模型和隧道点云模型沿隧道设计中轴线方向等分成长度为d的m段；
过隧道设计中轴线建立水平面M，所述水平面M的左右两端部与隧道设计表面模型和隧道点云模型相交，以所述中轴线为固定轴，顺或逆时针旋转所述水平面M，旋转圆心角每间隔θ，则所述隧道设计表面模型和隧道点云模型在环向均被切割成n段，所述隧道设计表面模型和隧道点云模型均被分割为m×n个单元格；设隧道设计表面模型单元网格命名为Wi,j，对应单元网格的形心为wi,j；其中i＝1，2，...，m，j＝1，2，...,n；其中：
d在0.01m至0.1m间取值，d和m均为自然整数；
θ在1°和2°之间取值；
n为自然整数；
步骤S3.计算锚索拉力监测矩阵、钢拱架应力监测矩阵、围岩级别矩阵、隧道埋深矩阵、隧道跨度矩阵和点云模型变形矩阵，并得出各矩阵元素值；
所述围岩级别矩阵、隧道埋深矩阵和隧道跨度矩阵的计算过程分别如下：
围岩级别矩阵：将围岩级别转化为对应的阿拉伯数字，然后输入隧道变形监测参考框架中形心wi,j对应的围岩级别值rc(i,j)p，构建围岩级别矩阵RC(i,j)P；
隧道埋深矩阵：将隧道埋深设计值，输入隧道变形监测参考框架中形心wi,j对应的隧道埋深值td(i,j)p，构建隧道埋深矩阵TD(i,j)P；
隧道跨度矩阵：将隧道跨度设计值，输入隧道变形监测参考框架中形心wi,j对应的隧道跨度值ts(i,j)p，构建隧道埋深矩阵TS(i,j)P；
计算点云模型变形矩阵，具体如下：
步骤A1.隧道设计表面模型单元网格Wi,j对应的隧道点云模型单元网格命名为Bi,j,p，隧道中轴线上第i个等分段的中心为Oi；其中：p为不小于1的自整数，表示第p期；
步骤A2.将所述隧道点云模型单元网格Bi,j,p范围内的点云数据拟合成平面NPi,j,p；
步骤A3.计算拟合平面NPi,j,p的形心Oi,j,p，形心Oi,j,p距离中轴线上Oi的空间距离为Li,j,p作为拟合平面NPi,j,p的变形监测观测值，隧道设计表面模型单元网格Wi,j对应的第p期变形量计为t(i,j)p，t(i,j)p＝Li,j,p-Li,j,p-1，则所有单元网格变形量t(i,j)p构成第p期变形矩阵T(i,j)p；
所述步骤二中得到训练后的BP神经网络的过程如下：
步骤2.1.创建BP神经网络；
步骤2.2.根据BP神经网络结构设定果蝇群体的维数，并初始化果蝇群体的位置Xi＝Xa，Yi＝Ya；其中，蝇群体的维数等于BP神经网络所有的权值和阈值个数和；
步骤2.3.赋予果蝇群体随机方向的寻优方向和距离，为Xi＝Xa+R，Yi＝Ya+R，将迭代寻优过程分为两部分，在迭代寻优前期，R＝R*αγ，搜索步长R逐渐变大，使得其全局搜索能力逐渐增强，其中：α为大于1的常数，γ为迭代次数，1≤γ≤maxgen/2，maxgen为最大迭代次数；在迭代寻优后期，R＝R*βγ，搜索步长R逐渐变小，使得局部搜索能力逐渐增强，其中：β为小于1的常数，γ为迭代次数，maxgen/2+1≤γ≤maxgen，maxgen为最大迭代次数；
步骤2.4.计算果蝇个体距原点的距离D和味道浓度判定值S，S＝sign((2*rand()-1))/Dist+(rand()-1)*Dist；
步骤2.5.把S带入适应度函数，其中适应度函数采用实际值与预测值的绝对值误差，计算得到适应度函数值，并保存果蝇个体位置；
步骤2.6.求出最优适应度函数值，保存当前网络的权值和阈值；
步骤2.7.更新果蝇群体位置，即X_axis＝Xbest，Y_axis＝Ybest；
步骤2.8.迭代寻优，判定当前迭代数g是否小于最大迭代次数maxgen，若g<maxgen则执行果蝇寻优算法的迭代寻优过程，若g＝maxgen，则结束本次循环；
步骤2.9.将最优权值和阈值的解带入步骤2.1中的BP神经网络，得训练后的BP神经网络。
2.根据权利要求1所述的一种基于多源监测数据融合的隧道变形预测方法，其特征在于，所述锚索拉力监测矩阵和钢拱架应力监测矩阵的计算过程如下：布设锚索拉力和钢拱架应力监测点：沿隧道中轴线方向间隔设置监测断面，相邻两个监测断面的间隔长度为D，D在15m至30m取值；在各所述监测断面上布设锚索拉力和钢拱架应力监测点；
计算锚索拉力监测矩阵：选择距离隧道变形监测参考框架中形心wi,j，最近的4个锚索拉力监测点，按照反距离加权计算形心wi,j的锚索拉力监测值为ml(i,j)p，则内插得到的所有锚索拉力监测值ml(i,j)p构成第p期锚索拉力监测矩阵ML(i,j)P；
钢拱架应力监测矩阵：选择距离隧道变形监测参考框架中形心wi,j，最近的4个钢拱架应力监测点，按照反距离加权计算形心wi,j的钢拱架应力监测值为gl(i,j)p，则内插得到的所有钢拱架应力监测值gl(i,j)p构成第p期钢拱架监测矩阵GL(i,j)P；
其中：i＝1，2，...，m；j＝1，2，...，n；p为自然数，表示第p期；1＜P≤p，且为自然整数。
3.根据权利要求2所述的一种基于多源监测数据融合的隧道变形预测方法，其特征在于，所述步骤三的具体过程如下：将锚索拉力监测值ml(i,j)p、钢拱架应力监测值gl(i,j)p、围岩级别值rc(i,j)p、隧道埋深值td(i,j)p、TS(i,j)P和所有单元网格变形量t(i,j)p作为训练后的BP神经网络的输入量，将第p+1期单元网格Wi,j对应的变形预测量t(i,j)p+1′作为输出量，则所有的t(i,j)p+1′构成变形预测矩阵T(i,j)p+1′，对变形预测矩阵T(i,j)p+1′绘制隧道变形等值线图，用于隧道变形分析。
CN201910640665.1A 2019-07-16 2019-07-16 一种基于多源监测数据融合的隧道变形预测方法 Active CN110688689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910640665.1A CN110688689B (zh) 2019-07-16 2019-07-16 一种基于多源监测数据融合的隧道变形预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910640665.1A CN110688689B (zh) 2019-07-16 2019-07-16 一种基于多源监测数据融合的隧道变形预测方法

Publications (2)

Publication Number Publication Date
CN110688689A CN110688689A (zh) 2020-01-14
CN110688689B true CN110688689B (zh) 2023-08-18

Family

ID=69108292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910640665.1A Active CN110688689B (zh) 2019-07-16 2019-07-16 一种基于多源监测数据融合的隧道变形预测方法

Country Status (1)

Country Link
CN (1) CN110688689B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112068088A (zh) * 2020-08-11 2020-12-11 中国人民解放军海军工程大学 一种基于优化bp神经网络的雷达辐射源威胁评估方法
CN112697032B (zh) * 2020-12-09 2022-11-29 中国铁道科学研究院集团有限公司铁道建筑研究所 一种隧道底部结构变形综合监测方法
CN112985288A (zh) * 2021-04-01 2021-06-18 重庆交通大学 一种基于网格投影点云处理技术的隧道变形监测分析方法
CN113326660B (zh) * 2021-06-17 2022-11-29 广西路桥工程集团有限公司 基于GA-XGBoost模型的隧道围岩挤压变形预测方法
CN115688251A (zh) * 2022-12-19 2023-02-03 山东大学 基于深度学习的地震多发区隧道风险决策方法及系统
CN115792949B (zh) * 2023-02-10 2023-04-25 深圳酷源数联科技有限公司 一种适用于矿井巷道的形变监测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109556529A (zh) * 2018-12-14 2019-04-02 中铁隧道局集团有限公司 一种基于网格投影点云处理技术的隧道变形监测分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7313550B2 (en) * 2002-03-27 2007-12-25 Council Of Scientific & Industrial Research Performance of artificial neural network models in the presence of instrumental noise and measurement errors

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109556529A (zh) * 2018-12-14 2019-04-02 中铁隧道局集团有限公司 一种基于网格投影点云处理技术的隧道变形监测分析方法

Also Published As

Publication number Publication date
CN110688689A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN110688689B (zh) 一种基于多源监测数据融合的隧道变形预测方法
CN105426619B (zh) 一种确定盾构隧道纵向弯曲刚度的分析方法
CN110147635B (zh) 一种基于bim的隧道围岩级别超前动态预测方法
CN109359412A (zh) 预测隧道盾构开挖过程全变形的计算方法及系统
CN113239439A (zh) 盾构施工地表沉降预测系统及方法
Jan et al. Neural network forecast model in deep excavation
CN111705808B (zh) 一种适用于悬挂式深基坑工程的土体参数动态反演分析方法
CN113221434A (zh) 一种基坑变形预测方法
CN112035941A (zh) 一种基于bas-bp模型的深基坑开挖地表沉降预测方法
CN109711063B (zh) 一种适用于上软下硬地层的车站暗挖进尺调整方法与装置
CN112364422A (zh) 基于mic-lstm的盾构施工地表变形动态预测方法
CN103207410A (zh) 一种针对崎岖海底的混合网格模型建立方法
CN111797447B (zh) 一种复杂地基混凝土坝孔道配筋方法
CN106759546A (zh) 基于改进多变量灰色预测模型的基坑变形预测方法及装置
CN113111411A (zh) 一种加固深层淤泥地基的系统及方法
CN114492206A (zh) 一种基于破碎岩体节理模型确定隧道开挖进尺量的计算方法
CN116862432A (zh) 一种隧道浅埋段施工方案动态调整方法及系统
CN108446413B (zh) 一种注浆成型扩底桩桩径的优化测定方法
CN115759203A (zh) 一种多要素耦合条件下海上桩基冲刷预测方法
CN110909406B (zh) 基于模拟接头模型的盾构隧道内力计算方法
JP2003150889A (ja) 流動シミュレーション表示システム
CN113836812A (zh) 一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法
Teke et al. Explainable artificial intelligence empowered landslide susceptibility mapping using Extreme Gradient Boosting (XGBoost)
Zakarevičius et al. A model of recent vertical movements of the earth's surface in Lithuania: integration of geodetic levelling data and geological parameters.
CN103882867B (zh) 逆作框架条件下永久构件立柱差异沉降的可视化分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Duan Qingchao

Inventor after: Zhao Baohua

Inventor after: Wang Gang

Inventor after: Li Zhiguo

Inventor after: Liu Tao

Inventor after: Lin Chunpeng

Inventor after: Pang Jinwei

Inventor after: Zhang Danfeng

Inventor after: Yu Shuo

Inventor before: Zhao Baohua

Inventor before: Wang Gang

Inventor before: Li Zhiguo

Inventor before: Liu Tao

Inventor before: Lin Chunpeng

Inventor before: Duan Qingchao

Inventor before: Pang Jinwei

Inventor before: Zhang Danfeng

Inventor before: Yu Shuo

GR01 Patent grant
GR01 Patent grant