CN117150445B - 一种区间隧道近距离下穿河流的沉降监测和评价方法 - Google Patents
一种区间隧道近距离下穿河流的沉降监测和评价方法 Download PDFInfo
- Publication number
- CN117150445B CN117150445B CN202311411800.8A CN202311411800A CN117150445B CN 117150445 B CN117150445 B CN 117150445B CN 202311411800 A CN202311411800 A CN 202311411800A CN 117150445 B CN117150445 B CN 117150445B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- correlation function
- monitoring points
- data
- sedimentation
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005314 correlation function Methods 0.000 claims abstract description 49
- 238000004062 sedimentation Methods 0.000 claims abstract description 49
- 239000003673 groundwater Substances 0.000 claims abstract description 41
- 239000002689 soil Substances 0.000 claims abstract description 30
- 238000007477 logistic regression Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 230000003595 spectral effect Effects 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011148 porous material Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种区间隧道近距离下穿河流的沉降监测和评价方法及系统,该方法包括:在区间隧道下穿河流的区域选择若干监测点;获取监测点的数据与沉降的第一相关性函数;根据监测数据,计算每个时间点的相关性函数值;构建第一逻辑回归模型;采用参数估计法训练所述第一逻辑回归模型;基于新的监测数据,输出预测的概率值;基于预测的概率值与某一阈值比较来判断是否属于正常或异常。本发明不仅综合考虑了影响沉降的多种因素,例如地下水位变化、土壤类型以及地质条件等因素,而且将这些因素统一到一个相关函数中,以便对沉降进行准确评估,并且还将相关函数与逻辑回归模型进行融合,使得对沉降的判断更加智能更加精确。
Description
技术领域
本发明属于计算机系统工程领域,尤其涉及一种区间隧道近距离下穿河流的沉降监测和评价方法。
背景技术
区间隧道近距离下穿河流的沉降是一个重要的工程问题,它涉及到地下结构与地下水、土壤的相互作用。河流附近的土壤和地下水具有特殊的水土相互作用。隧道施工和运营期间,地下水流动和水位变化可能会对土壤产生影响,导致沉降问题。河流附近的地下水位通常受到河流水位的影响。在隧道施工和运营期间,河流水位的变化可能引起地下水位的波动。这种地下水位变化可能会对土壤的力学性质和水力性质产生影响,进而也会对沉降产生重要影响。而不同的土壤类型和地质条件对隧道施工和运营中的沉降问题具有不同的影响。例如,河流旁边的沉积土可能具有较高的含水量和可压缩性,而岩石地层可能更加坚硬稳定。因此,近距离下穿河流意味着隧道与河流之间的距离较短,这对沉降问题具有特殊的挑战和重要的信息。
发明内容
针对上述现有技术中存在的缺陷,本发明提供一种区间隧道近距离下穿河流的沉降监测和评价方法,包括以下步骤:
在区间隧道下穿河流的区域选择一系列监测点;
在隧道施工前,进行初始基准测量;
在隧道施工期间和隧道通行后的一段时间内,对所述监测点采用包括全站仪、测量水准仪、应变计以及地表变形监测仪中的多种设备进行实时监测;
定期采集所述监测点的数据,获取监测点的数据与沉降的第一相关性函数;
根据监测数据,计算每个时间点的相关性函数值,将其作为特征;
将实际监测结果作为标签;
构建第一逻辑回归模型;
采用参数估计法训练所述第一逻辑回归模型;
基于新的监测数据,通过所述第一相关性函数计算得到的新的特征值输入到训练好的第一逻辑回归模型中,输出预测的概率值;
基于预测的概率值与某一阈值比较来判断当前沉降状态是否属于正常或异常。
其中,所述在区间隧道下穿河流的区域选择一系列监测点中,这些监测点距离所述区间隧道纵向和横向位置均匀分布,覆盖整个下穿河流的范围。
其中,所述在隧道施工前,进行初始基准测量,包括通过使用全站仪或其他相关测量设备测量并记录各监测点的初始坐标,以建立起初始的沉降基准。
其中,在隧道施工期间和隧道通行后的一段时间内,采用包括全站仪、测量水准仪、应变计以及地表变形监测仪中的多种设备对所述监测点进行实时监测。
其中,定期采集所述监测点的数据,包括定期采集所述监测点的沉降速率、土壤类型、地质条件和地下水位。
其中,计算每个时间点的相关性作为特征,假设有以下变量:沉降速率r(t)、土壤类型s、地质条件c、地下水位变化g(t)、第一相关函数C(r,g,s,c,τ),则
第一相关性函数的计算公式可以表示为:
,
其中,C(r,g,s,c,τ)表示在时间滞后τ的沉降速率、地下水位变化、土壤类型和地质条件之间的相关性。
其中,假设所述第一逻辑回归模型的参数为θ,特征向量为x,则预测结果为:
,
其中,sigmoid是逻辑函数,将预测结果映射到[0,1]的概率范围内sigmoid,θ是待估计的参数向量,x是特征向量,其中特征向量x是以第一相关函数作为特征,每个特征用x_i表示,T则是特定的某个特征的下标。
其中,使用最大似然估计法来估计参数θ,使得模型的预测结果与实际标签之间的差异最小化。
其中,所述似然函数可以表示为:
,
其中,x_i是第i个样本的特征向量,y_i是第i个样本的标签,其为0或1,hθ(x_i)是根据当前参数θ计算得到的预测值;
采用对数似然函数表示为:
;
通过最大化对数似然函数,可以得到使观测数据出现的概率最大的参数值θ。
选择适当的优化算法来最大化对数似然函数,在沉降预测中,可以使用训练数据集进行参数估计和模型训练,通过迭代地更新参数θ,直至找到使对数似然函数达到最大值的参数值。
本发明还提出了一种区间隧道近距离下穿河流的沉降监测和评价系统,其包括:
监测点,其为在区间隧道下穿河流的区域选择一系列监测点;
基准测量模块,其用于在隧道施工前,进行初始基准测量;
实时监测模块,其用于在隧道施工期间和隧道通行后的一段时间内,对所述监测点采用包括全站仪、测量水准仪、应变计以及地表变形监测仪中的多种设备进行实时监测;
相关函数生成模块,其用于定期采集所述监测点的数据,获取监测点的数据与沉降的第一相关性函数;
特征值获取模块,其用于根据监测数据,计算每个时间点的相关性函数值,将其作为特征;
标签模块,其用于将实际监测结果作为标签;
模型构建模块,其用于构建第一逻辑回归模型;
训练模块,其用于采用参数估计法训练所述第一逻辑回归模型;
预测模块,其用于基于新的监测数据,通过所述第一相关性函数计算得到的新的特征值输入到训练好的第一逻辑回归模型中,输出预测的概率值;
评价模块,其用于基于预测的概率值与某一阈值比较来判断当前沉降状态是否属于正常或异常。
与现有技术相比,本发明不仅综合考虑了影响沉降的多种因素,例如地下水位变化、土壤类型以及地质条件等因素,而且将这些因素统一到一个相关函数中,以便对沉降进行准确评估,并且还将相关函数与逻辑回归模型进行融合,使得对沉降的判断更加智能更加精确。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是示出根据本发明实施例的一种区间隧道近距离下穿河流的沉降监测和评价方法流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……,但这些……不应限于这些术语。这些术语仅用来将……区分开。例如,在不脱离本发明实施例范围的情况下,第一……也可以被称为第二……,类似地,第二……也可以被称为第一……。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
下面结合附图详细说明本发明的可选实施例。
实施例一、
如图1所示,本发明公开了一种区间隧道近距离下穿河流的沉降监测和评价方法,包括以下步骤:
在区间隧道下穿河流的区域选择一系列监测点;
在隧道施工前,进行初始基准测量;
在隧道施工期间和隧道通行后的一段时间内,对所述监测点采用包括全站仪、测量水准仪、应变计以及地表变形监测仪中的多种设备进行实时监测;
定期采集所述监测点的数据,获取监测点的数据与沉降的第一相关性函数;
根据监测数据,计算每个时间点的相关性函数值,将其作为特征;
将实际监测结果作为标签;
构建第一逻辑回归模型;
采用参数估计法训练所述第一逻辑回归模型;
基于新的监测数据,通过所述第一相关性函数计算得到的新的特征值输入到训练好的第一逻辑回归模型中,输出预测的概率值;
基于预测的概率值与某一阈值比较来判断是否属于正常或异常。
对于沉降速率、地下水位变化、土壤类型和地质条件这样的特征,它们可能具有不同的度量单位和数据分布范围。因此,进行归一化可以将它们映射到一个共同的数值范围,以消除单位和数据量级的影响。
在某一实施例中,采用标准化方法。通过减去均值并除以标准差来使特征具有零均值和单位方差。对于每个特征,使用以下公式进行标准化计算:
x_standardized=(x-mean(x))/std(x),
其中,x是原始特征的值,x_standardized是标准化后的特征值,mean(x)是特征的均值,std(x)是特征的标准差。
在某一实施例中,对于土壤类型和地质条件这样的分类变量,可采用标签编码(Label Encoding):标签编码是将分类变量映射为整数类型的方法。对于土壤类型和地质条件,可以为每个类别指定一个唯一的整数值。例如,可以将土壤类型A、B、C编码为0、1、2,将地质条件X、Y编码为0、1。
在某一实施例中,地下水位变化与沉降速率之间的关系考虑如下,假设只考虑垂直方向上的变化:
假设地下水位变化引起的沉降是由于土体的压实或流体排出引起的。我们可以使用孔隙水压力变化和土体的压缩性来描述这种关系。
土体的压缩性可以用压缩模量(压缩系数的倒数)表示,通常用符号K表示。K的单位是应力/应变。
地下水位变化引起的孔隙水压力变化可以用Δu表示,单位是应力。
沉降速率可以用符号v表示,单位是长度/时间。
根据土体力学理论,沉降速率与孔隙水压力变化和土体的压缩性之间存在以下关系:
,
这个关系表明,沉降速率与孔隙水压力变化成负相关,而土体的压缩性(通过压缩模量K来表示)则是其比例系数。
实施例二、
本发明提出的一种区间隧道近距离下穿河流的沉降监测和评价方法,包括以下步骤:
在区间隧道下穿河流的区域选择一系列监测点;
在隧道施工前,进行初始基准测量;
在隧道施工期间和隧道通行后的一段时间内,对所述监测点采用包括全站仪、测量水准仪、应变计以及地表变形监测仪中的多种设备进行实时监测;
定期采集所述监测点的数据,获取监测点的数据与沉降的第一相关性函数;
根据监测数据,计算每个时间点的相关性函数值,将其作为特征;
将实际监测结果作为标签;
构建第一逻辑回归模型;
采用参数估计法训练所述第一逻辑回归模型;
基于新的监测数据,通过所述第一相关性函数计算得到的新的特征值输入到训练好的第一逻辑回归模型中,输出预测的概率值;
基于预测的概率值与某一阈值比较来判断是否属于正常或异常。
在某一实施例中,假设我们有一个时间序列的地下水位数据集,记为W(t),其中t表示时间。我们想要建立一个预测模型,根据当前的地下水位数据预测未来的沉降情况。
使用人工智能算法(如回归算法、时间序列分析等),可以建立一个预测模型。例如,可以使用线性回归模型,假设沉降数据S(t)与地下水位数据W(t)之间存在线性关系:
,
其中,α和β是模型的参数,ε是误差项。
通过训练模型,可以估计参数α和β的值,从而得到预测模型。当给定当前的地下水位值W(t)时,模型可以预测相应的沉降值S(t)。
在某一实施例中,假设我们已经建立了一个预测模型,用于预测沉降值。希望使用异常检测方法来检测实际观测到的沉降值是否与预测值之间存在显著差异,以判断是否出现异常情况。
使用异常检测算法、统计方法等,可以建立一个异常检测模型。例如,可以使用统计方法,计算实际观测到的沉降值S(t)与预测值之间的残差:
Residual(t)=S(t)-S_predicted(t),
其中,S_predicted(t)是预测模型给出的预测值。
通过分析残差的分布和统计特征,可以确定一个阈值或使用异常检测算法来判断是否存在异常情况。当残差超过阈值或异常检测算法给出异常标识时,可以判定为出现了异常情况。
其中,所述在区间隧道下穿河流的区域选择一系列监测点中,这些监测点距离所述区间隧道纵向和横向位置均匀分布,覆盖整个下穿河流的范围。
其中,所述在隧道施工前,进行初始基准测量,包括通过使用全站仪或其他相关测量设备测量并记录各监测点的初始坐标,以建立起初始的沉降基准。
其中,在隧道施工期间和隧道通行后的一段时间内,采用包括全站仪、测量水准仪、应变计以及地表变形监测仪中的多种设备对所述监测点进行实时监测。
其中,定期采集所述监测点的数据,包括定期采集所述监测点的沉降速率、土壤类型、地质条件和地下水位。
其中,计算每个时间点的相关性作为特征,假设有以下变量:沉降速率r(t)、土壤类型s、地质条件c、地下水位变化g(t)、第一相关函数C(r,g,s,c,τ),则
第一相关性函数的计算公式可以表示为:
,
其中,C(r,g,s,c,τ)表示在时间滞后τ的沉降速率、地下水位变化、土壤类型和地质条件之间的相关性。
在某一实施例中,假设我们有一个时间序列的沉降数据集,记为S(t),其中t表示时间。同样,我们有一个地下水位的时间序列数据集,记为W(t)。
首先,计算沉降数据和地下水位数据的平均值。分别记为S_avg和W_avg。
计算每个时间点的偏差值,即沉降数据和地下水位数据与其平均值之差。分别记为S'(t)=S(t)-S_avg和W'(t)=W(t)-W_avg。
计算每个时间点的偏差值乘积,即。
计算的平均值,记为Cov(S',W')。
计算沉降数据偏差的标准差,记为Std(S')。
计算地下水位数据偏差的标准差,记为Std(W')。
最后,计算相关系数,即相关性的度量。相关系数定义为。
通过计算相关系数,可以得到沉降和地下水位之间的相关性。相关系数的取值范围在-1到1之间,其中-1表示完全负相关,1表示完全正相关,0表示无相关性。
实际,还可以采用谱分析方法来表达这种相关性。
在某一实施例中,假设有一个时间序列的沉降数据集,记为S(t),其中t表示时间。同样,我们有一个地下水位的时间序列数据集,记为W(t)。
首先,对沉降数据和地下水位数据进行离散傅里叶变换(Discrete FourierTransform,DFT)。DFT将时域数据转换为频域数据。
对沉降数据进行DFT,得到沉降数据的频谱表示,记为S(f),其中f表示频率。
对地下水位数据进行DFT,得到地下水位数据的频谱表示,记为W(f)。
计算沉降数据和地下水位数据的互功率谱密度(PSD)。互功率谱密度表示两个信号之间的频率相关性。
,
其中,F表示复数的共轭乘积。
计算沉降数据的自功率谱密度(PSD)。
。
计算地下水位数据的自功率谱密度(PSD)。
。
最后,计算沉降和地下水位之间的谱相关系数,即相关性的度量。
。
通过计算谱相关系数,可以得到沉降和地下水位之间的频域关系。谱相关系数的取值范围在0到1之间,其中0表示无相关性,1表示完全相关。
其中,假设所述第一逻辑回归模型的参数为θ,特征向量为x,则预测结果为:
,
其中,sigmoid是逻辑函数,将预测结果映射到[0,1]的概率范围内sigmoid,θ是待估计的参数向量,x是特征向量,其中特征向量x是以第一相关函数作为特征,每个特征用x_i表示,T则是特定的某个特征的下标。
其中,使用最大似然估计法来估计参数θ,使得模型的预测结果与实际标签之间的差异最小化。
其中,所述似然函数可以表示为:
,
其中,x_i是第i个样本的特征向量,y_i是第i个样本的标签,其为0或1,hθ(x_i)是根据当前参数θ计算得到的预测值;
采用对数似然函数表示为:
;
通过最大化对数似然函数,可以得到使观测数据出现的概率最大的参数值θ。
实施例三、
本发明还提出了一种区间隧道近距离下穿河流的沉降监测和评价系统,其包括:
监测点,其为在区间隧道下穿河流的区域选择一系列监测点;
基准测量模块,其用于在隧道施工前,进行初始基准测量;
实时监测模块,其用于在隧道施工期间和隧道通行后的一段时间内,对所述监测点采用包括全站仪、测量水准仪、应变计以及地表变形监测仪中的多种设备进行实时监测;
相关函数生成模块,其用于定期采集所述监测点的数据,获取监测点的数据与沉降的第一相关性函数;
特征值获取模块,其用于根据监测数据,计算每个时间点的相关性函数值,将其作为特征;
标签模块,其用于将实际监测结果作为标签;
模型构建模块,其用于构建第一逻辑回归模型;
训练模块,其用于采用参数估计法训练所述第一逻辑回归模型;
预测模块,其用于基于新的监测数据,通过所述第一相关性函数计算得到的新的特征值输入到训练好的第一逻辑回归模型中,输出预测的概率值;
评价模块,其用于基于预测的概率值与某一阈值比较来判断是否属于正常或异常。
实施例四、
本公开实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行如上实施例所述的方法步骤。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(AN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
以上介绍了本发明的较佳实施方式,旨在使得本发明的精神更加清楚和便于理解,并不是为了限制本发明,凡在本发明的精神和原则之内,所做的修改、替换、改进,均应包含在本发明所附的权利要求概括的保护范围之内。
Claims (6)
1.一种区间隧道近距离下穿河流的沉降监测和评价方法,包括以下步骤:
在区间隧道下穿河流的区域选择一系列监测点;
在隧道施工前,进行初始基准测量;
在隧道施工期间和隧道通行后的一段时间内,对所述监测点进行实时监测;
定期采集所述监测点的数据,获取监测点的数据与沉降的第一相关性函数;
根据监测数据,计算每个时间点的相关性函数值,将其作为特征;
将实际监测结果作为标签;
构建第一逻辑回归模型;
采用参数估计法训练所述第一逻辑回归模型;
基于新的监测数据,通过所述第一相关性函数计算得到的新的特征值输入到训练好的第一逻辑回归模型中,输出预测的概率值;
基于预测的概率值与某一阈值比较来判断当前沉降状态是否属于正常或异常;
其中定期采集所述监测点的数据,包括定期采集所述监测点的沉降速率、土壤类型、地质条件和地下水位;
其中计算每个时间点的相关性作为特征,假设有以下变量:沉降速率r(t)、土壤类型s、地质条件c、地下水位变化、g(t)、第一相关函数C(r,g,s,c,τ),则
第一相关性函数的计算公式表示为:
,
其中,C(r,g,s,c,τ)表示在时间滞后τ的沉降速率、地下水位变化、土壤类型和地质条件之间的相关性;
假设所述第一逻辑回归模型的参数为θ,特征向量为x,则预测结果为:
,
其中,sigmoid是逻辑函数,将预测结果映射到[0,1]的概率范围内,θ是待估计的参数向量,x是特征向量,其中特征向量x是以第一相关函数作为特征,x_i是第i个样本的特征向量,T表示转置。
2.如权利要求1所述方法,其中所述在区间隧道下穿河流的区域选择一系列监测点中,这些监测点距离所述区间隧道纵向和横向位置均匀分布,覆盖整个下穿河流的范围。
3.如权利要求1所述方法,其中所述在隧道施工前,进行初始基准测量,包括通过使用全站仪测量并记录各监测点的初始坐标,以建立起初始的沉降基准。
4.如权利要求1所述方法,其中在隧道施工期间和隧道通行后的一段时间内,采用包括全站仪、测量水准仪、应变计以及地表变形监测仪中的多种设备对所述监测点进行实时监测。
5.如权利要求1所述方法,其中使用最大似然估计法来估计参数θ,使得模型的预测结果与实际标签之间的差异最小化。
6.一种区间隧道近距离下穿河流的沉降监测和评价系统,其包括:
监测点,其为在区间隧道下穿河流的区域选择一系列监测点;
基准测量模块,其用于在隧道施工前,进行初始基准测量;
实时监测模块,其用于在隧道施工期间和隧道通行后的一段时间内,对所述监测点采用包括全站仪、测量水准仪、应变计以及地表变形监测仪中的多种设备进行实时监测;
相关函数生成模块,其用于定期采集所述监测点的数据,获取监测点的数据与沉降的第一相关性函数;
特征值获取模块,其用于根据监测数据,计算每个时间点的相关性函数值,将其作为特征;
标签模块,其用于将实际监测结果作为标签;
模型构建模块,其用于构建第一逻辑回归模型;
训练模块,其用于采用参数估计法训练所述第一逻辑回归模型;
预测模块,其用于基于新的监测数据,通过所述第一相关性函数计算得到的新的特征值输入到训练好的第一逻辑回归模型中,输出预测的概率值;
评价模块,其用于基于预测的概率值与某一阈值比较来判断当前沉降状态是否属于正常或异常;
其中定期采集所述监测点的数据,包括定期采集所述监测点的沉降速率、土壤类型、地质条件和地下水位;
其中计算每个时间点的相关性作为特征,假设有以下变量:沉降速率r(t)、土壤类型s、地质条件c、地下水位变化、g(t)、第一相关函数C(r,g,s,c,τ),则
第一相关性函数的计算公式表示为:
,
其中,C(r,g,s,c,τ)表示在时间滞后τ的沉降速率、地下水位变化、土壤类型和地质条件之间的相关性;
假设所述第一逻辑回归模型的参数为θ,特征向量为x,则预测结果为:
,
其中,sigmoid是逻辑函数,将预测结果映射到[0,1]的概率范围内,θ是待估计的参数向量,x是特征向量,其中特征向量x是以第一相关函数作为特征,x_i是第i个样本的特征向量,T表示转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311411800.8A CN117150445B (zh) | 2023-10-30 | 2023-10-30 | 一种区间隧道近距离下穿河流的沉降监测和评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311411800.8A CN117150445B (zh) | 2023-10-30 | 2023-10-30 | 一种区间隧道近距离下穿河流的沉降监测和评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117150445A CN117150445A (zh) | 2023-12-01 |
CN117150445B true CN117150445B (zh) | 2024-02-23 |
Family
ID=88903004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311411800.8A Active CN117150445B (zh) | 2023-10-30 | 2023-10-30 | 一种区间隧道近距离下穿河流的沉降监测和评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150445B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117739904B (zh) * | 2023-12-28 | 2024-06-14 | 中煤新集能源股份有限公司 | 一种在动压影响下深部软岩巷道变形控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239715A (zh) * | 2014-09-11 | 2014-12-24 | 南京南瑞集团公司 | 一种大坝坝体沉降预测方法 |
CN107621636A (zh) * | 2017-11-13 | 2018-01-23 | 河海大学 | 一种基于psi的大型铁路桥梁健康监测方法 |
CN113204824A (zh) * | 2021-05-21 | 2021-08-03 | 上海大学 | 多模型融合的盾构施工沉降预测方法及系统 |
CN114742325A (zh) * | 2022-05-26 | 2022-07-12 | 中国矿业大学(北京) | 一种地铁隧道台阶法施工地表沉降预测方法及系统 |
CN115077473A (zh) * | 2022-06-14 | 2022-09-20 | 山东建大工程鉴定加固设计有限公司 | 一种建筑物迫降纠倾施工全过程的监测分析方法及系统 |
CN115638833A (zh) * | 2022-12-23 | 2023-01-24 | 保定网城软件股份有限公司 | 一种监控数据处理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230045548A1 (en) * | 2020-01-21 | 2023-02-09 | Basf Se | Augmentation of multimodal time series data for training machine-learning models |
-
2023
- 2023-10-30 CN CN202311411800.8A patent/CN117150445B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239715A (zh) * | 2014-09-11 | 2014-12-24 | 南京南瑞集团公司 | 一种大坝坝体沉降预测方法 |
CN107621636A (zh) * | 2017-11-13 | 2018-01-23 | 河海大学 | 一种基于psi的大型铁路桥梁健康监测方法 |
CN113204824A (zh) * | 2021-05-21 | 2021-08-03 | 上海大学 | 多模型融合的盾构施工沉降预测方法及系统 |
CN114742325A (zh) * | 2022-05-26 | 2022-07-12 | 中国矿业大学(北京) | 一种地铁隧道台阶法施工地表沉降预测方法及系统 |
CN115077473A (zh) * | 2022-06-14 | 2022-09-20 | 山东建大工程鉴定加固设计有限公司 | 一种建筑物迫降纠倾施工全过程的监测分析方法及系统 |
CN115638833A (zh) * | 2022-12-23 | 2023-01-24 | 保定网城软件股份有限公司 | 一种监控数据处理方法及系统 |
Non-Patent Citations (3)
Title |
---|
基于时间序列的地铁横通道拱顶沉降预测;王天佐;王常明;姚爱军;吴谦;张海明;王兆辉;;现代隧道技术(03);第74-81页 * |
多元回归分析法在标准厂房基础沉降监测中的应用;王丽;;宿州学院学报(07);第119-121页 * |
灰色线性回归组合模型在沉降监测中的应用;刘国仕等;《长沙理工大学学报(自然科学版)》;第32-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117150445A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10387590B2 (en) | Techniques for iterative reduction of uncertainty in water distribution networks | |
EP3671201B1 (en) | An improved method for evaluating pipe condition | |
Wang et al. | Bayesian modeling of external corrosion in underground pipelines based on the integration of Markov chain Monte Carlo techniques and clustered inspection data | |
CN117150445B (zh) | 一种区间隧道近距离下穿河流的沉降监测和评价方法 | |
CN105139585A (zh) | 一种土质边坡险情智能预警预报方法 | |
NO343417B1 (no) | System og fremgangsmåte for tilstandsvurdering av nedihullsverktøy | |
CN103793854A (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
US20220082409A1 (en) | Method and system for monitoring a gas distribution network operating at low pressure | |
Yang et al. | Pipeline safety early warning by multifeature-fusion CNN and LightGBM analysis of signals from distributed optical fiber sensors | |
Hutton et al. | Real-time burst detection in water distribution systems using a Bayesian demand forecasting methodology | |
Shi et al. | A data-driven approach for pipe deformation prediction based on soil properties and weather conditions | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN115935139A (zh) | 一种海洋观测数据的空间场插补方法 | |
Kim et al. | Adaptive approach for estimation of pipeline corrosion defects via Bayesian inference | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
Priyanka et al. | Multi-type feature extraction and classification of leakage in oil pipeline network using digital twin technology | |
Rajabi et al. | Leak detection and localization in water distribution networks using conditional deep convolutional generative adversarial networks | |
CN116777088B (zh) | 用于保障生命安全的供电应急抢修环境监测方法及系统 | |
CN104573361B (zh) | 一种gis设备评估的方法和装置 | |
US20240084561A1 (en) | Systems and methods for water distribution network leakage detection and/or localization | |
CN115455791B (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 | |
CN114495438B (zh) | 基于多传感器的灾害预警方法、系统、设备及存储介质 | |
CN103475527A (zh) | 一种网管故障可信度分析系统及方法 | |
CN117953664B (zh) | 一种基于人工智能的地质灾害预测方法及系统 | |
CN117648873B (zh) | 地面沉降预测方法、训练方法、装置、设备 |
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 |