CN113033702A - 一种基于时空数据的结构安全预警方法 - Google Patents

Abstract

本发明公开了一种基于时空数据的结构安全预警方法，包括以下步骤：收集目标结构的变形监测数据和病害监测数据，并收集目标结构的工程特征数据；将上述三类数据形成连续时空数据并做归一化和独热编码处理，划分训练集和测试集；构建预测变形的第一深度学习模型并进行训练，用测试集检验模型；预测结构变形并将变形结果保存；构建预测病害的第二深度学习模型，按时间划分训练集和测试集，训练该第二深度学习模型并用测试集检验；预测结构病害，并将变形预测和病害预测反馈，进行结构安全状态的预警。本发明的优点是：解决了以往结构安全预警忽略空间特征的问题，充分利用结构变形病害数据和特征数据中的时间和空间关联性，得到更可靠的预测结果。

Description

一种基于时空数据的结构安全预警方法

技术领域

本发明属于结构安全技术领域，具体涉及一种基于时空数据的结构安全预警方法。

背景技术

在正常施工和使用的条件下，结构应能承受可能出现的各种荷载作用和变形而不发生破坏，但是当结构不能保持整体稳定性而发生安全事故时会严重威胁生命财产安全，因此结构的安全预警尤为重要。

结构安全状态包括结构的变形及结构的病害情况。结构的变形预测一般包括统计分析法、力学模型分析法、混合模型法以及机器学习模型法。统计分析法是从时间序列分析的角度处理数据，但往往会出现过拟合的情况，即模型泛化能力差。力学分析法和混合模型法是利用有限元分析等方法模拟结构受力情况并与实际情况做对比，但是有限元等方法涉及较多的简化和假定条件，从而增加了不确定性，影响结构变形预测的可靠性。机器学习模型法则是收集当前结构相关数据利用建立的机器学习模型预测结构变形，但目前的主流的机器学习模型只利用结构当前的影响因素数据及时间序列数据，忽略了结构空间上的关联性。结构的病害一般是利用机器学习模型如贝叶斯分类等数据挖掘技术进行预测，同结构变形预测一样，也只考虑了结构当前的影响因素和时间关联性，未考虑结构空间上的关联特征。

因此，对于空间结构强联结的结构形式来说（如盾构隧道等），常规方法忽略空间结构会影响结果的准确性和可靠性。

发明内容

本发明的目的是根据上述现有技术的不足之处，提供一种基于时空数据的结构安全预警方法，该结构安全预警方法利用结构变形病害数据和特征数据中的时间和空间关联性，通过建立深度学习模型，预测结构变形，再根据结构变形结果，建立另一个深度学习模型，预测结构病害，从而多角度评估结构安全状态。

本发明目的实现由以下技术方案完成：

一种基于时空数据的结构安全预警方法，其特征在于所述结构安全预警方法包括以下步骤：

（步骤1）收集目标结构随时间和空间变化的变形监测数据和病害监测数据，整理得到变形病害数据集D1；

（步骤2）收集所述目标结构的工程特征数据，整理得到工程特征数据集D2；

（步骤3）将所述目标结构的变形病害数据集D1和工程特征数据集D2进行融合整理以生成时间和空间上连续的数据集D；

（步骤4）

4.1）对数据集D中取值连续的结构特征数据作归一化处理，取值离散的结构特征数据作独热编码处理；

4.2）对数据集D处理成深度学习神经网络需要的张量形式，并将数据集D划分为训练集D_train和测试集D_test；

4.3）利用深度学习框架搭建用于预测变形的第一深度学习模型；对训练集D_train训练用于预测变形的所述第一深度学习模型，并用测试集D_test检验所述第一深度学习模型是否可靠；若检验表明所述第一深度学习模型可靠，则获得模型M1，将前n个时刻的结构特征数据利用模型M1进行预测，得到n+1个时刻的变形结果R1；

4.4）利用深度学习框架搭建用于预测病害的第二深度学习模型；将数据集D按时间划分为训练集D_{train_defect}和测试集D_{test_defect}；对训练集D_{train_defect}训练用于预测病害的所述第二深度学习模型，并用测试集D_{test_defect}检验所述第二深度学习模型是否可靠；若检验表明所述第二深度学习模型可靠，则获得模型M2；利用前n个时刻的结构特征数据和变形病害数据，并结合步骤4.3中预测的n+1时刻的变形结果R1，导入到模型M2中进行预测，得到n+1时刻的病害结果R2；

（步骤5）将变形结果R1和病害结果R2进行判定，若变形结果R1超过变形结果阈值或病害结果R2超过发生病害概率阈值，则提示结构安全风险。

所述目标结构的工程特征数据包括目标结构本身特征、目标结构地质特征、目标结构周边环境。

步骤3中，变形病害数据集D1和工程特征数据集D2之间的融合整理是指对于确定的所述目标结构的工程特征数据集D2中的一条数据记录所对应的变形病害数据集D1中的一条数据记录，合并到数据集D中。

所述归一化处理是指将数据集D中取值连续的结构特征数据经归一化计算公式处理后限制在0-1范围内，所述归一化计算公式为：

其中：

X_i为归一化处理之前的第i个结构特征数据；

X_max为第i个所述结构特征数据的最大值；

X_min为第i个所述结构特征数据的最小值；

X为归一化处理后的第i个所述结构特征数据。

步骤4.3为：利用深度学习框架搭建用于预测变形的第一深度学习模型，所述深度学习框架为Pytorch或Tensorflow；所述第一深度学习模型的搭建包括选择网络结构、选择损失函数、选择优化算法以及设置学习率，其中，所述网络结构为全连接神经网络、卷积神经网络或循环神经网络中的一种，所述损失函数为均方根误差或交叉熵，所述优化算法为Adam算法或随机梯度下降SGD；

对训练集D_train训练用于预测变形的所述第一深度学习模型，并用测试集D_test检验所述第一深度学习模型是否可靠，校验的评价标准采用均方根误差计算公式进行计算，均方根误差RMSE小于设定阈值时，则表明所述第一深度学习模型可靠，得到模型M1，其中，均方根误差计算公式为：

式中：m表示预测的点的个数，y_pred表示预测的变形量，y_true表示实际的变形量；

将前n个时刻的结构特征数据利用模型M1进行预测，得到n+1时刻的变形结果R1，其中，n个时刻是指n年、季度、月或者天，n＞1。

步骤4.4为：利用深度学习框架搭建用于预测病害的第二深度学习模型，所述深度学习框架为Pytorch或Tensorflow；所述第二深度学习模型的搭建包括选择网络结构、选择损失函数、选择优化算法以及设置学习率，其中，所述网络结构为全连接神经网络、卷积神经网络或循环神经网络中的一种，所述损失函数为均方根误差或交叉熵，所述优化算法为Adam算法或随机梯度下降SGD；所述第二深度学习模型的最后一层采用Sigmoid层，以输出发生病害的概率；

将数据集D按时间划分为训练集D_{train_defect}和测试集D_{test_defect}，将前n-1年的结构特征数据作为训练集D_{train_defect}，第n年的结构特征数据作为测试集D_{test_defect}；对训练集D_{train_defect}训练用于预测病害的所述第二深度学习模型，并用测试集D_{test_defect}检验所述第二深度学习模型是否可靠，校验的评价标准采用准确率、召回率以及F1值，若准确率大于0.95,、召回率大于0.8且F1值大于0.9，则表明所述第二深度学习模型可靠，得到模型M2，所述F1值计算如下：

其中：

Precision表示精确率；

Recall表示召回率；

利用前n个时刻的结构特征数据和变形病害数据，并结合步骤4.3中预测的n+1时刻的变形结果R1，形成新的数据集D_{predict_defect}作为预测病害的所述第二深度学习模型的输入；将数据集D_{predict_defect}导入到模型M2中进行预测，得到n+1时刻的病害结果R2。

本发明的优点是：提出了基于时空数据的结构安全预警方法，解决了以往结构安全预警忽略空间特征的问题，充分利用结构变形病害数据和特征数据中的时间和空间关联性，得到更可靠的预测结果。首先通过建立深度学习模型，预测结构变形，再根据结构变形结果，建立另一个深度学习模型，预测结构病害，从而多角度评估结构安全状态，实现结构安全的多维度预警。

附图说明

图1为本发明中基于时空数据的结构安全预警方法流程示意图。

具体实施方式

以下结合附图通过实施例对本发明的特征及其它相关特征作进一步详细说明，以便于同行业技术人员的理解：

实施例：如图1所示，本实施例具体涉及一种基于时空数据的结构安全预警方法，以某地铁盾构隧道为例并作为目标结构，该结构安全预警方法包括以下步骤：

【步骤1】收集目标结构随时间和空间变化的变形监测数据和病害监测数据，例如隧道管片的变形收敛和病害，以此作为判断结构安全状态的依据，整理得到变形病害数据集D1；其中时间可以是以年、季度、月等为划分单位，空间则根据结构本身的实际情况来划分，如隧道管片中的一环作为划分单位。

【步骤2】收集目标结构的勘察、设计、施工、监测、运营监护、周边环境、周边工程活动等工程特征数据，整理得到工程特征数据集D2；目标结构特征数据包括目标结构本身特征(如：结构形式、建成时间等)、目标结构地质特征(如：隧道地质分区等)、目标结构周边环境(如：堆载、卸载等)、目标结构其他因素(如：降雨、台风等)、周边工程活动数据（如基坑工程）等。

【步骤3】将目标结构的变形病害数据集D1和工程特征数据集D2进行融合整理以生成时间和空间上连续的数据集D；如有缺失值可利用时空关系进行线性插值补缺。变形病害数据集D1和工程特征数据集D2的融合整理是指对于确定的目标结构，比如隧道管片，其工程特征数据集D2中的一条记录所对应的变形病害数据集D1中的一条记录，合并到新的数据集D中。如隧道管片连续5环的连续3年的结构变形病害数据和工程特征数据。参见下表：

【步骤4】

（4.1）对数据集D中取值连续的结构特征数据作归一化处理，取值离散的结构特征数据作独热编码处理；

在这之中，归一化处理是指将数据集D中取值连续的结构特征数据经归一化计算公式处理后限制在0-1范围内，归一化计算公式为：

其中：

X_i为归一化处理之前的第i个结构特征数据；

X_max为第i个结构特征数据的最大值；

X_min为第i个结构特征数据的最小值；

X为归一化处理后的第i个结构特征数据。

在这之中，独热编码是利用0和1表示一些参数，使用N位状态寄存器来对N个状态进行编码，如隧道管片所在的地质分区包括一、二、三、四区共四个分区，则用[1,0,0,0]表示一区，[0,1,0,0]表示二区，三区和四区以此类推。

（4.2）对数据集D处理成深度学习神经网络需要的张量形式，并将数据集D划分为训练集D_train和测试集D_test。例如本实施例中隧道管片数据的5维张量形式（b,t,c,h,w），其中b表示待处理的隧道管片数；t表示时间序列的长度，即连续几年或几个月；c表示管片特征的维数，为管片变形数据维数加上管片的属性特征维数；h和w则表示管片空间上的维数，如果只考虑管片之间的相邻关系，则h可以取1，w取连续的5个管片，即w为5。并将数据随机划分70%作为训练集D_train，30%作为测试集D_test。

（4.3）利用深度学习框架搭建用于预测变形的第一深度学习模型，深度学习框架为Pytorch或Tensorflow；第一深度学习模型的搭建包括选择网络结构、选择损失函数、选择优化算法以及设置学习率，其中，网络结构为全连接神经网络、卷积神经网络或循环神经网络中的一种，损失函数为均方根误差或交叉熵，优化算法为Adam算法或随机梯度下降SGD，设置学习率可以为0.001。

对训练集D_train训练用于预测变形的第一深度学习模型，并用测试集D_test检验第一深度学习模型是否可靠，校验的评价标准采用均方根误差计算公式进行计算，均方根误差RMSE小于设定阈值时，则表明第一深度学习模型可靠，得到ConvLSTM的模型M1，其中，均方根误差计算公式为：

式中：m表示预测的点的个数，y_pred表示预测的变形量，y_true表示实际的变形量；

将前n个时刻的结构特征数据利用模型M1进行预测，得到n+1时刻的变形结果R1，其中，n个时刻是指n年、季度、月或者天，n＞1。例如本实施例中，对上述训练好的模型M1，导入要预测的结构特征数据，预测下一年隧道管片收敛值，得到结果R1，结果如下表所示，其中收敛变形阈值大于6cm提示可能出现结构安全风险。

（4.4）利用深度学习框架搭建用于预测病害的第二深度学习模型，深度学习框架为Pytorch或Tensorflow；第二深度学习模型的搭建同步骤4.3中所述；第二深度学习模型的最后一层采用Sigmoid层，以输出发生病害的概率；Sigmoid函数用于隐层神经元输出，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间，可以用来做二分类。Sigmoid函数定义如下：

将数据集D按时间划分为训练集D_{train_defect}和测试集D_{test_defect}，例如，将前n-1年的结构特征数据作为训练集D_{train_defect}，第n年的结构特征数据作为测试集D_{test_defect}。

对训练集D_{train_defect}训练用于预测病害的第二深度学习模型，并用测试集D_{test_defect}检验第二深度学习模型是否可靠，校验的评价标准采用准确率、召回率以及F1值，一般地，若准确率大于0.95,、召回率大于0.8且F1值大于0.9，则表明第二深度学习模型可靠，得到模型M2。所述F1值计算如下：

其中：

Precision表示准确率；

Recall表示召回率；

利用前n个时刻的结构特征数据和变形病害数据，并结合步骤4.3中预测的n+1时刻的变形结果R1，形成新的数据集D_{predict_defect}作为预测病害的第二深度学习模型的输入；将数据集D_{predict_defect}导入到模型M2中进行预测，得到n+1时刻的病害结果R2。例如在本实施例中，预测的病害结果R2如下表，其中发生病害概率大于0.5时认为会发生病害：

【步骤5】将变形结果R1和病害结果R2反馈给项目负责人员进行判定，若变形结果R1超过变形结果阈值6cm则提示结构安全风险；病害结果R2超过发生病害概率阈值0.5，则提示结构安全风险。

Claims (6)

1.一种基于时空数据的结构安全预警方法，其特征在于所述结构安全预警方法包括以下步骤：

（步骤1）收集目标结构随时间和空间变化的变形监测数据和病害监测数据，整理得到变形病害数据集D1；

（步骤2）收集所述目标结构的工程特征数据，整理得到工程特征数据集D2；

（步骤3）将所述目标结构的变形病害数据集D1和工程特征数据集D2进行融合整理以生成时间和空间上连续的数据集D；

（步骤4）

4.1）对数据集D中取值连续的结构特征数据作归一化处理，取值离散的结构特征数据作独热编码处理；

4.2）对数据集D处理成深度学习神经网络需要的张量形式，并将数据集D划分为训练集D_train和测试集D_test；

4.3）利用深度学习框架搭建用于预测变形的第一深度学习模型；对训练集D_train训练用于预测变形的所述第一深度学习模型，并用测试集D_test检验所述第一深度学习模型是否可靠；若检验表明所述第一深度学习模型可靠，则获得模型M1，将前n个时刻的结构特征数据利用模型M1进行预测，得到n+1个时刻的变形结果R1；

4.4）利用深度学习框架搭建用于预测病害的第二深度学习模型；将数据集D按时间划分为训练集D_{train_defect}和测试集D_{test_defect}；对训练集D_{train_defect}训练用于预测病害的所述第二深度学习模型，并用测试集D_{test_defect}检验所述第二深度学习模型是否可靠；若检验表明所述第二深度学习模型可靠，则获得模型M2；利用前n个时刻的结构特征数据和变形病害数据，并结合步骤4.3中预测的n+1时刻的变形结果R1，导入到模型M2中进行预测，得到n+1时刻的病害结果R2；

（步骤5）将变形结果R1和病害结果R2进行判定，若变形结果R1超过变形结果阈值或病害结果R2超过发生病害概率阈值，则提示结构安全风险。

2.根据权利要求1所述的一种基于时空数据的结构安全预警方法，其特征在于所述目标结构的工程特征数据包括目标结构本身特征、目标结构地质特征、目标结构周边环境。

3.根据权利要求1所述的一种基于时空数据的结构安全预警方法，其特征在于步骤3中，变形病害数据集D1和工程特征数据集D2之间的融合整理是指对于确定的所述目标结构的工程特征数据集D2中的一条数据记录所对应的变形病害数据集D1中的一条数据记录，合并到数据集D中。

4.根据权利要求1所述的一种基于时空数据的结构安全预警方法，其特征在于所述归一化处理是指将数据集D中取值连续的结构特征数据经归一化计算公式处理后限制在0-1范围内，所述归一化计算公式为：

其中：

X_i为归一化处理之前的第i个结构特征数据；

X_max为第i个所述结构特征数据的最大值；

X_min为第i个所述结构特征数据的最小值；

X为归一化处理后的第i个所述结构特征数据。

5.根据权利要求1所述的一种基于时空数据的结构安全预警方法，其特征在于步骤4.3为：利用深度学习框架搭建用于预测变形的第一深度学习模型，所述深度学习框架包括但不限于Pytorch或Tensorflow；所述第一深度学习模型的搭建包括选择网络结构、选择损失函数、选择优化算法以及设置学习率，其中，所述网络结构包括但不限于全连接神经网络、卷积神经网络或循环神经网络中的一种，所述损失函数包括但不限于均方根误差或交叉熵，所述优化算法包括但不限于Adam算法或随机梯度下降SGD；

对训练集D_train训练用于预测变形的所述第一深度学习模型，并用测试集D_test检验所述第一深度学习模型是否可靠，校验的评价标准采用均方根误差计算公式进行计算，均方根误差RMSE小于设定阈值时，则表明所述第一深度学习模型可靠，得到模型M1，其中，均方根误差计算公式为：

式中：m表示预测的点的个数，y_pred表示预测的变形量，y_true表示实际的变形量；

将前n个时刻的结构特征数据利用模型M1进行预测，得到n+1时刻的变形结果R1，其中，n个时刻是指n年、季度、月或者天，n＞1。

6.根据权利要求5所述的一种基于时空数据的结构安全预警方法，其特征在于步骤4.4为：利用深度学习框架搭建用于预测病害的第二深度学习模型，所述深度学习框架包括但不限于Pytorch或Tensorflow；所述第二深度学习模型的搭建包括选择网络结构、选择损失函数、选择优化算法以及设置学习率，其中，所述网络结构包括但不限于全连接神经网络、卷积神经网络或循环神经网络中的一种，所述损失函数包括但不限于均方根误差或交叉熵，所述优化算法包括但不限于Adam算法或随机梯度下降SGD；所述第二深度学习模型的最后一层采用Sigmoid层，以输出发生病害的概率；

将数据集D按时间划分为训练集D_{train_defect}和测试集D_{test_defect}，将前n-1年的结构特征数据作为训练集D_{train_defect}，第n年的结构特征数据作为测试集D_{test_defect}；对训练集D_{train_defect}训练用于预测病害的所述第二深度学习模型，并用测试集D_{test_defect}检验所述第二深度学习模型是否可靠，校验的评价标准采用准确率、召回率以及F1值，若准确率大于0.95,、召回率大于0.8且F1值大于0.9，则表明所述第二深度学习模型可靠，得到模型M2；所述F1值计算公式如下：

式中：

Precision表示准确率；

Recall表示召回率；

利用前n个时刻的结构特征数据和变形病害数据，并结合步骤4.3中预测的n+1时刻的变形结果R1，形成新的数据集D_{predict_defect}作为预测病害的所述第二深度学习模型的输入；将数据集D_{predict_defect}导入到模型M2中进行预测，得到n+1时刻的病害结果R2。

Images