CN118172914A - 一种排水洞入侵事件监测预警方法 - Google Patents
一种排水洞入侵事件监测预警方法 Download PDFInfo
- Publication number
- CN118172914A CN118172914A CN202410607259.6A CN202410607259A CN118172914A CN 118172914 A CN118172914 A CN 118172914A CN 202410607259 A CN202410607259 A CN 202410607259A CN 118172914 A CN118172914 A CN 118172914A
- Authority
- CN
- China
- Prior art keywords
- drainage hole
- intrusion event
- intrusion
- optical fiber
- acoustic signals
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012544 monitoring process Methods 0.000 title claims abstract description 64
- 239000013307 optical fiber Substances 0.000 claims abstract description 60
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 28
- 230000001788 irregular Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008685 targeting Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 239000011435 rock Substances 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009545 invasion Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- HYYBABOKPJLUIN-UHFFFAOYSA-N mefenamic acid Chemical compound CC1=CC=CC(NC=2C(=CC=CC=2)C(O)=O)=C1C HYYBABOKPJLUIN-UHFFFAOYSA-N 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- -1 video monitoring Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/02—Mechanical actuation
- G08B13/12—Mechanical actuation by the breaking or disturbance of stretched cords or wires
- G08B13/122—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence
- G08B13/124—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence with the breaking or disturbance being optically detected, e.g. optical fibers in the perimeter fence
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/16—Actuation by interference with mechanical vibrations in air or other fluid
- G08B13/1654—Actuation by interference with mechanical vibrations in air or other fluid using passive vibration detection systems
- G08B13/1672—Actuation by interference with mechanical vibrations in air or other fluid using passive vibration detection systems using sonic detecting means, e.g. a microphone operating in the audio frequency range
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/22—Electrical actuation
- G08B13/24—Electrical actuation by interference with electromagnetic field distribution
- G08B13/2491—Intrusion detection systems, i.e. where the body of an intruder causes the interference with the electromagnetic field
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/186—Fuzzy logic; neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Security & Cryptography (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种排水洞入侵事件监测预警方法，包括确定光纤类型及尺寸，完成排水洞光纤网络的布设；基于布设的光纤网络获取声学信号，并完成入侵事件声学信号的检测与降噪；对降噪后的入侵事件声学信号进行特征参数提取，建立特征参数库；基于特征参数库的数据完成卷积神经网络的自注意力学习训练，利用训练好的卷积神经网络完成声学信号类别识别；对地质和排水洞进行建模，完成三维非均匀速度模型下的入侵事件震源定位；构建具备多源异构数据处理和分析能力的数字孪生平台，实现排水洞入侵事件监测预警方法。本发明基于实验室排水洞环境模拟的入侵事件，采用自注意力机制神经网络分类，实现低信噪比信号检测、繁杂入侵事件高精度辨识。
Description
技术领域
本发明涉及入侵事件监测领域，特别涉及一种排水洞入侵事件监测预警方法。
背景技术
库岸边坡排水洞周围的岩性多变、断裂缺陷众多，加上受气象因素的影响，排水洞的稳定性直接关系到整个水电站及下游居民的安全。因此，对排水洞的监测至关重要。目前，工程监测主要采用的手段包括分布式光纤、视频监测、岩体应力位移测量、卫星遥感、地质雷达、声发射和微地震监测等。在这些监测技术中，分布式光纤传感技术以其高灵敏度和稳定性，适用于监测各种尺度的入侵事件，在库岸边坡排水洞监测方面显现出独特的优势，然而分布式光纤传感技术在排水洞监测方面鲜有研究。
在传感光纤布局方面，目前的方法主要将传感器部署在关键区域进行入侵事件监测。然而，这些布局通常过于粗糙，主要基于初步的地质报告和经验判断。尽管这样的布局能捕捉到入侵信号，但往往未能有效结合现场环境的具体特点。这种局限性不仅影响了监测方案的有效反馈，也妨碍了对关键入侵诱因区域的准确识别和监测策略的深入优化。由此，这导致了对入侵事件的发展过程缺乏全面理解和有效干预，进而影响了整个监测系统的性能。
对于分布式光纤声学信号处理，不同入侵事件在时间长短、频率、强度、传播距离等方面的差异，会在监测的声学信号中体现出能量、频率等的衰减特征。虽然传统的时域信号分析可以快速识别入侵事件的基本特征，但面对场景变化或随机事件时，仅依赖时域或频域分析可能导致误判，且前人未对排水洞环境的声学信号特征进行分析。因此，需要建立一套适应边坡排水洞的入侵事件信号数据库，并运用多特征参数分析来揭示不同种类信号之间的细微差异。
在入侵事件的识别方法上，目前主要分为无监督学习和有监督学习两种方式。无监督学习虽简便快速，适用于数据标签不明确的情况，但其分类准确性有限，依赖人工解释。相比之下，有监督学习基于标记数据集，通过训练学习建立数据与标签间的映射模型，更适合于识别各类入侵事件。水电站边坡排水洞环境特殊，入侵事件能量弱、信噪比低，需要开发有效的信号识别技术。此外，排水洞入侵事件数量整体上较少，海量数据库的建立需要使用增量学习，以期提高识别准确率。
综上所述，分布式光纤传感技术在排水洞监测方面鲜有研究，需要研发适应排水洞环境的光纤布局方案，建立适应排水洞的入侵信号数据库，研发多尺度入侵信号特征提取方法，提出基于增量学习的入侵事件有监督识别模型，搭建基于分布式光纤声学信号分析和数字孪生的排水洞入侵事件监测预警系统，增强监测预警的准确性、可靠性和全面性，以更好地管理入侵事件风险，提高排水洞安全性，减少潜在的危险和损失，具有重要的研发意义。
发明内容
针对现有技术中存在的问题，提供了一种排水洞入侵事件监测预警方法，将排水洞监测、信号处理和数字孪生技术有机结合，构建排水洞安全性监控新方案，具有监测手段先进、信号处理手段完备、预警准确度高等显著特点。
本发明采用的技术方案如下：一种排水洞入侵事件监测预警方法，包括：
基于排水洞环境参数确定光纤类型及尺寸，连续记录长距离光纤沿线的声学信号，并依据相应灵敏度完成排水洞光纤网络的布设；
基于布设的光纤网络获取声学信号，并完成入侵事件声学信号的检测与降噪；
对降噪后的入侵事件声学信号进行特征参数提取，建立特征参数库；
基于特征参数库的数据完成卷积神经网络的自注意力学习训练，利用训练好的卷积神经网络完成声学信号类别识别；
对地质和排水洞进行建模，完成三维非均匀速度模型下的入侵事件震源定位；
融合声学信号类别、入侵事件震源定位结果以及光纤网络获取的监测数据，构建具备多源异构数据处理和分析能力的数字孪生平台，通过人工智能进行数据集成与分析，实现排水洞入侵事件监测预警方法。
作为一种优选方案，所述基于排水洞环境参数确定光纤类型及尺寸，具体包括：
采集排水洞相关环境参数，根据排水洞实际物理化学环境以及与光纤耦合情况，不断改变光纤形状、尺寸、结构以及传感器的类型进行测试，根据其响应特性确定光纤的最优类型及尺寸。
作为一种优选方案，所述入侵事件声学信号的检测过程包括：
对声学信号进行滑动时窗处理，将时窗内声学信号与准备好的入侵事件声学信号进行互相关操作，以检测出入侵事件声学信号。
作为一种优选方案，所述入侵事件声学信号的降噪过程包括：
利用小波分解将入侵事件声学信号由高频向低频分解，舍弃前三个高频系数，并使用软阈值对小波分解低频系数降噪；
使用集合经验模态分解方法对降噪后的小波分解低频系数进行自适应分解，并用奇异值分解求取集合经验模态分解方法分解的信号构成矩阵的奇异值，使用排序大小前85%的奇异值对小波系数进行重构，将重构信号叠加得到降噪后的信号。
作为一种优选方案，在建立特征参数库后，还包括对特征参数库的数据增广过程：
从入侵事件光学信号数据库中均匀采样不同类别入侵事件声学信号，利用信号通道之间的无序性特征对信号进行数据增广，提升特征参数库中不同种类入侵事件的声学信号数据量。
作为一种优选方案，所述基于特征参数库的数据完成卷积神经网络的自注意力学习训练，具体包括：
利用包含多个卷积层、池化层和全连接层的卷积神经网络学习特征参数库中声学信号的特征；
利用残差连接允许不同信息在不同层之间直接跳跃传递的特性；
引入自注意力层，分配不同入侵事件声学信号的权重占比；
利用增量学习不断加入新的监测数据对卷积神经网络进行微调优化。
作为一种优选方案，所述对地质和排水洞进行建模，完成三维非均匀速度模型下的入侵事件震源定位，具体包括：
将地表地理信息系统和三维激光扫描建模相集成，融合有限元设定的材料模型，完成地质和排水洞的高精度建模；
依据建立的排水洞和地质模型，得到含排水洞结构的三维非均匀速度模型；
计算出非规则结构的P波走时数据库，并利用初至波逆时成像进行震源定位。
作为一种优选方案，所述计算出非规则结构的P波走时数据库，具体包括：
综合射线打靶法和互易定理实现非规则结构的P波走时计算。
作为一种优选方案，所述计算出非规则结构的P波走时数据库，具体包括：
采用伪弯曲法或快速推进法计算P波走时。
作为一种优选方案，所述三维非均匀速度模型下的入侵事件震源定位过程中，重点关注识别类别为岩体垮塌的声学信号。
与现有技术相比，采用上述技术方案的有益效果为：
1、针对排水洞的物理化学环境，探究其光纤的响应性能，研发适应排水洞温度、湿度等的高性能光纤及其布置方式，保障低振动信号的灵敏响应。基于多工况实验，采用高度适配排水洞环境的光纤探测及调制解调仪A-DAS，系统基于实验室排水洞环境模拟的入侵事件、自注意力机制神经网络分类，实现低信噪比信号检测、繁杂入侵事件高精度辨识。
2、提出一种联合小波软阈值、集合经验模态分解（EEMD）和奇异值分解（SVD）的入侵信号降噪方法。小波分解能将入侵信号由高频向低频分解，舍弃高频系数实现高频降噪，软阈值能对低频噪音进行压制。进一步地，使用EEMD对小波软阈值降噪系数进行自适应分解，并用SVD较大奇异值（前85%）提取信号有用信息，降噪后信号信噪比提升1倍以上。在此基础上，提出入侵信号滑动时窗互相关检测方法，其一方面可以实现微弱信号的检测，另一方可以降低阈值的影响。同时，相较于P波初至绝对时刻拾取，波形互相关可确定更为准确的P波初至到时差，为入侵事件准确定位提供更好的数据。入侵信号自适应降噪、滑动时窗互相关检测与P波初至拾取成套方法能实现信号快速、高质量处理。
3、在构建DAS声学信号深度学习识别模型时，在传统卷积神经网络的基础上增加了自注意力机制，通过动态地计算注意力权重来决定不同位置或特征的重要性，保证网络不仅关注局部特征，还能够建模全局特征之间的复杂关系。
4、针对传统定位方法容易受到P波初至较大误差数据的影响，排水洞为含空区的非规则结构，P波传播路径将不再是直线，进一步增加了上述方法定位的误差，且定位过程每次重新计算P波走时将耗费大量时间等问题。依据建立的排水洞和地质模型，得到含排水洞结构的三维非均匀速度模型，进而综合射线打靶法和互易定理准确快速计算出非规则结构的P波走时数据库，利用初至波逆时成像实现复杂结构下的震源高精度定位。
5、有机融合高透明化地质模型、入侵事件类别及位移、应力等多类型监测数据，构建具备多源异构数据处理和分析能力的数字孪生平台，有效提升排水洞安全性监测方案多维化、集成度，实现实验结果优化光纤传感器布局、入侵事件诱发敏感区域及时获取、动态调整最优声学信号识别与判定阈值等功能，与监测形成“数据输入-事件识别-监测校正”的循环互馈机制。
附图说明
图1为本发明提出的排水洞入侵事件监测预警方法流程图。
具体实施方式
下面详细描述本申请的实施例，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模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
由于在现有分布式光纤传感器未在排水洞应用，且排水洞周围岩性多变、断裂缺陷众多、受温度和湿度等复杂影响，对排水洞的监测鲜有研究，由此，本发明实施例提出了一种排水洞入侵事件监测预警方法，创新性地引入分布式光纤传感技术对排水洞入侵事件进行监测，并开展了适应排水洞环境的光纤布设优化，对不同种类入侵事件声学信号进行捕捉，并通过特征信息提取建立不同种类声学信号数据库，通过卷积神经网络对声学信号进行分类训练识别，并引入自注意力机制，极大程度降低无效干扰信号的影响。开展三维非均匀速度模型下的入侵事件震源定位。将监测信息融入透明化模型，并采用数字孪生集成化方案，实现排水洞安全性的多维把控。请参考图1，具体方案如下：
步骤1、基于排水洞环境参数确定光纤类型及尺寸，连续记录长距离光纤沿线的声学信号，并依据相应灵敏度完成排水洞光纤网络的布设。
本实施例中，采集排水洞相关环境参数，包括温度、湿度以及地质结构等，根据排水洞实际物理化学环境以及与光纤耦合情况，不断改变光纤形状、尺寸、结构以及传感器的类型进行测试，根据其响应特性确定光纤的最优类型、尺寸，并研发相应的分布式光纤调制解调仪A-DAS。
实际应用中，光纤的设计集成有光纤感测硬件单元，并基于多工况实验，研发高度适配排水洞环境的光纤探测及调制解调仪A-DAS。在A-DAS系统中，窄线宽激光器输出的连续高相干激光，其线宽可调至100Hz。通过1×2耦合器将光分为探测光和本振光，其中光功率较小的一端被用作探测光，而光功率较大的一端则作为本振光。
基于所采用的光纤和A-DAS，连续记录长距离光纤沿线的声学信号，分析不同网络布局下光纤的响应灵敏度等参数，完成光纤网络的优化，使其尽可能关注排水洞的关键区域。
针对排水洞的物理化学环境，探究其光纤的响应性能，研发适应排水洞温度、湿度等的高性能光纤及其布置方式，保障低振动信号的灵敏响应。后续基于实验室排水洞环境模拟的入侵事件、自注意力机制神经网络分类，实现低信噪比信号检测、繁杂入侵事件高精度辨识。
步骤2、基于布设的光纤网络获取声学信号，并完成入侵事件声学信号的检测与降噪。
对于获取的声学信号，需要完成入侵事件的检测和降噪两个过程。
对于入侵事件检测过程，首先对不同类别入侵事件声学信号，例如人员走动、动物爬行、岩体垮塌、渗滤水流动、汽车经过等，分析其声学信号的时频特性，将其作为准备好的入侵事件声学信号。对获取的声学信号进行滑动时窗处理，将时窗内声学信号与准备好的入侵事件声学信号进行互相关操作，以检测出入侵事件声学信号。
本实施例中还提出了相应的滑动时窗处理及互相关操作方法：
设置滑动时窗长度为M，滑动时窗步长为N（M>>N），对窗口内信号进行振幅归一化处理，互相关计算方法为：
其中，和/>分别为滑动时窗时间序列和入侵事件信号时间序列，m为1~M中的序列点，n为-M～M中的序列点，其具体数值表征所取的序列点位置，/>为序列点m处的波形互相关值，本实施例中，入侵事件检测的互相关阈值设定为0.85。若计算得到互相关最大值若大于设定的阈值，则窗口包含入侵事件声学信号，反之则表示无入侵事件声学信号。
本实施例中采用的入侵信号滑动时窗互相关检测方法，其一方面可以实现微弱信号的检测，另一方可以降低阈值的影响。同时，相较于P波初至绝对时刻拾取，波形互相关可确定更为准确的P波初至到时差，为入侵事件准确定位提供更好的数据。入侵信号自适应降噪、滑动时窗互相关检测与P波初至拾取成套方法能实现信号快速、高质量处理。
进一步的，本实施例中采用联合小波软阈值、集合经验模态分解（EEMD）和奇异值分解（SVD）的入侵事件声学信号降噪方法，增强声学信号信噪比。具体的：
首先，在获取降噪后的入侵事件声学信号后，利用小波分解将声学信号由高频向低频分解，舍弃前三个高频系数，并使用软阈值对小波分解低频系数降噪。小波分解能将入侵信号由高频向低频分解，舍弃高频系数实现高频降噪，软阈值能对低频噪音进行压制。
然后，使用EEMD对降噪后的小波分解低频系数进行自适应分解，并用SVD求取小波系数EEMD分解信号构成矩阵的奇异值，使用排序大小前85%的奇异值对小波系数进行重构，将重构信号叠加得到降噪后的信号。使用EEMD对小波软阈值降噪系数进行自适应分解，并用SVD较大奇异值（前85%）提取信号有用信息，降噪后信号信噪比提升1倍以上。
在其他实施例中，在利用小波软阈值降噪后，还可以采用与完备集合经验模态分解-SVD、变分模态分解-SVD相结合的方式对信号进一步降噪。
步骤3、对降噪后的入侵事件声学信号进行特征参数提取，建立特征参数库。
本实施例中，对降噪后的入侵事件声学信号进行多类型多尺度波形特征参数提取，包括声学信号的持续时间、幅值、均值、方差、上升时间、振铃计数、能量、峭度、偏度、主频、中值频率、分形维、信号熵、信号小波分解系数能量占比、分形维、信号熵等，建立特征参数数据库，为入侵事件识别提供基础数据。
实际应用中，光依靠监测获取的数据是明显不足的，需要对特征参数库进行增广处理，本实施例中，从入侵事件光学信号数据库中均匀采样不同类别入侵事件声学信号，保障分类信号的类别平衡，利用信号通道之间的无序性特征对信号进行数据增广，大幅提升不同种类入侵事件的声学信号数据量。在一个实施例中，具体增广方法为：准备一定数量的不同种类入侵事件声学信号，以此为基础，使用数据旋转、翻转、缩放、平移等变换，对现有数据进行增广，使每一类入侵事件声学信号的数据量增加到目标个数。
步骤4、基于特征参数库的数据完成卷积神经网络的自注意力学习训练，利用训练好的卷积神经网络完成声学信号类别识别。
本实施例中，在构建DAS声学信号深度学习识别模型时，在传统卷积神经网络的基础上增加了自注意力机制，通过动态地计算注意力权重来决定不同位置或特征的重要性，保证网络不仅关注局部特征，还能够建模全局特征之间的复杂关系。在训练时，利用包含多个卷积层、池化层和全连接层的卷积神经网络学习特征参数库中声学信号的特征；利用残差连接允许不同信息在不同层之间直接跳跃传递的特性，加速捕捉训练信号的重要特征；引入自注意力层，分配不同入侵事件声学信号的权重占比；利用增量学习不断加入新的监测数据对卷积神经网络进行微调优化，适应更为复杂多变和冗余的入侵事件声学信号。
该卷积神经网络通过降低声学信号特征维度，将提取到的特征映射到不同的声学信号类别，利用自注意力机制更集中地处理与分类有关的信息，模型能够根据输入数据的不同情况自动调整注意力分布，确定不同信号的权重占比，从而更好地适应不同任务和场景。
在卷积神经网络训练完成后，即可采用训练好的卷积神经网络完成监测到的声学信号类别识别。
步骤5、对地质和排水洞进行建模，完成三维非均匀速度模型下的入侵事件震源定位。
针对传统定位方法容易受到P波初至较大误差数据的影响，排水洞为含空区的非规则结构，P波传播路径将不再是直线，进一步增加了上述方法定位的误差，且定位过程每次重新计算P波走时将耗费大量时间等问题。由此，本实施例中，建立三维非均匀速度模型以此来实现入侵事件震源定位。具体的，
将地表地理信息系统和三维激光扫描建模相集成，融合有限元等软件设定的材料模型，完成地质和排水洞的高精度建模，依据建立的排水洞和地质模型，得到含排水洞结构的三维非均匀速度模型，进而综合射线打靶法和互易定理准确快速计算出非规则结构的P波走时数据库，利用初至波逆时成像进行震源定位。
需要说明的是，本实施例中以使用射线打靶法计算P波走时为例，在其他实施例中，还可以采用伪弯曲法、快速推进法等计算P波走时。
本实施例中，在三维非均匀速度模型下的入侵事件震源定位过程中，重点关注识别为岩体垮塌的声学信号。
步骤6、建立数字孪生平台，实现排水洞入侵事件监测预警方法。
基于建立的高透明化地质模型、入侵事件类别及位移、应力等多类型监测数据，构建具备多源异构数据处理和分析能力的数字孪生平台，通过人工智能进行数据集成与分析，对声学信号强烈的重点敏感区域加强信号监测与分析，当入侵事件信号风险指标达到所设定阈值或出现异常情况时及时预警，实现对排水洞入侵事件的透明化、集成化、精确化监测控制。在一个实施例中，数字孪生平台包含数据管理、模型融合、算法实现和可视化展示等集成化模块设计，可根据监测识别结果优化光纤传感器布局、加强模型与声学信号确定的入侵事件风险重点敏感区域监测、动态调整最优声学信号识别与判定阈值等，与监测形成“数据输入-事件识别-监测校正”的循环互馈机制。
下面结合某水电站高边坡排水洞进行实地测试来进一步阐述本发明提出的排水洞入侵事件监测预警方法，具体如下：
S1、布置分布式光纤进行测试，将微结构散射增强光纤置入高模量聚脂材料制成的松套管中，套管内填充防水化合物。松套管外加阻水材料以保证光纤的纵向渗水，松套管外钢丝绕包后护套成缆。
S2、利用SOA双向驱动方法，将S1采集的光脉冲调制和放大，调整脉宽1ns，消光比60dB。利用FPGA片上数字相位解调专用算法，设置0.1m的空间采样间隔。
S3、利用收集到的信号构建深度卷积学习网络，设置多个卷积层、池化层和全连接层，使用标注好的DAS振动信号数据集对构建好的卷积神经网络进行训练。
S4、利用S3训练好的模型对入侵事件进行识别，进而使用射线打靶法对入侵事件进行定位，数据支持DAT、TDMS格式存储和浏览。
S5、将声学信号样本数据库、分类卷积神经网络模型、已采集到的其他入侵事件信息连接交互，多模型协同到数字孪生平台中，进行仿真与集成显示。将不同种类信号的状态在模型上进行实时显示。方法取得了较为理想的效果，信号数据库查询响应时间≤0.5s，排水洞环境入侵事件定位误差≤1m，震源定位时间≤1s，卷积神经网络模型分类训练准确率为98.5%，实际应用准确达90%，有效保障了水电站和高边坡排水洞安全运行、人员以及设备安全。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。
需要说明的是，本申请实施例所示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（Erasable Programmable Read Only Memory，EPROM）、闪存、光纤、便携式紧凑磁盘只读存储器（Compact Disc Read-Only Memory，CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。其中，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，上述模块、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，框图或流程图中的每个方框、以及框图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。
描述于本申请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，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中所述的排水洞入侵事件监测预警方法。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的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。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的排水洞入侵事件监测预警方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、触控终端、或者网络设备等）执行根据本申请实施方式的方法。
对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义；实施例中的附图用以对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种排水洞入侵事件监测预警方法，其特征在于，包括：
基于排水洞环境参数确定光纤类型及尺寸，连续记录长距离光纤沿线的声学信号，并依据相应灵敏度完成排水洞光纤网络的布设；
基于布设的光纤网络获取声学信号，并完成入侵事件声学信号的检测与降噪；
对降噪后的入侵事件声学信号进行特征参数提取，建立特征参数库；
基于特征参数库的数据完成卷积神经网络的自注意力学习训练，利用训练好的卷积神经网络完成声学信号类别识别；
对地质和排水洞进行建模，完成三维非均匀速度模型下的入侵事件震源定位；
融合声学信号类别、入侵事件震源定位结果以及光纤网络获取的监测数据，构建具备多源异构数据处理和分析能力的数字孪生平台，通过人工智能进行数据集成与分析，实现排水洞入侵事件监测预警方法。
2.根据权利要求1所述的排水洞入侵事件监测预警方法，其特征在于，所述基于排水洞环境参数确定光纤类型及尺寸，具体包括：
采集排水洞相关环境参数，根据排水洞实际物理化学环境以及与光纤耦合情况，不断改变光纤形状、尺寸、结构以及传感器的类型进行测试，根据其响应特性确定光纤的最优类型及尺寸。
3.根据权利要求1所述的排水洞入侵事件监测预警方法，其特征在于，所述入侵事件声学信号的检测过程包括：
对声学信号进行滑动时窗处理，将时窗内声学信号与准备好的入侵事件声学信号进行互相关操作，以检测出入侵事件声学信号。
4.根据权利要求1所述的排水洞入侵事件监测预警方法，其特征在于，所述入侵事件声学信号的降噪过程包括：
利用小波分解将入侵事件声学信号由高频向低频分解，舍弃前三个高频系数，并使用软阈值对小波分解低频系数降噪；
使用集合经验模态分解方法对降噪后的小波分解低频系数进行自适应分解，并用奇异值分解求取集合经验模态分解方法分解的信号构成矩阵的奇异值，使用排序大小前85%的奇异值对小波系数进行重构，将重构信号叠加得到降噪后的信号。
5.根据权利要求1所述的排水洞入侵事件监测预警方法，其特征在于，在建立特征参数库后，还包括对特征参数库的数据增广过程：
从入侵事件光学信号数据库中均匀采样不同类别入侵事件声学信号，利用信号通道之间的无序性特征对信号进行数据增广，提升特征参数库中不同种类入侵事件的声学信号数据量。
6.根据权利要求1所述的排水洞入侵事件监测预警方法，其特征在于，所述基于特征参数库的数据完成卷积神经网络的自注意力学习训练，具体包括：
利用包含多个卷积层、池化层和全连接层的卷积神经网络学习特征参数库中声学信号的特征；
利用残差连接允许不同信息在不同层之间直接跳跃传递的特性；
引入自注意力层，分配不同入侵事件声学信号的权重占比；
利用增量学习不断加入新的监测数据对卷积神经网络进行微调优化。
7.根据权利要求1所述的排水洞入侵事件监测预警方法，其特征在于，所述对地质和排水洞进行建模，完成三维非均匀速度模型下的入侵事件震源定位，具体包括：
将地表地理信息系统和三维激光扫描建模相集成，融合有限元设定的材料模型，完成地质和排水洞的高精度建模；
依据建立的排水洞和地质模型，得到含排水洞结构的三维非均匀速度模型；
计算出非规则结构的P波走时数据库，并利用初至波逆时成像进行震源定位。
8.根据权利要求7所述的排水洞入侵事件监测预警方法，其特征在于，所述计算出非规则结构的P波走时数据库，具体包括：
综合射线打靶法和互易定理实现非规则结构的P波走时计算。
9.根据权利要求7所述的排水洞入侵事件监测预警方法，其特征在于，所述计算出非规则结构的P波走时数据库，具体包括：
采用伪弯曲法或快速推进法计算P波走时。
10.根据权利要求7所述的排水洞入侵事件监测预警方法，其特征在于，所述三维非均匀速度模型下的入侵事件震源定位过程中，重点关注识别类别为岩体垮塌的声学信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410607259.6A CN118172914B (zh) | 2024-05-16 | 2024-05-16 | 一种排水洞入侵事件监测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410607259.6A CN118172914B (zh) | 2024-05-16 | 2024-05-16 | 一种排水洞入侵事件监测预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118172914A true CN118172914A (zh) | 2024-06-11 |
| CN118172914B CN118172914B (zh) | 2024-07-30 |
Family
ID=91355183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410607259.6A Active CN118172914B (zh) | 2024-05-16 | 2024-05-16 | 一种排水洞入侵事件监测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118172914B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101303788A (zh) * | 2008-06-05 | 2008-11-12 | 北京航空航天大学 | 实现复合型全光纤可定位的周界报警方法及系统 |
| CN101901531A (zh) * | 2009-05-31 | 2010-12-01 | 中国石油天然气管道局 | 一种基于光纤干涉仪的区域防入侵方法 |
| CN102778668A (zh) * | 2012-07-23 | 2012-11-14 | 中煤科工集团西安研究院 | 矿山被动震源快速精确定位方法 |
| WO2017062584A1 (en) * | 2015-10-06 | 2017-04-13 | The Penn State Research Foundation | Intrusion detection system for an undersea environment |
| US20170248495A1 (en) * | 2016-02-25 | 2017-08-31 | Yokogawa Electric Corporation | Optical fiber temperature distribution measurement system and optical fiber temperature distribution measurement method |
| CN107566810A (zh) * | 2017-10-13 | 2018-01-09 | 河南天佑电气工程有限公司 | 一种室外仿生型太阳能智能视频监控装置 |
| CN109035656A (zh) * | 2018-08-08 | 2018-12-18 | 中国石油化工股份有限公司 | 一种联动式定位型光纤周界防范系统的设置方法 |
| CN215573010U (zh) * | 2021-07-07 | 2022-01-18 | 湖北迅迪科技有限公司 | 一种用于敏感光纤的光纤传感器 |
| US20230061220A1 (en) * | 2020-03-04 | 2023-03-02 | Nec Corporation | Monitoring system, monitoring device, and monitoring method |
| CN117473402A (zh) * | 2023-10-30 | 2024-01-30 | 雅砻江流域水电开发有限公司 | 一种拱坝泄流振动监测系统和识别泄流结构损伤的方法 |
| US20240127684A1 (en) * | 2022-10-14 | 2024-04-18 | Network Integrity Systems, Inc. | Monitoring optical fibers using a das system with weather suppression |
| CN118012083A (zh) * | 2023-12-06 | 2024-05-10 | 中国长江电力股份有限公司 | 用于分叉管路巡检的无人机管道巡检控制方法 |
-
2024
- 2024-05-16 CN CN202410607259.6A patent/CN118172914B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101303788A (zh) * | 2008-06-05 | 2008-11-12 | 北京航空航天大学 | 实现复合型全光纤可定位的周界报警方法及系统 |
| CN101901531A (zh) * | 2009-05-31 | 2010-12-01 | 中国石油天然气管道局 | 一种基于光纤干涉仪的区域防入侵方法 |
| CN102778668A (zh) * | 2012-07-23 | 2012-11-14 | 中煤科工集团西安研究院 | 矿山被动震源快速精确定位方法 |
| WO2017062584A1 (en) * | 2015-10-06 | 2017-04-13 | The Penn State Research Foundation | Intrusion detection system for an undersea environment |
| US20170248495A1 (en) * | 2016-02-25 | 2017-08-31 | Yokogawa Electric Corporation | Optical fiber temperature distribution measurement system and optical fiber temperature distribution measurement method |
| CN107566810A (zh) * | 2017-10-13 | 2018-01-09 | 河南天佑电气工程有限公司 | 一种室外仿生型太阳能智能视频监控装置 |
| CN109035656A (zh) * | 2018-08-08 | 2018-12-18 | 中国石油化工股份有限公司 | 一种联动式定位型光纤周界防范系统的设置方法 |
| US20230061220A1 (en) * | 2020-03-04 | 2023-03-02 | Nec Corporation | Monitoring system, monitoring device, and monitoring method |
| CN215573010U (zh) * | 2021-07-07 | 2022-01-18 | 湖北迅迪科技有限公司 | 一种用于敏感光纤的光纤传感器 |
| US20240127684A1 (en) * | 2022-10-14 | 2024-04-18 | Network Integrity Systems, Inc. | Monitoring optical fibers using a das system with weather suppression |
| CN117473402A (zh) * | 2023-10-30 | 2024-01-30 | 雅砻江流域水电开发有限公司 | 一种拱坝泄流振动监测系统和识别泄流结构损伤的方法 |
| CN118012083A (zh) * | 2023-12-06 | 2024-05-10 | 中国长江电力股份有限公司 | 用于分叉管路巡检的无人机管道巡检控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴江鹏: "排水系统失效对西南地区某深埋隧道衬砌外水压力的影响", 《水电能源科学》, vol. 39, no. 12, 31 December 2021 (2021-12-31), pages 144 - 150 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118172914B (zh) | 2024-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108932480B (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
| Wu et al. | A novel DAS signal recognition method based on spatiotemporal information extraction with 1DCNNs-BiLSTM network | |
| Liu et al. | Tunnel boring machine vibration-based deep learning for the ground identification of working faces | |
| Fang | Method for quickly identifying mine water inrush using convolutional neural network in coal mine safety mining | |
| CN117648873B (zh) | 地面沉降预测方法、训练方法、装置、设备 | |
| Ma et al. | Intelligent location of microseismic events based on a fully convolutional neural network (FCNN) | |
| Li et al. | Quickly build a high-precision classifier for Φ-OTDR sensing system based on transfer learning and support vector machine | |
| CN113514875A (zh) | 一种基于大数据的岩性油气藏的勘测和描述方法及系统 | |
| Hu et al. | Improved resolution and cost performance of low-cost mems seismic sensor through parallel acquisition | |
| CN118172914B (zh) | 一种排水洞入侵事件监测预警方法 | |
| Ebrahim et al. | Recent Phenomenal and Investigational Subsurface Landslide Monitoring Techniques: A Mixed Review | |
| Zhang et al. | Modified Data Augmentation Integration Method for Robust Intrusion Events Recognition With Fiber Optic DAS System | |
| CN117665932A (zh) | 基于隧道三维地震波数据潜在空间特征的波速反演方法 | |
| Han et al. | Deep learning–based stochastic modelling and uncertainty analysis of fault networks | |
| Shentu et al. | Underground displacement measurement method based on double mutual inductance voltage contour model of optimized dual Kriging | |
| CN115826059A (zh) | 一种瞬变电磁快速超前预测方法 | |
| Cheng et al. | Multi-perspective analysis on rainfall-induced spatial response of soil suction in a vegetated soil | |
| Du et al. | Approach to predict land subsidence in old goafs considering the influence of engineering noise | |
| Chen | Early Warning of Regional Landslide Disaster and Development of Rural Ecological Industrialization Based on IoT Sensor | |
| Li et al. | Analysis of the impact of expressway construction on soil moisture in road areas | |
| Chen et al. | Seismic ahead-prospecting based on deep learning of retrieving seismic wavefield | |
| Zhang et al. | Artificial intelligence-based distributed acoustic sensing enables automated identification of wire breaks in prestressed concrete cylinder pipe | |
| CN109164482A (zh) | 基于光纤传感器的井下微地震求解方法、装置及系统 | |
| Li et al. | Time-series prediction of settlement deformation in shallow buried tunnels based on EMD-SSA-GRNN model | |
| CN118193950B (zh) | 基于一维卷积神经网络的地震计自噪声计算方法 |
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 |