CN116817777A - 基于高精度传感器和Transformer的隧道围岩变形预测方法 - Google Patents
基于高精度传感器和Transformer的隧道围岩变形预测方法 Download PDFInfo
- Publication number
- CN116817777A CN116817777A CN202310431255.2A CN202310431255A CN116817777A CN 116817777 A CN116817777 A CN 116817777A CN 202310431255 A CN202310431255 A CN 202310431255A CN 116817777 A CN116817777 A CN 116817777A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- data
- deformation
- surrounding rock
- transducer
- 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 62
- 239000011435 rock Substances 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000010276 construction Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000011378 shotcrete Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010057175 Mass conditions Diseases 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其通过高精度传感器获取施工过程中的变形数据，对异常数据进行清洗和填补，并提出一种Transformer模型，其不仅考虑了施工顺序对隧道变形的影响，还具有注意力模块，可以深度学习隧道掌子面附近横截面的变形与掌子面变形之间的高维相关性。本发明所提方法能够稳定传输监测数据、准确获取变形数据，同时能够有效地对围岩变形进行预测，对复杂不利地质条件下的岩石隧道工程施工具有重要的指导和参考价值，保证施工作业人员的人身安全以及施工单位的财产安全。
Description
技术领域
本发明涉及隧道工程领域技术领域，具体涉及一种基于高精度传感器和Transformer的隧道围岩变形预测方法。
背景技术
隧道施工时，由于各种地质灾害的出现会给隧道施工带来很大的难度，甚至会对施工作业人员的人身安全以及作业机械的质量安全造成严重威胁。因此，对隧道围岩进行变形预测可以有效保证隧道既安全又快速地施工。但由于隧道的围岩-支护体系是一个十分庞大的动态系统，其力学性态不明确，变形机理及力学行为又十分复杂，并且在塌方、涌水、岩爆、泥石流等多种灾害地质条件下使用地球物理勘探、钻孔测量等方法精度较低，难度也较大，使得准确预测围岩的变形具有一定的挑战性。
而随着科学技术的进步，高精度传感器的出现为解决以上问题指出了一条正确的方向。目前，关于隧道变形的预测方法主要有灰色模型关联分析法、算法优化下的神经网络模型非线性分析方法、隧道监测信息反馈方法等。而灰色模型关联分析方法与隧道监测信息反馈方法在进行使用过程中需要耗费大量精力进行计算，且这些工作一定程度上还需要人工进行操作，难免会出现误差，且一旦改变其中某一个参数，则需要重新对这部分进行计算，费时费力。
神经网络是一种通过模拟人脑中神经元的运作方法对各类问题进行学习的计算系统，由相应的连接节点与单元层组成，能够应对难度较大的非线性问题。因此，本发明为了提高神经网络模型的分析精度，优化神经网络模型中的计算结构，更加切合隧道围岩变形过程分析，将基于高精度传感器获得的监测数据及时间序列作为样本写入输入层中，对不同隧道中的围岩变形都能起到很好的预测作用。
发明内容
针对上述存在的问题，本发明旨在提供一种基于高精度传感器监测数据和Transformer的隧道围岩变形预测方法，将基于高精度传感器获得的监测数据进行清洗和填补，通过计算得到围岩变形数据，将围岩变形数据和时间序列作为样本对Transformer模型进行测试和训练，进而准确预测隧道施工过程中的掌子面的变形情况。
本发明的核心思路是：以高精度传感器得到的隧道的围岩变形数据及时间序列作为训练样本，结合Transformer神经网络优秀的非线性计算能力对不同类型的隧道围岩变形进行预测。
为了实现上述目的，本发明所采用的技术方案如下：
一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其特征在于，包括以下步骤：
步骤1：在隧道开挖施工现场部署高精度传感器，监测隧道掌子面附近横截面的变形和掌子面的变形；
步骤2：在隧道中部署多个网关和中继装置，将高精度检测传感器采集到的监测数据传输到云服务器；
步骤3：云服务器收到监测数据后，采用近邻差值跳跃算法对监测数据进行异常数据检查和处理；
步骤4：采用改进的KNN算法对处理后的数据进行填补；
步骤5：根据填补后的数据计算围岩变形；
步骤6：构建Transformer神经网络模型；
步骤7：对建立的Transformer神经网络模型进行训练；
步骤8：将正在开挖的隧道围岩变形数据输入训练好的Transformer神经网络模型中进行预测，输出预测结果。
进一步地，步骤3的具体操作步骤为：
步骤31：获取传感器t时刻采集到的数据λt；
步骤32：计算数据在t时刻的跳跃量△λ＝|λt-λt-1|；
步骤33：判断|Δλ|≤λ是否成立，若是，则该数据为正常数据；若否，则该数据为异常数据的开始，删除该异常数据并将其置为空。
进一步地，步骤4的具体操作步骤包括：
若数据在t时刻缺失，k为近邻周期，则该时刻的填补数据Yt为：
Yt＝w1Yt-k/2+…+wk/2Yt-1+wk/2Yt+1+…+w1Yt+k/2
其中，w为所占的权重，且0＜w1＜wk/2＜1。
进一步地，步骤5中计算的围岩变形值包括：
1)拱顶沉降Ci
Ci＝disinβi-d0 sinβ0
2)水平收敛Hi
Hi＝dicosβi-d0cosβ0
其中，i表示时间，di、βi分别表示i时刻的激光距离和Y轴倾斜角，d0、β0分别表示初始时刻的激光距离和Y轴倾斜角。
进一步地，步骤6所构建的Transformer神经网络模型包括两个编码器层、两个解码器层、线性层、sigmoid函数、一个注意力模块和位置嵌入模块，所述编码层用于对输入的拱顶沉降和横截面的水平收敛两个维度的时间序列进行特征提取；解码器层用于对输入序列的特征进行解码；线性层和sigmoid激活函数用于对解码器层的输出进行处理；注意力模块采用点积注意力模块，用于捕获输入数据的全局时间相关性；位置嵌入模块用于分配表示岩石隧道施工的不同过程阶段的位置标签。
进一步地，所述点积注意力模块的输出计算公式为：
其中，QKT表示query(Q)和key(K)之间的相关性，dk表示模型的特征维数。
进一步地，所述注意力模块采用多头注意力机制，且其头数设置为3。
进一步地，所述位置标签代表岩石隧道施工的不同过程阶段，将开挖-结渣-支架阶段用标记值1表示、超前支护阶段用标记值2表示、喷射混凝土衬砌阶段用标记值3表示。
进一步地，步骤7中训练神经网络模型时采用均方误差函数作为损失函数，并采用teacher-forcing方法对建立的Transformer神经网络模型进行训练，并采用Adam优化器，其初始学习速率为1×10-4，Patience设定为10。
进一步地，其特征在于，步骤1中的高精度传感器部署有四个，其中三个用于监测隧道掌子面附近横截面的变形，剩余一个传感器用于监测掌子面变形。
本发明相较于其他变形预测方法，其有益效果是：
第一，本发明选取Transformer模型应对围岩变形短期位移预测任务中高时间分辨率带来的长距离依赖问题，该模型在序列生成相关任务中取得了良好的效果，展现出非常优秀的特征表达能力，其不再依赖传统的卷积神经网络(convolutional neuralnetwork,CNN)和RNN，依靠自注意力机制来计算输入与输出表示，对长期依赖有更强的表达能力。同时，注意力机制也具有良好的可解释性，有助于理解模型做出特定输出的原因，了解模型捕捉重点信息的能力，使得研究者结合模型关注的围岩变形特征，可以对模型的可靠性进行深入的评估；
第二，由于影响围岩稳定性的因素较多，且各种因素往往并不是呈独立的或线性相关的，而是非常复杂的非线性关系。因此，利用以往通过地质地貌调查以及掌子面编录推测的方法和手段很难预测围岩的变形情况。故本发明从“信息化”的理念上对围岩稳定性进行监测、预测和控制可以有效地改善以往监测手段的不足，通过高精度传感器对围岩进行监测，能够实时获取施工现场高精度的变形数据并稳定地传输至云服务器，并对异常数据进行清洗和填补，使工程师能够急速地检验施工开挖过程中掌子面前段的岩体情况是否符合目前施工使用的方案，能够及时更改现有施工方案，以最大程度上避免人员伤亡与机械损坏情况；
第三，本发明采用了基于Transformer神经网络结构的隧道围岩变形预测方法，其是由高精度传感器收集到的各项数据形成数据库与深度学习结合而成，分析过程全部由机器完成，人工作业内容少，在避免使用人工作业出现较多错误的同时，节省了大量的人力物力财力，且伴随着样本训练次数的不断增加，神经网络的预测精度会不断提高。
附图说明
图1为本发明所提方法的流程图。
图2(a)-(b)为传感器布置图；其中图2(a)是监测隧道掌子面附近横截面的变形的传感器布置图，图2(b)是监测掌子面变形的传感器布置图。
图3为Transformer神经网络结构示意图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
基于上述核心技术思路，本发明提出一种基于高精度传感器监测数据和Transformer的隧道围岩变形预测方法，包括以下步骤：
步骤1：在隧道开挖施工现场布置高精度传感器
为了监测浅埋区域施工期间的隧道变形，部署四个高精度传感器节点，其中三个用于监测隧道掌子面附近横截面的变形，剩余一个传感器用于监测掌子面变形，传感器布置如图2(a)-(b)所示。监测隧道掌子面附近横截面的变形的三个传感器的其中一个传感器测量水平收敛性，另外两个传感器用于对准该横断面隧道顶部的反射目标，获得沉降变形；
步骤2：在隧道中部署网关
在隧道中部署网关和中继装置，用于将步骤1中部署的四个高精度传感器所监测到的数据上传到云服务器；
由于监控区域的隧道工作面距离隧道入口约480m，因此在隧道工作面与隧道入口之间的中点(距离隧道入口约240m)处设置中继装置，将监控数据传输到网关，同时在隧道入口安装网关，将监测数据发送到云服务器；
步骤3：采用近邻差值跳跃算法对异常数据进行检查和处理
当云服务器接收到监测数据后，进行异常数据检测，具体地，将正常数据浮动范围的绝对值称为“浮动值”用“λ”表示，传感器某一时间点采集到的数据为λt，则其正常数据的浮动范围在[λt-λ，λt+λ]，数据在t时刻的跳跃量为：△λ＝|λt-λt-1|；若|Δλ|≤λ认为该数据是正常数据，否则被监测的数据为异常数据的开始，找到异常数据后，将其异常值删除，置为空，并进入步骤4进行填补；
步骤4：采用改进的KNN算法对缺失和异常值进行填补
与传统的KNN算法相比，本发明提出改进的KNN算法，其考虑到越靠近异常或者缺失数据时刻的数据在计算缺失值和填补数据时，所占的权重越大，具体包括：
设数据在t时刻缺失，k为近邻周期，w为所占的权重，则该时刻的填补数据Yt为：
Yt＝w1Yt-k/2+…+wk/2Yt-1+wk/2Yt+1+…+w1Yt+k/2
对于权重w，为了保证越靠近缺失值时刻的数据，其所占权重越大，以上公式中w取值范围为：0＜w1＜wk/2＜1。再根据专业知识设置权重占比和k的取值，即可合理填补每个缺失点的数据。
步骤5：根据清洗和填补后的数据计算围岩变形
如图2(a)所示，三个传感器节点部署在靠近隧道表面的典型横截面中的主要隧道衬砌上，传感器内置坐标系的Y轴与激光照射方向相同。用Y轴与横截面之间的倾斜角β来计算拱顶沉降和水平收敛。通过传感器所测量的激光距离是目标点和传感器之间的实时距离。计算值为Ci(拱顶沉降)和Hi(水平收敛)的公式如下：
其中，di、βi分别表示i时刻的激光距离和Y轴倾斜角，d0、β0分别表示初始时刻的激光距离和Y轴倾斜角；
步骤6：构建Transformer神经网络模型
与传统的时间序列深度学习不同，注意力模块捕获输入数据的全局时间相关性，为时间建模提供了新的视角。注意机制的输入分别包括query(Q)、key(K)和value(V)权重矩阵，其中Q,K表示维度为dk的矩阵,V表示维度为dv的矩阵，再通过SoftMax函数对Q、K和V权重矩阵进行归一化处理；
构建Transformer神经网络时，采用点积注意力模块，其输出可计算为：
其中，QKT表示query(Q)和key(K)之间的相关性，dk表示模型的特征维数。
式(4)用于对Q和K的内积结果进行缩放，并在训练过程中稳定梯度。注意力模块采用一般的多头注意力方法，将Q、K、V映射到高维空间中，并在其子空间中应用注意力模块。因此，注意力模块可以组合每个子空间的结果，然后映射输出；
本发明构建的Transformer模型包括两个编码器层、两个解码器层、线性层、sigmoid函数、一个注意力模块和位置嵌入模块层，如图3所示。所述编码层用于对输入的拱顶沉降和横截面的水平收敛两个维度的时间序列进行特征提取；解码器层用于对输入序列的特征进行解码；线性层和sigmoid激活函数用于对解码器层的输出进行处理；注意力模块采用点积注意力模块，用于捕获输入数据的全局时间相关性；位置嵌入模块用于分配表示岩石隧道施工的不同过程阶段的位置标签；
输入编码器的序列是由两个维度的测量点(拱顶沉降和横截面的水平收敛)组成的时间序列；解码器输出的预测值与一维输入的预测值具有相同的测量点，即预测的是相同位置的形变值，均是由巷道工作面的监测变形值组成的时间序列。
为了让编码器层学习到输入序列中丰富的数据信息，Transformer模型在输入中将输入序列的特征从低维提升到高维。即本方法将输入时间序列多头注意力块的参数维数由2升级为18，序列长度选取为30。前馈网络模块(FFN)中的隐藏层单元数设置为10。由于特征维数不大，多头注意机制中的头数设为3。
解码器层具有与编码器层相似的结构，其输出维数为1。通过线性层和sigmoid激活函数对解码器层的输出进行处理。输出预测应具有与输入相同的序列长度。
位置嵌入模块设置于编码器之前，但不包括在解码器阶段中。位置嵌入模块用于分配表示岩石隧道施工的不同过程阶段的位置标签，从而调整不同施工阶段的位置编码幅度。因此，本发明所构建的Transformer模型能够将过程信息合并到模型的输入中，并从输出中隐藏过程信息。
本发明提出的位置标签代表岩石隧道施工的不同过程阶段。为了便于识别，开挖-结渣-支架阶段用标记值1表示，超前支护阶段用标记值2表示，喷射混凝土衬砌阶段用标记值3表示。现场工程师手动记录每个施工阶段周期，以便监控数据能够与重新排序的时间一致，以分配位置标签。
根据分配的位置标签，调整位置编码的振幅以适应应用在编码器模型之前的输入数据。通过调整振幅，将输入数据的位置标签整合到长时间序列中，以保留过程信息。
步骤S7：对构建的Transformer模型进行训练
将模型的输入和输出数据分别划分为80％的训练数据和20％的测试数据。同时，将训练部分按9：1的比例随机分成训练集和验证集。损失函数采用均方误差(MSE)函数，并采用teacher-forcing方法来加快Transformer模型的训练速度。在模型的训练过程中采用了Adam优化器，初始学习速率为1×10-4，Patience设定为10，当模型在验证集上的性能连续10个迭代次数没有提升时，就会触发学习率的衰减操作；
训练时采用英特尔酷睿i7-12700核心处理器和12GB内存的英伟达RTX3060图形处理器。训练软件的环境为在Windows 10系统上配置的PyTorch框架；
步骤S8：隧道围岩变形进行预测
对正在开挖的隧道围岩变形进行预测，并将预测结果与监测变形的测量结果进行对比。本实施例证明本方法能够捕捉隧道施工过程中变形的动态变化，使现场工程师能够确定岩石隧道施工过程中可能存在的风险。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其特征在于，包括以下步骤：
步骤1：在隧道开挖施工现场部署高精度传感器，监测隧道掌子面附近横截面的变形和掌子面的变形；
步骤2：在隧道中部署多个网关和中继装置，将高精度检测传感器采集到的监测数据传输到云服务器；
步骤3：云服务器收到监测数据后，采用近邻差值跳跃算法对监测数据进行异常数据检查和处理；
步骤4：采用改进的KNN算法对处理后的数据进行填补；
步骤5：根据填补后的数据计算围岩变形；
步骤6：构建Transformer神经网络模型；
步骤7：对建立的Transformer神经网络模型进行训练；
步骤8：将正在开挖的隧道围岩变形数据输入训练好的Transformer神经网络模型中进行预测，输出预测结果。
2.根据权利要求1所述的一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其特征在于：步骤3的具体操作步骤为：
步骤31：获取传感器t时刻采集到的数据λt；
步骤32：计算数据在t时刻的跳跃量△λ＝|λt-λt-1|；
步骤33：判断|Δλ|≤λ是否成立，若是，则该数据为正常数据；若否，则该数据为异常数据的开始，删除该异常数据并将其置为空。
3.根据权利要求2所述的一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其特征在于，步骤4的具体操作步骤包括：
若数据在t时刻缺失，k为近邻周期，则该时刻的填补数据Yt为：
Yt＝w1Yt-k/2+…+wk/2Yt-1+wk/2Yt+1+…+w1Yt+k/2
其中，w为所占的权重，且0＜w1＜wk/2＜1。
4.根据权利要求3所述的一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其特征在于，步骤5中计算的围岩变形值包括：
1)拱顶沉降Ci
Ci＝disinβi-d0 sinβ0
2)水平收敛Hi
Hi＝dicosβi-d0cosβ0
其中，i表示时间，di、βi分别表示i时刻的激光距离和Y轴倾斜角，d0、β0分别表示初始时刻的激光距离和Y轴倾斜角。
5.根据权利要求4所述的一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其特征在于，步骤6所构建的Transformer神经网络模型包括两个编码器层、两个解码器层、线性层、sigmoid函数、一个注意力模块和位置嵌入模块，所述编码层用于对输入的拱顶沉降和横截面的水平收敛两个维度的时间序列进行特征提取；解码器层用于对输入序列的特征进行解码；线性层和sigmoid激活函数用于对解码器层的输出进行处理；注意力模块采用点积注意力模块，用于捕获输入数据的全局时间相关性；位置嵌入模块用于分配表示岩石隧道施工的不同过程阶段的位置标签。
6.根据权利要求5所述的一种基于高精度传感器和Transformer的隧道围岩变形预测方法，所述点积注意力模块的输出计算公式为：
其中，QKT表示query(Q)和key(K)之间的相关性，dk表示模型的特征维数。
7.根据权利要求5所述的一种基于高精度传感器和Transformer的隧道围岩变形预测方法，所述注意力模块采用多头注意力机制，且其头数设置为3。
8.根据权利要求7所述的一种基于高精度传感器和Transformer的隧道围岩变形预测方法，所述位置标签代表岩石隧道施工的不同过程阶段，将开挖-结渣-支架阶段用标记值1表示、超前支护阶段用标记值2表示、喷射混凝土衬砌阶段用标记值3表示。
9.根据权利要求5所述的一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其特征在于，步骤7中训练神经网络模型时采用均方误差函数作为损失函数，并采用teacher-forcing方法对建立的Transformer神经网络模型进行训练，并采用Adam优化器，其初始学习速率为1×10-4，Patience设定为10。
10.根据权利要求5所述的一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其特征在于，步骤1中的高精度传感器部署有四个，其中三个用于监测隧道掌子面附近横截面的变形，剩余一个传感器用于监测掌子面变形。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310431255.2A CN116817777A (zh) | 2023-04-21 | 2023-04-21 | 基于高精度传感器和Transformer的隧道围岩变形预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310431255.2A CN116817777A (zh) | 2023-04-21 | 2023-04-21 | 基于高精度传感器和Transformer的隧道围岩变形预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116817777A true CN116817777A (zh) | 2023-09-29 |
Family
ID=88126502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310431255.2A Pending CN116817777A (zh) | 2023-04-21 | 2023-04-21 | 基于高精度传感器和Transformer的隧道围岩变形预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116817777A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463717A (zh) * | 2014-12-09 | 2015-03-25 | 中国水利水电第十四工程局有限公司 | 一个适用于特大地下洞室群的施工专家信息系统 |
| CN106500614A (zh) * | 2016-10-19 | 2017-03-15 | 重庆大学 | 一种隧道运行期变形监测预报系统及方法 |
| CN112344869A (zh) * | 2020-10-09 | 2021-02-09 | 国家电网公司西北分部 | 基于侧面拟合的铁塔变形监测方法及系统 |
| CN113465527A (zh) * | 2021-07-28 | 2021-10-01 | 招商局重庆交通科研设计院有限公司 | 隧道围岩稳定性监测装置及方法 |
| CN215810790U (zh) * | 2021-07-27 | 2022-02-11 | 长江勘测规划设计研究有限责任公司 | 隧洞断面绝对变形自动化监测系统 |
| US20220112806A1 (en) * | 2020-10-13 | 2022-04-14 | Institute Of Rock And Soil Mechanics, Chinese Academy Of Sciences | Safety early warning method and device for full-section tunneling of tunnel featuring dynamic water and weak surrounding rock |
| CN115758515A (zh) * | 2022-10-31 | 2023-03-07 | 中铁隧道局集团有限公司 | Tbm隧道不良地质段智能支护决策方法 |
-
2023
- 2023-04-21 CN CN202310431255.2A patent/CN116817777A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463717A (zh) * | 2014-12-09 | 2015-03-25 | 中国水利水电第十四工程局有限公司 | 一个适用于特大地下洞室群的施工专家信息系统 |
| CN106500614A (zh) * | 2016-10-19 | 2017-03-15 | 重庆大学 | 一种隧道运行期变形监测预报系统及方法 |
| CN112344869A (zh) * | 2020-10-09 | 2021-02-09 | 国家电网公司西北分部 | 基于侧面拟合的铁塔变形监测方法及系统 |
| US20220112806A1 (en) * | 2020-10-13 | 2022-04-14 | Institute Of Rock And Soil Mechanics, Chinese Academy Of Sciences | Safety early warning method and device for full-section tunneling of tunnel featuring dynamic water and weak surrounding rock |
| CN215810790U (zh) * | 2021-07-27 | 2022-02-11 | 长江勘测规划设计研究有限责任公司 | 隧洞断面绝对变形自动化监测系统 |
| CN113465527A (zh) * | 2021-07-28 | 2021-10-01 | 招商局重庆交通科研设计院有限公司 | 隧道围岩稳定性监测装置及方法 |
| CN115758515A (zh) * | 2022-10-31 | 2023-03-07 | 中铁隧道局集团有限公司 | Tbm隧道不良地质段智能支护决策方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11704579B2 (en) | Earth modeling methods using machine learning | |
| CA2879773C (en) | Multi-level reservoir history matching | |
| Standoli et al. | Modal-based FE model updating via genetic algorithms: Exploiting artificial intelligence to build realistic numerical models of historical structures | |
| RU2462755C2 (ru) | Прогнозирование свойств подземной формации | |
| RU2723805C9 (ru) | Способ и компьютерная система управления бурением скважин | |
| US11699099B2 (en) | Confidence volumes for earth modeling using machine learning | |
| CN111980688B (zh) | 一种基于集成学习算法的井斜角度预测方法 | |
| US11796714B2 (en) | Determination of mechanical properties of a geological formation using deep learning applied to data acquired while drilling | |
| CN115310361B (zh) | 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统 | |
| CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
| CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测系统 | |
| CN107368463B (zh) | 基于光纤光栅传感网络数据的巷道非线性变形预测方法 | |
| CN115455828A (zh) | 一种可解释的测井曲线补全方法 | |
| Zhdaneev et al. | Predictive systems for the well drilling operations | |
| CN114488311A (zh) | 基于ssa-elm算法的横波时差预测方法 | |
| RU2745152C1 (ru) | Способ объединения модели геологической проводки скважины с оперативной петрофизической интерпретацией данных гис в режиме реального времени и система, реализующая способ | |
| Tunkiel et al. | Continuous drilling sensor data reconstruction and prediction via recurrent neural networks | |
| CN116817777A (zh) | 基于高精度传感器和Transformer的隧道围岩变形预测方法 | |
| US20210293132A1 (en) | Process for real time geological localization with greedy monte carlo | |
| CN115455791A (zh) | 一种基于数值模拟技术提高滑坡位移预测准确率的方法 | |
| Zeng et al. | Local coupled Markov chain model for simulating varied stratigraphy | |
| Zheng et al. | Tunnel displacement prediction under spatial effect based on Gaussian process regression optimized by differential evolution | |
| Bouquet et al. | Analysis of Surface Movement through Conceptual and Coupled Flow-Geomechanics Models an Example of Surface Monitoring Assessment for CCS Project | |
| US20230376658A1 (en) | Systems and methods for performing drilling rig operations | |
| US20240045095A1 (en) | Geologic fault seal characterization |
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 |