CN117711140A - 基于多源数据融合的隧洞突水灾害定时预警方法及系统 - Google Patents
基于多源数据融合的隧洞突水灾害定时预警方法及系统 Download PDFInfo
- Publication number
- CN117711140A CN117711140A CN202410166033.7A CN202410166033A CN117711140A CN 117711140 A CN117711140 A CN 117711140A CN 202410166033 A CN202410166033 A CN 202410166033A CN 117711140 A CN117711140 A CN 117711140A
- Authority
- CN
- China
- Prior art keywords
- risk
- tunnel
- information
- monitoring
- water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 230000009172 bursting Effects 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 102
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000013058 risk prediction model Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 239000011435 rock Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000010287 polarization Effects 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000003204 osmotic effect Effects 0.000 claims description 5
- 239000003673 groundwater Substances 0.000 claims description 4
- 238000013278 delphi method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000002243 precursor Substances 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- -1 collapse Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于隧洞突涌水灾害风险评价领域，提供了基于多源数据融合的隧洞突水灾害定时预警方法及系统，本发明通过地质分析、超前地质预报、地球物理监测以及其他监测获取多样化的隧洞突涌水灾害风险评价信息，循序渐进，风险评价范围由大到小，多种信息综合评判隧洞突涌水风险，对突涌水风险刻画更加全面，适用范围更广。基于地质分析和超前地质预报获取隧洞轴线上较大范围内的突涌水风险情况，对于高风险区域，采用地球物理监测与其他监测手段获取更加精细化的突涌水风险信息，可以对掌子面前方一定范围进行分段风险等级评价。本发明利用隧道突涌水风险预测模型进行风险预测，根据概率值大小确定突涌水风险等级，其结果直观易解释。
Description
技术领域
本发明属于隧洞突涌水灾害风险评价领域，尤其涉及基于多源数据融合的隧洞突水灾害定时预警方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
在地质条件复杂地区修建隧洞时，不可避免地会遭遇到断裂、岩溶及破碎地层等不良地质，隧洞建设在穿越不良地质时，遭遇到岩溶突涌水、塌方、岩爆等灾害的风险大大增加，极易造成巨大的经济损失与人员伤亡。由于隧洞建设区域地质条件的复杂性及施工过程中的不确定性，在隧洞建设过程中，对突涌水灾害做出更为准确的预测预警，对于保障隧洞安全施工以及避免人员伤亡尤为重要。
在隧道突涌水灾害预测预警方面，目前较为常见的利用监测灾前隧洞内多物理场信息进行的临灾预警，其监测的信息类别很大程度上影响着预测准确度，其不确定性较大，且其监测的风险信息只能反映掌子面一定范围内的信息，只有当掌子面临近灾害水体时，才能得到较为准确的风险信息，对于远距离灾害水体进行风险预测效果较差，有待进一步提高；为确保突涌水风险预测的及时性与有效性，需要在尽可能多的段落处进行信息监测，在安全段落处进行的信息监测会造成不必要的浪费，对工程现场人力物力消耗较大。
传统的预警做法往往是针对监测的数据，间隔一定时间进行一次风险等级判识，但对于监测得到的数据需要进行数据预处理，包括异常数据剔除等，再结合预警模型计算出风险等级，进而得到预警信息，再反馈到现场指导施工，这一套流程往往会浪费一定的时间，对于某些进程发展较快的突涌水灾害来说不太适用，因此在预警风险等级的基础上进行一个突涌水灾害发生时间的预测显得尤为必要，能够更有效地发挥突涌水灾害预警的作用。
发明内容
为了解决上述背景技术中存在的至少一项技术问题，本发明提供基于多源数据融合的隧洞突水灾害定时预警方法及系统，其采用多种手段获取多样化的风险信息，针对不同风险段落，采用不同的预测方案，在大致确定突涌水高风险段落位置后，在相应段落进行更加精细化的临灾预警信息监测，避免了不必要的人力物力资源的浪费，综合多样化风险信息进行预测又提高了突涌水风险预测的精确性。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一方面提供基于多源数据融合的隧洞突水灾害定时预警方法，包括如下步骤：
基于获取的隧洞轴线附近的地质信息，结合已开挖洞段的地质揭露情况和超前地质预报方法，获取相应的超前预报信息，综合地质信息与预报信息，初步判断得到隧洞轴线上突涌水高风险段落；
对隧洞轴线上突涌水高风险段落进一步监测，获取包括地球物理监测信息与其他监测信息的临灾预警监测信息并构建风险评价指标体系；
基于历史临灾预警监测信息，对未来一段时间内的时间序列监测数据进行预测，得到未来时间序列监测数据；
根据风险评价指标体系和未来时间序列监测数据，结合训练后的隧道突涌水风险预测模型，基于突涌水发生时各指标的阈值，计算未来一段时间内隧洞突涌水灾害各等级风险发生的概率，根据各等级风险发生的概率确定未来一段时间内突涌水灾害风险等级以实现定时预警。
本发明的第二方面提供基于多源数据融合的隧洞突水灾害定时预警系统，包括：
高风险区域判断模块，其用于基于获取的隧洞轴线附近的地质信息，结合已开挖洞段的地质揭露情况和超前地质预报方法，获取相应的超前预报信息，综合地质信息与预报信息，初步判断得到隧洞轴线上突涌水高风险段落；
评价指标构建模块，其用于对隧洞轴线上突涌水高风险段落进一步监测，获取包括地球物理监测信息与其他监测信息的临灾预警监测信息并构建风险评价指标体系；
监测数据预测模块，其用于基于历史临灾预警监测信息，对未来一段时间内的时间序列监测数据进行预测，得到未来时间序列监测数据；
风险等级预测模块，其用于根据风险评价指标体系和未来时间序列监测数据，结合训练后的隧道突涌水风险预测模型，基于突涌水发生时各指标的阈值，计算未来一段时间内隧洞突涌水灾害各等级风险发生的概率，根据各等级风险发生的概率确定未来一段时间内突涌水灾害风险等级以实现定时预警。
与现有技术相比，本发明的有益效果是：
（1）本发明通过地质分析、超前地质预报、地球物理监测以及其他监测获取多样化的隧洞突涌水灾害风险评价信息，循序渐进，风险评价范围由大到小，多种信息综合评判隧洞突涌水风险，对突涌水风险刻画更加全面，适用范围更广。
（2）基于地质分析和超前地质预报获取隧洞轴线上较大范围内的突涌水风险情况，对于风险较高区域，采用地球物理监测与其他监测手段获取更加精细化的突涌水风险信息，通过设置不同的监测断面，可以对掌子面前方一定范围进行分段风险等级评价。
（3）采用SPSS软件构建ARIMA模型对未来一段时间的时间序列数据进行预测，对预测数据利用XGBoost树模型算法进行处理，可以获取未来一段时间内隧洞发生突涌水的风险等级，以实现定时预警，能够更有效地避免灾害损失，指导现场施工。
（4）建立突涌水风险评价指标体系时，考虑隧洞突涌水的影响因素，利用层次分析法从地球物理监测信息以及其他监测信息两个大方面确定了隧洞突涌水风险的评价指标体系，可以处理复杂条件下的隧洞突涌水问题，利用一种基于XGBoost树模型算法的隧道突涌水风险预测模型进行风险预测，其预测结果可以输出突涌水各等级风险发生的概率，根据概率值大小确定突涌水风险等级，其结果直观易解释，利用大量数据对模型进行训练后，可以有效提高模型的预测能力。
本发明附加方面的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
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例提供的基于多源数据融合的隧洞突水灾害定时预警方法流程图；
图2是本发明实施例提供的监测仪器布置示意图，其中：图2中(a)为横断截面示意图，图2中(b)为纵断截面示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
针对本发明背景技术中提及的传统预警存在的问题，本发明提供一种多源数据融合的深埋隧洞突水突泥灾害预警方法，通过获取地质信息、超前预报信息、地球物理监测信息以及其他监测信息，层层深入对隧洞突涌水风险状态做出一个更加全面、精细的评判，利用地质分析与超前地质预报获取突涌水高风险段落信息，对相应段落进行进一步的地球物理监测与其他监测，获取更加全面详细的风险信息，选用一种基于XGBoost树模型算法的隧道突涌水风险预测模型进行风险预测，预测范围更广，结果准确率较高。采用SPSS软件构建ARIMA模型对未来一段时间的时间序列数据进行预测，对预测数据利用XGBoost树模型算法进行处理，可以获取未来一段时间内隧洞发生突涌水的风险等级，以实现定时预警。
实施例一
如图1所示，本实施例提供基于多源数据融合的隧洞突水灾害定时预警方法，包括如下步骤：
步骤1：在隧洞全线，基于工程类比，进行地质分析获取隧洞轴线附近的地质信息；
步骤1中，在隧洞全线，基于工程类比，调查周边隧洞与地下工程建设过程中是否发生地质灾害，进行地质分析获取隧洞轴线附近的地质信息；
所述地质信息包括但不限于工程地质信息（地层岩性、地质构造、特殊地层等）和水文地质信息（地下水的分布、出露形态等）。
步骤2：基于获取的地质信息，结合已开挖洞段的地质揭露情况和长短距离超前地质预报方法，获取相应的超前预报信息，综合地质信息与预报信息，初步判断得到隧洞轴线上突涌水高风险段落；
步骤2中，本实施例中，使用的超前预报方法包括但不限于地震波法、超前钻探法、激发极化法、地质雷达法等；获取相应的超前预报信息包括岩性参数、含水体位置、形态、涌水量等；综合地质信息与预报信息可对隧道各段落突涌水发生风险进行初步识别判断。
步骤3：基于获取的隧洞轴线上突涌水高风险段落进一步监测，获取临灾预警监测信息；
本实施例中，所述对隧洞突涌水高风险段落进行进一步的临灾预警信息监测，包括地球物理监测与其他监测，其中地球物理监测主要是利用孔间激发极化法进行监测，依据监测数据进行实时反演，获取隧洞掌子面前方一定范围内的电阻率、弛豫时间以及极化率分布特征，其他监测信息包括位移信息、应力信息、渗压信息等。能够掌握高风险段落更加精细的突涌水演化状态，使得风险预测更加及时有效。如图2所示为监测仪器的布置图，图2中(a)为横断截面示意图，图2中(b)为纵断截面示意图。
步骤4：根据临灾预警监测信息，初步构建隧洞突涌水风险评价指标体系，针对不同隧洞工程的地质特征，采用德尔菲法对初步构建的风险评价指标体系做出相应的优化，进行隧洞突涌水风险等级划分，采用层次分析法获取优化后的评价指标体系内各指标的权重；
步骤4中，本实施例中，所述初步构建隧洞突涌水风险评价指标体系，风险评价指标分为两大类：地球物理监测信息以及其他监测信息，从这两大类中选择围岩电阻率分布、弛豫时间分布、极化率分布信息、位移信息、应力信息、渗压信息作为最终的风险评价指标。
其中，风险指标信息主要来自地球物理监测与其他监测，其中利用孔间激发极化法获取围岩电阻率分布、弛豫时间分布、极化率分布信息；通过在围岩内部及表面设置渗压计、三向应力计、位移计获取围岩内部的渗流场、位移场、应力场信息。
针对正在施工隧洞的地质特征，采用德尔菲法（专家调查法）对初步构建的风险评价指标体系进行优化，进行隧洞突涌水风险等级划分，利用层次分析法对这些风险指标中每个指标对突涌水灾害发生的重要性进行排序，获取每个指标的权重值。
步骤5：基于历史临灾预警监测信息，采用SPSS软件构建ARIMA模型对未来一段时间内的时间序列监测数据进行预测，预测得到未来时间序列监测数据；
所述未来时间序列监测数据包括围岩位移数据、孔隙水压力数据、围岩应力数据以及进行数据化后的电阻率、弛豫时间以及极化率数据。
步骤6：根据确定的风险评价指标及其权重，以及未来时间序列监测数据，利用一种基于XGBoost树模型算法的隧道突涌水风险预测模型确定未来一段时间内隧洞突涌水灾害各等级风险发生的概率，然后根据各等级风险发生的概率确定突涌水灾害风险等级；
所述利用一种基于XGBoost树模型算法的隧道突涌水风险预测模型确定隧洞突涌水灾害各等级风险发生的概率的过程包括：
依据隧洞历史风险指标数据，构建突涌水风险预测数据集，基于XGboost树模型算法对突涌水风险预测数据集进行预测，对原始数据进行清洗和预处理，包括处理缺失值、数据标准化等操作，构建突涌水风险预测数据集，将构建的突涌水风险预测数据集划分为训练集和测试集，其中数据集中80%的数据作为训练集，20%的数据作为测试集，对训练集中的样本进行建模，通过交叉验证和网格搜索等技术，对模型中的某些参数包括学习率、树的数量深度等进行调整，以此得出最优的模型参数，使用训练集进行模型训练，XGBoost模型会根据损失函数的定义逐步优化分类器，生成多个决策树模型。
随后在测试集上对训练好的模型进行评估，以便评价模型的有效性，最终用训练得出的基于XGBoost树模型算法的隧道突涌水风险预测模型对隧洞突涌水风险进行预测，其预测结果可以得出突涌水各等级风险发生的概率，根据概率值大小确定突涌水风险等级，代表隧洞发生突涌水灾害的可能性。
其中，XGBoost算法是一种基于决策树的集成学习算法，它通过串行地训练多个弱分类器，并将它们组合成一个强分类器，以提高预测性能。
对于初始模型=/>进行迭代训练，每一次迭代都会添加一个弱分类器/>到模型中，并更新预测值/>：
，
其中，是模型的预测值，/>是样本的特征向量，而/>是初始预测值，/>表示第t个弱分类器对样本/>的预测值；
每次添加新分类器后，需要计算模型的损失函数，以便选择最优的弱分类器。
本实施例中，使用平方误差作为损失函数：
，
其中，n是样本的数量，是样本的标签。
为了避免过拟合，需要添加正则化项来限制模型的复杂度，XGBoost采用L2正则化项：
，
其中，表示决策树的节点权重，T是决策树的叶子节点数，/>是正则化系数。
综合考虑损失函数和正则化项，得到了XGBoost的目标函数：
，
接下来，选择最优的弱分类器，使得目标函数最小。XGBoost采用贪心算法来选择最优的分裂节点。
具体地，筛选所有特征和特征值，以寻找最佳的分裂方案。对于每个分裂方案，计算目标函数的改变量，以确定是否进行分裂。最优分裂点的选择是基于分裂后的目标函数值的变化来进行的。
通过上述过程，找到了最优的分裂节点，并创建了两个新的叶子节点。接下来，需要计算叶子节点的权重，使得目标函数最小。为了计算叶子权重，对目标函数进行二阶泰勒展开，得到：
，
其中，表示样本/>所在的叶子节点编号，/>和/>表示损失函数的一阶和二阶导数，通过对/>进行求导，可以得到最优的叶子权重：
，
其中，表示叶子节点j对应的样本集合。
最后，使用最优的弱分类器和叶子权重/>来更新模型：
，
其中，是学习率，它控制每个弱分类器对模型的影响程度。
重复上述过程，直到达到设定的迭代次数或目标函数的变化量达到阈值为止。这样，就得到了一个基于决策树的集成模型，可用于预测突涌水各等级风险发生的概率。
本实施例中，考虑各种超前地质预报方法的预报范围，为确保每次风险评价的效果，每次风险评价的范围为掌子面前方30米，对这30米范围内每10米设置一个监测断面，进行风险等级划分。将隧洞发生突涌水灾害的风险等级分为四级，Ⅰ级，Ⅱ级，Ⅲ级，Ⅳ级。
本实施例中，其中，所述突涌水发生时各指标的阈值的确定方法为：
根据规范要求，选取初期支护变形的极限位移作为突涌水位移前兆信息的 阈值，结合历史数据确定各级风险阈值取值大小；基于裂隙岩体发生剪切破坏时的临界水压力，来量化孔隙水压力的阈值，结合历史数据确定各级风险阈值取值大小；根据岩石单轴抗压强度，确定围岩应力的阈值，其具体取值可根据现场试验确定，结合历史数据确定各级风险阈值取值大小。
本实施例中，当预测的时间序列数据每个半小时连续三个点输出Ⅰ级、Ⅱ级风险的概率之和超过0.8时，则认为对应时间点发生突涌水灾害的概率较高，需要进行预警，指导现场施工采取措施。
实施例二
本实施例提供基于多源数据融合的隧洞突水灾害定时预警系统，包括：
地质信息获取模块，其用于获取隧洞轴线附近的地质信息；
高风险区域判断模块，其用于基于获取的隧洞轴线附近的地质信息，结合已开挖洞段的地质揭露情况和超前地质预报方法，获取相应的超前预报信息，综合地质信息与预报信息，初步判断得到隧洞轴线上突涌水高风险段落；
评价指标构建模块，其用于对隧洞轴线上突涌水高风险段落进一步监测，获取包括地球物理监测信息与其他监测信息的临灾预警监测信息并构建风险评价指标体系；
监测数据预测模块，其用于基于历史临灾预警监测信息，对未来一段时间内的时间序列监测数据进行预测，得到未来时间序列监测数据；
风险等级预测模块，其用于根据风险评价指标体系和未来时间序列监测数据，结合训练后的隧道突涌水风险预测模型，基于突涌水发生时各指标的阈值，计算未来一段时间内隧洞突涌水灾害各等级风险发生的概率，根据各等级风险发生的概率确定未来一段时间内突涌水灾害风险等级以实现定时预警。
其中，高风险区域判断模块中，所述地质信息包括工程地质信息和水文地质信息，所述工程地质信息包括地层岩性、地质构造及特殊地层，所述水文地质信息包括地下水的分布和出露形态。
其中，评价指标构建模块中，所述对隧洞轴线上突涌水高风险段落进一步监测，包括地球物理监测与其他监测，通过地球物理监测，利用孔间激发极化法进行监测，依据监测数据进行实时反演，获取隧洞掌子面前方一定范围内的电阻率、弛豫时间以及极化率分布特征，通过其他监测信息获取位移信息、应力信息及渗压信息。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于多源数据融合的隧洞突水灾害定时预警方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于多源数据融合的隧洞突水灾害定时预警方法中的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于多源数据融合的隧洞突水灾害定时预警方法，其特征在于，包括如下步骤：
基于获取的隧洞轴线附近的地质信息，结合已开挖洞段的地质揭露情况和超前地质预报方法，获取相应的超前预报信息，综合地质信息与预报信息，初步判断得到隧洞轴线上突涌水高风险段落；
对隧洞轴线上突涌水高风险段落进一步监测，获取包括地球物理监测信息与其他监测信息的临灾预警监测信息并构建风险评价指标体系；
基于历史临灾预警监测信息，对未来一段时间内的时间序列监测数据进行预测，得到未来时间序列监测数据；
根据风险评价指标体系和未来时间序列监测数据，结合训练后的隧道突涌水风险预测模型，基于突涌水发生时各指标的阈值，计算未来一段时间内隧洞突涌水灾害各等级风险发生的概率，根据各等级风险发生的概率确定未来一段时间内突涌水灾害风险等级，以实现定时预警。
2.如权利要求1所述的基于多源数据融合的隧洞突水灾害定时预警方法，其特征在于，所述地质信息包括工程地质信息和水文地质信息，所述工程地质信息包括地层岩性、地质构造及特殊地层，所述水文地质信息包括地下水的分布和出露形态。
3.如权利要求1所述的基于多源数据融合的隧洞突水灾害定时预警方法，其特征在于，所述对隧洞轴线上突涌水高风险段落进一步监测，包括地球物理监测与其他监测，通过地球物理监测，利用孔间激发极化法进行监测，依据监测数据进行实时反演，获取隧洞掌子面前方一定范围内的电阻率、弛豫时间以及极化率分布特征，通过其他监测信息获取位移信息、应力信息及渗压信息。
4.如权利要求1所述的基于多源数据融合的隧洞突水灾害定时预警方法，其特征在于，所述构建风险评价指标体系包括：根据临灾预警监测信息，初步构建隧洞突涌水风险评价指标体系，针对不同隧洞工程的地质特征，采用德尔菲法对初步构建的风险评价指标体系做出相应的优化，进行隧洞突涌水风险等级划分，采用层次分析法获取优化后的评价指标体系内各指标的权重。
5.如权利要求1所述的基于多源数据融合的隧洞突水灾害定时预警方法，其特征在于，所述隧道突涌水风险预测模型的训练过程为：
依据隧洞历史风险指标数据，构建突涌水风险预测数据集；
对突涌水风险预测数据集进行预处理，将预处理后的突涌水风险预测数据集划分为训练集和测试集；
对训练集中的样本进行建模，通过交叉验证和网格搜索技术，对模型中学习率、树的数量深度进行调整，以此得出最优的模型参数，使用训练集进行模型训练，根据损失函数的定义逐步优化分类器，生成多个决策树模型；
在测试集上对训练好的模型进行评估，最终用训练得出的隧道突涌水风险预测模型对隧洞突涌水风险进行预测。
6.如权利要求1所述的基于多源数据融合的隧洞突水灾害定时预警方法，其特征在于，所述隧道突涌水风险预测模型采用基于XGBoost树模型算法，采用贪心算法来选择最优的分裂节点优化XGBoost，以使目标函数最小。
7.如权利要求1所述的基于多源数据融合的隧洞突水灾害定时预警方法，其特征在于，所述突涌水发生时各指标的阈值的确定包括：
选取初期支护变形的极限位移作为突涌水位移前兆信息的阈值；
基于裂隙岩体发生剪切破坏时的临界水压力，量化孔隙水压力的阈值；
根据岩石单轴抗压强度，确定围岩应力的阈值。
8.基于多源数据融合的隧洞突水灾害定时预警系统，其特征在于，包括：
高风险区域判断模块，其用于基于获取的隧洞轴线附近的地质信息，结合已开挖洞段的地质揭露情况和超前地质预报方法，获取相应的超前预报信息，综合地质信息与预报信息，初步判断得到隧洞轴线上突涌水高风险段落；
评价指标构建模块，其用于对隧洞轴线上突涌水高风险段落进一步监测，获取包括地球物理监测信息与其他监测信息的临灾预警监测信息并构建风险评价指标体系；
监测数据预测模块，其用于基于历史临灾预警监测信息，对未来一段时间内的时间序列监测数据进行预测，得到未来时间序列监测数据；
风险等级预测模块，其用于根据风险评价指标体系和未来时间序列监测数据，结合训练后的隧道突涌水风险预测模型，基于突涌水发生时各指标的阈值，计算未来一段时间内隧洞突涌水灾害各等级风险发生的概率，根据各等级风险发生的概率确定未来一段时间内突涌水灾害风险等级以实现定时预警。
9.如权利要求8所述的基于多源数据融合的隧洞突水灾害定时预警系统，其特征在于，高风险区域判断模块中，所述地质信息包括工程地质信息和水文地质信息，所述工程地质信息包括地层岩性、地质构造及特殊地层，所述水文地质信息包括地下水的分布和出露形态。
10.如权利要求8所述的基于多源数据融合的隧洞突水灾害定时预警系统，其特征在于，评价指标构建模块中，所述对隧洞轴线上突涌水高风险段落进一步监测，包括地球物理监测与其他监测，通过地球物理监测，利用孔间激发极化法进行监测，依据监测数据进行实时反演，获取隧洞掌子面前方一定范围内的电阻率、弛豫时间以及极化率分布特征，通过其他监测信息获取位移信息、应力信息及渗压信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166033.7A CN117711140A (zh) | 2024-02-06 | 2024-02-06 | 基于多源数据融合的隧洞突水灾害定时预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166033.7A CN117711140A (zh) | 2024-02-06 | 2024-02-06 | 基于多源数据融合的隧洞突水灾害定时预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117711140A true CN117711140A (zh) | 2024-03-15 |
Family
ID=90155673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410166033.7A Pending CN117711140A (zh) | 2024-02-06 | 2024-02-06 | 基于多源数据融合的隧洞突水灾害定时预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117711140A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118351654A (zh) * | 2024-06-17 | 2024-07-16 | 深圳大学 | 一种地质灾害和工程安全监测智能预警方法以及系统 |
| CN118410428A (zh) * | 2024-03-20 | 2024-07-30 | 广东泽宝勘测设计研究有限公司 | 一种地铁隧道自动化监测方法、系统、设备和介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103592697A (zh) * | 2013-10-31 | 2014-02-19 | 山东大学 | 隧道等地下工程先验形态信息约束的联合超前预报方法 |
| CN106680894A (zh) * | 2017-02-21 | 2017-05-17 | 长江三峡勘测研究院有限公司（武汉） | 一种基于c/s架构的隧洞地质超前预报方法 |
| CN108399483A (zh) * | 2018-01-18 | 2018-08-14 | 山东大学 | 一种基于多元前兆信息的地下工程突水突泥风险评价方法 |
| CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
| CN110705795A (zh) * | 2019-10-09 | 2020-01-17 | 中铁隧道局集团有限公司 | 基于综合超前地质预报技术的隧道涌突风险等级模糊预测方法 |
| CN111784070A (zh) * | 2020-07-09 | 2020-10-16 | 中国地质环境监测院 | 一种基于XGBoost算法的滑坡短临智能预警方法 |
| CN112948932A (zh) * | 2021-03-05 | 2021-06-11 | 广西路桥工程集团有限公司 | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 |
| CN113326660A (zh) * | 2021-06-17 | 2021-08-31 | 广西路桥工程集团有限公司 | 基于GA-XGBoost模型的隧道围岩挤压变形预测方法 |
| CN114943125A (zh) * | 2022-06-16 | 2022-08-26 | 重庆科技学院 | 基于XGBoost优化算法的隧道围岩参数智能反演分析方法 |
| CN116934078A (zh) * | 2023-07-03 | 2023-10-24 | 西安理工大学 | 隧洞/道施工期突涌水灾害渐进式评估方法 |
| CN117031544A (zh) * | 2023-07-04 | 2023-11-10 | 山东大学 | 隧道地球物理参数综合评价渗透系数和涌水量方法 |
| CN117189239A (zh) * | 2023-09-07 | 2023-12-08 | 中国矿业大学 | 一种隧道围岩损伤监测方法 |
-
2024
- 2024-02-06 CN CN202410166033.7A patent/CN117711140A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103592697A (zh) * | 2013-10-31 | 2014-02-19 | 山东大学 | 隧道等地下工程先验形态信息约束的联合超前预报方法 |
| CN106680894A (zh) * | 2017-02-21 | 2017-05-17 | 长江三峡勘测研究院有限公司（武汉） | 一种基于c/s架构的隧洞地质超前预报方法 |
| CN108399483A (zh) * | 2018-01-18 | 2018-08-14 | 山东大学 | 一种基于多元前兆信息的地下工程突水突泥风险评价方法 |
| CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
| CN110705795A (zh) * | 2019-10-09 | 2020-01-17 | 中铁隧道局集团有限公司 | 基于综合超前地质预报技术的隧道涌突风险等级模糊预测方法 |
| CN111784070A (zh) * | 2020-07-09 | 2020-10-16 | 中国地质环境监测院 | 一种基于XGBoost算法的滑坡短临智能预警方法 |
| CN112948932A (zh) * | 2021-03-05 | 2021-06-11 | 广西路桥工程集团有限公司 | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 |
| CN113326660A (zh) * | 2021-06-17 | 2021-08-31 | 广西路桥工程集团有限公司 | 基于GA-XGBoost模型的隧道围岩挤压变形预测方法 |
| CN114943125A (zh) * | 2022-06-16 | 2022-08-26 | 重庆科技学院 | 基于XGBoost优化算法的隧道围岩参数智能反演分析方法 |
| CN116934078A (zh) * | 2023-07-03 | 2023-10-24 | 西安理工大学 | 隧洞/道施工期突涌水灾害渐进式评估方法 |
| CN117031544A (zh) * | 2023-07-04 | 2023-11-10 | 山东大学 | 隧道地球物理参数综合评价渗透系数和涌水量方法 |
| CN117189239A (zh) * | 2023-09-07 | 2023-12-08 | 中国矿业大学 | 一种隧道围岩损伤监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张钧博;何川;严健;吴枋胤;蒙伟;: "基于交叉验证的XGBoost算法在岩爆烈度分级预测中的适用性探讨", 隧道建设(中英文), no. 1, 31 August 2020 (2020-08-31), pages 247 - 253 * |
| 徐善初;张世林;陈建平;: "模糊层次评价法在隧道地质灾害评估中的应用", 地下空间与工程学报, no. 04, 15 August 2013 (2013-08-15), pages 946 - 953 * |
| 李利平;李术才;陈军;李景龙;许振浩;石少帅;: "基于岩溶突涌水风险评价的隧道施工许可机制及其应用研究", 岩石力学与工程学报, no. 07, 15 July 2011 (2011-07-15), pages 1345 - 1355 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118410428A (zh) * | 2024-03-20 | 2024-07-30 | 广东泽宝勘测设计研究有限公司 | 一种地铁隧道自动化监测方法、系统、设备和介质 |
| CN118351654A (zh) * | 2024-06-17 | 2024-07-16 | 深圳大学 | 一种地质灾害和工程安全监测智能预警方法以及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xue et al. | A two-step comprehensive evaluation model for rockburst prediction based on multiple empirical criteria | |
| Wang et al. | Risk assessment of water inrush in karst tunnels excavation based on normal cloud model | |
| CN117711140A (zh) | 基于多源数据融合的隧洞突水灾害定时预警方法及系统 | |
| CN104732070A (zh) | 一种基于信息向量机的岩爆等级预测方法 | |
| Guan et al. | Markovian geology prediction approach and its application in mountain tunnels | |
| CN105954804A (zh) | 页岩气储层脆性地震预测方法及装置 | |
| CN116797030A (zh) | 地质监测预警方法、系统、计算机设备及存储介质 | |
| CN109241627A (zh) | 概率分级的动态支护方法及自动设计支护方案的装置 | |
| CN113570226A (zh) | 断层破碎带隧道突涌水灾害发生概率等级评价方法 | |
| Wang et al. | Risk Assessment of Water Inrush in Karst Tunnels Based on the Efficacy Coefficient Method. | |
| CN111507539A (zh) | 一种基于层次分析法的泥石流危险等级评价方法及系统 | |
| Mahmoodzadeh et al. | Numerical and Machine learning modeling of hard rock failure induced by structural planes around deep tunnels | |
| CN116992522A (zh) | 深基坑围护结构变形预测方法、装置、设备及存储介质 | |
| CN114357750A (zh) | 一种采空区充水状态评估方法 | |
| Wang et al. | Research on rock mass quality classification based on an improved rough set–cloud model | |
| CN114002129B (zh) | 一种高水压裂隙岩体渗流试验平台 | |
| Xue et al. | PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM. | |
| CN115688251A (zh) | 基于深度学习的地震多发区隧道风险决策方法及系统 | |
| CN117152918A (zh) | 一种应用于区域滑坡灾害的危险性动态预警方法 | |
| CN117474340B (zh) | 用于地铁盾构施工沉降的风险评价方法及系统 | |
| CN113323676A (zh) | 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法 | |
| CN117236191A (zh) | 一种基于深度学习技术的预测储层物性参数方法 | |
| LIANG et al. | Stratum identification based on multiple drilling parameters and probability classification | |
| CN116933920A (zh) | 一种矿山井下泥石流的预测预警方法及系统 | |
| Song et al. | Using Bayesian network and Intuitionistic fuzzy Analytic Hierarchy Process to assess the risk of water inrush from fault in subsea tunnel |
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 |