CN114329307B - 一种隧道跨断层处错断诊断方法及系统 - Google Patents
一种隧道跨断层处错断诊断方法及系统 Download PDFInfo
- Publication number
- CN114329307B CN114329307B CN202210254486.6A CN202210254486A CN114329307B CN 114329307 B CN114329307 B CN 114329307B CN 202210254486 A CN202210254486 A CN 202210254486A CN 114329307 B CN114329307 B CN 114329307B
- Authority
- CN
- China
- Prior art keywords
- dislocation
- value
- fault
- tunnel
- mtx
- 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 43
- 238000003745 diagnosis Methods 0.000 title claims description 14
- 238000005259 measurement Methods 0.000 claims description 79
- 238000006073 displacement reaction Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 101100240461 Dictyostelium discoideum ngap gene Proteins 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 4
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 4
- 238000001125 extrusion Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种隧道跨断层处错断诊断方法与系统，通过在隧道跨断层处布置超声波测距仪或者微波雷达传感器获得位移测值，利用获得的位移测值计算错动系数并为隧道划分错动区间，然后构建隧道风险模型来计算得到错断风险，得到错断评估并发送预警。本发明为速率缓慢的无震滑动的活断层中的隧道错断隐患提供数值化的监测，智能化的识别有错断风险的隧道区域，提前警报拥有错断风险以降低隧道错断造成的人员损亡或者经济损失。
Description
技术领域
本发明属于数据采集、智能识别技术领域，具体涉及一种隧道跨断层处错断诊断方法及系统。
背景技术
在隧道工程中，跨断层隧道的安全隐患一直存在，活动断层的运动模式会影响隧道工程稳定性及安全性，断层的运动形式可分为黏滑和蠕滑两种运动,地震时断层快速破裂就是一种黏滑错动,而蠕滑是不伴随地震的断裂缓慢错动,它是弹性应变积累和地震综合形成的抑制因素。本发明侧重于速率缓慢的无震滑动的活断层中的隧道错断隐患，结合隧道中错动参数，诊断隧道安全性，为管理人员提供可参考的错动参值，降低隧道错断造成的人员损伤或者经济损失的风险。
发明内容
本发明的目的在于提出一种隧道跨断层处错断诊断方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，根据本发明的一方面，提供一种隧道跨断层处错断诊断方法，所述方法包括以下步骤：
S100，在隧道跨断层处布置超声波测距仪或者微波雷达传感器；
S200，通过超声波测距仪或者微波雷达传感器获得位移测值；
S300, 利用各个位移测值获得错动系数；
S400，根据错动系数划分错动区间；
S500，利用错动区间构建隧道风险模型计算得到错断风险；
S600，根据错断风险进行隧道错断评估。
进一步地，在步骤S100中，所述在隧道跨断层处布置超声波测距仪或者微波雷达传感器的方法是：由于断层发生了蠕动错动，就会产生错断的趋向，导致隧道被挤压发生形变，可通过精确的通过隧道横截面上距离测量值衡量隧道挤压的状况；或者在火车或汽车通过地铁时，对隧道造成压力与震动会导致隧道附近的地质发生变动，导致隧道发生形变或者位移，可通过隧道横截面上精确的距离测量值衡量隧道挤压的状况；隧道跨断层处为跨越速率缓慢的无震滑动的活断层的隧道区间或者隧道中内壁两边距离在5m以内的隧道区间；沿着隧道方向，在隧道的隧道跨断层处的区域每间隔距离Dist安装一组超声波测距仪或者微波雷达传感器作为测量点LSet，安装距离Dist取值范围在[150m,300m]之间。
进一步地，在步骤S200中，所述通过超声波测距仪或者微波雷达传感器获得位移测值的方法是：超声波测距仪或者微波雷达传感器开始工作后，在测量点LSet每小时进行一次测量，测量获得位移测值，位移测值包括垂直距离VCS以及水平距离ClC；所述垂直距离指的是隧道拱顶内壁点垂直方向到地面的距离，水平距离指的是隧道两侧墙壁间的距离，通过实时采集多次位移测值构成基准测值序列，由各个垂直距离VCS构成垂距基准序列VCSLst，由各个水平距离ClC构成水平距基准序列ClCLst，基准测值序列包括垂距基准序列VCSLst和水平距基准序列ClCLst；以垂距基准序列VCSLst中各个测得的距离值的算术平均值作为下沉基准值VCSstd,垂距基准序列VCSLst的标准差为σ1，设VCS符合均值为VCSstd，标准差为σ1的正态分布，记作：VCS~N(VCSstd,σ12)；以水平距基准序列ClCLst中各个测得的距离值的算术平均值作为水平收敛基准值ClCstd，水平距基准序列ClCLst的标准差为σ3，设ClC符合均值为ClCstd，标准差为σ3的正态分布，记作：ClC~N(ClCstd,σ32)。
进一步地，在步骤S300中，所述利用各个位移测值获得错动系数的方法是：错动系数包括垂向错动系数VDslc和水平错动系数HDslc；根据超声波测距仪或者微波雷达传感器在测量点LSet于当前时刻获得垂直距离VCS0以及水平距离ClC0，可获得垂向错动值DVCS以及水平错动值DClC，其中当前时刻的垂向错动值DVCS0＝VCS0﹣VCS1，VCS1代表前一次测量的垂直距离，当前时刻的水平错动值DClC0＝ClC0﹣ClC1，ClC1代表前一次测量的水平距离；利用历史数据中最新获得的800-1000个垂向错动值DVCS构建垂向错动序列DVCSLst，以垂向错动序列DVCSLst中各个值的算术平均值作为垂向错动基准值VCSrcl，垂向错动序列DVCSLst的标准差为σ2，设DVCS符合均值为VCSrcl且标准差为σ2的正态分布，记作：DVCS~N(VCSrcl，σ22)；利用历史数据中最新获得的800-1000个水平错动值构建水平收敛错动序列DClCLst，以水平收敛错动序列DClCLst中各个值的算术平均值作为水平错动基准值ClCrcl，水平收敛错动序列DClCLst的标准差为σ4，设DClC符合均值为ClCrcl，标准差为σ4的正态分布，记作：DClC~N(ClCrcl，σ42)；
计算当前时刻垂向错动系数VDslc0, 其计算方法如下：
其中，FV1(VCS0)是VCS0的值在VCSLst中出现的频率；FV2(DVCS0)是DVCS0的值与DVCSLst中出现的频率；
计算当前时刻水平错动系数HDslc0, 其计算方法如下：
其中，FV3(ClC0)是ClC0的值在ClCLst中出现的频率；FV4(DCLC0)是DCLC0的值在DClCLst中出现的频率。
进一步地，在步骤S400中，所述根据错动系数划分错动区间的方法是：错动系数包括垂向错动系数VDslc0和水平错动系数HDslc0,以VDslc0和HDslc0中的较大值作为第一错动系数MxDc，以较小值作为第二错动系数MnDc；依次计算最新的T个第一错动系数MxDc构成时域错动序列MDLst，时域错动序列MDLst＝{MxDct},t∈[1，T]，MxDct为t时刻的第一错动系数，其中T代表第一错动系数MxDc的历史数据的个数；
获取不同位置的T个测量点LSet的时域错动序列MDLst，以每个时域错动序列MDLst为一行构建隧道错动矩阵MTX，令K表示隧道安装的测量点LSet的数量；以MTX(a，b)代表隧道错动矩阵MTX的第a个时域错动序列MDLst中第b个第一错动系数MxDc；以MTX(a，)代表隧道错动矩阵MTX的第a个时域错动序列MDLst；计算获得错动参考值Vidx，错动参考值Vidx为 MTX中各个元素的算数平均值；
其中，a和b均为序号,a∈[1，K] ,b∈[1，T]；
为隧道错动矩阵MTX中每个元素设立一个布尔值作为趋势标记UFlag，UFlag取值为TRUE或者FALSE；
如果MTX(a，b)＞Vidx，则将MTX(a，b)的趋势标记UFlag值设为TRUE，
如果MTX(a，b)≤Vidx，则将MTX(a，b)的趋势标记UFlag值设为FALSE；
为隧道错动矩阵MTX中各个元素设立一个布尔值作为动向标记M_VFlag，M_VFlag取值为TRUE或者FALSE；
如果MTX(a，b)的值大于或等于VDslc0，则将MTX(a，b)的动向标记M_VFlag值设为TRUE，
如果MTX(a，b)的值大于或等于HDslc0，则将MTX(a，b)的动向标记M_VFlag值设为FALSE；
设定变量i1，令变量i1的初始值为2，设定一个变量作为错动区间序号AreaN，设置初始错动区间序号AreaN为1；
S401，如果 MTX(i1,1)的趋势标记UFlag值为TRUE，为第i1个测量点增设区间标记Zonei1，跳转到步骤S402；如果 MTX(i1,1)的趋势标记UFlag值为FALSE，将i1的数值加1，跳转到步骤S401；
S402，在MTX的第i1行与第i1-1行中，如果同一列的元素的趋势标记UFlag值为TRUE而且动向标记M_VFlag的值相同，则称MTX的第i1行与第i1-1行在该列具有共同趋势，统计在MTX的第i1行与第i1-1行中具有共同趋势的列的数量CNTSmlr，计算MTX(i1,)与MTX(i1-1,)的关联度RLIdx, 关联度RLIdx＝CNTSmlr/T；MTX(i1,)为MTX的第i1个时域错动序列MDLst；MTX(i1-1,)为MTX的第i1-1个时域错动序列MDLst；
S403，如果MTX(i1-1,)所对应的测量点不拥有区间标记Zonei1-1，则把Zonei1的值设定为错动区间序号AreaN的值，将AreaN的数值加1；将i1的数值加1，如果此时i1≤K，如果第i1-1个测量点拥有区间标记Zonei1-1，把Zonei1的值设定为Zonei1-1的值，跳转到步骤S401；如果此时i1＞K，则完成错动区间的划分，由隧道中拥有相同区间标记Zone的各个测量点构成错动区间Z；隧道被划分出ZoneN个错动区间Z，其中ZoneN＝AreaN-1。
进一步地，在步骤S500中，利用错动区间构建隧道风险模型计算得到错断风险的方法是：一个错动区间Z内拥有的测量点LSet数量为GRN，设定错动区间Z里最新获得的各个测量点LSet的第一错动系数MxDc中的最大值作为错动峰值Top，错动峰值Top所对应的测量点LSet作为错动区间Z的错动中心点CSet；
如果要计算两个测量点的相对位置权重，则把这两个测量点设定为目标测量点，当在错动区间Z中一个目标测量点LSetα到另一个目标测量点LSetβ之间间隔的测量点的个数为nGap,则目标测量点LSetα到另一个目标测量点LSetβ的相对位置权重为Div(α,β)，Div(α,β)＝nGap＋1，如果测量点LSetα与LSetβ位置相同则Div(α,β)的值为0；
以错动区间Z中各个测量点LSet的时域错动序列MDLst为每一行构建区间错动矩阵SubMTX，以SubMTX中各个元素的最小值作为错动谷值Bottom，错动谷值Bottom所对应的测量点LSet作为错动区间Z的错动低点BSet，错动中心点CSet与错动低点BSet的相对位置权重为Div(CSet,BSet)，以错动中心点CSet与错动低点BSet之间的各个测量点获取的时域错动序列的关联度RLIdx的算术平均值作为抬升域关联度GRLIdx；构建隧道风险模型计算错断风险Risk，其中序号为g的错动区间Z的错断风险RiskZ＝g如下：
或者
；
其中g为错动区间Z的序号，g∈[1, ZoneN]，ZoneN为隧道中错动区间的数量, i2为累加变量；Div(i2，CSet) 代表目标测量点LSeti2到错动中心点CSet的相对位置权重，测量点LSeti2为同一个错动区间Z内的第i2个测量点，MxDci2代表同一个错动区间Z内第i2个测量点当前获得的第一错动系数MxDc数值，φ为折扣系数，折扣系数计算方法为 ：
或者，
；
其中i3为累加变量，SubMTX(CSet，i3)代表在区间错动矩阵SubMTX中错动中心点CSet所对应的行的第i3个元素，max{SubMTX(，i3)}代表在区间错动矩阵SubMTX中的第i3列元素的集合中的最大值，ln为自然对数。
进一步地，在步骤S600中，根据错断风险进行隧道错断评估的方法是：计算各个错动区间Z的错断风险Risk，通过各个错动区间Z的错断风险Risk构成错断候选集合TRisk，把错断候选集合TRisk中各个数值的算术平均值作为异动平均水平ERisk，如果存在一个或多个错动区间Z符合以下条件：Risk≥2×ERisk，则称这样的错动区间Z为错断高风险区间RZ，并把各个错断高风险区间RZ、错断高风险区间RZ中的各个检测点LSet以及对应的错断风险Risk作为警告信息发出警报；如果不存在错断高风险区间，则将错断候选集合TRisk中最大值对应的错动区间Z、错动区间Z中的各个检测点LSet以及对应的错断风险Risk作为普通的日志信息发送给管理者。
本发明还提供了一种隧道跨断层处错断诊断系统，所述一种隧道跨断层处错断诊断系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种隧道跨断层处错断诊断方法中的步骤，所述一种隧道跨断层处错断诊断系统运行于桌上型计算机、笔记本、掌上电脑及云端数据中心的计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
数据采集单元，用于通过超声波测距仪或者微波雷达传感器获得位移测值；
节点分析单元，用于为位测量点计算获得错动系数；
区间识别单元，用于把隧道中跨断层区域进行错动区间的划分；
风险预测单元，用于计算得到错断风险；
诊断分析单元，用于结合错断风险进行评估或者警报。
本发明的有益效果为：本发明提供一种隧道跨断层处错断诊断方法及系统，为速率缓慢的无震滑动的活断层中的隧道错断隐患提供数值化的监测，智能化的识别有错断风险的隧道区域，提前警报拥有错断风险以降低隧道错断造成的人员损亡或者经济损失。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，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，在附图中：
图1所示为一种隧道跨断层处错断诊断方法的流程图；
图2所示为一种隧道跨断层处错断诊断系统的结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种隧道跨断层处错断诊断方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种隧道跨断层处错断诊断方法，所述方法包括以下步骤：
S100，在隧道跨断层处布置超声波测距仪或者微波雷达传感器；
S200，通过超声波测距仪或者微波雷达传感器获得位移测值；
S300, 利用各个位移测值获得错动系数；
S400，根据错动系数划分错动区间；
S500，利用错动区间构建隧道风险模型计算得到错断风险；
S600，根据错断风险进行隧道错断评估。
进一步地，在步骤S100中，所述在隧道跨断层处布置超声波测距仪或者微波雷达传感器的方法是：由于断层发生了蠕动错动，就会产生错断的趋向，导致隧道被挤压发生形变，可通过精确的通过隧道横截面上距离测量值衡量隧道挤压的状况；或者在火车或汽车通过地铁时，对隧道造成压力与震动会导致隧道附近的地质发生变动，导致隧道发生形变或者位移，可通过隧道横截面上精确的距离测量值衡量隧道挤压的状况；隧道跨断层处为跨越速率缓慢的无震滑动的活断层的隧道区间或者隧道中内壁两边距离在5m以内的隧道区间；沿着隧道方向，在隧道的隧道跨断层处的区域每间隔距离Dist安装一组超声波测距仪或者微波雷达传感器作为测量点LSet，安装距离Dist取值范围在[150m,300m]之间。
进一步地，在步骤S200中，所述通过超声波测距仪或者微波雷达传感器获得位移测值的方法是：超声波测距仪或者微波雷达传感器开始工作后，在测量点LSet每小时进行一次测量，测量获得位移测值，位移测值包括垂直距离VCS以及水平距离ClC；所述垂直距离指的是隧道拱顶内壁点垂直方向到地面的距离，水平距离指的是隧道两侧墙壁间的距离，通过实时采集多次位移测值构成基准测值序列，由各个垂直距离VCS构成垂距基准序列VCSLst，由各个水平距离ClC构成水平距基准序列ClCLst，基准测值序列包括垂距基准序列VCSLst和水平距基准序列ClCLst；以垂距基准序列VCSLst中各个测得的距离值的算术平均值作为下沉基准值VCSstd,垂距基准序列VCSLst的标准差为σ1，设VCS符合均值为VCSstd，标准差为σ1的正态分布，记作：VCS~N(VCSstd,σ12)；以水平距基准序列ClCLst中各个测得的距离值的算术平均值作为水平收敛基准值ClCstd，水平距基准序列ClCLst的标准差为σ3，设ClC符合均值为ClCstd，标准差为σ3的正态分布，记作：ClC~N(ClCstd,σ32)。
进一步地，在步骤S300中，所述利用各个位移测值获得错动系数的方法是：错动系数包括垂向错动系数VDslc和水平错动系数HDslc；根据超声波测距仪或者微波雷达传感器在测量点LSet于当前时刻获得垂直距离VCS0以及水平距离ClC0，可获得垂向错动值DVCS以及水平错动值DClC，其中当前时刻的垂向错动值DVCS0＝VCS0﹣VCS1，VCS1代表前一次测量的垂直距离，当前时刻的水平错动值DClC0＝ClC0﹣ClC1，ClC1代表前一次测量的水平距离；利用历史数据中最新获得的800-1000个垂向错动值DVCS构建垂向错动序列DVCSLst，以垂向错动序列DVCSLst中各个值的算术平均值作为垂向错动基准值VCSrcl，垂向错动序列DVCSLst的标准差为σ2，设DVCS符合均值为VCSrcl且标准差为σ2的正态分布，记作：DVCS~N(VCSrcl，σ22)；利用历史数据中最新获得的800-1000个水平错动值构建水平收敛错动序列DClCLst，以水平收敛错动序列DClCLst中各个值的算术平均值作为水平错动基准值ClCrcl，水平收敛错动序列DClCLst的标准差为σ4，设DClC符合均值为ClCrcl，标准差为σ4的正态分布，记作：DClC~N(ClCrcl，σ42)；计算当前时刻垂向错动系数VDslc0, 其计算方法如下：
其中FV1(VCS0)代表的是垂直频值，所述垂直频值的计算方法为：定义VCSLst中最近一个时刻采集的元素的序号为a1,则定义从第a1个元素到第a1-1个元素的方向为第一方向；则从第a1个元素开始朝第一方向依次遍历搜索VCSLst中的各个元素，找到第一个大于VCS0的元素记为MaxTan，如果没有搜索到大于VCS0的元素则将VCSLst中第一方向的最后一个元素记为MaxTan，MaxTan序号为Max1，截取VCSLst中第Max1个元素到第a1个元素之间的子序列记为S1VCSLst，计算VCS0的值与S1VCSLst中各个元素的值相等的频率作为垂直频值；
FV2(DVCS0)代表的是垂向错动频值，所述垂向错动频值的计算方法为：定义DVCSLst中最近的一个元素的序号为a2,则定义从第a2个元素到第a2-1个元素的方向为第二方向；则从第a2个元素开始朝第二方向依次遍历搜索DVCSLst中的各个元素，找到第一个大于DVCS0的元素记为MaxTG，如果没有搜索到大于DVCS0的元素则将DVCSLst中第二方向的最后一个元素记为MaxTG，MaxTG序号为Max2，截取DVCSLst中第Max2个元素到第a2个元素之间的子序列记为S1DVCSLst，计算DVCS0的值与S1DVCSLst中各个元素的值相等的频率作为垂向错动频值；
（由于垂向方向上的位移非常微量，以上优选地垂直频值与垂向错动频值的计算是为了过滤掉现有的监测序列中的微量异常共振导致的垂直方向的雷达波的监测值上的杂波和异常值，使得一般的计算频率值更加精确）。
计算当前时刻水平错动系数HDslc0, 其计算方法如下：
优选地，其中FV3(ClC0)代表的是水平频值，所述水平频值的计算方法为：定义ClCLst中最近一个时刻采集的元素的序号为a3,则定义从第a3个元素到第a3-1个元素的方向为第三方向；则从第a3个元素开始朝第三方向依次遍历搜索VCSLst中的各个元素，找到第一个大于ClC0的元素记为MaxCtan，如果没有搜索到大于ClC0的元素则将VCSLst中第三方向的最后一个元素记为MaxCtan，MaxCtan序号为Max3，截取VCSLst中第Max3个元素到第a3个元素之间的子序列记为S1ClCLst，计算ClC0的值与S1ClCLst中各个元素的值相等的频率作为水平频值；
优选地，FV4(DCLC0)代表的是水平收敛频值，所述水平收敛频值的计算方法为：定义DClCLst中最近的一个元素的序号为a4,则定义从第a4个元素到第a4-1个元素的方向为第四方向；则从第a4个元素开始朝第四方向依次遍历搜索DClCLst中的各个元素，找到第一个大于DCLC0的元素记为MaxCTG，如果没有搜索到大于DCLC0的元素则将DClCLst中第四方向的最后一个元素记为MaxCTG，MaxCTG序号为Max4，截取DClCLst中第Max4个元素到第a4个元素之间的子序列记为S1DClCLst，计算DCLC0的值与S1DClCLst中各个元素的值相等的频率作为水平收敛频值。
（由于水平方向的位移非常微量，以上优选地水平频值与水平收敛频值的计算是为了过滤掉现有的监测序列中的异常共振或者突然的地质震荡的检测值导致的水平方向上的水平错动杂波，使得较一般的计算频率值更加精确）。
进一步地，在步骤S400中，所述根据错动系数划分错动区间的方法是：错动系数包括垂向错动系数VDslc0和水平错动系数HDslc0,以VDslc0和HDslc0中的较大值作为第一错动系数MxDc，以较小值作为第二错动系数MnDc；依次计算最新的T个第一错动系数MxDc构成时域错动序列MDLst，时域错动序列MDLst＝{MxDct},t∈[1，T]，MxDct为t时刻的第一错动系数，其中T代表第一错动系数MxDc的历史数据的个数；
获取不同位置的T个测量点LSet的时域错动序列MDLst，以每个时域错动序列MDLst为一行构建隧道错动矩阵MTX，令K表示隧道安装的测量点LSet的数量；以MTX(a，b)代表隧道错动矩阵MTX的第a个时域错动序列MDLst中第b个第一错动系数MxDc；以MTX(a，)代表隧道错动矩阵MTX的第a个时域错动序列MDLst；计算获得错动参考值Vidx，错动参考值Vidx为 MTX中各个元素的算数平均值；
其中，a和b均为序号,a∈[1，K] ,b∈[1，T]；
为隧道错动矩阵MTX中每个元素设立一个布尔值作为趋势标记UFlag，UFlag取值为TRUE或者FALSE；
如果MTX(a，b)＞Vidx，则将MTX(a，b)的趋势标记UFlag值设为TRUE，
如果MTX(a，b)≤Vidx，则将MTX(a，b)的趋势标记UFlag值设为FALSE；
为隧道错动矩阵MTX中各个元素设立一个布尔值作为动向标记M_VFlag，M_VFlag取值为TRUE或者FALSE；
如果MTX(a，b)的值大于或等于VDslc0，则将MTX(a，b)的动向标记M_VFlag值设为TRUE，
如果MTX(a，b)的值大于或等于HDslc0，则将MTX(a，b)的动向标记M_VFlag值设为FALSE；
设定变量i1，令变量i1的初始值为2，设定一个变量作为错动区间序号AreaN，设置初始错动区间序号AreaN为1；
S401，如果 MTX(i1,1)的趋势标记UFlag值为TRUE，为第i1个测量点增设区间标记Zonei1，跳转到步骤S402；如果 MTX(i1,1)的趋势标记UFlag值为FALSE，将i1的数值加1，跳转到步骤S401；
S402，在MTX的第i1行与第i1-1行中，如果同一列的元素的趋势标记UFlag值为TRUE而且动向标记M_VFlag的值相同，则称MTX的第i1行与第i1-1行在该列具有共同趋势，统计在MTX的第i1行与第i1-1行中具有共同趋势的列的数量CNTSmlr，计算MTX(i1,)与MTX(i1-1,)的关联度RLIdx, 关联度RLIdx＝CNTSmlr/T；MTX(i1,)为MTX的第i1个时域错动序列MDLst；MTX(i1-1,)为MTX的第i1-1个时域错动序列MDLst；
S403，如果MTX(i1-1,)所对应的测量点不拥有区间标记Zonei1-1，则把Zonei1的值设定为错动区间序号AreaN的值，将AreaN的数值加1；将i1的数值加1，如果此时i1≤K，如果第i1-1个测量点拥有区间标记Zonei1-1，把Zonei1的值设定为Zonei1-1的值，跳转到步骤S401；如果此时i1＞K，则完成错动区间的划分，由隧道中拥有相同区间标记Zone的各个测量点构成错动区间Z；隧道被划分出ZoneN个错动区间Z，其中ZoneN＝AreaN-1。
进一步地，在步骤S500中，利用错动区间构建隧道风险模型计算得到错断风险的方法是：一个错动区间Z内拥有的测量点LSet数量为GRN，设定错动区间Z里最新获得的各个测量点LSet的第一错动系数MxDc中的最大值作为错动峰值Top，错动峰值Top所对应的测量点LSet作为错动区间Z的错动中心点CSet；
如果要计算两个测量点的相对位置权重，则把这两个测量点设定为目标测量点，当在错动区间Z中一个目标测量点LSetα到另一个目标测量点LSetβ之间间隔的测量点的个数为nGap,则目标测量点LSetα到另一个目标测量点LSetβ的相对位置权重为Div(α,β)，Div(α,β)＝nGap＋1，如果测量点LSetα与LSetβ位置相同则Div(α,β)的值为0；
以错动区间Z中各个测量点LSet的时域错动序列MDLst为每一行构建区间错动矩阵SubMTX，以SubMTX中各个元素的最小值作为错动谷值Bottom，错动谷值Bottom所对应的测量点LSet作为错动区间Z的错动低点BSet，错动中心点CSet与错动低点BSet的相对位置权重为Div(CSet,BSet)，以错动中心点CSet与错动低点BSet之间的各个测量点获取的时域错动序列的关联度RLIdx的算术平均值作为抬升域关联度GRLIdx；构建隧道风险模型计算错断风险Risk，其中序号为g的错动区间Z的错断风险RiskZ＝g如下：
或者
；
其中g为错动区间Z的序号，g∈[1, ZoneN]，ZoneN为隧道中错动区间的数量, i2为累加变量；Div(i2，CSet) 代表目标测量点LSeti2到错动中心点CSet的相对位置权重，测量点LSeti2为同一个错动区间Z内的第i2个测量点，MxDci2代表同一个错动区间Z内第i2个测量点当前获得的第一错动系数MxDc数值，φ为折扣系数，折扣系数计算方法为 ：
或者，
；
其中i3为累加变量，SubMTX(CSet，i3)代表在区间错动矩阵SubMTX中错动中心点CSet所对应的行的第i3个元素，max{SubMTX(，i3)}代表在区间错动矩阵SubMTX中的第i3列元素的集合中的最大值，ln为自然对数。
进一步地，在步骤S600中，根据错断风险进行隧道错断评估的方法是：计算各个错动区间Z的错断风险Risk，通过各个错动区间Z的错断风险Risk构成错断候选集合TRisk，把错断候选集合TRisk中各个数值的算术平均值作为异动平均水平ERisk，如果存在一个或多个错动区间Z符合以下条件：Risk≥2×ERisk，则称这样的错动区间Z为错断高风险区间RZ，并把各个错断高风险区间RZ、错断高风险区间RZ中的各个检测点LSet以及对应的错断风险Risk作为警告信息发出警报；如果不存在错断高风险区间，则将错断候选集合TRisk中最大值对应的错动区间Z、错动区间Z中的各个检测点LSet以及对应的错断风险Risk作为普通的日志信息发送给管理者。
本发明的实施例提供的一种隧道跨断层处错断诊断系统，如图2所示，该实施例的一种隧道跨断层处错断诊断系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种引文内容智能定位方法实施例中的步骤，所述处理器执行所述计算机程序运行在以下系统的单元中：
数据采集单元，用于通过超声波测距仪或者微波雷达传感器获得位移测值；
节点分析单元，用于为位测量点计算获得错动系数；
区间识别单元，用于把隧道中跨断层区域进行错动区间的划分；
风险预测单元，用于计算得到错断风险；
诊断分析单元，用于结合错断风险进行评估或者警报。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种隧道跨断层处错断诊断系统的控制中心，利用各种接口和线路连接整个一种隧道跨断层处错断诊断系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种隧道跨断层处错断诊断系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (6)
1.一种隧道跨断层处错断诊断方法，其特征在于，所述方法包括以下步骤：
S100，在隧道跨断层处布置超声波测距仪或者微波雷达传感器；
S200，通过超声波测距仪或者微波雷达传感器获得位移测值；
S300, 利用各个位移测值获得错动系数；
S400，根据错动系数划分错动区间；
S500，利用错动区间构建隧道风险模型计算得到错断风险；
S600，根据错断风险进行隧道错断评估；
其中，在步骤S200中，所述通过超声波测距仪或者微波雷达传感器获得位移测值的方法是：超声波测距仪或者微波雷达传感器开始工作后，在测量点LSet每小时进行一次测量，测量获得位移测值，位移测值包括垂直距离VCS以及水平距离ClC；所述垂直距离指的是隧道拱顶内壁点垂直方向到地面的距离，水平距离指的是隧道两侧墙壁间的距离，通过实时采集多次位移测值构成基准测值序列，由各个垂直距离VCS构成垂距基准序列VCSLst，由各个水平距离ClC构成水平距基准序列ClCLst，基准测值序列包括垂距基准序列VCSLst和水平距基准序列ClCLst；以垂距基准序列VCSLst中各个测得的距离值的算术平均值作为下沉基准值VCSstd；以水平距基准序列ClCLst中各个测得的距离值的算术平均值作为水平收敛基准值ClCstd；
其中，在步骤S300中，所述利用各个位移测值获得错动系数的方法是：错动系数包括垂向错动系数VDslc和水平错动系数HDslc；根据超声波测距仪或者微波雷达传感器在测量点LSet于当前时刻获得垂直距离VCS0以及水平距离ClC0，可获得垂向错动值DVCS以及水平错动值DClC，其中当前时刻的垂向错动值DVCS0＝VCS0﹣VCS1，VCS1代表前一次测量的垂直距离，当前时刻的水平错动值DClC0＝ClC0﹣ClC1，ClC1代表前一次测量的水平距离；利用历史数据中最新获得的800-1000个垂向错动值DVCS构建垂向错动序列DVCSLst，以垂向错动序列DVCSLst中各个值的算术平均值作为垂向错动基准值DVCSrcl；利用历史数据中最新获得的800-1000个水平错动值构建水平收敛错动序列DClCLst，以水平收敛错动序列DClCLst中各个值的算术平均值作为水平错动基准值DClCrcl；计算当前时刻垂向错动系数VDslc0, 其计算方法如下：
其中，FV1(VCS0)是VCS0的值在VCSLst中出现的频率；FV2(DVCS0)是DVCS0的值在DVCSLst中出现的频率；
计算当前时刻水平错动系数HDslc0, 其计算方法如下：
其中，FV3(ClC0)是ClC0的值在ClCLst中出现的频率；FV4(DClC0)是DClC0的值在DClCLst中出现的频率。
2.根据权利要求1所述的一种隧道跨断层处错断诊断方法，其特征在于，在步骤S100中，所述在隧道跨断层处布置超声波测距仪或者微波雷达传感器的方法是：沿着隧道方向，在隧道的隧道跨断层处的区域每间隔距离Dist安装一组超声波测距仪或者微波雷达传感器作为测量点LSet，安装距离Dist取值范围在[150m,300m]之间。
3.根据权利要求1所述的一种隧道跨断层处错断诊断方法，其特征在于，在步骤S400中，所述根据错动系数划分错动区间的方法是：错动系数包括垂向错动系数VDslc0和水平错动系数HDslc0,以VDslc0和HDslc0中的较大值作为第一错动系数MxDc，以较小值作为第二错动系数MnDc；依次计算最新的T个第一错动系数MxDc构成时域错动序列MDLst，时域错动序列MDLst＝{MxDct},t∈[1，T]，MxDct为t时刻的第一错动系数，其中T代表第一错动系数MxDc的历史数据的个数；
获取不同位置的T个测量点LSet的时域错动序列MDLst，以每个时域错动序列MDLst为一行构建隧道错动矩阵MTX，令K表示隧道安装的测量点LSet的数量；以MTX(a，b)代表隧道错动矩阵MTX的第a个时域错动序列MDLst中第b个第一错动系数MxDc；以MTX(a，)代表隧道错动矩阵MTX的第a个时域错动序列MDLst；计算获得错动参考值Vidx，错动参考值Vidx为MTX中各个元素的算数平均值；
其中，a和b均为序号,a∈[1，K] ,b∈[1，T]；
为隧道错动矩阵MTX中每个元素设立一个布尔值作为趋势标记UFlag，UFlag取值为TRUE或者FALSE；
如果MTX(a，b)＞Vidx，则将MTX(a，b)的趋势标记UFlag值设为TRUE，
如果MTX(a，b)≤Vidx，则将MTX(a，b)的趋势标记UFlag值设为FALSE；
为隧道错动矩阵MTX中各个元素设立一个布尔值作为动向标记M_VFlag，M_VFlag取值为TRUE或者FALSE；
如果MTX(a，b)的值大于或等于VDslc0，则将MTX(a，b)的动向标记M_VFlag值设为TRUE，
如果MTX(a，b)的值大于或等于HDslc0，则将MTX(a，b)的动向标记M_VFlag值设为FALSE；
设定变量i1，令变量i1的初始值为2，设定一个变量作为错动区间序号AreaN，设置初始错动区间序号AreaN为1；
S401，如果 MTX(i1,1)的趋势标记UFlag值为TRUE，为第i1个测量点增设区间标记Zonei1，跳转到步骤S402；如果 MTX(i1,1)的趋势标记UFlag值为FALSE，将i1的数值加1，跳转到步骤S401；
S402，在MTX的第i1行与第i1-1行中，如果同一列的元素的趋势标记UFlag值为TRUE而且动向标记M_VFlag的值相同，则称MTX的第i1行与第i1-1行在该列具有共同趋势，统计在MTX的第i1行与第i1-1行中具有共同趋势的列的数量CNTSmlr，计算MTX(i1,)与MTX(i1-1,)的关联度RLIdx, 关联度RLIdx＝CNTSmlr/T；MTX(i1,)为MTX的第i1个时域错动序列MDLst；MTX(i1-1,)为MTX的第i1-1个时域错动序列MDLst；
S403，如果MTX(i1-1,)所对应的测量点不拥有区间标记Zonei1-1，则把Zonei1的值设定为错动区间序号AreaN的值，将AreaN的数值加1；将i1的数值加1，如果此时i1≤K，如果第i1-1个测量点拥有区间标记Zonei1-1，把Zonei1的值设定为Zonei1-1的值，跳转到步骤S401；如果此时i1＞K，则完成错动区间的划分，由隧道中拥有相同区间标记Zone的各个测量点构成错动区间Z；隧道被划分出ZoneN个错动区间Z，其中ZoneN＝AreaN-1。
4.根据权利要求1所述的一种隧道跨断层处错断诊断方法，其特征在于，在步骤S500中，利用错动区间构建隧道风险模型计算得到错断风险的方法是：一个错动区间Z内拥有的测量点LSet数量为GRN，设定错动区间Z里最新获得的各个测量点LSet的第一错动系数MxDc中的最大值作为错动峰值Top，错动峰值Top所对应的测量点LSet作为错动区间Z的错动中心点CSet；
如果要计算两个测量点的相对位置权重，则把这两个测量点设定为目标测量点，当在错动区间Z中一个目标测量点LSetα到另一个目标测量点LSetβ之间间隔的测量点的个数为nGap,则目标测量点LSetα到另一个目标测量点LSetβ的相对位置权重为Div(α,β)，Div(α,β)＝nGap＋1，如果测量点LSetα与LSetβ位置相同则Div(α,β)的值为0；
以错动区间Z中各个测量点LSet的时域错动序列MDLst为每一行构建区间错动矩阵SubMTX，以SubMTX中各个元素的最小值作为错动谷值Bottom，错动谷值Bottom所对应的测量点LSet作为错动区间Z的错动低点BSet，错动中心点CSet与错动低点BSet的相对位置权重为Div(CSet,BSet)，以错动中心点CSet与错动低点BSet之间的各个测量点获取的时域错动序列的关联度RLIdx的算术平均值作为抬升域关联度GRLIdx；构建隧道风险模型计算错断风险Risk，其中序号为g的错动区间Z的错断风险RiskZ＝g如下：
或者
；
其中g为错动区间Z的序号，g∈[1, ZoneN]，ZoneN为隧道中错动区间的数量, i2为累加变量；Div(i2，CSet)代表目标测量点LSeti2到错动中心点CSet的相对位置权重，测量点LSeti2为同一个错动区间Z内的第i2个测量点，MxDci2代表同一个错动区间Z内第i2个测量点当前获得的第一错动系数MxDc数值，φ为折扣系数，折扣系数计算方法为：
或者，
；
其中i3为累加变量，SubMTX(CSet，i3)代表在区间错动矩阵SubMTX中错动中心点CSet所对应的行的第i3个元素，max{SubMTX(，i3)}代表在区间错动矩阵SubMTX中的第i3列元素的集合中的最大值，ln为自然对数。
5.根据权利要求1所述的一种隧道跨断层处错断诊断方法，其特征在于，在步骤S600中，根据错断风险进行隧道错断评估的方法是：计算各个错动区间Z的错断风险Risk，通过各个错动区间Z的错断风险Risk构成错断候选集合TRisk，把错断候选集合TRisk中各个数值的算术平均值作为异动平均水平ERisk，如果存在一个或多个错动区间Z符合以下条件：Risk≥2×ERisk，则称这样的错动区间Z为错断高风险区间RZ，并把各个错断高风险区间RZ、错断高风险区间RZ中的各个检测点LSet以及对应的错断风险Risk作为警告信息发出警报；如果不存在错断高风险区间，则将错断候选集合TRisk中最大值对应的错动区间Z、错动区间Z中的各个检测点LSet以及对应的错断风险Risk作为普通的日志信息发送给管理者。
6.一种隧道跨断层处错断诊断系统，其特征在于，所述一种隧道跨断层处错断诊断系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1中所述 的一种隧道跨断层处错断诊断方法中的步骤，所述一种隧道跨断层处错断诊断系统运行于桌上型计算机、笔记本、掌上电脑及云端数据中心的计算设备中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210254486.6A CN114329307B (zh) | 2022-03-16 | 2022-03-16 | 一种隧道跨断层处错断诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210254486.6A CN114329307B (zh) | 2022-03-16 | 2022-03-16 | 一种隧道跨断层处错断诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114329307A CN114329307A (zh) | 2022-04-12 |
| CN114329307B true CN114329307B (zh) | 2022-06-14 |
Family
ID=81033082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210254486.6A Active CN114329307B (zh) | 2022-03-16 | 2022-03-16 | 一种隧道跨断层处错断诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114329307B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116464482B (zh) * | 2023-03-21 | 2023-09-22 | 广东海洋大学 | 一种隧道衬砌的抗错断装置的预警方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110726727A (zh) * | 2019-10-30 | 2020-01-24 | 大连理工大学 | 跨断层隧道病害的诊断分析方法 |
| CN113756835A (zh) * | 2021-08-05 | 2021-12-07 | 中国科学院武汉岩土力学研究所 | 一种隧道抗错断结构体系 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021068848A1 (zh) * | 2019-10-09 | 2021-04-15 | 山东大学 | 隧道结构病害多尺度检测与智能诊断系统及方法 |
| CN111259486B (zh) * | 2020-02-24 | 2023-01-24 | 中铁第六勘察设计院集团有限公司 | 一种超大跨岩石隧道整体稳定性评价方法 |
| CN113187556B (zh) * | 2021-05-06 | 2022-05-10 | 西南交通大学 | 一种基于全概率的断层错动下隧道地震风险分析方法 |
-
2022
- 2022-03-16 CN CN202210254486.6A patent/CN114329307B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110726727A (zh) * | 2019-10-30 | 2020-01-24 | 大连理工大学 | 跨断层隧道病害的诊断分析方法 |
| CN113756835A (zh) * | 2021-08-05 | 2021-12-07 | 中国科学院武汉岩土力学研究所 | 一种隧道抗错断结构体系 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114329307A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11669080B2 (en) | Abnormality detection device, abnormality detection method, and program | |
| CN114329307B (zh) | 一种隧道跨断层处错断诊断方法及系统 | |
| CN102998500B (zh) | 一种数字三维示波器的波形数据处理方法 | |
| WO2015146082A1 (ja) | 漏洩検知装置、漏洩検知方法、およびプログラムを格納する記録媒体 | |
| Das et al. | A new non-linear framework for localization of acoustic sources | |
| JP2009237805A (ja) | 橋梁通過車両監視システム、橋梁通過車両監視方法、およびコンピュータプログラム | |
| Koc et al. | Comparison of linear correlation and a statistical dependency measure for inferring spatial relation of temperature sensors in buildings | |
| Das et al. | A new power-based method to determine the first arrival information of an acoustic emission wave | |
| CN107167559B (zh) | 一种利用双传感器进行梁式桥梁结构损伤定位的方法 | |
| KR102485227B1 (ko) | 인공지능 기반 홍수 예측 시스템 및 이를 이용한 홍수 예측 방법 | |
| KR101724152B1 (ko) | 금속 이물질의 충격 위치 추정을 위한 분산 선도 추출 방법 | |
| JP5034021B2 (ja) | 波浪推定方法、システム及びプログラム | |
| CN114046867B (zh) | 基于分布式光纤振动传感系统的振动源横向距离估测方法 | |
| JP3925910B2 (ja) | 常時微動計測に基づく建物の健全性診断法 | |
| Reuland et al. | Vibration-based occupant detection using a multiple-model approach | |
| KR101354522B1 (ko) | 변분법과 초기추정법을 이용한 고분해능 레이더 바람장 산출방법 | |
| CN113720917A (zh) | 一种准静态未知时变载荷下结构损伤的自适应定位方法 | |
| US20200278241A1 (en) | Vibration determination device, vibration determination method, and program | |
| CN116861789A (zh) | 微震参数多输入序列预测模型的岩爆预测方法 | |
| KR101724151B1 (ko) | 앰비규어티 패턴인식을 이용한 금속 이물질의 충격 위치와 질량 동시추정 방법 | |
| CN108710751A (zh) | 一种输电塔局部连接松动识别方法及装置 | |
| JP2022186575A (ja) | 検知装置，検知方法およびプログラム | |
| CN112363160B (zh) | 一种基于宽带式信号的卧床跌落检测方法、介质、设备及装置 | |
| WO2020183781A1 (ja) | 異常診断装置 | |
| Gunes | One-class machine learning approach for localized damage detection |
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 |