CN117556521B - 基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统 - Google Patents

基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统 Download PDF

Info

Publication number
CN117556521B
CN117556521B CN202410026178.7A CN202410026178A CN117556521B CN 117556521 B CN117556521 B CN 117556521B CN 202410026178 A CN202410026178 A CN 202410026178A CN 117556521 B CN117556521 B CN 117556521B
Authority
CN
China
Prior art keywords
cracking risk
tunnel
cracking
coefficient
data
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
Application number
CN202410026178.7A
Other languages
English (en)
Other versions
CN117556521A (zh
Inventor
刘伟
易鹏
陈湘生
刘翰林
陈乾
杜航宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
China State Railway Group Co Ltd
Original Assignee
Shenzhen University
China State Railway Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University, China State Railway Group Co Ltd filed Critical Shenzhen University
Priority to CN202410026178.7A priority Critical patent/CN117556521B/zh
Publication of CN117556521A publication Critical patent/CN117556521A/zh
Application granted granted Critical
Publication of CN117556521B publication Critical patent/CN117556521B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • 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
    • G06N3/0499—Feedforward networks
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Architecture (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Lining And Supports For Tunnels (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统，涉及隧道智能建造领域，根据目标隧道三维点云数据建立目标隧道有限元模型，并进行分析确定目标隧道的开裂风险区域；并根据开裂风险区域的每一结构单元的时间‑空间数据和传感器监测数据中的高海拔环境信息应用物理信息神经网络模型，得出每一结构单元的预测响应数据；并采用加权平均算法计算开裂风险系数，评估开裂风险等级。本发明结合三维点云扫描、有限元力学仿真和传感器实时监测，基于物理信息神经网络建立了隧道衬砌开裂的监测评估机制，提高了现有隧道监测运维的效率和隧道结构的可靠性，反映了隧道智能化监测的发展趋势。

Description

基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统
技术领域
本发明涉及隧道智能建造领域，特别是涉及一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统。
背景技术
近年来，新奥法在我国不同地质条件的隧道工程中应用广泛，其原理是采用锚杆和喷射混凝土等初期支护结构有效控制围岩的变形，待其基本稳定后进行二次衬砌作业，进而形成支护结构与围岩组合的隧道结构体系。衬砌混凝土作为隧道的主要承载结构，对隧道的整体稳定性起到关键作用。然而在工程实践中发现，隧道衬砌高岩温开裂问题尤为严重，裂缝的扩展一定程度上降低了隧道结构的可靠性，因此，隧道衬砌开裂的有效控制成为隧道工程的重要任务之一。
为提高隧道衬砌的抗裂性，现有技术主要从混凝土材料及施工工艺等角度对混凝土的开裂成因展开研究，并应用传感器技术对裂缝特征进行了探索。随着我国高海拔特长隧道的发展，其低压低湿、高岩温的环境条件对施工质量提出了更高的要求。在智能建造的发展趋势下，基于无人化的隧道监控量测技术应运而生，其在数据采集传输、目标定位感知等方面的高效性和精确度，在工程实践中得到初步应用。
发明内容
本发明的目的是提供一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统，提高了现有隧道监测运维的效率和隧道结构的可靠性，反映了隧道智能化监测的发展趋势。
为实现上述目的，本发明提供了如下方案：
一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法，所述方法包括：
根据目标隧道三维点云数据建立目标隧道有限元模型，并在所述目标隧道有限元模型中导入高海拔环境对混凝土性能演变的影响规律；
对所述目标隧道有限元模型进行分析确定目标隧道的开裂风险区域，并获取所述开裂风险区域的传感器监测数据；所述传感器监测数据是基于在所述开裂风险区域布置的分布式传感器网络获取的；
将所述开裂风险区域的每一结构单元的时间-空间数据和所述传感器监测数据中的高海拔环境信息输入至物理信息神经网络模型，得出所述开裂风险区域的每一结构单元的预测响应数据；所述预测响应数据包括应力、应变和混凝土内外温度差；
根据每一结构单元的所述预测响应数据采用加权平均算法计算所述开裂风险区域的开裂风险系数，并根据所述开裂风险系数评估所述开裂风险区域的开裂风险等级。
可选的，对所述目标隧道有限元模型进行分析确定目标隧道的开裂风险区域，具体包括：
对所述目标隧道有限元模型进行分析，得出所述目标隧道整体的温度场云图、应力场云图和应变场云图；
根据所述温度场云图中的温度值、所述应力场云图中的应力值和所述应变场云图中的应变值确定所述开裂风险区域。
可选的，在执行步骤“将所述开裂风险区域的每一结构单元的时间-空间数据和所述传感器监测数据中的高海拔环境信息输入至物理信息神经网络模型”之前包括：
构建初始物理信息神经网络模型，并定义总损失函数；所述总损失函数包括用于神经网络训练的自身损失函数和基于有限元模型进行有限元分析产生的迭代残差；
根据已知参考隧道结构的有限元分析，获取所述已知参考隧道结构的历史环境信息和对应的历史响应数据；所述已知参考隧道结构与所述目标隧道的结构的相似度高于预设相似度；
利用所述历史环境信息和对应的所述历史响应数据训练所述初始物理信息神经网络模型，得到第一物理信息神经网络模型；
将所述目标隧道的所述开裂风险区域的传感器监测样本数据中的样本环境信息和每一结构单元的时间-空间数据输入至所述第一物理信息神经网络模型，得到模型输出的响应数据；
根据所述模型输出的响应数据与对应的所述目标隧道的实际响应样本数据调整所述第一物理信息神经网络模型的模型参数，得到第二物理信息神经网络模型；所述第二物理信息神经网络模型用于所述开裂风险区域的所述预测响应数据的预测。
可选的，根据每一结构单元的所述预测响应数据采用加权平均算法计算所述开裂风险区域的开裂风险系数，具体包括：
根据所述预测响应数据中的所述混凝土内外温度差确定所述开裂风险区域的围岩温度；
根据所述预测响应数据中的所述应力和所述应变以及所述围岩温度采用所述加权平均算法计算所述开裂风险区域的所述开裂风险系数。
可选的，根据所述开裂风险系数评估所述开裂风险区域的开裂风险等级，具体包括：
当所述开裂风险系数小于第一开裂风险系数阈值时，则视为无开裂风险状态；
当所述开裂风险系数大于所述第一开裂风险系数阈值，且小于第二开裂风险系数阈值时，则视为开裂低风险状态；
当所述开裂风险系数大于所述第二开裂风险系数阈值，且小于第三开裂风险系数阈值时，则视为开裂中风险状态；
当所述开裂风险系数大于所述第三开裂风险系数阈值时，则视为开裂高风险状态；所述第一开裂风险系数阈值小于所述第二开裂风险系数阈值；所述第二开裂风险系数阈值小于所述第三开裂风险系数阈值；所述第一开裂风险系数阈值至所述第三开裂风险系数阈值是基于可靠度计算得出的。
可选的，在执行步骤“根据所述开裂风险系数评估所述开裂风险区域的开裂风险等级”之后还包括：
在目标隧道BIM模型中，对不同所述开裂风险等级的结构单元进行分区标记；
将分区标记后的BIM模型投影到以目标隧道衬砌为背景的虚拟环境中，并控制监测机器人实时全方位监测开裂风险情况。
可选的，在执行步骤“根据所述开裂风险系数评估所述开裂风险区域的开裂风险等级”之后还包括：
根据所述开裂风险系数和环境影响系数确定所述目标隧道的养护决策机制，并评估所述目标隧道的衬砌施工质量；所述环境影响系数是根据所述目标隧道的高海拔环境信息确定的。
可选的，根据所述开裂风险系数和环境影响系数确定所述目标隧道的养护决策机制，并评估所述目标隧道的衬砌施工质量，具体包括：
对所述开裂风险系数高于第一养护阈值和/或所述环境影响系数高于第二养护阈值的结构单元进行养护操作；
将所述开裂风险系数低于所述第一养护阈值且所述环境影响系数低于所述第二养护阈值的结构单元记为非必要养护区域；
根据所述非必要养护区域的面积占比评估所述目标隧道的衬砌施工质量。
可选的，所述开裂风险系数的计算表达式为：
；
其中，σ，ɛ，T分别为应力、应变和围岩温度；，/>表示物理信息神经网络模型预测得出的混凝土内外温度差；σt，ɛt，Tt分别为应力、应变和围岩温度对应的阈值；λ1、λ2、λ3分别为应力、应变、混凝土内外温度差影响发生开裂的先验概率，且λ1+λ2+λ3=1；
所述环境影响系数的计算表达式为：
；
其中，分别为隧道环境的温度、湿度和气压；T0、R0、P0为隧道环境的标准养护温度、标准养护湿度和标准养护气压；μ1、μ2、μ3分别为隧道环境的温度、湿度和气压对应的混凝土强度的影响因子，且μ1+μ2+μ3=1。
本发明还提供一种基于数字孪生的高海拔隧道衬砌开裂风险监测系统，所述系统包括：
有限元模型构建模块，用于根据目标隧道三维点云数据建立目标隧道有限元模型，并在所述目标隧道有限元模型中导入高海拔环境对混凝土性能演变的影响规律；
开裂风险区域确定模块，用于对所述目标隧道有限元模型进行分析确定目标隧道的开裂风险区域，并获取所述开裂风险区域的传感器监测数据；所述传感器监测数据是基于在所述开裂风险区域布置的分布式传感器网络获取的；
响应数据预测模块，用于将所述开裂风险区域的每一结构单元的时间-空间数据和所述传感器监测数据中的高海拔环境信息输入至物理信息神经网络模型，得出所述开裂风险区域的每一结构单元的预测响应数据；所述预测响应数据包括应力、应变和混凝土内外温度差；
开裂风险等级评估模块，用于根据每一结构单元的所述预测响应数据采用加权平均算法计算所述开裂风险区域的开裂风险系数，并根据所述开裂风险系数评估所述开裂风险区域的开裂风险等级。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统，根据目标隧道三维点云数据建立目标隧道有限元模型，并进行有限元分析确定目标隧道的开裂风险区域；并根据开裂风险区域的每一结构单元的时间-空间数据和传感器监测数据中的高海拔环境信息应用物理信息神经网络模型，得出开裂风险区域的每一结构单元的预测响应数据；并采用加权平均算法计算开裂风险区域的开裂风险系数，评估开裂风险等级。本发明结合三维点云扫描、有限元力学仿真和传感器实时监测，基于物理神经网络建立了隧道衬砌开裂的监测评估机制，提高了现有隧道监测运维的效率和隧道结构的可靠性，反映了隧道智能化监测的发展趋势。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法流程图；
图2为本发明实施例1提供的目标隧道有限元模型的温度场、应力场云图；
图3为本发明实施例1提供的传感器网络及传感器节点的结构图；
图4为本发明实施例1提供的有限元模型和物理信息神经网络模型的降维关系图；
图5为本发明实施例1提供的衬砌开裂风险分级评估流程图；
图6为本发明实施例1提供的基于二阈值的衬砌养护决策流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。
二次衬砌作为隧道的永久支护结构，其施工质量是影响隧道结构整体稳定性的重要因素。然而受到混凝土材料、工艺等诸多环节的影响，衬砌早期开裂的现象普遍存在，在高海拔环境的高岩温作用下尤为显著。裂缝的扩展一定程度上损害了隧道的使用功能和服役寿命，从而降低了隧道的可靠性。根据可靠性理论，结构失效往往是材料自身特性和环境因素相互作用的结果。因此，在高海拔极端环境中建立一个完整的隧道衬砌开裂风险监测评估和养护修复机制非常有必要，而基于数字孪生的方法恰好能有效解决这一问题。
数字孪生作为一种信息化技术，包括物理模型、数字模型及其两者之间的数据传递。其中物理模型向数字模型输送传感器数据，数字模型则利用数据对本体和环境进行建模仿真，并向物理模型传递具有预测和优化等的特征信息，进而为系统运行提供必要的决策。为高效精确地反映隧道的全生命周期，数字孪生技术在隧道工程领域的应用成为当前的发展趋势。
本发明的目的是提供一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统，将三维点云采集、有限元力学仿真和传感器实时监测相结合，基于物理信息神经网络模型建立了集监测评估、养护修复、施工反馈于一体的隧道智能建造系统，达到了隧道开裂风险的实时全方位监测、养护多条件决策和施工评价的目的，综合评估了隧道衬砌的开裂特征，提高了现有隧道监测运维技术的效率，通过无人化技术提高了高海拔隧道衬砌混凝土的适应性，体现了无人化技术在隧道监测运维中的应用，体现了隧道智能建造的发展趋势。
为使本发明的目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法，本发明立足于高海拔隧道的工程背景，高海拔定义为海拔1500米以上，提出了一种衬砌开裂风险监测及养护反馈方法，从数字孪生的角度综合评估衬砌的施工质量，提高隧道运营的安全性，减少隧道结构病害，以适应高海拔极端环境的工程挑战。
所述方法具体包括：
S1：根据目标隧道三维点云数据建立目标隧道有限元模型，并在所述目标隧道有限元模型中导入高海拔环境对混凝土性能演变的影响规律。高海拔环境对混凝土性能演变的影响规律反映包括环境的温度、湿度、气压及混凝土的水化度等多重因素对混凝土性能演变的影响。
作为一种可选的实施方式，在所述S1之前，方法还包括：
采用无人机搭载激光雷达采集目标隧道的点云数据，无人机的位姿信息由导航定位定向系统(POS)实时提供；通过无线网络将点云数据及位姿信息传输至数字孪生平台。
具体的，无人机搭载激光雷达在预设的航线中通过旋转扫描向隧道环境发射和接收激光信号，用于获取激光点原始数据。激光点原始数据包括旋转角度α、垂直角度ω、距离值L和反射强度值。其中，距离值L由发射和接收信号的传播时间差计算，旋转角度α、垂直角度ω用于确定激光与隧道目标点的方向，反射强度值用于反映隧道目标点的表面特征。进一步将激光点的极坐标系换算为激光雷达的笛卡尔坐标系(x′，y′，z′)，可按下式变换：
；
POS系统由全球导航卫星系统(GNSS)及惯性导航单元(IMU)构成，其中GNSS系统用于实时获取激光雷达的经纬度和大地高，构造平移矩阵；IMU系统用于获取激光雷达坐标系的旋转角度，构造旋转矩阵。进一步的，根据POS系统所提供的位姿信息，即可实现激光点从激光雷达坐标系转换为地球坐标系，按下式变换：
；
其中R1为三维旋转矩阵，T1为三维平移矩阵，激光雷达坐标系为(x′，y′，z′)，地球坐标系的坐标为(x，y，z)，地球坐标系用于隧道监测区域的定位。
步骤S1根据采集的目标隧道三维点云数据建立目标隧道有限元模型，并进一步考虑高海拔环境和混凝土性能的耦合作用，具体包括步骤S110至步骤S130。相对于依托设计文件，基于三维点云建模进一步考虑隧道的施工质量，更能体现隧道的真实结构，也克服了其复杂结构建模流程的繁琐。
在步骤S110中，预处理点云数据。具体的，预处理包括点云滤波、精简和配准。首先，可以采用高斯滤波去除噪声。噪声为受激光扫描仪、隧道环境以及衬砌表面反射面特性等因素影响而产生的扫描点误差，宜采用现有的相关算法进行降噪。然后，可以采用体素网格方法对点云数据进行降采样，减少点云的数量和复杂度同时保留原点云数据的重要特征。最后，将不同视角的点云集统一到上述的地球坐标系，采用迭代最近点(ICP)算法进行局部配准，获得完整的点云模型。
在步骤S120中，提取隧道轮廓，建立隧道的BIM模型。提取隧道轮廓具体过程为，首先对隧道的点云数据进行双向投影处理，然后采用Alpha Shapes算法提取投影点云的边界点，接着采用RanSAC算法对所述的边界点进行曲线拟合，以构建隧道的横断面轮廓。最后采用最小二乘法对每个区段进行中线点拟合，以获取隧道的水平中心线和主轴线。进一步的，建立隧道的BIM模型具体过程为，将无序点云转化为有序点云，并构建点云的K近邻关系，然后将有序点云和K近邻关系作为输入，执行三角化重构，生成三角面片。最后，对邻接的三角面片进行布尔运算，结合上述所提取的隧道轮廓，通过进一步的拟合优化得到隧道的BIM模型。
可选的，所述的BIM模型由CATIA软件建立。所述的CATIA软件是一种三维建模软件，与Abaqus有限元软件具有良好的互通性。将步骤S120所建立的BIM模型以CATIA V5文件导入Abaqus软件中，初步建立步骤S130中的目标隧道有限元模型。
在步骤S130中，进一步完善考虑高海拔环境多场耦合的隧道衬砌模型。所述的多场耦合综合考虑环境的温度、湿度及混凝土的水化度等多种因素，并通过子程序嵌入目标隧道有限元模型，包括步骤A1至步骤A4。
在步骤A1中，确定环境温度、湿度随时间变化的函数。首先通过隧道现场监测获取环境温度、湿度。然后，通过实验探究高海拔环境中低压条件对混凝土内部热传导、湿传输的影响，所述低压条件的影响以修正系数的形式体现在控制方程中。接着，通过解析法计算温度-湿度的等效性，将湿度分布转化使混凝土产生同等变形的温度分布。最后，通过子程序FILM将叠合的温度分布导入目标隧道有限元模型。所述的子程序FILM定义对流换热边界条件，反映了环境对混凝土性能演变的影响。
在步骤A2中，确定混凝土水化热随时间变化的函数。首先使用等温量热仪测定水化热曲线，其中测定温度取所监测环境温度的序列均值。然后通过子程序HETVAL将所述的水化热曲线导入目标隧道有限元模型中。所述的子程序HETVAL定义材料内部热源，反映了混凝土水化温升过程。
在步骤A3中，确定混凝土的材料性能随水化度变化的函数。所述的材料性能包括力学参数和热学参数，其中，力学参数包括强度、弹性模量、泊松比等，热学参数包括热传导系数、热膨胀系数、比热容等。首先使用温度试验机对所述材料性能进行测定，然后通过子程序USDFLD将所测定的曲线导入目标隧道有限元模型中。所述的子程序USDFLD用于定义场变量，反映了混凝土在水化过程中力学性能的动态变化规律。
在步骤A4中，确定隧道衬砌混凝土的边值条件。所述的边值条件包括初始条件和边界条件。其中，初始条件反映的是初始瞬时混凝土内部的温度分布规律，在此初始温度取混凝土的入模温度，边界条件反映的是混凝土表面与环境之间发生热传导的规律，包括混凝土表面温度函数、表面热流量函数，保证表面温度函数、表面热流量函数具有连续性，并要求混凝土表面热流量与其表面温差成正比，所述的表面温差为混凝土表面温度与环境温度的差值。
S2：对所述目标隧道有限元模型进行有限元分析确定目标隧道的开裂风险区域，并获取所述开裂风险区域的传感器监测数据。具体包括步骤S210至步骤S230。
在步骤S210中，确定隧道的监测区域。首先，根据上述的有限元分析获得隧道整体结构的温度场、应力场、应变场等云图，如图2所示，（a）部分为温度场云图，（b）部分为应力场云图。然后，在云图中标记开裂风险区域。所述的开裂风险区域，其温度（或应力、应变）计算值大于其他80%区域对应值。最后，根据开裂风险区域对应的点云信息定位至隧道实体结构，并确定为监测区域（即开裂风险区域）。
在步骤S220中，在所述的监测区域部署分布式传感器网络。分布式传感器网络由大量体积小、成本低、具有无线通信和数据处理能力的传感器节点构成，传感器节点之间的连接采用以数据为中心的多跳路由协议。通过不同视角采集具有较大信噪比的信息，通过分布式处理信息提高了监测的精度和容错性，通过高效的路由算法和数据融合技术降低了传感器监测的能耗。
如图3所示，传感器节点由传感器、微处理器、无线收发器和定位器组成。其中，传感器用于采集监测区域的数据，所述的数据经A/D转换器处理流入微处理器。微处理器的数据处理还包括传感器节点的路由协议和由定位器流入的定位信息。无线收发器用于发送和接收相关的信息。
所述的传感器节点以多跳路由的无线通信方式与数字孪生平台的控制中心连接，并遵循以数据为中心的路由协议。具体的，监测区域内邻近的传感器节点通过拓扑控制机制和路由协议，自组织地组成传感器网络，并将所采集的信息传输至基站。基站对数据进行初步判断，剔除错误的监测数据，同时对数据加以融合并提取有效信息形成报告，进而通过无线网络将数据和报告发送至数字孪生平台的传感控制中心。传感控制中心则根据实际情况作出综合判断，通过基站以无线通信的方式对各传感器节点进行远程监控，以便向传感器节点发布监测任务。
在步骤S230中，开展隧道实时监测，其中监测参数包括环境参数和响应参数。所述的环境参数包括传感器部署区域的温度、湿度、气压、围岩压力，所述的响应参数为监测区域内对应单元的应力和应变。为反映混凝土内部状态的变化，在隧道衬砌施作前，宜预埋监测温度、湿度、压力的传感器及应力、应变的传感器。为反映环境条件的变化，待隧道衬砌施作后，在混凝土表面布置温度、湿度和气压传感器，并进一步通过数字孪生平台启动传感器节点的实时监测，确保有限元分析的时间步长与传感器监测的数据采集频率相匹配。进一步的，考虑到传感器数据为实时采集的连续值，而有限元计算提供的是离散的瞬时值，当将传感器数据与有限元计算值进行比较时，宜取传感器的实时数据在时间段内的加权平均值，以减少实时数据的波动影响。
因此，步骤S2包括：
（1）对所述目标隧道有限元模型进行有限元分析，得出所述目标隧道整体的温度场云图、应力场云图和应变场云图。
（2）根据所述温度场云图中的温度值、所述应力场云图中的应力值和所述应变场云图中的应变值确定所述开裂风险区域。
S3：并将所述开裂风险区域的每一结构单元的时间-空间数据和所述传感器监测数据中的高海拔环境信息输入至物理信息神经网络模型，得出所述开裂风险区域的每一结构单元的预测响应数据；所述预测响应数据包括应力、应变和混凝土内外温度差。
其中，在将物理信息神经网络模型应用到开裂风险区域的响应数据预测之前，根据既有类似隧道结构的历史数据建立物理信息神经网络模型，并利用目标隧道的监测参数进行物理信息神经网络模型的训练，引入迁移学习进行适应性微调。
根据既有类似隧道结构的有限元分析，获取关于隧道激励和响应的历史关联性数据。激励除了环境条件，还包括混凝土材料性能、围岩-支护结构的几何尺寸，对应着有限元模型的输入参数。所述的响应为结构单元的应力和应变，考虑温度作用时还包括混凝土内外的温差。具体的，根据有限元模型的空间坐标系，可将模型输出的场分布转化为结构中不同单元的响应。
进一步的，根据所述的有限元模型，当输入变量为材料参数集M、围岩-支护结构几何参数集S、环境参数集合E、结构单元的时间-空间集(，t)，可得到结构单元的响应参数集R(/>，t)。进一步的，对于目标隧道，当输入变量中除E和(/>，t)以外均为定值时，可将有限元模型简化为以下降维计算过程：已知环境参数集合E和结构单元的时间-空间集(/>，t)，求解其对应响应参数集R(/>，t)。如图4所示。
物理信息神经网络(PINN)是一种结合数据驱动和物理驱动的计算模型，实现在少量训练数据的条件下，训练出满足物理约束条件的模型，从而有效预测模型参数，在保证模型计算精度的同时提高了模型的可解释性。因此，对于PINN模型，在满足神经网络训练和有限元模型的约束条件的基础上，可简化为上述的降维计算过程。
基于上述关于隧道激励和响应的历史关联性数据建立PINN模型，包括步骤B1至步骤B3。
在步骤B1中，采集数据点和搭建PINN网络。首先采集既有类似隧道结构的有限元分析的边界条件点、初始条件点、配置点。观测值由既有类似隧道结构的有限元分析既有数据中获取。然后，确定全连接神经网络的层数和节点数，并定激活函数。其中，PINN网络的输入层为环境参数集合E和结构单元的时间-空间集合(，t)，输出层为三维向量，包括结构单元的应力、应变和内外温度差。可选取8个全连接层，每层20个神经元节点，且包括一个双曲正切激活函数，用于增强神经网络的非线性。
在步骤B2中，定义优化器和损失函数，用于更新神经网络。优化器可选取Adam。损失函数则综合考虑基于神经网络训练的损失函数和有限元分析所产生的迭代残差，使得神经网络输出值不仅与观测数据的误差尽可能小，而且尽可能满足有限元模型中偏微分方程的约束条件。对于有限元模型，通常可视作多个偏微分方程的综合描述，其中最典型的是混凝土热传导方程，以此为示例说明损失函数的定义。
已知混凝土温度分布为，其中，/>表示三维坐标集合(x，y，z)，则考虑水化热的混凝土热传导方程为：
；
其中，α为混凝土的热扩散率，θ为混凝土的绝热温升，并将上式记作F(，t)=0，其边界条件如步骤A4所述。损失函数指标取均方误差(MSE)，则对应的总损失函数Loss可表示为：
；
其中，损失函数的第一项为数据驱动部分，反映的是神经网络输出值和观测值之间的误差，其中，{，ti，Ri}表示根据所述混凝土热传导方程边界条件获取的观测集合，i对应着N个满足边界条件的结构单元编号，RNN(/>，ti)为对应的神经网络输出值；损失函数的第二项为物理驱动部分，保证了神经网络在配置点集合中执行所述混凝土热传导方程施加的物理约束，其中{/>，tj}表示有限元模型配置点（除边界条件外）的集合，j对应着Q个满足配置点的结构单元编号。对于有限元模型中其他偏微分方程，其损失函数的定义可参考上述示例。
进一步的，对于整个有限元模型，输入环境参数集E和结构单元的时间-空间集合(，t)后，首先通过全连接神经网络逼近函数，然后采用自动微分技术求解有限元模型所对应的控制方程残差以及初始条件（或边界条件）的残差约束，并将其作为正则项放入损失函数中，最后采用梯度下降法算法得到神经网络的权重和偏置。根据上述过程，将有限元中的控制方程直接转化为损失函数的优化问题，得到相应的响应参数R(/>，t)。
在步骤B3中，采用迁移学习对上述的PINN模型进行微调。首先，将目标隧道对应的传感器所监测的目标环境参数值导入上述的PINN模型（利用既有类似隧道结构的有限元分析的环境信息和响应数据训练后的模型），根据模型计算获取响应的预测值。然后，将所述的预测值与对应的监测值对比，进行模型验证。接着，根据所述模型验证的反馈，调整上述神经网络模型的参数。本发明将基于既有类似隧道结构的数据训练的PINN模型迁移应用到目标隧道的响应预测任务中，以较低的学习率进行重新训练，实现模型在目标隧道响应预测的适应性。
因此，将所述开裂风险区域的每一结构单元的时间-空间数据和所述传感器监测数据中的环境信息输入至物理信息神经网络模型之前包括：
（1）构建初始物理信息神经网络模型，并定义总损失函数；所述总损失函数包括用于神经网络训练的自身损失函数和基于有限元模型进行有限元分析产生的迭代残差。
（2）根据已知参考隧道结构（基于既有类似隧道结构）的有限元分析，获取所述已知参考隧道结构的历史环境信息和对应的历史响应数据；所述已知参考隧道结构与所述目标隧道的结构的相似度高于预设相似度。所述的相似度综合考虑到隧道环境条件、混凝土材料性能、围岩-支护结构的几何尺寸等因素。
（3）利用所述历史环境信息和对应的所述历史响应数据训练所述初始物理信息神经网络模型，得到第一物理信息神经网络模型。
（4）将所述目标隧道的所述开裂风险区域的传感器监测样本数据中的样本环境信息和所述开裂风险区域的每一结构单元的时间-空间数据输入至所述第一物理信息神经网络模型，得到模型输出的响应数据。
（5）根据所述模型输出的响应数据与对应的所述目标隧道的实际响应样本数据调整所述第一物理信息神经网络模型的模型参数，得到第二物理信息神经网络模型；所述第二物理信息神经网络模型用于所述开裂风险区域的所述预测响应数据的预测。
S4：根据每一结构单元的所述预测响应数据采用加权平均算法计算所述开裂风险区域的开裂风险系数，并根据所述开裂风险系数评估所述开裂风险区域的开裂风险等级。包括步骤S410至步骤S430。
在步骤S410中，基于微调后PINN模型的预测响应值，采用加权平均进行数据融合，计算衬砌的开裂风险系数。所述的开裂风险系数用于量化衬砌的开裂风险特征，利用结构单元的应力、应变及围岩温度等多源异构数据的冗余和互补特性，基于数据融合方法，以加权平均的准则进行开裂风险评估，降低了单一指标对衬砌开裂特征描述的不确定性，使得开裂评估更具全面性和准确性，有利于优化隧道衬砌结构的运维。
首先，计算考虑高岩温环境的临界开裂温度。对于高岩温环境，围岩温度对衬砌开裂的影响尤为显著，因此在评估衬砌开裂中宜予以考虑。根据规范二次衬砌模板拆除时混凝土表面和内部特征节点的温度差值不得大于20℃，同时规定混凝土内部开始降温前不得拆模。因此，将混凝土的表面和内部特征节点的温度差值20℃作为开裂临界指标，当温度差值超过此临界值，衬砌混凝土表面存在较大的开裂风险。进一步的，在考虑混凝土水化热的工况下，围岩温度与衬砌内部温度下降时刻的特征节点温度差值均呈线性变化规律，其拟合表达式为：
；
其中，ΔT为衬砌混凝土表面和内部特征节点的温度差值，即物理信息神经网络模型预测得出的混凝土内外温度差，T为围岩温度。当ΔT=20℃，计算得对应考虑高岩温环境的临界开裂温度，为64℃。
然后根据微调后的PINN模型，采集一定区域和时间段的结构单元应力、应变和围岩温度集合(σ，ɛ，T)，并确定结构单元发生开裂的对应阈值(σt，ɛt，Tt)。接着，计算在应力或应变、高岩温作用下结构单元的单项开裂风险系数，所述的单项开裂风险系数为所述结构单元的应力（或应变、内外温度差）与发生开裂对应阈值的比值。其次，根据历史数据确定结构单元的应力、应变、内外温度差影响发生开裂的先验概率λ1、λ2、λ3，且有λ1+λ2+λ3=1。最后，基于加权平均法计算的开裂风险系数k，按下式计算：
；
其中σt为混凝土的抗拉强度（应力阈值），ɛt为混凝土开裂的极限应变，取0.002，Tt为考虑高岩温环境的临界开裂温度，取64°C。k值越大，说明衬砌混凝土的开裂风险越大。
在步骤S420中，基于可靠度计算开裂风险系数阈值。以衬砌混凝土在应力作用下的开裂风险阈值为例进行计算。首先，将可靠度转换为可靠指标，即，其中，可靠指标为β，可靠度为Pf，Φ为标准正态分布函数。然后，确定功能函数/>。当混凝土抗拉强度σt及温度收缩引起的应力σ均服从对数正态分布，根据概率论有Z服从正态分布。进一步的，可靠指标和开裂风险系数阈值的关系按下式计算：
；
其中，vσt为抗拉强度的变异系数，约为0.10，vσ为由温度引起的收缩应力变异系数，约为0.20，k1为考虑收缩应力引起的开裂风险系数阈值。当可靠度取95%、75%、60%，其开裂风险系数阈值如表1所示。进一步的，考虑混凝土结构单元应变、内外温度差等因素时，参见以上示例即可。
表1 可靠度与开裂风险系数阈值的对应关系
可靠度 可靠指标 开裂风险系数阈值
95% 1.64 0.70
75% 0.68 0.86
60% 0.26 0.94
在步骤S430中，根据所述的开裂风险系数阈值，进行开裂风险分级评估。如图5所示，当步骤S410所计算的开裂风险系数小于0.70（第一开裂风险系数阈值），视为无开裂风险状态；当所述的开裂风险系数大于0.70且小于0.86（第二开裂风险系数阈值），视为开裂低风险状态；当所述的开裂风险系数大于0.86且小于0.94（第三开裂风险系数阈值），视为开裂中风险状态；当所述的开裂风险系数大于0.94，视为开裂高风险状态。
作为一种可选的实施方式，引入增强现实技术，建立远程实时全方位的开裂风险监测机制。在步骤S4之后还包括：
（1）在目标隧道BIM模型中，对不同所述开裂风险等级的结构单元进行分区标记。
具体的，首先将BIM模型与所计算的实时开裂风险信息进行关联，并采用不同的颜色对不同等级的开裂风险区域进行标记。所述的BIM模型由步骤S1所建立。例如，红色开裂高风险状态，黄色表示开裂中风险状态，绿色表示开裂低风险状态，灰色表示无开裂风险状态。
（2）将分区标记后的BIM模型投影到以目标隧道衬砌为背景的虚拟环境中，并控制监测机器人实时全方位监测开裂风险情况。
通过增强现实技术将BIM模型及其不同区域的开裂分级标记实时投影至以隧道衬砌为背景的环境中。最后，控制监测机器人在隧道内行走的位姿，调取机器人视野范围内衬砌开裂风险情况，并将所述的衬砌开裂风险情况和机器人的位姿信息反馈至数字孪生平台，实现了无人化实时全方位监测隧道开裂风险情况。
作为另一种可选的实施方式，基于混凝土开裂风险和环境影响系数的双阈值，建立衬砌养护决策系统，并根据非必要性养护系数反馈衬砌施工质量。包括步骤S510至步骤S530。
在步骤S510中，确定衬砌养护的双阈值。所述的双阈值包括第一养护阈值和第二养护阈值。其中，设置第一养护阈值是为了确保衬砌处于无开裂风险状态。根据步骤S430所述，开裂风险系数取0.7，为衬砌是否存在开裂风险的临界点，在此将其设为第一养护阈值。
在衬砌处于无开裂风险状态的前提下，第二养护阈值综合考虑环境因素，其设置是为了使衬砌混凝土在极端环境下达到良好的养护效果，从而具有一定的高海拔适应性。对于混凝土的标准养护环境，温度控制在20±2°C，湿度不低于95%，气压为标准大气压。考虑到高海拔极端环境中低湿低压、温差大的条件，引入环境影响系数e：
；
其中，分别为高海拔隧道环境的温度、湿度和气压，根据步骤S230中的传感器采集得到。T0、R0、P0对应着标准养护环境的取值，温度为20°C，湿度为95%，气压为0.1MPa。μ1、μ2、μ3分别为隧道环境的温度、湿度和气压对应的混凝土强度的影响因子，且有μ1+μ2+μ3=1。所述的混凝土强度的影响因子，通过试验研究不同温度（或湿度、气压）条件下28d龄期混凝土的强度规律测得。环境影响系数e表明混凝土所处环境偏离标准养护环境的程度，当e值较大时，宜对混凝土提供养护。进一步的，设置环境系数阈值，以评估混凝土是否有必要因环境条件而提供养护。当环境系数阈值较小时，一定程度使隧道衬砌内需要养护的结构区域数量较多，从而使数字化养护台车的工作效率较低。根据环境影响系数和开裂风险系数间相似性，以及养护作业的必要性，将环境系数阈值设为0.86，即第二养护阈值。
在步骤S520中，建立养护决策机制。首先计算结构单元的开裂风险系数k，当其值高于第一养护阈值，系统发出预警信号并定位，必要性地控制数字化养护台车对相应区域进行升温加湿的有效养护，记为养护重要区域（区域I），如图6所示。进一步的，当开裂风险系数低于第一养护阈值，计算结构单元的环境影响系数e，当环境影响系数高于第二养护阈值，发出预警信号并定位，选择性地控制数字化养护台车对相应区域进行养护，记为养护次要区域（区域II）。当环境影响系数低于第二养护阈值，认为结构区域处于正常养护状态，记为非必要养护区域（区域III）。
在步骤S530中，基于养护决策机制进行施工反馈。具体的，统计步骤S520中区域III的面积在总区域内的占比，记作非必要养护系数。所述的非必要养护系数综合考虑结构单元应力、应变和内外温度差引起的开裂风险和高海拔极端环境引起的养护需求，用于评价高海拔隧道衬砌混凝土的施工质量。当非必要养护系数较大，说明衬砌施工质量良好。
因此，在步骤S4之后还包括：
根据所述开裂风险系数和环境影响系数确定所述目标隧道的养护决策机制，并评估所述目标隧道的衬砌施工质量；所述环境影响系数是根据所述目标隧道的高海拔环境信息确定的。具体包括：
（1）对所述开裂风险系数高于第一养护阈值和/或所述环境影响系数高于第二养护阈值的结构单元进行养护操作。
（2）将所述开裂风险系数低于所述第一养护阈值且所述环境影响系数低于所述第二养护阈值的结构单元记为非必要养护区域。
（3）根据所述非必要养护区域的面积占比评估所述目标隧道的衬砌施工质量。
本实施例中，先依托于激光雷达所采集的三维点云数据建立隧道有限元模型，确定监测区域（开裂风险区域）并布置传感器网络；然后基于有限元分析和传感器监测，建立物理信息神经网络模型；接着基于加权平均法进行开裂风险评估，并引入增强现实技术建立远程监测机制；最后基于开裂风险和养护环境建立养护决策机制，并基于非必要养护系数评价衬砌施工质量。本发明基于数字孪生技术，从隧道三维点云采集，到有限元模型建立，再到传感器实时监测，实现了对高海拔隧道衬砌监测-养护-施工反馈一体化过程，提高了现有隧道监测运维的效率和隧道结构的可靠性，反映了隧道智能化监测的发展趋势。
本实施例的有益效果如下：结合三维点云扫描、有限元分析、传感器实时监测、神经网络预测等方法，建立了基于高海拔隧道衬砌监测-养护-施工反馈的一体化系统，不仅实现了衬砌开裂的风险分级，而且提供了必要的养护机制，进而评价隧道衬砌的施工质量，提高了高海拔隧道监测运维的效率和隧道结构的可靠性，反映了隧道智能化监测运维的发展趋势，对研究高海拔隧道衬砌混凝土的环境适应性具有一定的意义。
实施例2
本实施例提供一种基于数字孪生的高海拔隧道衬砌开裂风险监测系统，所述系统包括：
有限元模型构建模块，用于根据目标隧道三维点云数据建立目标隧道有限元模型，并在所述目标隧道有限元模型中导入高海拔环境对混凝土性能演变的影响规律。
开裂风险区域确定模块，用于对所述目标隧道有限元模型进行有限元分析确定目标隧道的开裂风险区域，并获取所述开裂风险区域的传感器监测数据；所述传感器监测数据是基于在所述开裂风险区域布置的分布式传感器网络获取的。
响应数据预测模块，用于将所述开裂风险区域的每一结构单元的时间-空间数据和所述传感器监测数据中的高海拔环境信息输入至物理信息神经网络模型，得出所述开裂风险区域的每一结构单元的预测响应数据；所述预测响应数据包括应力、应变和混凝土内外温度差。
开裂风险等级评估模块，用于根据每一结构单元的所述预测响应数据采用加权平均算法计算所述开裂风险区域的开裂风险系数，并根据所述开裂风险系数评估所述开裂风险区域的开裂风险等级。
每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法，其特征在于，所述方法包括：
根据目标隧道三维点云数据建立目标隧道有限元模型，并在所述目标隧道有限元模型中导入高海拔环境对混凝土性能演变的影响规律；
对所述目标隧道有限元模型进行分析确定目标隧道的开裂风险区域，并获取所述开裂风险区域的传感器监测数据；所述传感器监测数据是基于在所述开裂风险区域布置的分布式传感器网络获取的；
将所述开裂风险区域的每一结构单元的时间-空间数据和所述传感器监测数据中的高海拔环境信息输入至物理信息神经网络模型，得出所述开裂风险区域的每一结构单元的预测响应数据；所述预测响应数据包括应力、应变和混凝土内外温度差；
根据每一结构单元的所述预测响应数据采用加权平均算法计算所述开裂风险区域的开裂风险系数，并根据所述开裂风险系数和开裂风险系数阈值评估所述开裂风险区域的开裂风险等级；
其中，根据每一结构单元的所述预测响应数据采用加权平均算法计算所述开裂风险区域的开裂风险系数，具体包括：
根据所述预测响应数据中的所述混凝土内外温度差确定所述开裂风险区域的围岩温度；
根据所述预测响应数据中的所述应力和所述应变以及所述围岩温度采用所述加权平均算法计算所述开裂风险区域的所述开裂风险系数；
其中，在执行步骤“将所述开裂风险区域的每一结构单元的时间-空间数据和所述传感器监测数据中的高海拔环境信息输入至物理信息神经网络模型”之前包括：
构建初始物理信息神经网络模型，并定义总损失函数；所述总损失函数包括用于神经网络训练的自身损失函数和基于有限元模型进行有限元分析产生的迭代残差；
根据已知参考隧道结构的有限元分析，获取所述已知参考隧道结构的历史环境信息和对应的历史响应数据；所述已知参考隧道结构与所述目标隧道的结构的相似度高于预设相似度；
利用所述历史环境信息和对应的所述历史响应数据训练所述初始物理信息神经网络模型，得到第一物理信息神经网络模型；
将所述目标隧道的所述开裂风险区域的传感器监测样本数据中的样本环境信息和每一结构单元的时间-空间数据输入至所述第一物理信息神经网络模型，得到模型输出的响应数据；
根据所述模型输出的响应数据与对应的所述目标隧道的实际响应样本数据调整所述第一物理信息神经网络模型的模型参数，得到第二物理信息神经网络模型；所述第二物理信息神经网络模型用于所述开裂风险区域的所述预测响应数据的预测。
2.根据权利要求1所述的一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法，其特征在于，对所述目标隧道有限元模型进行分析确定目标隧道的开裂风险区域，具体包括：
对所述目标隧道有限元模型进行分析，得出所述目标隧道整体的温度场云图、应力场云图和应变场云图；
根据所述温度场云图中的温度值、所述应力场云图中的应力值和所述应变场云图中的应变值确定所述开裂风险区域。
3.根据权利要求1所述的一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法，其特征在于，根据所述开裂风险系数评估所述开裂风险区域的开裂风险等级，具体包括：
当所述开裂风险系数小于第一开裂风险系数阈值时，则视为无开裂风险状态；
当所述开裂风险系数大于所述第一开裂风险系数阈值，且小于第二开裂风险系数阈值时，则视为开裂低风险状态；
当所述开裂风险系数大于所述第二开裂风险系数阈值，且小于第三开裂风险系数阈值时，则视为开裂中风险状态；
当所述开裂风险系数大于所述第三开裂风险系数阈值时，则视为开裂高风险状态；所述第一开裂风险系数阈值小于所述第二开裂风险系数阈值；所述第二开裂风险系数阈值小于所述第三开裂风险系数阈值；所述第一开裂风险系数阈值至所述第三开裂风险系数阈值是基于可靠度计算得出的。
4.根据权利要求1所述的一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法，其特征在于，在执行步骤“根据所述开裂风险系数评估所述开裂风险区域的开裂风险等级”之后还包括：
在目标隧道BIM模型中，对不同所述开裂风险等级的结构单元进行分区标记；
将分区标记后的BIM模型投影到以目标隧道衬砌为背景的虚拟环境中，并控制监测机器人实时全方位监测开裂风险情况。
5.根据权利要求1所述的一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法，其特征在于，在执行步骤“根据所述开裂风险系数评估所述开裂风险区域的开裂风险等级”之后还包括：
根据所述开裂风险系数和环境影响系数确定所述目标隧道的养护决策机制，并评估所述目标隧道的衬砌施工质量；所述环境影响系数是根据所述目标隧道的高海拔环境信息确定的。
6.根据权利要求5所述的一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法，其特征在于，根据所述开裂风险系数和环境影响系数确定所述目标隧道的养护决策机制，并评估所述目标隧道的衬砌施工质量，具体包括：
对所述开裂风险系数高于第一养护阈值和/或所述环境影响系数高于第二养护阈值的结构单元进行养护操作；
将所述开裂风险系数低于所述第一养护阈值且所述环境影响系数低于所述第二养护阈值的结构单元记为非必要养护区域；
根据所述非必要养护区域的面积占比评估所述目标隧道的衬砌施工质量。
7.根据权利要求5或6所述的一种基于数字孪生的高海拔隧道衬砌开裂风险监测方法，其特征在于，所述开裂风险系数的计算表达式为：
；
其中，σ，ɛ，T分别为应力、应变和围岩温度，，/>表示混凝土内外温度差；/>分别为应力、应变和围岩温度对应的阈值；/>分别为应力、应变、混凝土内外温度差影响发生开裂的先验概率，且/>；
所述环境影响系数的计算表达式为：
；
其中，分别为隧道环境的温度、湿度和气压；
为隧道环境的标准养护温度、标准养护湿度和标准养护气压；分别为隧道环境的温度、湿度和气压对应的混凝土强度的影响因子，且。
8.一种基于数字孪生的高海拔隧道衬砌开裂风险监测系统，其特征在于，所述系统包括：
有限元模型构建模块，用于根据目标隧道三维点云数据建立目标隧道有限元模型，并在所述目标隧道有限元模型中导入高海拔环境对混凝土性能演变的影响规律；
开裂风险区域确定模块，用于对所述目标隧道有限元模型进行分析确定目标隧道的开裂风险区域，并获取所述开裂风险区域的传感器监测数据；所述传感器监测数据是基于在所述开裂风险区域布置的分布式传感器网络获取的；
响应数据预测模块，用于将所述开裂风险区域的每一结构单元的时间-空间数据和所述传感器监测数据中的高海拔环境信息输入至物理信息神经网络模型，得出所述开裂风险区域的每一结构单元的预测响应数据；所述预测响应数据包括应力、应变和混凝土内外温度差；
开裂风险等级评估模块，用于根据每一结构单元的所述预测响应数据采用加权平均算法计算所述开裂风险区域的开裂风险系数，并根据所述开裂风险系数和开裂风险系数阈值评估所述开裂风险区域的开裂风险等级；
其中，根据每一结构单元的所述预测响应数据采用加权平均算法计算所述开裂风险区域的开裂风险系数，具体包括：
根据所述预测响应数据中的所述混凝土内外温度差确定所述开裂风险区域的围岩温度；
根据所述预测响应数据中的所述应力和所述应变以及所述围岩温度采用所述加权平均算法计算所述开裂风险区域的所述开裂风险系数；
其中，在执行步骤“将所述开裂风险区域的每一结构单元的时间-空间数据和所述传感器监测数据中的高海拔环境信息输入至物理信息神经网络模型”之前包括：
构建初始物理信息神经网络模型，并定义总损失函数；所述总损失函数包括用于神经网络训练的自身损失函数和基于有限元模型进行有限元分析产生的迭代残差；
根据已知参考隧道结构的有限元分析，获取所述已知参考隧道结构的历史环境信息和对应的历史响应数据；所述已知参考隧道结构与所述目标隧道的结构的相似度高于预设相似度；
利用所述历史环境信息和对应的所述历史响应数据训练所述初始物理信息神经网络模型，得到第一物理信息神经网络模型；
将所述目标隧道的所述开裂风险区域的传感器监测样本数据中的样本环境信息和每一结构单元的时间-空间数据输入至所述第一物理信息神经网络模型，得到模型输出的响应数据；
根据所述模型输出的响应数据与对应的所述目标隧道的实际响应样本数据调整所述第一物理信息神经网络模型的模型参数，得到第二物理信息神经网络模型；所述第二物理信息神经网络模型用于所述开裂风险区域的所述预测响应数据的预测。
CN202410026178.7A 2024-01-09 2024-01-09 基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统 Active CN117556521B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410026178.7A CN117556521B (zh) 2024-01-09 2024-01-09 基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410026178.7A CN117556521B (zh) 2024-01-09 2024-01-09 基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统

Publications (2)

Publication Number Publication Date
CN117556521A CN117556521A (zh) 2024-02-13
CN117556521B true CN117556521B (zh) 2024-04-30

Family

ID=89818815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410026178.7A Active CN117556521B (zh) 2024-01-09 2024-01-09 基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统

Country Status (1)

Country Link
CN (1) CN117556521B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118442089A (zh) * 2024-04-30 2024-08-06 广东省水利水电第三工程局有限公司 一种隧道防水施工方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728093A (zh) * 2019-10-23 2020-01-24 中国水利水电科学研究院 一种大体积混凝土温控优化方法
CN114862169A (zh) * 2022-04-24 2022-08-05 东南大学 一种基于bim的隧道工程安全风险监测系统及方法
CN116109136A (zh) * 2022-12-28 2023-05-12 上海建工集团股份有限公司 大体积混凝土结构开裂风险评估与预警方法
CN116674052A (zh) * 2023-06-14 2023-09-01 中铁工程设计咨询集团有限公司 无砟轨道道床板混凝土防裂控制方法
CN117195616A (zh) * 2023-07-31 2023-12-08 三峡大学 一种基于反演参数与施工过程的孔口温度开裂风险评价方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728093A (zh) * 2019-10-23 2020-01-24 中国水利水电科学研究院 一种大体积混凝土温控优化方法
CN114862169A (zh) * 2022-04-24 2022-08-05 东南大学 一种基于bim的隧道工程安全风险监测系统及方法
CN116109136A (zh) * 2022-12-28 2023-05-12 上海建工集团股份有限公司 大体积混凝土结构开裂风险评估与预警方法
CN116674052A (zh) * 2023-06-14 2023-09-01 中铁工程设计咨询集团有限公司 无砟轨道道床板混凝土防裂控制方法
CN117195616A (zh) * 2023-07-31 2023-12-08 三峡大学 一种基于反演参数与施工过程的孔口温度开裂风险评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
两种温度历程下高掺粉煤灰砼早期抗裂性综合评价;赵志方;陈静;王卫仑;赵志刚;周厚贵;;浙江工业大学学报;20170825(第04期) *
太湖隧道主体结构混凝土裂缝控制技术;李明;徐文;田倩;王海啸;;隧道与轨道交通;20191108(第S1期) *

Also Published As

Publication number Publication date
CN117556521A (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN117556521B (zh) 基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统
Wu et al. Critical review of data-driven decision-making in bridge operation and maintenance
Soleymani et al. Damage detection and monitoring in heritage masonry structures: Systematic review
CN114117617B (zh) 一种三跨内廊式rc框架建筑地震响应的快速预测方法
CN117171842A (zh) 一种城市慢行桥梁健康监测与数字孪生系统
CN103514366A (zh) 一种城市空气质量浓度监测缺失数据的修复方法
WO2021013190A1 (zh) 基于气象参数的高速列车导航盲区定位方法及系统
CN116448773B (zh) 一种图像-振动特征融合的路面病害检测方法及系统
CN114048790B (zh) 一种基于耦合双向lstm和卷积结构网络的道路基层应变分析方法
CN108956638A (zh) 一种用于土木工程结构表观缺陷的评定检测系统
CN116776444A (zh) 一种基于数字孪生的沉管隧道建造方法及系统
CN113532439B (zh) 输电线路巡检机器人同步定位与地图构建方法及装置
CN114998251B (zh) 一种基于联邦学习的空中多视觉平台地面异常检测方法
CN118503813B (zh) 一种边坡群安全风险监测评估方法及管理系统
CN117313506B (zh) 一种隧道围岩拓扑安全系数及稳定性计算方法
CN116911115A (zh) 一种数字孪生隧道与智能建造方法及系统
CN115512247A (zh) 基于图像多参数提取的区域建筑损伤等级评定方法
CN114692692B (zh) 一种基于微波衰减信号融合核极限学习机的降雪识别方法
CN116451514A (zh) 桥梁结构状态评估方法、装置以及电子设备
CN113591371B (zh) 基于时空关联模型的桥梁集群结构损伤定位方法
CN116778435A (zh) 一种基于计算机视觉技术的车辆轴重分布识别方法
CN118313181A (zh) 一种历史文化街区的历史建筑保护状况评估方法
CN117313537B (zh) 数据驱动的覆冰预测方法及系统
JP7412699B2 (ja) 情報処理システム、情報処理装置、及びプログラム
KR20230108103A (ko) 열화상과 고속수치모델을 이용한 창호-벽체 접합부 시공 상태 예측 장치 및 그 방법

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