CN116738535A - 一种基于Transformer模型的隧道结构变形预测方法 - Google Patents
一种基于Transformer模型的隧道结构变形预测方法 Download PDFInfo
- Publication number
- CN116738535A CN116738535A CN202310633833.0A CN202310633833A CN116738535A CN 116738535 A CN116738535 A CN 116738535A CN 202310633833 A CN202310633833 A CN 202310633833A CN 116738535 A CN116738535 A CN 116738535A
- Authority
- CN
- China
- Prior art keywords
- tunnel structure
- deformation
- tunnel
- data
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000009434 installation Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 239000011435 rock Substances 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 2
- 238000011897 real-time detection Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000004062 sedimentation Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000005422 blasting Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000011378 shotcrete Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Structural Engineering (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Lining And Supports For Tunnels (AREA)
Abstract
本发明提出了一种基于Transformer模型的隧道结构变形预测方法，包括以下步骤：步骤1：采集隧道结构变形数据；步骤2：将采集的数据进行预处理后，划分为训练集和测试集；步骤3：构建基于Transformer模型的隧道结构变形预测模型；步骤4：利用训练集和测试集对隧道结构变形预测模型进行训练；步骤5：采用训练后的隧道结构变形预测模型预测隧道结构变形预测值及预测变化速率；步骤6：综合评判预测得到的隧道结构变形值和变化速率，判断是否需要输出对应预警信息。本发明利用自动化监测技术对隧道结构变形进行检测，数据时效性及精度高，通过Transformer模型能够更好地预测隧道变形的发展趋势。
Description
技术领域
本发明涉及隧道监测系统技术领域，特别是涉及一种基于Transformer模型的隧道结构变形预测方法。
背景技术
隧道建设工程量大，工期紧，难度高，风险大，通常实行倒班制不间断施工，采用传统人工监测，连续性差，效率低。使用自动化监测可24小时连续监测。
在隧道自动化结构监测过程中，在光线不足，昏暗复杂的隧道施工环境下，传统模型监测能力下降，准确率降低且无法预测变形动态变化。
隧道变形预测对于施工过程中的安全监测具有重要意义。现有的隧道变形预测方法主要采用长短时记忆神经网络(LSTM)或注意力增强的LSTM模型。然而，这些模型的预测精度相对较差，无法从时间序列数据中提取更多的信息，难以捕捉隧道施工过程中变形的动态变化。
目前，现有手段无法实现对隧道结构变形预测的发展趋势进行预测，导致隧道结构变形引起的安全质量事故，已成为国内隧道施工一个亟待解决的问题。因此，需要一种基于Transformer模型的隧道结构变形预测方法，用于更好地捕捉隧道施工过程中隧道变形的发展趋势，为隧道施工内人员机械的安全提供有力保障。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于Transformer模型的隧道结构变形预测方法。
为了实现本发明的上述目的，本发明提供了一种基于Transformer模型的隧道结构变形预测方法，包括以下步骤：
步骤1：采集隧道结构变形数据，数据由布置在隧道内的无线监测设备采集，
步骤2：将采集的数据进行预处理，将预处理后的数据随机分为80％的训练集和20％的测试集。同时，将训练集随机分割为训练数据和验证数据，比例为9：1；
步骤3：构建基于Transformer模型的隧道结构变形预测模型；
步骤4：利用训练集训练隧道结构变形预测模型，选择模型硬件及软件环境，设置学习率、训练过程次数等参数，并通过模型的精度指标表现来调整模型参数。
步骤5：采用训练后的隧道结构变形预测模型预测隧道结构变形值及变化速率。
步骤6：综合评判预测得到的隧道结构变形值和变化速率，判断是否需要输出对应预警信息。
进一步的，所述数据是通过传感器采集的，传感器的布设包括：
靠近掌子面分别有断面1、断面2和断面3，
断面1环布设有三个传感器以及在断面顶部安装方光板，距离掌子面大约在10米以内，测量传感器安装处对应环拱顶沉降和水平收敛。
断面2环布设有三个传感器以及在断面顶部安装方光板，距离掌子面10-20米，测量传感器安装处对应环的拱顶沉降和水平收敛。
断面3环布设两个传感器，分别测量临近掌子面前方的拱顶沉降和掌子面本身的沿隧道纵向的变形情况。
所述传感器为无线测距激光传感器。其中断面1和断面2的三个传感器安装位置相同，其中一个传感器测量水平收敛度。另外两个传感器指向该横截面隧道顶处的反射目标，以获得沉降变形。
进一步的，所述步骤1中无线监测设备包括引伸计、全站仪、激光扫描、激光测距和采用影像识别的设备。
进一步的，在步骤1中采集的数据包含时间戳、传感器昵称、传感器编号、温度、X轴角度、Y轴角度、Z轴角度、激光距离，这些能反映隧道结构变形特征的数据。
进一步的，所述步骤2中预处理包括将数据清洗、数据转化和数据归一化；
所述数据转化是将传感器采集的X轴角度、Y轴角度、Z轴角度和激光距离转化为拱顶沉降和水平收敛值，用以表示隧道结构变形量。
Si＝disinβi-d0sinβ0
Ci＝dicosβi-d0cosβ0
其中S为拱顶沉降值，C水平收敛值，d是激光距离，β是Y轴倾斜角度，字母下标表示时间的初始时刻i，S为负值表示隧道拱顶沿重力方向产生位移沉降，C为负值表示隧道衬砌产生水平收敛，β0是初始时刻Y轴倾斜角度。
一般情况下，Z轴和X轴倾斜值在监测期间保持稳定，没有明显变化。利用激光距离数据和Y轴倾斜值计算隧道冠沉降和衬线收敛值。虽然温度在一天中的不同时间波动，但它对测量结果没有显著影响。时间戳是在整个监控期间内记录的数据传输时间。因此，可以以时间序列格式获得岩石隧道的变形数据。
其中，数据归一化是将拱顶沉降值，水平收敛值映射到0到1之间，将数据限制在一个固定的领域内，以获得更高的预测精度。可以采用如小数位归一化、标准差归一化、Z-Score归一化、Sigmoid函数等方法。
进一步的，所述数据清洗包括对异常数据的判断：
S00，若任一轴的倾斜角度在某个特定的时间点有显著的变化，判定出现传感器位置变化，将该时段之后的数据判定为异常值；
S01，若距离测量突然减少，但在很短的时间后返回到一个期望值，则判定出现激光束堵塞情况，将该时段的数据判定为异常值。
S02，将涉及异常值的传感器位置及原因发送给用户终端。
传感器相对于附着的隧道衬里的移动可能会影响测量的精度。施工过程中产生的重粉尘也会阻挡激光束，影响距离测量。因此，有必要对采集的数据进行异常数据判断，从而保证模型的变形预测结果准确。此外，在数据清洗阶段将形成异常值的传感器信息发送至终端，起到及时提醒和调整处理的作用。
进一步的，所述步骤3中隧道结构变形预测模型包括输入层、解码组件、编码组件和输出层。
编码组件由多层编码器组成，解码组件由相同层数的解码器组成；
其中，输入层输入的数据是经数据预处理后的拱顶沉降和水平收敛组成的时间序列，除此之外，为将隧道施工过程信息合并到模型的输入中，可将代表岩石隧道施工的不同工艺阶段的位置标签嵌入集成在输入数据。再由编码组件将时间序列的特征从低维升级到高维并输出，解码组件最后输出由隧道预测结构变形值组成的时间序列。
所述位置标签嵌入集成在输入数据的计算过程如下：
其中tag对应于不同的工艺阶段，pos为数据在整个输入序列中在特定时刻的位置，i表示维度，dk是模型的特征维度。位置标签嵌入在奇偶位置应用正弦和余弦函数来识别不同维度上的特征差异。
进一步的，所述步骤4中训练隧道结构变形预测模型包含以下步骤：
步骤4.1，利用训练数据集对隧道结构变形预测模型进行训练；
步骤4.2，利用测试集测试隧道结构变形预测模型，如果精度指标小于等于阈值，则隧道结构变形预测模型训练完毕，如果精度指标大于阈值，则调整模型参数并继续利用训练集对隧道结构变形预测模型进行训练。
进一步地，所述步骤5动态Transformer模型预测隧道结构变形值及变化速率包括以下步骤：
选取不在训练集和测试集中的经过数据预处理后的时间序列作为输入，将其导入隧道结构变形预测模型，利用隧道结构变形值的历史时间序列在不同时期取值之间存在的依存关系,建立起自回归方程进行模型的预测输出，获得隧道结构变形预测模型预测变形值及变化速率。
所述的自回归方程如下：
式中字母下标表示时间的初始时刻t，aj为常系数(历史时间序列的加权值)，εt为随机扰动(隧道内施工台车作业等影响)项，隧道结构变形预测模型预测值Xt由历史时间序列和与隧道随机扰动的叠加来表示。
进一步的，所述步骤6中分级预警信息是通过风险评价分数得到的：
P1、P2分别表示隧道结构变形值的权重系数和变化速率的权重系数；
m表示三个监测断面的变形次数；
n表示隧道结构变形的变化速率超过设定阈值范围的次数；
分别表示隧道结构变形值的平均值，以及隧道结构变形的平均变化速率；
分别表示隧道结构变形的持续时间和隧道结构变形变化速率的持续时间；
ti、ti-1分别表示隧道结构变形的当前时刻和上一时刻；
k表示隧道结构变形的次数；
若计算得到的风险评价分数处于第一预警区间，则为轻微预警，传感器由之前的间隔时间段进行检测变形数据变为实时检测变形数据；
若计算得到的风险评价分数处于第二预警区间，则为中等预警，隧道内的LED显示并将预警信息发送至用户终端；
若计算得到的风险评价分数处于第三预警区间，则为严重预警，隧道口和隧道内的LED显示，并将隧道风险情况发送至用户终端，以及发出警报声。
综上所述，由于采用了上述技术方案，本发明利用自动化监测技术对隧道结构变形进行检测，数据时效性及精度高，通过Transformer模型能够更好地预测隧道变形的发展趋势，通过预测得到的变形值及变化速率判断隧道结构安全状态，便于现场工程师更准确地预测和分析隧道变形情况，从而及时采取相应措施防范潜在风险。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明提供的一种基于Transformer模型的隧道结构变形预测方法的流程示意图。
图2是本发明实施例中一种基于Transformer模型的隧道结构变形预测系统示意图。
图3是本发明隧道结构变形预测模型的示意图。
图4是本发明监测预警动态安装布设示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
本发明一种基于Transformer模型的隧道结构变形预测方法，如图1所示该预测方法包括如下步骤：
步骤1：采集既有隧道结构变形数据，数据由布置在隧道内的无线监测设备采集。
步骤2：将采集的数据进行预处理，将预处理后的数据随机分为80％的训练集和20％的测试集。同时，将训练集随机分割为训练数据和验证数据，比例为9：1。
步骤3：构建基于Transformer模型的隧道结构变形预测模型。
步骤4：利用训练集训练隧道结构变形预测模型，选择模型硬件及软件环境，设置学习率、训练过程次数等参数，并通过模型的精度指标表现来调整模型参数。
步骤5：采用步骤4获得动态Transformer模型预测隧道结构变形值及变化速率。
步骤6：当步骤5预测得到的未来时刻隧道结构变形值及变化速率超过设定阈值，则发出分级预警信息，便于现场工程师更准确地预测和分析隧道变形情况，从而及时采取相应措施防范潜在风险。
上述步骤1中，采集既有隧道结构变形数据的过程如下：
采用无线监测设备采集反映隧道结构变形特征的数据。
其中，无线监测设备可以是需要引伸计、全站仪等人工监测设备，也可以是激光扫描、激光测距和采用影像识别等自动监测设备。
采集的数据包含但不限于隧道结构尺寸、时间戳、传感器昵称、传感器编号、温度、X轴角度、Y轴角度、Z轴角度、激光距离。
采集的数据可以是电子数据，还可以是纸质数据。
由于施工期钻爆法隧道内部环境复杂，施工人员、施工器械进出影响、信号影响、温度影响、爆破影响、喷射混凝土粉尘影响等多重因素，会造成传感器数据无效、数据异常等各种问题，因此需要剔除异常数据和无效时间段。
上述步骤2中，对采集的数据进行预处理过程如下：
预处理包括将数据清洗、数据转化、数据归一化。
其中，数据清洗是将数据里的缺失值、异常值进行处理，具体处理方法视异常值种类来采取平均值替代、前值替代、众值替代、3sigma法则等处理方法。
其中，数据转化是将无线监测设备采集的X轴角度、Y轴角度、Z轴角度和激光距离转化为拱顶沉降和水平收敛值，用以表示隧道结构变形量。
Si＝disinβi-d0sinβ0
Ci＝dicosβi-d0cosβ0
其中S为拱顶沉降值，C水平收敛值，d是激光距离，β是Y轴倾斜角度，字母下标表示时间的初始时刻i，S为负值表示隧道拱顶沿重力方向产生位移沉降，C为负值表示隧道衬砌产生水平收敛。
其中，数据归一化是将拱顶沉降值，水平收敛值映射到0到1之间，将数据限制在一个固定的领域内，以获得更高的预测精度。可以采用如小数位归一化、标准差归一化、Z-Score归一化、Sigmoid函数等方法。
本发明还提出一种基于Transformer模型的隧道结构变形预测系统，如图2所示，包括数据采集模块、数据处理模块和预警模块；
数据采集模块用于采集反映隧道结构变形特征的数据；
数据处理处理模块用于根据数据采集模块采集的信息进行预处理，将预处理后的数据分为训练集和测试集训练Transformer模型，预测隧道结构变形值及变化速率；
预警模块用于判断未来时刻隧道结构变形值及变化速率是否超过设定阈值，发出分级预警信息，便于现场工程师更准确地预测和分析隧道变形情况，从而及时采取相应措施防范潜在风险。
上述步骤3中，构建隧道结构变形预测模型的过程如下：
采用Transformer模型，模型结构如图3所示：Transformer模型采用encoder-decoder架构，该构架主要由编码组件和解码组件组成，其中，编码组件由多层编码器组成，解码组件由相同层数的解码器组成。
其中，输入层输入的数据是经数据预处理后的拱顶沉降和水平收敛组成的时间序列，除此之外，为将隧道施工过程信息合并到模型的输入中，可将代表岩石隧道施工的不同工艺阶段的位置标签嵌入集成在输入数据。再由编码组件将时间序列的特征从低维升级到高维并输出，解码组件最后输出由隧道预测结构变形值组成的时间序列。
所述位置标签嵌入集成在输入数据的计算过程如下：
其中tag对应于上述工艺阶段，pos为数据在整个输入序列中在特定时刻的位置，i表示维度，dk是模型的特征维度。位置标签嵌入在奇偶位置应用正弦和余弦函数来识别不同维度上的特征差异；
在本发明的一个实施例中，将开挖-出渣-立架阶段的tag值设为1，超前支护阶段的tag设为2，喷射混凝土阶段的tag设为3。
上述步骤4中，训练隧道结构变形预测模型的过程如下：
步骤4.1、将训练集输入隧道结构变形预测模型中作为样本，选择模型硬件及软件环境，设置模型初始学习率及学习率的衰减策略，以均方误差函数作为损失函数，设定训练集中的全部样本训练一次的过程次数，完成模型训练；
所述训练集来自步骤2，在本发明的一个实施例中，所述的模型硬件为英特尔酷睿i7-12700k CPU和一个12GB内存的Nvidia RTX4070 GPU，软件环境在Ubuntu22.04系统LTS上配置了PyTorch框架，采初始学习率为1e-4，采取reduceonplateau的学习率衰减策略(patience＝10)，损失函数采用MSE均方误差函数，模型训练过程次数设置为3000次；
步骤4.2、将测试集输入隧道结构变形预测模型，如果精度指标小于等于阈值，则隧道结构变形预测模型训练完毕，可用于预测，如果精度指标大于阈值，则调整参数(学习率、过程次数、层数、隐藏层特征维度、输入时间序列的时间步长以及嵌入Transformer后的数据特征维数)，返回步骤4.1继续进行训练；
所述的精度指标指定量测量的REME(均方根误差、标准误差)，取值范围是0到正无穷大,该值越小表示模型的预测误差越小，预测能力越强；
上述步骤5中，隧道结构变形预测模型预测变形值及变化速率的过程如下：
选取不在训练集和测试集中的经过数据预处理后的时间序列作为输入，将其导入隧道结构变形预测模型，利用隧道结构变形值的历史时间序列在不同时期取值之间存在的依存关系,建立起自回归方程进行模型的预测输出，获得隧道结构变形预测模型预测变形值及变化速率。
所述的自回归方程如下：
式中字母下标表示时间的初始时刻t，aj为常系数(历史时间序列的加权值)，εt为随机扰动(隧道内施工台车作业等影响)项，隧道结构变形预测模型预测值Xt由历史时间序列和与隧道随机扰动的叠加来表示。
上述步骤6中，发出分级预警信息的过程如下：
步骤6.1、应该根据隧道设计参数、地质条件、隧道施工安全性、隧道结构的长期稳定性，以及周围建构筑物特点和重要性等因素决定各级预警信息阈值。按照紧急状态由高到低分为三个等级：轻微预警、中等预警、严重预警。
步骤6.2、当隧道结构变形预测模型预测的变形值或变化速率超过最大阈值时，预警模块输出严重预警信息，达到最大阈值的90％的时候，输出中等预警信息，达到最大阈值的80％的时候，输出轻微预警信息。
图4是监测预警动态安装布设示意图。当施工的掌子面离监测断面1的距离超过20m时，需现场安排人员进行动态安装布设。基本安装布设方法是将断面2的监测设备前移到离掌子面10m左右的距离，成为离工作面最近的“新的监测断面1”，原本的监测断面1在新的工作面前方成为较远的“监测断面2”。判定监测断面3是离掌子面超过30m，若超过30m，也需要随着施工开挖动态布设监测断面。
断面1和断面2的传感器分别用于检测断面1和断面2的变形，断面3的传感器用于检测掌子面的变形，具体为：
断面1环布设有三个传感器以及在断面顶部安装方光板，距离掌子面大约在10米以内，测量传感器安装处对应环拱顶沉降和水平收敛。
断面2环布设有三个传感器以及在断面顶部安装方光板，距离掌子面10-20米，测量传感器安装处对应环的拱顶沉降和水平收敛。
断面3环布设两个传感器,分别测量临近掌子面前方的拱顶沉降和掌子面本身的沿隧道纵向的变形情况。
其中断面1和断面2的三个传感器安装位置相同，其中一个传感器测量水平收敛度。另外两个传感器指向该横截面隧道顶处的反射目标，以获得沉降变形。
各个监测断面的动态布设安装顺序如下：
1、保护罩与衬彻连接的螺栓拧松，取下保护罩。2、将传感器支架与衬砌连接的螺栓拧松，取下传感器。3、记录每个传感器取下的时间，以便进行后期的数据处理。4.根据确定新的监测断面位置，进行传感器、预警支点和保护罩的安装。
本发明实施例提供的方案，采用Transformer模型预测隧道结构变形值及变化速率发展趋势，有助于现场工程师更准确地预测和分析隧道变形情况，从而及时采取相应措施防范潜在风险。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种基于Transformer模型的隧道结构变形预测方法，其特征在于，包括以下步骤：
步骤1：采集隧道结构变形数据；
步骤2：将采集的数据进行预处理后，划分为训练集和测试集；
步骤3：构建基于Transformer模型的隧道结构变形预测模型；
步骤4：利用训练集和测试集对隧道结构变形预测模型进行训练；
步骤5：采用训练后的隧道结构变形预测模型预测隧道结构变形预测值及预测变化速率；
步骤6：综合评判预测得到的隧道结构变形值和变化速率，判断是否需要输出对应预警信息。
2.根据权利要求1所述的一种基于Transformer模型的隧道结构变形预测方法，其特征在于，所述数据是通过传感器采集的，传感器的布设包括：
靠近掌子面分别有断面1、断面2和断面3，
断面1环布设有三个传感器以及在断面顶部安装方光板，距离掌子面大约在10米以内，测量传感器安装处对应环拱顶沉降和水平收敛；
断面2环布设有三个传感器以及在断面顶部安装方光板，距离掌子面10-20米，测量传感器安装处对应环的拱顶沉降和水平收敛；
断面3环布设两个传感器，分别测量临近掌子面前方的拱顶沉降和掌子面本身的沿隧道纵向的变形情况。
3.根据权利要求1所述的一种基于Transformer模型的隧道结构变形预测方法，其特征在于，在步骤1中采集的数据包含时间戳、传感器昵称、传感器编号、温度、X轴角度、Y轴角度、Z轴角度、激光距离，这些能反映隧道结构变形特征的数据。
4.根据权利要求1所述的一种基于Transformer模型的隧道结构变形预测方法，其特征在于，所述步骤2中预处理包括将数据清洗、数据转化和数据归一化；
所述数据转化是将传感器采集的X轴角度、Y轴角度、Z轴角度和激光距离转化为拱顶沉降和水平收敛值，用以表示隧道结构变形量：
Si＝disinβi-d0sinβ0
Ci＝dicosβi-d0cosβ0
其中S为拱顶沉降值，C为水平收敛值，d是激光距离，β是Y轴倾斜角度，字母下标表示时间的初始时刻i，S为负值表示隧道拱顶沿重力方向产生位移沉降，C为负值表示隧道衬砌产生水平收敛，β0是初始时刻Y轴倾斜角度。
5.根据权利要求1所述的一种基于Transformer模型的隧道结构变形预测方法，其特征在于，所述数据清洗包括对异常数据的判断：
S00，若任一轴的倾斜角度在某个特定的时间点有显著的变化，判定出现传感器位置变化，将该时段之后的数据判定为异常值；
S01，若距离测量突然减少，但在很短的时间后返回到一个期望值，则判定出现激光束堵塞情况，将该时段的数据判定为异常值；
S02，将涉及异常值的传感器位置及原因发送给用户终端。
6.根据权利要求1所述的一种基于Transformer模型的隧道结构变形预测方法，其特征在于，所述步骤3中隧道结构变形预测模型包括输入层、解码组件、编码组件和输出层；
编码组件由多层编码器组成，解码组件由相同层数的解码器组成；
其中，输入层输入的数据是经数据预处理后的拱顶沉降和水平收敛组成的时间序列，除此之外，为将隧道施工过程信息合并到模型的输入中，将代表岩石隧道施工的不同工艺阶段的位置标签嵌入集成在输入数据；再由编码组件将时间序列的特征从低维升级到高维并输出，解码组件最后输出由隧道预测结构变形值组成的时间序列。
7.根据权利要求1所述的一种基于Transformer模型的隧道结构变形预测方法，其特征在于，所述步骤4中训练隧道结构变形预测模型包含以下步骤：
步骤4.1，利用训练数据集对隧道结构变形预测模型进行训练；
步骤4.2，利用测试集测试隧道结构变形预测模型，如果精度指标小于等于阈值，则隧道结构变形预测模型训练完毕，如果精度指标大于阈值，则调整模型参数并继续利用训练集对隧道结构变形预测模型进行训练。
8.根据权利要求1所述的一种基于Transformer模型的隧道结构变形预测方法，其特征在于，所述步骤5动态Transformer模型预测隧道结构变形值及变化速率包括以下步骤：
选取不在训练集和测试集中的经过数据预处理后的时间序列作为输入，将其导入隧道结构变形预测模型，利用隧道结构变形值的历史时间序列在不同时期取值之间存在的依存关系,建立起自回归方程进行模型的预测输出，获得隧道结构变形预测模型预测变形值及变化速率；
所述的自回归方程如下：
式中字母下标表示时间的初始时刻t，aj为常系数，εt为随机扰动项，隧道结构变形预测模型预测值Xt由历史时间序列和与隧道随机扰动的叠加来表示。
9.根据权利要求1所述的一种基于Transformer模型的隧道结构变形预测方法，其特征在于，所述步骤6中分级预警信息是通过风险评价分数得到的：
P1、P2分别表示隧道结构变形值的权重系数和变化速率的权重系数；
m表示三个监测断面的变形次数；
n表示隧道结构变形的变化速率超过设定阈值范围的次数；
分别表示隧道结构变形值的平均值，以及隧道结构变形的平均变化速率；分别表示隧道结构变形的持续时间和隧道结构变形变化速率的持续时间；
ti、ti-1分别表示隧道结构变形的当前时刻和上一时刻；
k表示隧道结构变形的次数；
若计算得到的风险评价分数处于第一预警区间，则为轻微预警，传感器由之前的间隔时间段进行检测变形数据变为实时检测变形数据；
若计算得到的风险评价分数处于第二预警区间，则为中等预警，隧道内的LED显示并将预警信息发送至用户终端；
若计算得到的风险评价分数处于第三预警区间，则为严重预警，隧道口和隧道内的LED显示，并将隧道风险情况发送至用户终端，以及发出警报声。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310633833.0A CN116738535A (zh) | 2023-05-31 | 2023-05-31 | 一种基于Transformer模型的隧道结构变形预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310633833.0A CN116738535A (zh) | 2023-05-31 | 2023-05-31 | 一种基于Transformer模型的隧道结构变形预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116738535A true CN116738535A (zh) | 2023-09-12 |
Family
ID=87900438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310633833.0A Pending CN116738535A (zh) | 2023-05-31 | 2023-05-31 | 一种基于Transformer模型的隧道结构变形预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116738535A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117494483A (zh) * | 2024-01-02 | 2024-02-02 | 中铁上海工程局集团第七工程有限公司 | 一种双洞隧道断面变形数据的数值优化方法 |
-
2023
- 2023-05-31 CN CN202310633833.0A patent/CN116738535A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117494483A (zh) * | 2024-01-02 | 2024-02-02 | 中铁上海工程局集团第七工程有限公司 | 一种双洞隧道断面变形数据的数值优化方法 |
| CN117494483B (zh) * | 2024-01-02 | 2024-03-19 | 中铁上海工程局集团第七工程有限公司 | 一种双洞隧道断面变形数据的数值优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Compare et al. | Challenges to IoT-enabled predictive maintenance for industry 4.0 | |
| CN108922123B (zh) | 一种矿山边坡滑移稳定性监测预警方法 | |
| KR102163910B1 (ko) | 해양플랫폼의 조류정보를 기반으로 한 위치정보 예측 및 위치정보 학습을 통한 계류라인의 장력 예측 시스템 | |
| CN116738535A (zh) | 一种基于Transformer模型的隧道结构变形预测方法 | |
| KR102269192B1 (ko) | 지하공동구 고장 예방 방법 및 장치 | |
| CN109141528A (zh) | 一种城市轨道交通土建设施智能实时监控系统 | |
| SA114350450B1 (ar) | نظام إدارة عالمي وطريقة لإدارة أصول الزيت والغاز على سلسلة إمداد | |
| CN110455517A (zh) | 一种风力发电机组的塔筒健康监测方法 | |
| CN115329812A (zh) | 一种基于人工智能的道路基础设施异常监测方法 | |
| CN113503912A (zh) | 一种城市轨道交通土建设施健康状态实时监控系统 | |
| CN116090347A (zh) | 平稳荷载下历史建筑结构智能监测与预警系统 | |
| CN116754022B (zh) | 电缆隧道的在线检测应急预警方法及系统 | |
| CN112418529A (zh) | 基于lstm神经网络的户外广告在线倒塌预测方法 | |
| CN117272232A (zh) | 数据融合的隧道监测方法、装置、计算机设备及存储介质 | |
| CN110031917B (zh) | 一种雨情监测方法 | |
| CN112082495A (zh) | 一种综合管廊的形变监测系统及方法 | |
| Yang et al. | Two-stage prediction technique for rolling bearings based on adaptive prediction model | |
| CN115511121A (zh) | 一种用于海洋核动力平台的数字孪生系统 | |
| Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
| CN112651338B (zh) | 一种输电线路违章施工隐患的判别方法及装置 | |
| Vagnoli et al. | An ensemble-based change-point detection method for identifying unexpected behaviour of railway tunnel infrastructures | |
| RU2591734C1 (ru) | Способ измерений и долговременного контроля конструкции стартового сооружения ракет-носителей и система для его осуществления | |
| CN112983548A (zh) | 一种地下施工的监测预警方法、装置、服务器以及系统 | |
| Solomon et al. | Large-scale structural monitoring systems | |
| Ni | Structural health monitoring for civil infrastructure systems: from research to application |
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 |