CN112948952B - 一种盾构隧道衬砌背后空洞的演化预测方法 - Google Patents
一种盾构隧道衬砌背后空洞的演化预测方法 Download PDFInfo
- Publication number
- CN112948952B CN112948952B CN202110376946.8A CN202110376946A CN112948952B CN 112948952 B CN112948952 B CN 112948952B CN 202110376946 A CN202110376946 A CN 202110376946A CN 112948952 B CN112948952 B CN 112948952B
- Authority
- CN
- China
- Prior art keywords
- cavity
- evolution
- shield tunnel
- tunnel lining
- sample library
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000007547 defect Effects 0.000 claims abstract description 14
- 230000000149 penetrating effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 5
- 230000018109 developmental process Effects 0.000 claims description 5
- 238000009933 burial Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 25
- 239000002689 soil Substances 0.000 description 18
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000006004 Quartz sand Substances 0.000 description 1
- TZCXTZWJZNENPQ-UHFFFAOYSA-L barium sulfate Chemical compound [Ba+2].[O-]S([O-])(=O)=O TZCXTZWJZNENPQ-UHFFFAOYSA-L 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 238000011202 physical detection method Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开一种盾构隧道衬砌背后空洞的演化预测方法，包括：S1、基于探地雷达GPR获取盾构隧道衬砌空洞波形图像，并进行预处理，基于预处理后的波形图像构建样本集；S2、融合全卷积网络和条件随机场进行空洞识别模型的构建，并通过样本集进行训练，通过训练好的空洞识别模型对待测波形图像进行空洞识别；S3、基于空洞识别结果，通过待测波形图像获取定量化空洞缺陷信息；基于空洞演化特征，采用扩展有限元XFEM建立空洞演化预测模型，并将所获取的定量化空洞缺陷信息输入空洞演化预测模型，完成空洞演化预测。本发明能够快速准确地对盾构隧道衬砌背后空洞的演化进行预测，进而有效提高盾构隧道的耐久性和安全性。
Description
技术领域
本发明涉及盾构隧道衬砌背后空洞演化预测技术领域，特别是涉及一种盾构隧道衬砌背后空洞的演化预测方法。
背景技术
目前，隧道正处于“高维修”管理时期，各类病害对运营期隧道安全的影响逐渐引起了学者们的重视，其中，衬砌结构背后空洞是较常见的病害之一。由于隧道衬砌与围岩接触紧密，在围岩载荷作用下，将产生均匀的地层反力，使衬砌处于三向应力状态，很大程度上增加了隧道结构的稳定性。但在隧道的实际施工过程中，由于盾构姿态和注浆压力的差异性，易出现衬砌背后产生空洞的现象，这些空洞将影响地层反力支撑隧道结构的稳定性，容易引起隧道偏压、地表下沉、松弛压力及承载力不足等问题，降低了管片结构的耐久性和安全性。
因此，提供一种盾构隧道衬砌背后空洞的演化预测方法对隧道衬砌背后空洞的发展状态进行预测，并根据预测结果及时采取针对性处理措施，以提高盾构隧道的耐久性和安全性，显得尤为必要。
发明内容
本发明的目的是提供一种盾构隧道衬砌背后空洞的演化预测方法，以解决现有技术中存在的技术问题，能够快速准确地对盾构隧道衬砌背后空洞的演化进行预测，进而有效提高盾构隧道的耐久性和安全性。
为实现上述目的，本发明提供了如下方案：本发明提供一种盾构隧道衬砌背后空洞的演化预测方法，包括如下步骤：
S1、基于探地雷达GPR获取盾构隧道衬砌空洞波形图像，并对所获取的空洞波形图像进行预处理，基于预处理后的波形图像构建样本集；
S2、融合全卷积网络FCN和条件随机场CRF进行空洞识别模型的构建，并通过所述样本集对所述空洞识别模型进行训练，通过训练好的空洞识别模型对待测波形图像进行空洞识别；
S3、基于空洞识别结果，通过待测波形图像获取定量化空洞缺陷信息；
S4、基于空洞演化特征，采用扩展有限元XFEM建立空洞演化预测模型，并将所获取的定量化空洞缺陷信息输入空洞演化预测模型，完成空洞演化预测。
优选地，所述步骤S1中，所述样本集包括特征图像分类样本库、空洞探测样本库、空洞分割样本库。
优选地，所述特征图像分类样本库、空洞探测样本库、空洞分割样本库的构建方法分别为：
1)特征图像分类样本库：基于所获取的空洞波形图像，以不同尺度标准进行特征信息裁剪，并变形重构为统一大小的图像后进行空洞类别标注，构建特征图像分类样本库；
2)空洞探测样本库：以完整空洞波形图像为蓝本，进行尺度归一化处理后，对空洞特征进行空洞类别标注，建立空洞探测样本库，其中，完整空洞图像中包含多种分类特征；
3)空洞分割样本库：采用不规则多边形对空洞波形图像中的空洞进行人工分割，并进行尺度归一化处理后进行空洞类别标注，建立空洞分割样本库。
优选地，所述步骤S2中，所述空洞识别模型的结构包括：依次连接的FCN、CRF、Softmax层；其中，所述FCN包括依次连接的输入层、若干个卷积层、若干个反卷积层、输出层，所述输出层与所述CRF连接；每个所述卷积层均连接有归一化层。
优选地，每个所述卷积层、反卷积层均采用LeakyReLU激活函数。
优选地，所述步骤S2中，所述空洞识别模型的训练过程中，将所述FCN和所述CRF进行分割，并对所述FCN和所述CRF同时进行训练。
优选地，所述步骤S3中，所述空洞缺陷信息包括空洞尺寸、空洞形态。
优选地，所述步骤S4中，所述空洞演化特征包括：盾构隧道位置、走向、埋深、通错缝拼装形式、结构纵向位置、水文地质条件、介质因素、空洞尺寸、空洞形态、空洞位置。
本发明公开了以下技术效果：
本发明提供一种盾构隧道衬砌背后空洞的演化预测方法，通过探地雷达获取空洞波形图像，并融合全卷积网络和条件随机场构建空洞识别模型，通过空洞识别模型进行空洞识别，基于识别出来的空洞，通过雷达波形图获取空洞的定量化缺陷信息；同时，基于扩展有限元建立空洞演化预测模型，空洞演化预测模型为多尺度三维模型，将定量化缺陷信息输入空洞演化预测模型，能够从时间尺度和空间尺度方面自动获取隧道衬砌结构在不同复杂环境下空洞的发展规律，实现对盾构隧道衬砌背后空洞演化的快速准确预测，进而能够根据空洞发展规律演化结果及时采取有效措施，为提高盾构隧道的耐久性和安全性提供了有力的数据支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明盾构隧道衬砌背后空洞的演化预测方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1所示，本实施例提供一种盾构隧道衬砌背后空洞的演化预测方法，包括如下步骤：
S1、基于GPR(GroundPenetratingRadar，探地雷达)获取盾构隧道衬砌空洞波形图像，并对所获取的空洞波形图像进行预处理，基于预处理后的波形图像构建样本集；
在进行探测工作方面，与传统的地球物理方法相比，探地雷达技术具有更快速、易于操作、抗干扰性强等方面的优势，因此该技术与其相应的数据处理手段受到了多领域界的普遍重视。探地雷达技术在国内主要应用于施工场地探查、特定目标或地下埋藏物检测、道路的路面检测、隧道及采矿坑道检测等方面。因此，大量雷达数据高效率地处理在该领域得到高度的重视。探地雷达是使用脉冲电磁波进行近地表检测的一种无损害物理检测方法。该方法常用于地下目标的定位。特别是在大面积的地下检测工作中，探地雷达技术可以非常有效和快速的检测出地下目标的情况，并且对于地下目标的检测结果以双曲波的形式呈现在GPR数据图像中。
所获取的盾构隧道衬砌空洞波形图像包括不同空洞类型、不同介质的GPR波形图像。所述样本集包括如下三类图像集：
1)特征图像分类样本库：基于所获取的空洞波形图像，以不同尺度标准进行特征信息裁剪，并变形重构为统一大小的图像后进行空洞类别标注；
2)空洞探测样本库：以完整空洞波形图像为蓝本，进行尺度归一化处理后，对空洞特征进行空洞类别标注，建立空洞探测样本库，其中，完整空洞图像中包含多种分类特征；
3)空洞分割样本库：采用不规则多边形对空洞波形图像中的空洞进行人工分割，并进行尺度归一化处理后进行空洞类别标注，建立空洞分割样本库。
本实施例中，所述样本集中GPR波形图像的尺寸均统一为256×256大小；所述GPR波形图像的分类特征包括：空洞尺寸、空洞形态。
S2、融合全卷积网络FCN和条件随机场CRF进行空洞识别模型的构建，并通过所述样本集对所述空洞识别模型进行训练，通过训练好的空洞识别模型对待测波形图像进行空洞识别；
所述FCN包括依次连接的输入层、若干个卷积层、若干个反卷积层、输出层；先通过若干个卷积层对所输入的图像进行降采样，实现图像编码，再通过若干个反卷积层对图像编码结果进行上采样，通过输出层输出，使得输入和输出具有相同的尺寸；其中，每个所述卷积层均连接有归一化层，所述归一化层采用layernorm函数对所述卷积层的特征参数进行归一化；上采样过程无需对特征图进行归一化，因此，反卷积层后面未连接归一化层；每个所述卷积层、反卷积层均采用LeakyReLU激活函数。
本实施例中，输入图像尺寸为256×256，卷积层的个数为8个，每个卷积层的卷积核大小均为3×3，步经为2个像素，各卷积层的个数依次为128、64、64、64、64、64、64、128，通过8个卷积层降采样，特征图的尺寸为1×1大小；反卷积层的个数为7个，每个反卷积层的卷积核大小均为5×5，步经为2个像素，各反卷积层的个数均为128。
所述FCN的输出层与所述CRF连接，所述CRF后连接有Softmax层，用于进行空洞分类。FCN的输入和输出具有相同的尺寸，CRF的能量函数中包含单数据项和平滑项，单数据项与各个像素所属类别的概率相关，平滑项用于控制像素与像素间类别的一致。采用全连接CRF将波形图像中任意两个像素之间的类别关联性都考虑进来，以提高分割精度，从而可以准确识别出是否存在空洞。
其中，FCN和CRF能够同时进行分割训练，大大提高了训练效率，高效进行空洞识别。
S3、基于空洞识别结果，通过待测波形图像获取定量化空洞缺陷信息；
所述空洞缺陷信息包括空洞尺寸、空洞形态，通过待测波形图能够直观得到空洞的缺陷信息。
S4、基于空洞演化特征，采用扩展有限元XFEM建立空洞演化预测模型，并将所获取的定量化空洞缺陷信息输入空洞演化预测模型，完成空洞演化预测。
所述空洞演化特征包括：盾构隧道位置、走向、埋深、通错缝拼装形式、结构纵向位置、水文地质条件、介质因素、空洞尺寸、空洞形态、空洞位置。
结合ABAQUS扩展有限元模块(XFEM)，以空洞演化特征参数为指标建立盾构隧道结构整环精细化三维数值模型,基于空洞的空间分布规律及几何特征，构建带空洞的隧道空间多尺度三维模型，即空洞演化预测模型，通过所述空洞演化预测模型，能够从时间尺度和空间尺度方面自动获取隧道衬砌结构在不同复杂环境下空洞的发展规律。
本实施例中，基于盾构隧道衬砌背后空洞识别，利用误差分析等概率统计方法检测所述空洞演化预测模型的准确性及可靠性，得到所述空洞演化预测模型的误差概率分布特征以及相应的适用范围。
本实施例中，盾构隧道管片衬砌结构破坏规律的验证方法如下：
(1)室内试验-盾构隧道衬砌背后空洞GPR波形图像特征试验分析：
①试验设计：由于GPR探测是通过发射的电磁波穿透衬砌及土层，因此模型并不需按照实际隧道的形状来进行制作，只需制作与衬砌管片厚度相同的混凝土墙即可。模型平面尺寸为4m×4m，高2m，其中底板(素混凝土垫层)厚度0.1m，模型净高1.9m；模型平面形状为口字形，由四堵混凝土墙组成。模型管片采用C50混凝土浇筑，衬砌配筋包括水平钢筋、竖向钢筋及连接钢筋；管片后为防水层，防水层后为土层，管片后填筑中砂来模拟土层，空洞采用木模板钉制不同类型的盒子来模拟。
②试验设备：试验设备主要采用加拿大Sensor&Software公司的pulseEKKO PRO系列探地雷达进行探测试验，该系统主要由控制单元、发射/接收天线、电源等组成。控制单元和发射/接收天线用于发射高频脉冲信号、设置系统参数、控制天线采集数据以及实时显示采集图像。发射天线辐射由控制单元发出的高频脉冲信号，而接收天线则接收由探测目标所反射回来的反射信号。
③试验过程：试验采用反射测量方式的剖面法，剖面法是发射天线(T)和接收天线(R)以固定间距沿测线同步移动的一种测量方式。根据空洞大小及埋深，分别选择1000MHz和500MHz天线对空洞进行探测，测线以空洞水平面中心位置为中心四边各一定距离，测线之间的间距为5cm，布置相应测线采集不同空洞类型、不同介质的雷达波形图像，采用正交试验法设计试验工况。
(2)室内试验-盾构隧道衬砌背后空洞演化预测试验分析
①试验设计：试验采用盾构隧道-土层复合体模拟试验装置进行加载，试验装置采用卧式加载方式，可实现对自重应力场和构造应力场的模拟。
在试验加载过程中，采用不同方向布置的千斤顶模拟竖向土压力和侧向土压力，垂直管片横断面方向通过竖向千斤顶及加载面板保证管片在加载状态下处于平面应变状态。模型试验采用空洞大小范围为5cm×10cm(对应实际空洞大小为50cm×100cm)，位于管片顶部位置。
②试验工况：试验过程中，首先施加用于保证平面应变加载状态方向荷载，然后施加均匀水压及非均匀水压至其工作状态，随后以分级加载方式同时施加土压力至其工作状态，加载过程中两方向所加荷载值保持一定的比例，即侧压力系数，最后继续分级施加土压力模拟超载及结构劣化等因素，直至管片衬砌结构发生破坏失稳。通过在管片顶部背后埋设应变式土压力盒获得管片顶处土压力，根据实测土压力与上覆土荷载理论值得到隧道等效竖向土柱高度，采用正交试验法设计试验工况。
③模型试验材料：选取郑州地铁5号线某区间隧道主要穿越的粉细砂层、粗砾砂层和中砂层为原型土体，以重度、弹性模量、黏聚力、内摩擦角为模型试验土的主要控制参数。模型土以河砂为基材，同时添加一定比例的重晶石粉、粉煤灰、石英砂及机油等对模型土弹性模量、黏聚力及内摩擦角等进行调节，根据模型土直剪试验及压缩试验获得的物理力学参数调节土体材料配合比。管片混凝土强度等级C50，根据预制石膏试件单轴抗压强度试验确定管片混凝土相似材料的配比。混凝土管片环向主筋采用钢筋网通过原型与模型等效抗弯刚度EI相似的方法模拟，管片衬砌环通过模具预制加工而成，脱模后养护，试验模型采用“1个管片整环+2个管片半环”形式进行。
④管片接头模拟：管片衬砌环向接头通过在管片上开凿一定深度的凹槽模拟接头部位抗弯刚度的弱化,管片衬砌纵向接头根据郑州地铁5号线盾构隧道管片设计图纵向螺栓的布置及尺寸，采用钢棒模拟各管片环向连接，这样有利于处理且对管片的横向力学性能影响较小。
⑤结构响应量测及数据分析：试验过程中，为了能有效揭示盾构隧道管片衬砌结构破坏规律，以试验模型中间环为量测对象，分别对盾构隧道试验模型的应变、位移及损伤破坏过程中的信号数据进行测量采集。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (7)
1.一种盾构隧道衬砌背后空洞的演化预测方法，其特征在于，包括如下步骤：
S1、基于探地雷达GPR获取盾构隧道衬砌空洞波形图像，并对所获取的空洞波形图像进行预处理，基于预处理后的波形图像构建样本集；
S2、融合全卷积网络FCN和条件随机场CRF进行空洞识别模型的构建，并通过所述样本集对所述空洞识别模型进行训练，通过训练好的空洞识别模型对待测波形图像进行空洞识别；
S3、基于空洞识别结果，通过待测波形图像获取定量化空洞缺陷信息；
S4、基于空洞演化特征，采用扩展有限元XFEM建立空洞演化预测模型，并将所获取的定量化空洞缺陷信息输入空洞演化预测模型，完成空洞演化预测；
所述空洞演化特征包括：盾构隧道位置、走向、埋深、通错缝拼装形式、结构纵向位置、水文地质条件、介质因素、空洞尺寸、空洞形态、空洞位置；
结合ABAQUS扩展有限元模块，以空洞演化特征参数为指标建立盾构隧道结构整环精细化三维数值模型,基于空洞的空间分布规律及几何特征，构建带空洞的隧道空间多尺度三维模型，即空洞演化预测模型，通过所述空洞演化预测模型，能够从时间尺度和空间尺度方面自动获取隧道衬砌结构在不同复杂环境下空洞的发展规律。
2.根据权利要求1所述的盾构隧道衬砌背后空洞的演化预测方法，其特征在于，所述步骤S1中，所述样本集包括特征图像分类样本库、空洞探测样本库、空洞分割样本库。
3.根据权利要求2所述的盾构隧道衬砌背后空洞的演化预测方法，其特征在于，所述特征图像分类样本库、空洞探测样本库、空洞分割样本库的构建方法分别为：
1)特征图像分类样本库：基于所获取的空洞波形图像，以不同尺度标准进行特征信息裁剪，并变形重构为统一大小的图像后进行空洞类别标注，构建特征图像分类样本库；
2)空洞探测样本库：以完整空洞波形图像为蓝本，进行尺度归一化处理后，对空洞特征进行空洞类别标注，建立空洞探测样本库，其中，完整空洞图像中包含多种分类特征；
3)空洞分割样本库：采用不规则多边形对空洞波形图像中的空洞进行人工分割，并进行尺度归一化处理后进行空洞类别标注，建立空洞分割样本库。
4.根据权利要求1所述的盾构隧道衬砌背后空洞的演化预测方法，其特征在于，所述步骤S2中，所述空洞识别模型的结构包括：依次连接的FCN、CRF、Softmax层；其中，所述FCN包括依次连接的输入层、若干个卷积层、若干个反卷积层、输出层，所述输出层与所述CRF连接；每个所述卷积层均连接有归一化层。
5.根据权利要求4所述的盾构隧道衬砌背后空洞的演化预测方法，其特征在于，每个所述卷积层、反卷积层均采用LeakyReLU激活函数。
6.根据权利要求1所述的盾构隧道衬砌背后空洞的演化预测方法，其特征在于，所述步骤S2中，所述空洞识别模型的训练过程中，将所述FCN和所述CRF进行分割，并对所述FCN和所述CRF同时进行训练。
7.根据权利要求1所述的盾构隧道衬砌背后空洞的演化预测方法，其特征在于，所述步骤S3中，所述空洞缺陷信息包括空洞尺寸、空洞形态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110376946.8A CN112948952B (zh) | 2021-04-08 | 2021-04-08 | 一种盾构隧道衬砌背后空洞的演化预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110376946.8A CN112948952B (zh) | 2021-04-08 | 2021-04-08 | 一种盾构隧道衬砌背后空洞的演化预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112948952A CN112948952A (zh) | 2021-06-11 |
| CN112948952B true CN112948952B (zh) | 2023-05-23 |
Family
ID=76231062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110376946.8A Active CN112948952B (zh) | 2021-04-08 | 2021-04-08 | 一种盾构隧道衬砌背后空洞的演化预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112948952B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113447536B (zh) * | 2021-06-24 | 2022-09-30 | 山东大学 | 一种混凝土介电常数反演与病害识别方法及系统 |
| CN114998645A (zh) * | 2022-05-10 | 2022-09-02 | 中南大学 | 基于三维gpr正演技术的道路空洞形态分类方法 |
| CN117077448B (zh) * | 2023-10-17 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路脱空区域面积演化预测方法、电子设备及存储介质 |
| CN117292266B (zh) * | 2023-11-24 | 2024-03-22 | 河海大学 | 一种灌区干渠混凝土裂缝检测方法、装置及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570276A (zh) * | 2016-11-04 | 2017-04-19 | 长安大学 | 一种存在衬砌背后空洞的隧道围岩压力确定方法 |
| CN112505691A (zh) * | 2020-11-23 | 2021-03-16 | 贵州大学 | 一种隧道衬砌检测系统及方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109461157B (zh) * | 2018-10-19 | 2021-07-09 | 苏州大学 | 基于多级特征融合及高斯条件随机场的图像语义分割方法 |
| CN109461495B (zh) * | 2018-11-01 | 2023-04-14 | 腾讯科技（深圳）有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
| CN110716199B (zh) * | 2019-09-18 | 2023-09-29 | 武汉市工程科学技术研究院 | 用于计算机自动辨别多类型缺陷的地质雷达标记方法 |
| CN111337648B (zh) * | 2020-04-10 | 2022-10-18 | 安徽理工大学 | 大尺寸含裂隙岩石矩形空洞突水多场前兆信息演化试验测试方法 |
| CN111507998B (zh) * | 2020-04-20 | 2022-02-18 | 南京航空航天大学 | 基于深度级联的多尺度激励机制隧道表面缺陷分割方法 |
| CN112036425A (zh) * | 2020-05-09 | 2020-12-04 | 中铁四局集团有限公司 | 一种隧道空洞状态雷达波谱图像识别模型构建方法及隧道空洞状态雷达波谱图像识别方法 |
| CN112069575B (zh) * | 2020-08-27 | 2023-12-01 | 盐城工学院 | 一种基于扩展有限元法的隧道隐伏式缺陷衬砌病害分析方法 |
-
2021
- 2021-04-08 CN CN202110376946.8A patent/CN112948952B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570276A (zh) * | 2016-11-04 | 2017-04-19 | 长安大学 | 一种存在衬砌背后空洞的隧道围岩压力确定方法 |
| CN112505691A (zh) * | 2020-11-23 | 2021-03-16 | 贵州大学 | 一种隧道衬砌检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112948952A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112948952B (zh) | 一种盾构隧道衬砌背后空洞的演化预测方法 | |
| Liu et al. | Stability assessment of the Three-Gorges Dam foundation, China, using physical and numerical modeling—Part I: physical model tests | |
| Soleymani et al. | Damage detection and monitoring in heritage masonry structures: Systematic review | |
| Angelis et al. | Combined application of GPR and ERT for the assessment of a wall structure at the Heptapyrgion fortress (Thessaloniki, Greece) | |
| CN109341528A (zh) | 一种基于三维激光扫描的建筑物爆破振动损伤评价方法 | |
| Karlovsek et al. | Investigation of voids and cavities in bored tunnels using GPR | |
| CN102590874A (zh) | 一种山地采煤沉陷水田地表裂缝探测方法 | |
| CN116258025B (zh) | 一种基于物探数据的构造混杂岩滑坡稳定性模拟方法 | |
| Jiang et al. | Tunnel lining detection and retrofitting | |
| CN114880870B (zh) | 一种用于提升井地一体微震监测系统监测能力的方法 | |
| Wu et al. | Rapid intelligent evaluation method and technology for determining engineering rock mass quality | |
| Martini et al. | Validation of nondestructive methods for assessing stone masonry using artificial neural networks | |
| CN105975990B (zh) | 一种复垦土壤剖面的精细表达方法 | |
| Matias et al. | High resolution NDT in the characterization of the inner structure and materials of heritage buildings walls and columns | |
| CN116703244B (zh) | 采矿沉陷区治理效果与综合评价方法 | |
| CN114036831A (zh) | 一种待检测工程场地边坡的岩土力学参数的实时检测方法 | |
| Aguilar et al. | Structural damage assessment of Huaca de la Luna, Perú: preliminary results from ongoing multidisciplinary study | |
| Huang et al. | Research on void signal recognition algorithm of 3D ground-penetrating radar based on the digital image | |
| CN114663840B (zh) | 隧道环境的巡检设备监控方法及系统 | |
| Zhang et al. | Experimental study on deformation and failure characteristics of interbedded anti-inclined rock slopes induced by rainfall | |
| Gilbert et al. | Laboratory testing of lateral load response for monopiles in sand | |
| Liu et al. | Application of photogrammetry and in-situ test technology in the stability evaluation of gangue dump slope | |
| Chen et al. | Experimental investigation of masonry building damage caused by surface tension cracks on slow-moving landslides | |
| Chen et al. | Proposed vulnerability assessment model for masonry buildings on slow-moving landslides based on physical models and field observations | |
| Kilic et al. | Performance evaluation of the neural networks for moisture detection using GPR |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |