CN115263432A - 一种深埋隧洞稳定性和安全性监测分析系统 - Google Patents
一种深埋隧洞稳定性和安全性监测分析系统 Download PDFInfo
- Publication number
- CN115263432A CN115263432A CN202211069767.0A CN202211069767A CN115263432A CN 115263432 A CN115263432 A CN 115263432A CN 202211069767 A CN202211069767 A CN 202211069767A CN 115263432 A CN115263432 A CN 115263432A
- Authority
- CN
- China
- Prior art keywords
- deep
- tunnel
- data
- buried tunnel
- unit
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 85
- 238000007405 data analysis Methods 0.000 claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 56
- 239000011435 rock Substances 0.000 claims description 38
- 238000006073 displacement reaction Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000013307 optical fiber Substances 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000005336 cracking Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种深埋隧洞稳定性和安全性监测分析系统,属于深埋隧洞监测技术领域,包括:深埋隧洞数据采集单元;数据预处理单元,与深埋隧洞数据采集单元连接;深埋隧洞数据存储单元,用于存储深埋隧洞相关的模型信息,模型信息包括工程几何模型信息和深埋隧洞周围地质情况信息;数据分析单元,为基于深度学习的卷积神经网络模型;数据分析单元根据数据预处理单元预处理得到的预处理数据与深埋隧洞数据存储单元存储的模型信息进行比较,给出深埋隧洞的稳定性、安全性预测评价结果;预警单元,与数据分析单元连接。本发明采用深度学习的卷积神经网络模型作为主体,使数据分析单元给出深埋隧洞的稳定性、安全性预测评价结果更精确,可靠性更高。
Description
技术领域
本发明属于深埋隧洞监测技术领域,具体涉及一种深埋隧洞稳定性和安全性监测分析系统。
背景技术
在我国工程建设当中,由于受到地形条件的影响,高速公路、铁路线路经常采用隧洞方案穿越山岭,大型水电站也常常出现长大引水隧洞和交通辅助洞,大量的“长大深埋”隧洞成为山区工程建设的控制性工程。
隧洞修建之初,勘察设计单位通过钻探、物探等手段对隧址区进行地质勘测,将隧洞各区段划分为不同的围岩等级,并针对不同围岩等级区间段对隧洞进行设计。然而由于条件所限,勘探无法对隧址区的整个地质情况做到完全精细的探明。
传统的隧洞监测理论认为由于存在地应力,在隧洞开挖时,围岩将发生应力重分布,洞壁变形剧烈,因此,会对其进行位移监测与应力监测,且传统的监测理论只适用于施工期。
往往在隧洞开挖完成后,就不再考虑围岩的内部结构变化、洞壁的变形。如果,在深埋隧洞施工完成后,需要对深埋隧洞的围岩的内部结构变化、洞壁的变形进行稳定性和安全性的实时监测,成功的预测并及时采取应对措施,防范于未然,能够减少非必要的人员伤亡;反之,如果没有监测,则往往在突发的事故面前束手无策,遭受重大挫折。
因此,急需一种能够对深埋隧洞的稳定性和安全性实时监测分析的系统。
发明内容
本发明为了提供一种能够对深埋隧洞的稳定性和安全性实时监测分析的系统,本发明采取了如下技术方案:
一种深埋隧洞稳定性和安全性监测分析系统,包括:
深埋隧洞数据采集单元,用于采集并存储所有监测设备测得深埋隧洞的原始监测数据和实时监测数据;
数据预处理单元,与所述深埋隧洞数据采集单元连接,用于对所述深埋隧洞数据采集单元采集的所述深埋隧洞的原始监测数据和实时监测数据进行预处理,得到预处理数据;
深埋隧洞数据存储单元,用于存储深埋隧洞相关的模型信息,所述模型信息包括工程几何模型信息和深埋隧洞周围地质情况信息;
数据分析单元,所述数据分析单元为基于深度学习的卷积神经网络模型;所述数据分析单元与所述深埋隧洞数据存储单元、所述数据预处理单元连接,所述数据分析单元根据所述数据预处理单元预处理得到的预处理数据与所述深埋隧洞数据存储单元存储的模型信息进行比较,来分析判断深埋隧洞的稳定性和安全性,并给出深埋隧洞的稳定性、安全性预测评价结果;
预警单元,所述预警单元与所述数据分析单元连接,根据所述数据分析单元给出的深埋隧洞的稳定性、安全性预测评价结果发出预警。
进一步地,所述深埋隧洞数据采集单元包括位移监测模块、视频监测模块和深度变化监测模块;
所述位移监测模块包括多个位移计,多个所述位移计间隔分散地设置在深埋隧洞内的监测点;
所述视频监测模块包括设置在所述深埋隧洞的洞壁上的标靶和高清摄像头,所述高清摄像头与所述标靶对应设置,所述高清摄像头内设置有数字处理器,所述数字处理器与所述数据预处理单元无线信号连接;
所述深度变化监测模块包括多个插入深埋隧洞洞壁内的测斜管,所述测斜管穿过深埋隧道的潜在滑动面并向地表延伸的钻孔内,所述测斜管的管体外壁设置有连续的曲线凹槽,所述曲线凹槽内布设有信号光纤;深埋隧洞内设置有光源-光功率计,所述光源-光功率计与所述信号光纤连接;所述光源-光功率计与所述数据预处理单元无线信号连接。
进一步地,所述视频监测模块的使用方法包括以下步骤:
S10、将所述标靶安装在所述深埋隧洞的洞壁上,采用安装在固定位置处的所述高清摄像头拍摄所述标靶的初始位置,所述数字处理器接收到所述高清摄像头视频信号后,对图像进行处理并识别出所述标靶的初始位置,将初始位置数据发送至所述数据预处理单元,所述数据预处理单元将接收到的数据预处理并发送至所述数据分析单元;
S20、预设固定的间隔时间,所述高清摄像头拍摄所述标靶一次,并通过所述数字处理器对图像进行处理,识别出所述标靶的位置;所述数字处理器将所述标靶的位置数据通过所述数据接收单元发送至所述数据分析单元;
S30、所述数据分析单元将图像中识别出的所述标靶位置,与所述标靶的初始位置对比,当发现新拍摄照片中所述标靶消失,或所述标靶的位置与初始位置相比超过设定的阈值时,所述数据分析单元给出出现深埋隧道出现洞壁位移变化的判断,并通过所述预警单元发出警报信号。
进一步地,所述警报信号为声光报警的形式。
进一步地,所述工程几何模型信息包括围岩信息、深埋隧洞的模型信息以及与所述深埋隧洞的模型对应的坐标信息;
其中,深埋隧洞的模型信息以及与所述深埋隧洞的模型对应的坐标信息为:根据深埋隧洞的平面设计图纸,建立三维模型;所述三维模型在空间上的形状和位置采用三维坐标系表示,所述三维坐标系包括X轴、Y轴和Z轴,其中,所述X轴表示隧洞的轴线方向,所述Y轴表示隧洞断面的水平方向,所述Z轴表示隧洞断面竖直方向;
所述围岩信息为根据深埋隧洞围岩的图片信息,并根据所述围岩的完整性信息对所述图片信息进行分类,以得到围岩信息。
进一步地,所述深埋隧洞围岩的图片信息由无人机航拍得到,其中,所述无人机上搭载LED模块和相机,基于LED模块和相机在隧洞内采集多张隧洞缺陷始图像,得到原始图像集;对所述原始图像集进行预处理,得到所述图片信息的样本集。
进一步地,还包括训练单元,所述括训练单元用于对所述数据分析单元进训练,所述括训练单元包括图片信息的训练样本、深埋隧洞的模型信息以及与所述深埋隧洞的模型对应的坐标信息训练样本以及对所述位移监测模块、视频监测模块和深度变化监测模块采集原始信息进行预处理的采集信息训练样本;
其中,使用训练单元训练所述基于深度学习的卷积神经网络模型,并验证训练后的所述卷积神经网络模型的准确度;
训练完成后,将待检测图片输入至验证后的所述基于深度学习的卷积神经网络模型,获取所述围岩的分类等级和概率,得到所述围岩的破碎等级;基于深度学习的卷积神经网络模型根据所述深埋隧洞数据采集单元采集数据得到的隧洞运行状态,并根据更新的深埋隧洞围岩的图片信息得到所述围岩的破碎等级来判断裂缝位置信息,建立多尺度模型,预测该位置的裂缝的发展趋势与隧洞安全状态;所述裂缝的发展趋势包括主裂缝位置、主裂缝宽度和主裂缝周围开裂状况;所述隧洞安全状态包括隧洞安全性预测分析、稳定性预测分析及评价结果。
进一步地,所述训练单元包括训练模块,所述训练模块中设置有训练样本,所述训练样本包括80%的训练样本和20%的测试训练样本。
进一步地,通过所述训练样本训练得到所述深度学习的卷积神经网络模型包括:
将所述训练样本中每个实时参数对应的数值作为输入层节点;
将所述训练样本中超过原始参数的每个参数转换为数值;
将得到的超过预设阈值的每个参数对应的数据作为所述深度学习的卷积神经网络模型的输出层节点;
根据所述输入层节点和所述输出层节点进行训练得到所述深度学习的卷积神经网络模型。
进一步地,所述卷积神经网络包括输入层、卷积层、池化层,所述卷积层的层数为16、卷积核大小为3*3的卷积层和层数为5的最大池化层。
有益效果:
本发明提供的一种深埋隧洞稳定性和安全性监测分析系统,通过位移计、视频监测模块、深度变化监测模块等设置,对深埋隧洞以及深埋隧道周围情况变化进行实时监测;通过深埋隧洞围岩的图片信息变化,确定裂缝的发展趋势与隧洞安全状态,同时,采用深度学习的卷积神经网络模型作为数据分析单元的主体,使数据分析单元给出深埋隧洞的稳定性、安全性预测评价结果更精确,可靠性更高。
附图说明
图1为本发明的整体结构示意图;
图2为本发明的工作流程示意图;
图3为卷积神经网络模型示意图;
其中,1、深埋隧洞;2、数据分析单元;3、位移计;4、测斜管;5、信号光纤;6、标靶;7、高清摄像头;8、无人机;9、相机。
具体实施方式
实施例1
参考图1-3,一种深埋隧洞稳定性和安全性监测分析系统,包括:
深埋隧洞数据采集单元,用于采集并存储所有监测设备测得深埋隧洞1的原始监测数据和实时监测数据;
数据预处理单元,与深埋隧洞数据采集单元连接,用于对深埋隧洞数据采集单元采集的深埋隧洞1的原始监测数据和实时监测数据进行预处理,得到预处理数据;
深埋隧洞数据存储单元,用于存储深埋隧洞1相关的模型信息,模型信息包括工程几何模型信息和深埋隧洞周围地质情况信息;
数据分析单元2,数据分析单元为基于深度学习的卷积神经网络模型;数据分析单元与深埋隧洞数据存储单元、数据预处理单元连接,数据分析单元根据数据预处理单元预处理得到的预处理数据与深埋隧洞数据存储单元存储的模型信息进行比较,来分析判断深埋隧洞的稳定性和安全性,并给出深埋隧洞的稳定性、安全性预测评价结果;
预警单元,预警单元与数据分析单元连接,根据数据分析单元给出的深埋隧洞的稳定性、安全性预测评价结果发出预警。
本实施例提供的深埋隧洞稳定性和安全性监测分析系统,采用深度学习的卷积神经网络模型作为数据分析单元的主体,使数据分析单元给出深埋隧洞的稳定性、安全性预测评价结果更精确,可靠性更高。
实施例2
为了更好地对深埋隧洞进行监测,本实施例在实施例1的基础上进行了进一步地设置。
在本实施例中,深埋隧洞数据采集单元包括位移监测模块、视频监测模块和深度变化监测模块。
位移监测模块包括多个位移计3,多个位移计3间隔分散地设置在深埋隧洞1内的监测点。
在本实施例中,相邻的位移计3之间间隔为30-80m设置一个监测点,每个监测点沿隧洞周向设置多个位移计3,以监测各个方向的位移变化。
视频监测模块包括设置在深埋隧洞的洞壁上的标靶6和高清摄像头7,高清摄像头7与标靶6对应设置,高清摄像头7内设置有数字处理器,数字处理器与数据预处理单元无线信号连接。
在本实施例中,相邻的视频监测模块之间间隔为50-100m设置一个视频监测点,同时,隧洞出现不同路段应设置至少1组视频监测模块,以监测隧洞的深度变化。
在本实施例中,视频监测模块的使用方法包括以下步骤:
S10、将标靶安装在深埋隧洞的洞壁上,采用安装在固定位置处的高清摄像头拍摄标靶的初始位置,数字处理器接收到高清摄像头视频信号后,对图像进行处理并识别出标靶的初始位置,将初始位置数据发送至数据预处理单元,数据预处理单元将接收到的数据预处理并发送至数据分析单元;
S20、预设固定的间隔时间,高清摄像头拍摄标靶一次,并通过数字处理器对图像进行处理,识别出标靶的位置;数字处理器将标靶的位置数据通过数据接收单元发送至数据分析单元;
S30、数据分析单元将图像中识别出的标靶位置,与标靶的初始位置对比,当发现新拍摄照片中标靶消失,或标靶的位置与初始位置相比超过设定的阈值时,数据分析单元给出出现深埋隧道出现洞壁位移变化的判断,并通过预警单元发出警报信号。
深度变化监测模块包括多个插入深埋隧洞洞壁内的测斜管4,测斜管4穿过深埋隧道的潜在滑动面并向地表延伸的钻孔内,测斜管4的管体外壁设置有连续的曲线凹槽,曲线凹槽内布设有信号光纤5;深埋隧洞内设置有光源-光功率计,光源-光功率计与信号光纤连接;光源-光功率计与数据预处理单元无线信号连接。
在本实施例中,深埋隧洞的入口、出口附进以及出现不同路段过渡端附件应设置至少1组深度变化监测模块,以监测隧洞周边的潜在滑动面的位置变化。
在本实施例中,警报信号为声光报警的形式。
本实施例通过位移计、视频监测模块、深度变化监测模块等设置,能够对深埋隧洞以及深埋隧道周围情况变化进行实时监测。
实施例3
为了保证对深埋隧洞进行监测的准确性,本实施例在实施例2的基础上进行了进一步地设置。
在本实施例中,工程几何模型信息包括围岩信息、深埋隧洞的模型信息以及与深埋隧洞的模型对应的坐标信息;
其中,深埋隧洞的模型信息以及与深埋隧洞的模型对应的坐标信息为:根据深埋隧洞的平面设计图纸,建立三维模型;三维模型在空间上的形状和位置采用三维坐标系表示,三维坐标系包括X轴、Y轴和Z轴,其中,X轴表示隧洞的轴线方向,Y轴表示隧洞断面的水平方向,Z轴表示隧洞断面竖直方向;
围岩信息为根据深埋隧洞围岩的图片信息,并根据围岩的完整性信息对图片信息进行分类,以得到围岩信息。
在本实施例中,深埋隧洞围岩的图片信息由无人机8航拍得到,其中,无人机8上搭载LED模块和相机9,基于LED模块和相机9在隧洞内采集多张隧洞缺陷始图像,得到原始图像集;对原始图像集进行预处理,得到图片信息的样本集。
本实施例通过深埋隧洞围岩的图片信息变化,能够确定裂缝的发展趋势与隧洞安全状态,使数据分析单元给出深埋隧洞的稳定性、安全性预测评价结果更精确,可靠性更高。
实施例4
为了更好地对数据分析单元进行训练,本实施例在实施例3的基础上进行了更进一步地设置。
本实施例提供的深埋隧洞稳定性和安全性监测分析系统,还包括训练单元,括训练单元用于对数据分析单元进训练,括训练单元包括图片信息的训练样本、深埋隧洞的模型信息以及与深埋隧洞的模型对应的坐标信息训练样本以及对位移监测模块、视频监测模块和深度变化监测模块采集原始信息进行预处理的采集信息训练样本;
其中,使用训练单元训练基于深度学习的卷积神经网络模型,并验证训练后的卷积神经网络模型的准确度;
训练完成后,将待检测图片输入至验证后的基于深度学习的卷积神经网络模型,获取围岩的分类等级和概率,得到围岩的破碎等级;基于深度学习的卷积神经网络模型根据深埋隧洞数据采集单元采集数据得到的隧洞运行状态,并根据更新的深埋隧洞围岩的图片信息得到围岩的破碎等级来判断裂缝位置信息,建立多尺度模型,预测该位置的裂缝的发展趋势与隧洞安全状态;裂缝的发展趋势包括主裂缝位置、主裂缝宽度和主裂缝周围开裂状况;隧洞安全状态包括隧洞安全性预测分析、稳定性预测分析及评价结果。
在本实施例中,训练单元包括训练模块,训练模块中设置有训练样本,训练样本包括80%的训练样本和20%的测试训练样本。
在本实施例中,参考图3,通过训练样本训练得到深度学习的卷积神经网络模型包括:
将训练样本中每个实时参数对应的数值作为输入层节点;
将训练样本中超过原始参数的每个参数转换为数值;
将得到的超过预设阈值的每个参数对应的数据作为深度学习的卷积神经网络模型的输出层节点;
根据输入层节点和输出层节点进行训练得到深度学习的卷积神经网络模型。
在本实施例中,卷积神经网络包括输入层、卷积层、池化层,卷积层的层数为16、卷积核大小为3*3的卷积层和层数为5的最大池化层。
以上所述,仅是本发明较佳实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明技术方案的范围。
Claims (10)
1.一种深埋隧洞稳定性和安全性监测分析系统,其特征在于,包括:
深埋隧洞数据采集单元,用于采集并存储所有监测设备测得深埋隧洞的原始监测数据和实时监测数据;
数据预处理单元,与所述深埋隧洞数据采集单元连接,用于对所述深埋隧洞数据采集单元采集的所述深埋隧洞的原始监测数据和实时监测数据进行预处理,得到预处理数据;
深埋隧洞数据存储单元,用于存储深埋隧洞相关的模型信息,所述模型信息包括工程几何模型信息和深埋隧洞周围地质情况信息;
数据分析单元,所述数据分析单元为基于深度学习的卷积神经网络模型;所述数据分析单元与所述深埋隧洞数据存储单元、所述数据预处理单元连接,所述数据分析单元根据所述数据预处理单元预处理得到的预处理数据与所述深埋隧洞数据存储单元存储的模型信息进行比较,来分析判断深埋隧洞的稳定性和安全性,并给出深埋隧洞的稳定性、安全性预测评价结果;
预警单元,所述预警单元与所述数据分析单元连接,根据所述数据分析单元给出的深埋隧洞的稳定性、安全性预测评价结果发出预警。
2.根据权利要求1所述的深埋隧洞稳定性和安全性监测分析系统,其特征在于,所述深埋隧洞数据采集单元包括位移监测模块、视频监测模块和深度变化监测模块;
所述位移监测模块包括多个位移计,多个所述位移计间隔分散地设置在深埋隧洞内的监测点;
所述视频监测模块包括设置在所述深埋隧洞的洞壁上的标靶和高清摄像头,所述高清摄像头与所述标靶对应设置,所述高清摄像头内设置有数字处理器,所述数字处理器与所述数据预处理单元无线信号连接;
所述深度变化监测模块包括多个插入深埋隧洞洞壁内的测斜管,所述测斜管穿过深埋隧道的潜在滑动面并向地表延伸的钻孔内,所述测斜管的管体外壁设置有连续的曲线凹槽,所述曲线凹槽内布设有信号光纤;深埋隧洞内设置有光源-光功率计,所述光源-光功率计与所述信号光纤连接;所述光源-光功率计与所述数据预处理单元无线信号连接。
3.根据权利要求2所述的深埋隧洞稳定性和安全性监测分析系统,其特征在于,所述视频监测模块的使用方法包括以下步骤:
S10、将所述标靶安装在所述深埋隧洞的洞壁上,采用安装在固定位置处的所述高清摄像头拍摄所述标靶的初始位置,所述数字处理器接收到所述高清摄像头视频信号后,对图像进行处理并识别出所述标靶的初始位置,将初始位置数据发送至所述数据预处理单元,所述数据预处理单元将接收到的数据预处理并发送至所述数据分析单元;
S20、预设固定的间隔时间,所述高清摄像头拍摄所述标靶一次,并通过所述数字处理器对图像进行处理,识别出所述标靶的位置;所述数字处理器将所述标靶的位置数据通过所述数据接收单元发送至所述数据分析单元;
S30、所述数据分析单元将图像中识别出的所述标靶位置,与所述标靶的初始位置对比,当发现新拍摄照片中所述标靶消失,或所述标靶的位置与初始位置相比超过设定的阈值时,所述数据分析单元给出出现深埋隧道出现洞壁位移变化的判断,并通过所述预警单元发出警报信号。
4.根据权利要求3所述的深埋隧洞稳定性和安全性监测分析系统,其特征在于,所述警报信号为声光报警的形式。
5.根据权利要求2所述的深埋隧洞稳定性和安全性监测分析系统,其特征在于,所述工程几何模型信息包括围岩信息、深埋隧洞的模型信息以及与所述深埋隧洞的模型对应的坐标信息;
其中,深埋隧洞的模型信息以及与所述深埋隧洞的模型对应的坐标信息为:根据深埋隧洞的平面设计图纸,建立三维模型;所述三维模型在空间上的形状和位置采用三维坐标系表示,所述三维坐标系包括X轴、Y轴和Z轴,其中,所述X轴表示隧洞的轴线方向,所述Y轴表示隧洞断面的水平方向,所述Z轴表示隧洞断面竖直方向;
所述围岩信息为根据深埋隧洞围岩的图片信息,并根据所述围岩的完整性信息对所述图片信息进行分类,以得到围岩信息。
6.根据权利要求5所述的深埋隧洞稳定性和安全性监测分析系统,其特征在于,所述深埋隧洞围岩的图片信息由无人机航拍得到,其中,所述无人机上搭载LED模块和相机,基于LED模块和相机在隧洞内采集多张隧洞缺陷始图像,得到原始图像集;对所述原始图像集进行预处理,得到所述图片信息的样本集。
7.根据权利要求6所述的深埋隧洞稳定性和安全性监测分析系统,其特征在于,还包括训练单元,所述括训练单元用于对所述数据分析单元进训练,所述括训练单元包括图片信息的训练样本、深埋隧洞的模型信息以及与所述深埋隧洞的模型对应的坐标信息训练样本以及对所述位移监测模块、视频监测模块和深度变化监测模块采集原始信息进行预处理的采集信息训练样本;
其中,使用训练单元训练所述基于深度学习的卷积神经网络模型,并验证训练后的所述卷积神经网络模型的准确度;
训练完成后,将待检测图片输入至验证后的所述基于深度学习的卷积神经网络模型,获取所述围岩的分类等级和概率,得到所述围岩的破碎等级;基于深度学习的卷积神经网络模型根据所述深埋隧洞数据采集单元采集数据得到的隧洞运行状态,并根据更新的深埋隧洞围岩的图片信息得到所述围岩的破碎等级来判断裂缝位置信息,建立多尺度模型,预测该位置的裂缝的发展趋势与隧洞安全状态;所述裂缝的发展趋势包括主裂缝位置、主裂缝宽度和主裂缝周围开裂状况;所述隧洞安全状态包括隧洞安全性预测分析、稳定性预测分析及评价结果。
8.根据权利要求7所述的深埋隧洞稳定性和安全性监测分析系统,其特征在于,所述训练单元包括训练模块,所述训练模块中设置有训练样本,所述训练样本包括80%的训练样本和20%的测试训练样本。
9.根据权利要求8所述的深埋隧洞稳定性和安全性监测分析系统,其特征在于,通过所述训练样本训练得到所述深度学习的卷积神经网络模型包括:
将所述训练样本中每个实时参数对应的数值作为输入层节点;
将所述训练样本中超过原始参数的每个参数转换为数值;
将得到的超过预设阈值的每个参数对应的数据作为所述深度学习的卷积神经网络模型的输出层节点;
根据所述输入层节点和所述输出层节点进行训练得到所述深度学习的卷积神经网络模型。
10.根据权利要求1所述的深埋隧洞稳定性和安全性监测分析系统,其特征在于,所述卷积神经网络包括输入层、卷积层、池化层,所述卷积层的层数为16、卷积核大小为3*3的卷积层和层数为5的最大池化层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211069767.0A CN115263432A (zh) | 2022-09-02 | 2022-09-02 | 一种深埋隧洞稳定性和安全性监测分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211069767.0A CN115263432A (zh) | 2022-09-02 | 2022-09-02 | 一种深埋隧洞稳定性和安全性监测分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115263432A true CN115263432A (zh) | 2022-11-01 |
Family
ID=83755041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211069767.0A Pending CN115263432A (zh) | 2022-09-02 | 2022-09-02 | 一种深埋隧洞稳定性和安全性监测分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115263432A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829121A (zh) * | 2022-11-30 | 2023-03-21 | 河海大学 | 一种深埋隧洞稳定性预测方法及系统 |
CN115929406A (zh) * | 2022-12-07 | 2023-04-07 | 河海大学 | 基于神经网络的围岩稳定性预测方法、系统及存储介质 |
CN116702290A (zh) * | 2023-06-15 | 2023-09-05 | 象无形(上海)信息科技有限公司 | 一种bim几何模型的智能检测方法及系统 |
CN116906125A (zh) * | 2023-09-06 | 2023-10-20 | 四川高速公路建设开发集团有限公司 | 基于数据同步传输算法的软岩隧道安全监测方法及系统 |
-
2022
- 2022-09-02 CN CN202211069767.0A patent/CN115263432A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829121A (zh) * | 2022-11-30 | 2023-03-21 | 河海大学 | 一种深埋隧洞稳定性预测方法及系统 |
CN115829121B (zh) * | 2022-11-30 | 2023-09-19 | 河海大学 | 一种深埋隧洞稳定性预测方法及系统 |
CN115929406A (zh) * | 2022-12-07 | 2023-04-07 | 河海大学 | 基于神经网络的围岩稳定性预测方法、系统及存储介质 |
CN115929406B (zh) * | 2022-12-07 | 2023-08-18 | 河海大学 | 基于神经网络的围岩稳定性预测方法、系统及存储介质 |
CN116702290A (zh) * | 2023-06-15 | 2023-09-05 | 象无形(上海)信息科技有限公司 | 一种bim几何模型的智能检测方法及系统 |
CN116702290B (zh) * | 2023-06-15 | 2024-02-02 | 象无形(上海)信息科技有限公司 | 一种bim几何模型的智能检测方法及系统 |
CN116906125A (zh) * | 2023-09-06 | 2023-10-20 | 四川高速公路建设开发集团有限公司 | 基于数据同步传输算法的软岩隧道安全监测方法及系统 |
CN116906125B (zh) * | 2023-09-06 | 2023-12-29 | 四川高速公路建设开发集团有限公司 | 基于数据同步传输算法的软岩隧道安全监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115263432A (zh) | 一种深埋隧洞稳定性和安全性监测分析系统 | |
CN112985304B (zh) | 一种隧道施工辅助监测系统 | |
CN106224007A (zh) | 隧道施工安全监测预警管理系统 | |
CN109239768B (zh) | 一种爆破围岩松动圈和损伤程度的测试方法 | |
CN107861157B (zh) | 一种地下水封洞库运营期微震监测方法 | |
CN211291565U (zh) | 一种隧道施工动态监测和预警系统 | |
CN113362469B (zh) | 综合城市建筑信息和地层结构的盾构隧道施工预警方法 | |
CN103743441A (zh) | 一种边坡安全的多元耦合在线监测系统及方法 | |
KR101895835B1 (ko) | 지표 투과 레이더 탐사 시스템 | |
CN108489403A (zh) | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 | |
CN111473779B (zh) | 一种滑坡-隧道体系变形的识别和联动监测的方法 | |
CN215909901U (zh) | 多数据混合高边坡监测预警装置 | |
CN113936228A (zh) | 基于无人机数据校核的高边坡监测预警系统 | |
CN111505733A (zh) | 一种地下工程裂隙岩体赋存特殊地质体多源异构信息融合分析与动态预测方法 | |
CN115914282A (zh) | 多维度监控埋地天然气管道泄露监测系统 | |
CN116030207A (zh) | 一种岩溶地质公路隧道施工综合超前三维地质建模方法 | |
CN112084553B (zh) | 一种用于隧道规划的勘测方法 | |
CN104655191B (zh) | 一种消落带库岸多参数立体化监测方法及监测探头 | |
CN116794651A (zh) | 基于航测探地雷达与影像数据的滑坡特征解译方法及系统 | |
CN117433440A (zh) | 一种基于激光点云的巷道形变实时检测方法、装置及存储介质 | |
Ge et al. | Rock joint detection from borehole imaging logs based on grey-level co-occurrence matrix and Canny edge detector | |
CN114972906A (zh) | 一种土压平衡盾构开挖面土质类型识别方法 | |
CN114608661A (zh) | 一种山区滑坡岩体结构的确定性指数评价方法 | |
CN114861271A (zh) | 一种铁路隧道建设的采空区病害原因分析方法 | |
CN114565712A (zh) | 基于空区扫描三维同步建模与地压响应处理方法和系统 |
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 |