CN115766501B - 一种基于大数据的隧道施工数据管理系统及方法 - Google Patents

Abstract

本发明公开了一种基于大数据的隧道施工管理系统及方法，系统包括数据采集端、数据管理平台、数据分析平台、大数据库以及数据展示端；本发明对隧道的施工数据采用大数据技术进行分析，能够做到数据实时反馈，指导现场施工，为项目重大决策提供数据支撑，贴合工程实际，服务项目本身。

Description

一种基于大数据的隧道施工数据管理系统及方法

技术领域

本发明属于大数据分析技术领域，具体涉及一种基于大数据的隧道施工数据管理系统及方法。

背景技术

从海量的类型复杂的工程数据中迅速找出数据价值是大数据分析的核心价值。公路工程尤其是隧道工程由于施工地质条件的不确定性、复杂性高，基础信息缺失的隧道工程中，施工风险更大，难以管理。目前，隧道工程中因施工数据管理方法不当，隧道工程施工数据信息化管理系统的不足，导致施工进度难管理；对隧道施工数据分析工作仅依靠单一的数据进行判断，脱离工程实际。

发明内容

针对现有技术中的上述不足，本发明提供的基于大数据的隧道施工数据管理系及方法解决了现有技术中施工数据管理方法不当，隧道工程施工数据信息化管理系统的不足，对隧道施工的数据分析工作仅依靠单一的数据进行判断，脱离工程实际的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于大数据的隧道施工数据管理系统，包括数据采集端、数据管理平台、数据分析平台、大数据库以及数据展示端；

所述数据采集端用于采集施工过程数据，并上传至大数据库中；

所述数据管理平台用于对数据采集端采集的施工过程数据进行数据管理；

所述数据分析平台用于对数据管理后的施工过程数据进行分析，包括施工安全分析、施工质量分析以及施工进度分析；其中施工进度分析包括施工工期编排以及施工进度分析，施工进度分析包括施工工期预测和施工进度预测；

所述大数据库用于存储数据采集的系统中的所有数据；

所述数据展示端用于对施工过程数据及数据分析结果进行可视化。

进一步地，所述数据展示端的展示模块包括项目参与方模块、项目选择模块、项目展示目标模块；

所述项目参与方模块用于选择项目参与方，项目参与方包括业主、施工、监理以及设计；

所述项目选择模块用于显示选择需要展示的项目名称；

所述项目展示模块用于展示当前选择项目对应的项目内容，其包括进度分析单元、安全分析单元以及质量分析单元；

其中，进度分析单元展示的项目内容包括隧道项目基本信息、隧道形象进度信息、月开挖进尺、日开挖进尺、实时进度、不同衬砌开挖日均进尺、开挖循环信息、循环工序表信息以及循环备注信息。

一种基于大数据的隧道施工数据管理系统的管理方法，包括以下步骤：

S1、数据采集：通过数据采集端定时在线采集施工过程数据，并上传至大数据库；

S2、数据管理：通过数据管理平台从大数据库中调取采集的施工过程数据，并离线进行数据管理后，上传至大数据库；

S3、数据分析：基于管理目标，通过数据分析平台调用大数据库中的施工过程数据进行分析，获取对应的分析目标；所述分析目标包括施工安全分析、施工质量分析以及施工进度分析，且所述施工进度分析包括施工工期预测和施工进度预测；

S4、数据展示：通过数据展示端对隧道施工过程数据以及分析目标进行可视化。

进一步地，所述步骤S2中，对施工过程数据进行数据管理包括数据修正以及数据处理；

所述数据修正包括对施工过程数据中异常数据进行修正以及对空缺数据进行填补，且在数据展示端保留数据修正标识；所述数据处理通过对修正后的施工过程数据进行处理获得数据分析平台进行目标分析时的基础数据；

所述数据处理方法包括以下分步骤：

A1、对施工过程数据进行类型划分；

其中，数据类型包括施工类型、施工工序、时间信息、备注信息、图像信息以及气象信息；

A2、对不同类型的施工过程数据进行数据关联；

其中，进行数据关联时，每个施工类型及施工工序均有对应的时间信息及备注信息，所述图像信息和气象信息为施工现场的环境信息；

A3、基于分析目标，确定不同施工过程数据及其关联数据的数据价值；

其中，数据价值通过施工过程数据与各分析目标之间的关联性、时间性以及预测性进行表征；

A4、根据数据价值和数据类型进行数据存储，作为数据分析平台的基础数据。

进一步地，所述步骤S3中，施工安全分析的方法具体为：

B1、基于与施工安全分析相关的数据价值，确定安全分析评估指标并根据安全等级进行指标参考值划分；

其中，评估指标包括地下渗水量、断层破碎情况、岩石风化程度、隧道埋深、跨度、围岩等级、应急救援水平以及应急演练频率；

B2、基于确定的评估指标，构建复合模糊物元R_mn：

式中，R_mn为m个评估指标n维复合物元，M_i为第i个评估指标，c_j为评估指标的第j个特征，v_ij为第i个评估指标第j个特征的模糊量值，i＝1,2,…,m，j＝1,2,…,n；

B3、确定各评估指标的从优隶属度ξ_ij；

B4、根据各评估指标的从优隶属度构建对应的理想模糊物元R*；

B5、计算各评估指标的权重ω_i；

其中，ω_i＝αλ_i+βη_i，λ_i为主观权重，η_i为客观权重，α和β为组合系数，且α和β满足：

B6、基于各评估指标的权重，计算待评估物元与对应理想模糊物元的欧氏贴近度，进而确定当前施工安全等级；其中，待评估物元即为各评估指标；

其中，欧氏贴近度ρH_i为：

式中，为理想模糊物元的量值。

进一步地，所述步骤S3中，施工质量分析的方法具体为：

C1、基于与施工安全分析相关的数据价值，确定施工质量的影响因素；

其中，影响因素包括人员因素、设备因素、材料因素、方法因素以及环境因素；

C2、构建施工工序与各影响因素中具体影响指标之间的关联矩阵；

C3、根据当前施工工序，确定对应关联矩阵中各影响指标得分，进而获得当前施工工序的质量分析结果。

进一步地，所述步骤S3中，施工工期预测方法具体为：

D1、获取历史隧道施工数据，对其进行统计分析，确定各施工工序的标准工期；

D2、构建PSO-BP神经网络；

D3、将第t个施工工序的实际工期与对应标准工期的偏差作为输入，将第t+1个施工工序的施工工期作为输出标签，对PSO-BP神经网络进行训练，获得工期预测模型；

D4、将当前施工工序的实际工期与对应标准工期的偏差输入工期预测模型，获得下一施工工序的工期预测结果。

进一步地，所述步骤D1中，确定各施工工序的标准工期的方法具体为：

D11、确定各施工工序施工工期的影响因素，并对其进行量化；

其中，施工工期的影响因素包括施工阶段、人员数量、天气、设备资源、施工方法以及衬砌类型；

D12、采用控制变量法分析历史隧道施工数据，确定不同影响因素下各施工工序的施工工期；

D13、根据每种影响因素下的施工工期的平均值，确定所述施工工期中的可疑数据；

D14、计算可疑数据对应的格拉布斯检验值，基于计算的格拉布斯检验值筛选可疑数据中的异常数据，并将其排除；

D15、重复步骤D13-D14，直到不存在异常数据，根据当前施工工期数据获得单影响因素下的标准工期；

D16、设置各影响因素的权重，基于单影响因素下的标准工期，构建多影响因素下的标准工期拟合式，进而确定不同施工工序在多影响因素下的标准工期。

进一步地，所述步骤D2中，在所述PSO-BP神经网络中根据BP神经网络的拓扑结构确定PSO算法的粒子维度d为：

d＝mn+n+nl+l

式中，n为BP神经网络隐含层神经元数，m为输入神经元数，l为输出神经元数；

在所述PSO-BP神经网络的PSO算法中，粒子的适应度值f为：

式中，M为输入学习样本的总数，y_ij为第i个样本第j个输出节点的实际输出值，x_ij为第i个样本第j个输出节点的期望输出值。

进一步地，所述施工进度预测方法具体为：

E1、基于下一施工工序的工期预测结果，以剩余施工工序的标准工期为基准逐序确定剩余施工工序的施工工期；

E2、设置施工进度调整参数，根据剩余施工工序的施工工期，预测隧道施工进度；

其中，隧道预测施工进度T为：

式中，r_q为施工工序q的标准工期，p_q为施工工序q的工期影响参数，α为施工进度调整参数，且Q为剩余施工工序总数，/>为隧道历史施工数据中第q项施工工序的施工工期的方差，/>为隧道历史施工数据中所有施工工序的施工工期的总方差。

本发明的有益效果为：

本发明对隧道工程的施工数据采用大数据技术进行分析，能够做到数据实时反馈，指导现场施工，为项目重大决策提供数据支撑，贴合工程实际，服务项目本身。

具体来说：

(1)数据采集端包括施工工序数据采集端、施工现场图像采集端以及施工现场气象数据采集端。施工工序数据采集端利用小程序的方法进行填报、施工数据可以及时得到更新；施工现场图像采集端利用摄像头对施工现场进行检测，发生意外情况可以第一时间知晓；施工现场气象数据采集端对现场气象进行监控，避免极端异常天气对施工造成影响，保证施工安全。

(2)数据分析平台采用深度学习技术与统计学习方法对隧道施工大数据进行分析处理，并建立学习模型，得到科学合理的预测值用于指导现场施工。

(3)数据管理平台用于对异常数据进行修正、空缺数据进行填补，保证数据的合理性和完整性。

(4)数据展示端根据业主、施工、监理、设计四个项目参与方选择对应的项目进行展示，每个项目分为进度、安全、质量三个板块。从实时项目进度、安全监控、质量分析报告多个角度进行展示，能够更加清晰的展示出当前施工情况，更好的管理项目进展。

附图说明

图1为本发明提供的基于大数据的隧道施工数据管理系统结构框图。

图2为本发明提供数据采集端中的小程序界面示意图。

图3为本发明提供的基于大数据的隧道工程施工数据管理方法流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例1：

如图1所示，本发明提供了基于大数据的隧道施工数据管理系统，包括数据采集端、数据管理平台、数据分析平台、大数据库以及数据展示端；

所述数据采集端用于采集隧道施工全过程数据，并上传至大数据库中；所述数据管理平台用于对数据采集端采集的施工过程数据进行数据管理；所述数据分析平台用于对数据管理后的施工过程数据进行分析，包括施工安全分析、施工质量分析以及施工进度分析；其中施工进度分析包括施工工期编排以及施工进度分析，施工进度分析包括施工工期预测和施工进度预测；所述大数据库用于存储数据采集的系统中的所有数据；所述数据展示端用于对施工过程数据及数据分析结果进行可视化。

本发明实施中的数据采集端采集的施工过程数据包括施工工序数据、施工现场图像以及施工现场气象数据；其中，如图2所示，施工工序数据可利用客户端的小程序进行填报，小程序中设定好数据基本类型，依照施工现场数据进行实时填报并存入大数据库中，包括开挖形式、开挖方式、衬砌类型、瓦斯等级等不同施工类型，包括人工钻孔、装药放炮、出碴、喷剂、设备立架、找顶测量、清理断面等不同施工工序。更进一步，例如人工钻孔数据包括通知时间、工人到位时间、台车到位时间、开钻时间、停钻时间等时间信息以及钻孔方式、工人数量、钻孔深度等非时间信息和各类备注信息；施工现场图像采集端通过架设电缆线利用摄像头等图像采集设备采集现场图像传输给数据管理平台；施工现场气象数据采集端利用气象仪器对施工现场的降雨量、风力、风速、温湿度等数据进行采集。

本发明实施例中的数据管理平台通过对施工过程中的不同隧道进行选择，选定好时间范围、根据实际所需情况选择不同工序的数据导出，为了避免人为因素填报所导致的数据异常及数据缺失，可以对其进行修正，包括异常值修正以及空缺值填补等。

本发明实施例中，数据分析平台中配置有人工智能模型包括工期编排及进度预测模型，工期编排模型通过对每个开挖循环不同工序(包括人工钻孔、装药放炮、出碴、喷剂、设备立架、找顶测量、清理断面)的数据进行分析处理，对进度按照每个开挖循环进行统计和图表化展示，运用项目进度管控学习子模型进行工期智能编排，利用深度学习算法与统计学习方法分别建立模型，预测施工进度，比对当前进度，分析进度存在问题，推演重要进度节点，指导工程顺利按节点推进。

本发明实施例中的数据展示端的展示模块包括项目参与方模块、项目选择模块、项目展示目标模块；所述项目参与方模块用于选择项目参与方，项目参与方包括业主、施工、监理以及设计；所述项目选择模块用于显示选择需要展示的项目名称；所述项目展示模块用于展示当前选择项目对应的项目内容，其包括进度分析单元、安全分析单元以及质量分析单元；

其中，进度分析单元展示的项目内容包括隧道项目信息、隧道项目施工总信息、月开挖进尺、日开挖进尺、实时进度、不同衬砌开挖日均进尺、开挖循环耗时、开挖循环工序表以及开挖循环耗时汇总。

具体地，隧道基本信息包括隧道基本介绍、隧道长度、合同段长度以及开挖进尺，并使用饼状图清晰显示已挖占比；隧道项目施工总信息中可以选择不同的开挖方向，如进口、出口等展示堆到的进洞时间、每年施工的进尺长度、已施工占比以及预计完成时间；月开挖进尺中包括了实际填报值以及修正值，并能通过子页面分析不同时间段的综合进尺、掌子面进尺、有效效率、实际效率以及工作天数等；日开挖进尺中包括实际填报值与修正值；实时进度中包括了人工钻孔、装药放炮、出碴、喷剂、设备立架、找顶测量、清理断面七个环节的开始实际、结束实际及偏离预测时间差，每个工序并能通过子页面显示更为详细的时间信息和非时间信息；开挖循环耗时汇总中显示每个月停电、补炮及设备故障等情况所导致的时间延误汇总。

本发明实施例数据采集端采集到的数据实时存储到大数据库中，经数据分析平台分析处理后实时显示在数据显示端。数据显示端上的信息看板等数据也将由数据分析引擎驱动，展示用户关心的数据，例如日开挖进尺历史数据板块，可选择数据范围以及综合进尺或掌子面进尺查看，在选定数据范围以及进尺类型后，可以根据实际需求选择显示或不显示修正后的数据及填报数据；以及显示所有数据范围内的总体有效平均进尺和总体平均进尺；所选时间范围有效平均进尺及范围平均进尺的数值并在图上标出标尺线，便于分析近期施工情况。

实施例2：

本发明实施例中提供了实施例中的基于大数据的隧道施工数据管理系统的管理方法，如图3所示，包括以下步骤：

S1、数据采集：通过数据采集端定时在线采集施工过程数据，并上传至大数据库；

S2、数据管理：通过数据管理平台从大数据库中调取采集的施工过程数据，并离线进行数据管理后，上传至大数据库；

S3、数据分析：基于管理目标，通过数据分析平台调用大数据库中的施工过程数据进行分析，获取对应的分析目标；所述分析目标包括施工安全分析、施工质量分析以及施工进度分析，且所述施工进度分析包括施工工期预测和施工进度预测；

S4、数据展示：通过数据展示端对隧道施工过程数据以及分析目标进行可视化。

本发明实施例的所述步骤S2中，对施工过程数据进行数据管理包括数据修正以及数据处理；

所述数据修正包括对施工过程数据中异常数据进行修正以及对空缺数据进行填补，且在数据展示端保留数据修正标识；数据处理通过对修正后的施工过程数据进行处理获得数据分析平台进行目标分析时的基础数据。

所述数据处理方法包括以下分步骤：

A1、对施工过程数据进行类型划分；

其中，数据类型包括施工类型、施工工序、时间信息、备注信息、图像信息以及气象信息；

A2、对不同类型的施工过程数据进行数据关联；

其中，进行数据关联时，每个施工类型及施工工序均有对应的时间信息及备注信息，所述图像信息和气象信息为施工现场的环境信息；

A3、基于分析目标，确定不同施工过程数据及其关联数据的数据价值；

其中，数据价值通过施工过程数据与各分析目标之间的关联性、时间性以及预测性进行表征；

A4、根据数据价值和数据类型进行数据存储，作为数据分析平台的基础数据。

本发明实施例中的步骤S3中，施工安全分析的方法具体为：

B1、基于与施工安全分析相关的数据价值，确定安全分析评估指标并根据安全等级进行指标参考值划分；

其中，评估指标包括地下渗水量、断层破碎情况、岩石风化程度、隧道埋深、跨度、围岩等级、应急救援水平以及应急演练频率；

B2、基于确定的评估指标，构建复合模糊物元R_mn：

式中，R_mn为m个评估指标n维复合物元，M_i为第i个评估指标，c_j为评估指标的第j个特征，v_ij为第i个评估指标第j个特征的模糊量值，i＝1,2,…,m，j＝1,2,…,n；

B3、确定各评估指标的从优隶属度ξ_ij；

具体地，对于越大越优型指标按第一个公式计算，对于越小越优型指标按第二个公式计算；

B4、根据各评估指标的从优隶属度构建对应的理想模糊物元R*；

B5、计算各评估指标的权重ω_i，

其中，ω_i＝αλ_i+βη_i，λ_i为主观权重，η_i为客观权重，α和β为组合系数，且α和β满足：

B6、基于各评估指标的权重，计算待评估物元与对应理想模糊物元的欧氏贴近度，进而确定当前施工安全等级；其中，待评估物元即为各评估指标；

其中，欧氏贴近度ρH_i为：

式中， 为理想模糊物元的量值。

在本实施例中，权重反映了指标的相对重要性，直接影响隧道安全的分析结果，本实施例中考虑组合系数间的差异程度与指标权重之间的差异一致问题，通过引入欧氏距离函数，使得到的组合权重最优。

本发明实施例的步骤S3中，施工质量分析的方法具体为：

C1、基于与施工安全分析相关的数据价值，确定施工质量的影响因素；

其中，影响因素包括人员因素、设备因素、材料因素、方法因素以及环境因素；

C2、构建施工工序与各影响因素中具体影响指标之间的关联矩阵；

C3、根据当前施工工序，确定对应关联矩阵中各影响指标得分，进而获得当前施工工序的质量分析结果。

本发明实施例的步骤S3中，数据分析平台中存储有用于施工工期预测及施工进度预测的人工智能模型，施工工期预测根据标准工期及实际工期依次预测后续工序施工工期并根据实际施工进度实时调整预测结果，施工进度预测根据施工工期预测结果预测隧道施工进度。

具体地地，工期预测模型的构建分为定性分析和定量分析两种，定性分析主要依靠管理者的主观判断，如案例推理、德尔菲法等，定量分析是对定量特征、定量关系和定量变化的分析，主要是回归预测、灰色预测、人工神经网络预测等。通过上述对工程进度影响因素的分析可知工期的确定需综合考虑各种影响因素，因此在构建预测模型时需考虑各因素之间的耦合作用。

基于此，本发明实施例中施工工期预测方法具体为：

D1、获取历史隧道施工数据，对其进行统计分析，确定各施工工序的标准工期；

D2、构建PSO-BP神经网络；

D3、将第t个施工工序的实际工期与对应标准工期的偏差作为输入，将第t+1个施工工序的施工工期作为输出标签，对PSO-BP神经网络进行训练，获得工期预测模型；

D4、将当前施工工序的实际工期与对应标准工期的偏差输入工期预测模型，获得下一施工工序的工期预测结果。

在本实施例的D1中，基于对历史隧道施工数据进行统计分析，不同施工工序的影响因素不同，通过确定不同影响因素下的施工工期作为该条件下的标准工期，并以此为基准对进行施工工期预测及施工节点把控。因此，本实施例的步骤D11中确定各施工工序的标准工期的方法具体为：

D11、确定各施工工序施工工期的影响因素，并对其进行量化；

其中，施工工期的影响因素包括施工阶段、人员数量、天气、设备资源、施工方法以及衬砌类型；

D12、采用控制变量法分析历史隧道施工数据，确定不同影响因素下各施工工序的施工工期；

D13、根据每种影响因素下的施工工期的平均值，确定所述施工工期中的可疑数据；

D14、计算可疑数据对应的格拉布斯检验值，基于计算的格拉布斯检验值筛选可疑数据中的异常数据，并将其排除，获得单影响因素下的标准工期；

D15、重复步骤D13-D14，直到不存在异常数据，根据当前施工工期数据获得单影响因素下的标准工期；

D16、设置各影响因素的权重，基于单影响因素下的标准工期，构建多影响因素下的标准工期拟合式，进而确定不同施工工序在多影响因素下的标准工期。

本实施例的步骤D13中，确定可疑数据的方法为：

确定各施工工序下施工工期的平均值、最大施工工期以及最小施工工期，并根据其计算最大施工工期对应的第一偏离值和最小施工工期对应的第二偏离值，若第一偏离值大于第二偏离值，则最大施工工期为可疑数据；若第一偏离值小于第二偏离值，则最小施工工期为可疑数据，若第一偏离值和第二偏离值相等，则最大施工工期和最小施工工期均为可疑数据。

本实施例的步骤D14中，进行异常数据筛选的方法具体为：

基于施工工期数据的标准差、平均值和可疑数据，计算可疑数据对应的格拉布斯检验值；

根据预设校验水平和施工工期对应的数量，查询预设拉布斯表，确定其对应的临界值，若格拉布斯检验值大于临界值，则可疑数据为异常数据，若格拉布斯检验值小于临界值，则可疑数据为有效数据。

本发明实施例的步骤D2中，针对BP神经网络收敛速度慢且易陷入局部最优的缺陷，通过PSO优化BP神经网络的权值和阈值，构建了基于PSO-BP的工期预测模型。具体地，在所述PSO-BP神经网络中根据BP神经网络的拓扑结构确定PSO算法的粒子维度d为：

d＝mn+n+nl+l

式中，n为BP神经网络隐含层神经元数，m为输入神经元数，l为输出神经元数；

在所述PSO-BP神经网络的PSO算法中，粒子需要根据适应度函数来判断自身的优势，本是死了中将均方根误差作为粒子的适应度函数，粒子的适应度值f为：

式中，M为输入学习样本的总数，y_ij为第i个样本第j个输出节点的实际输出值，x_ij为第i个样本第j个输出节点的期望输出值。

本本实施例中PSO-BP神经网络的计算流程如下：

(1)确定BP神经网络结构：根据样本数据确定网络输入层及输出层节点数；根据不同隐含层节点数，BP神经网络的训练结果对比确定隐含层节点数；设置激活函数及训练函数。

(2)设置PSO算法参数。根据BP神经网络结构，设置PSO算法的粒子维度d、种群规模N、学习因子c₁及c₂、粒子最大速度V_max和终止条件等基本参数，建立PSO-BP模型。

(3)初始化粒子的位置和速度。

(4)设置适应度函数，计算粒子适应度值。

(5)根据适应度值更新粒子的个体极值和粒子群的全局极值。

(6)更新粒子的速度和位置。

(7)确定是否满足终止要求，若满足，则终止迭代，将结果作为BP神经网络的初始权值和阈值，否则返回(3)。

(8)训练BP神经网络，当网络训练误差满足设定的允许误差或最大迭代次数时，停止训练，建成模型。

基于上述施工工期预测方法，本实施例中的施工进度预测方法具体为：

E1、基于下一施工工序的工期预测结果，以剩余施工工序的标准工期为基准逐序确定剩余施工工序的施工工期；

E2、设置施工进度调整参数，根据剩余施工工序的施工工期，预测隧道施工进度；

其中，隧道预测施工进度T为：

式中，r_q为施工工序q的标准工期，p_q为施工工序q的工期影响参数，α为施工进度调整参数，且Q为剩余施工工序总数，/>为隧道历史施工数据中第q项施工工序的施工工期的方差，/>为隧道历史施工数据中所有施工工序的施工工期的总方差。

本发明实施例中通过逐序对施工工序及施工总进度进行预测，可以从局部和整体上把控施工节点，保证施工项目的顺利完成。

本发明实施例中的步骤S4中，当分析目标为施工进度分析时，所述数据展示端展示的数据包括隧道项目信息、隧道项目施工总信息、月开挖进尺、日开挖进尺、实时进度、不同衬砌开挖日均进尺、开挖循环耗时、开挖循环工序表、开挖循环耗时汇总以及气象信息；

其中，月开挖进尺、日开挖进尺、开挖循环以及开挖循环耗时汇总以折线图形式展示，实时进度以填报时间结合备注信息展示，不同衬砌开挖日均进尺以柱状图形式展示，开挖循环工序表以日期结合工序进度差值的形式展示。

在本发明实施例中，数据展示端还设置有气象站、搜索路径等选项。通过选择气象站可显示不同隧道每天的瞬时雨量、1h雨量、6h雨量、12h雨量、累计余量、风力、风速、空气温度、空气湿度等数据；通过搜索路径可以根据隧道具体名称快速定位到当前隧道进度分析显示界面。

在本发明的描述中，需要理解的是，术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此，限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。

Claims (7)

1.一种基于大数据的隧道施工数据管理方法，实现隧道施工数据管理的系统包括数据采集端、数据管理平台、数据分析平台、大数据库以及数据展示端；

所述数据采集端用于采集隧道施工全过程数据，并上传至大数据库中；

所述数据管理平台用于对数据采集端采集的施工过程数据进行数据管理；

所述数据分析平台用于对数据管理后的施工过程数据进行分析，包括施工安全分析、施工质量分析以及施工进度分析；其中施工进度分析包括施工工期预测和施工进度预测；

所述大数据库用于存储数据采集的系统中的所有数据；

所述数据展示端用于对施工过程数据及数据分析结果进行可视化；

所述数据展示端的展示模块包括项目参与方模块、项目选择模块、项目展示目标模块；

所述项目参与方模块用于选择项目参与方，项目参与方包括业主、施工、监理以及设计；

所述项目选择模块用于显示选择需要展示的项目名称；

所述项目展示模块用于展示当前选择项目对应的项目内容，其包括进度分析单元、安全分析单元以及质量分析单元；

其中，进度分析单元展示的项目内容包括隧道项目基本信息、隧道形象进度信息、月开挖进尺、日开挖进尺、实时进度、不同衬砌开挖日均进尺、开挖循环信息、循环工序表信息以及循环备注信息；

其特征在于，隧道施工数据管理方法包括以下步骤：

S1、数据采集：通过数据采集端定时在线采集施工过程数据，并上传至大数据库；

S2、数据管理：通过数据管理平台从大数据库中调取采集的施工过程数据，并离线进行数据管理后，上传至大数据库；

S3、数据分析：基于管理目标，通过数据分析平台调用大数据库中的施工过程数据进行分析，获取对应的分析目标；所述分析目标包括施工安全分析、施工质量分析以及施工进度分析，且所述施工进度分析包括施工工期预测和施工进度预测；

S4、数据展示：通过数据展示端对隧道施工过程数据以及分析目标进行可视化；

所述步骤S2中，对施工过程数据进行数据管理包括数据修正以及数据处理；

所述数据修正包括对施工过程数据中异常数据进行修正以及对空缺数据进行填补，且在数据展示端保留数据修正标识；所述数据处理通过对修正后的施工过程数据进行处理获得数据分析平台进行目标分析时的基础数据；

所述数据处理方法包括以下分步骤：

A1、对施工过程数据进行类型划分；

其中，数据类型包括施工类型、施工工序、时间信息、备注信息、图像信息以及气象信息；

A2、对不同类型的施工过程数据进行数据关联；

其中，进行数据关联时，每个施工类型及施工工序均有对应的时间信息及备注信息，所述图像信息和气象信息为施工现场的环境信息；

A3、基于分析目标，确定不同施工过程数据及其关联数据的数据价值；

其中，数据价值通过施工过程数据与各分析目标之间的关联性、时间性以及预测性进行表征；

A4、根据数据价值和数据类型进行数据存储，作为数据分析平台的基础数据。

2.根据权利要求1所述的管理方法，其特征在于，所述步骤S3中，施工安全分析的方法具体为：

B1、基于与施工安全分析相关的数据价值，确定安全分析评估指标并根据安全等级进行指标参考值划分；

其中，评估指标包括地下渗水量、断层破碎情况、岩石风化程度、隧道埋深、跨度、围岩等级、应急救援水平以及应急演练频率；

B2、基于确定的评估指标，构建复合模糊物元R_mn：

式中，R_mn为m个评估指标n维复合物元，M_i为第i个评估指标，c_j为评估指标的第j个特征，v_ij为第i个评估指标第j个特征的模糊量值，i＝1,2,…,m，j＝1,2,…,n；

B3、确定各评估指标的从优隶属度ξ_ij；

B4、根据各评估指标的从优隶属度构建对应的理想模糊物元R*；

B5、计算各评估指标的权重ω_i；

其中，ω_i＝αλ_i+βη_i，λ_i为主观权重，η_i为客观权重，α和β为组合系数，且α和β满足：

B6、基于各评估指标的权重，计算待评估物元与对应理想模糊物元的欧氏贴近度，进而确定当前施工安全等级；其中，待评估物元即为各评估指标；

其中，欧氏贴近度ρH_i为：

式中， 为理想模糊物元的量值。

3.根据权利要求1所述的管理方法，其特征在于，所述步骤S3中，施工质量分析的方法具体为：

C1、基于与施工安全分析相关的数据价值，确定施工质量的影响因素；

其中，影响因素包括人员因素、设备因素、材料因素、方法因素以及环境因素；

C2、构建施工工序与各影响因素中具体影响指标之间的关联矩阵；

C3、根据当前施工工序，确定对应关联矩阵中各影响指标得分，进而获得当前施工工序的质量分析结果。

4.根据权利要求1所述的管理方法，其特征在于，所述步骤S3中，施工工期预测方法具体为：

D1、获取历史隧道施工数据，对其进行统计分析，确定各施工工序的标准工期；

D2、构建PSO-BP神经网络；

D3、将第t个施工工序的实际工期与对应标准工期的偏差作为输入，将第t+1个施工工序的施工工期作为输出标签，对PSO-BP神经网络进行训练，获得工期预测模型；

D4、将当前施工工序的实际工期与对应标准工期的偏差输入工期预测模型，获得下一施工工序的工期预测结果。

5.根据权利要求4所述的管理方法，其特征在于，所述步骤D1中，确定各施工工序的标准工期的方法具体为：

D11、确定各施工工序施工工期的影响因素，并对其进行量化；

其中，施工工期的影响因素包括施工阶段、人员数量、天气、设备资源、施工方法以及衬砌类型；

D12、采用控制变量法分析历史隧道施工数据，确定不同影响因素下各施工工序的施工工期；

D13、根据每种影响因素下的施工工期的平均值，确定所述施工工期中的可疑数据；

D14、计算可疑数据对应的格拉布斯检验值，基于计算的格拉布斯检验值筛选可疑数据中的异常数据，并将其排除；

D15、重复步骤D13-D14，直到不存在异常数据，根据当前施工工期数据获得单影响因素下的标准工期；

D16、设置各影响因素的权重，基于单影响因素下的标准工期，构建多影响因素下的标准工期拟合式，进而确定不同施工工序在多影响因素下的标准工期。

6.根据权利要求4所述的管理方法，其特征在于，所述步骤D2中，在所述PSO-BP神经网络中根据BP神经网络的拓扑结构确定PSO算法的粒子维度d为：

d＝mn+n+nl+l

式中，n为BP神经网络隐含层神经元数，m为输入神经元数，l为输出神经元数；

在所述PSO-BP神经网络的PSO算法中，粒子的适应度值f为：

式中，M为输入学习样本的总数，y_ij为第i个样本第j个输出节点的实际输出值，x_ij为第i个样本第j个输出节点的期望输出值。

7.根据权利要求4所述的管理方法，其特征在于，所述施工进度预测方法具体为：

E1、基于下一施工工序的工期预测结果，以剩余施工工序的标准工期为基准逐序确定剩余施工工序的施工工期；

E2、设置施工进度调整参数，根据剩余施工工序的施工工期，预测隧道施工进度；

其中，隧道预测施工进度T为：

式中，r_q为施工工序q的标准工期，p_q为施工工序q的工期影响参数，α为施工进度调整参数，且Q为剩余施工工序总数，/>为隧道历史施工数据中第q项施工工序的施工工期的方差，/>为隧道历史施工数据中所有施工工序的施工工期的总方差。