CN115563874A

CN115563874A - 一种基于大数据的隧道健康度分析方法及***

Info

Publication number: CN115563874A
Application number: CN202211259843.4A
Authority: CN
Inventors: 张改凤; 丁彩花; 高璐
Original assignee: Individual
Current assignee: Individual
Priority date: 2022-10-14
Filing date: 2022-10-14
Publication date: 2023-01-03

Abstract

本发明公开了一种基于大数据的隧道健康度分析方法及***，所述方法包括获取隧道相关数据上传至大数据平台，进行数据预处理，建立健康度模型，所述健康度模型为多个子模型的融合，所述子模型分别为结构健康度、载荷健康度、附加健康度，基于大数据平台实时获取被监测隧道的检测数据，将所述检测数据带入模型计算健康度。基于上述方法实现了基于多数据融合的健康度评估模型的建立，提高了隧道健康度监测的准确性以及可以应用在多种类型的隧道中。

Description

一种基于大数据的隧道健康度分析方法及***

技术领域

本发明涉及隧道工程领域，尤其是一种基于大数据的隧道健康度分析方法及***。

背景技术

在隧道建设和运营的过程中，隧道会出现各种影响结构受力的损伤与缺陷。如隧道建设过程中由于超挖、欠挖、孔洞、回填不实等造成的缺陷，以及运营中由于隧道结构老化退化产生的裂缝、损伤等。这些问题都会降低隧道结构的健康程度，影响隧道的正常使用寿命，对隧道的运营会产生较大的不利影响。

现有技术对隧道健康度的监测通常为基于某种特定的隧道类型采用多种传感器对隧道的结构、应力等方面的指标进行监测。

现有技术中存在如下问题：

（1）隧道监测方法局限于用于某种固定的隧道类型的监测，不能适用于多种类型的隧道；

（2）对于监测指标的监测通常是单独进行评价，并未进行有机融合；只能实现对某些特定参数的监测；

（3）隧道监测仅针对某些特定的隧道进行数据的获取和模型建立，数据量较少，监测指标较为单一，无法实现隧道的全面监测；建立的模型使用场景有限，无法适用于其他隧道。

发明内容

（一）解决的技术问题

为了解决上述技术问题，本发明提供一种基于大数据的隧道健康度分析方法及***，所述方法通过大数据平台集成庞大的隧道监测数据，基于大数据对隧道进行健康度模型的建立，结合静态影响因素与动态影响因素进行健康度模糊综合评价分析，实现了对多种类型隧道的健康度的监测。

（二）技术方案

为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：

一种基于大数据的隧道健康度分析方法，包括如下步骤:

S1：获取隧道相关数据上传至大数据平台；所述相关数据包括隧道固有数据、实时监测数据、灾害情况数据以及已使用年限；

S2：进行数据预处理，将步骤S1收集到的数据进行量化处理，并对量化后的数据进行类别平衡化和数据标准化；

S3：建立健康度模型，所述健康度模型为多个子模型的融合，所述子模型分别为结构健康度、载荷健康度、附加健康度；

S4：基于大数据平台实时获取被监测隧道的检测数据

从大数据平台上实时获取被监测隧道的检测数据，并按照步骤S2的方法进行数据预处理；

S5：将所述检测数据带入模型计算健康度

将所述步骤S4处理的数据代入步骤S3中得到的评价模型进行健康度的评价。

进一步地，所述隧道固有数据包括结构数据以及载荷数据；所述实时监测数据包括隧道应力应变、裂缝、腐蚀程度、各向位移以及温湿度。

进一步地，基于SMOTE算法进行处理类别平衡化。

进一步地，所述步骤S3中子模型的融合方式如下：

其中，

、

、

分别为三个子模型的融合系数，

为结构健康度的第i个影响因素的健康度，n为结构健康度影响因素的个数，

为载荷健康度，

为附加健康度的第i个影响因素的健康度，m为附加健康度影响因素的个数。

进一步地，所述结构健康度计算基于改进的GRA-TOPSIS-BP模型结合蜂群算法得到。

进一步地，所述改进的GRA-TOPSIS-BP模型结合蜂群算法，包括如下步骤：

a.获取完成预处理的结构健康度影响因素数据；

b.将预处理完的数据进行模糊综合评价分析，并按照一定的比例划分训练集和测试集；

c.进行参数初始化，确定最大迭代次数，初始权重、蜂群数量、蜜源停留最大搜索次数和蜜蜂种群数，其中采蜜蜂和观察蜂各一半；

d. 按照初始化公式随机产生初始解；

e. 采蜜蜂对蜜源邻域搜索产生新位置，将算法全局最优解与蜜蜂邻域搜索后的解进行概率交叉得到新解，依据贪婪准则对原解和新解进行比较，选出任务调度中任务完成时间少的蜜源；

基于蜂群算法在收敛精度上的不足，本发明采用基于迭代次数调整更新步长的方式进行邻域搜索，搜索策略如下：

其中，p为与迭代次数相关的值，具体如下：

A为随机参数，取值范围为[0,1]；

f. 观察蜂获取采蜜蜂摇摆舞传递的蜜源信息，计算蜜源信息素，根据灵敏度和蜜源的信息素的关系选择蜜源；

g. 观察蜂变成采蜜蜂邻域搜索当前的解，并将全局最优解与其概率交叉得到另一解，按贪婪策略选择新的解；

h. 若蜜源达到开采限度，采蜜蜂转化为侦察蜂，产生新的蜜源；

i. 若达到算法终止迭代次数，则返回当前所有蜂群找到的最优解和最少任务调度完成时间，算法结束,记录最优参数；

j.将最优参数用于BP神经网络的权值和阈值；

k.将测试数据用于BP神经网络进行健康度的计算。

进一步地，所述模糊综合评价分析基于GRA-TOPSIS模型，按照如下方式将欧式距离与灰色关联度计算结果进行耦合：

其中，

为欧式距离结果的方差，

为灰色关联度结果的方差，

为方差阈值,k为欧式距离与灰色关联度计算结果的相似度。

进一步地，所述载荷健康度由理论载荷与实际载荷计算得到：

其中，

为实际载荷，

为理论载荷。

进一步地，所述附加健康度影响因素包括灾害情况以及已使用年限。

本发明还提供一种基于大数据的隧道健康度分析***，所述***包括：

数据获取模块，其用于获取隧道相关数据上传至大数据平台，所述相关数据包括隧道固有数据、实时监测数据、灾害情况；

隧道固有数据，包括结构数据以及载荷数据；所述实时监测数据包括隧道应力应变、裂缝、腐蚀程度、各向位移以及温湿度；

数据预处理模块，其用于将数据获取模块收集到的数据进行量化处理，并对量化后的数据进行类别平衡化和数据标准化；

建立健康度模型模块，其用于建立健康度模型，所述健康度模型为多个子模型的融合，所述子模型分别为结构健康度、载荷健康度、附加健康度；

健康度计算模块，其用于将检测数据带入模型计算健康度，得到的评价模型进行健康度的评价。

（三）有益效果

与现有技术相比，本发明的有益效果为：

（1）本发明的隧道健康度监测方法基于大数据平台，获取大量数据，可以更加精准地确定健康度评估模型。

（2）本发明的隧道健康度监测方法适用于大多数类型的隧道，应用范围广。

（3）本发明对隧道监测指标进行有机融合，实现了基于多数据融合的健康度评估模型的建立。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种基于大数据的隧道健康度分析方法流程示意图；

图2是根据本申请实施例的健康度模型建立示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

参见图1，一种基于大数据的隧道健康度分析方法包括：

S1：获取隧道相关数据上传至大数据平台，所述相关数据包括如下数据：

（1）隧道固有数据，主要包括结构数据以及载荷数据。

结构数据：

按照不同的分类方法隧道结构有不同的分类。按照开挖地层地质的不同，将隧道分为岩石隧道和土质隧道；按照隧道埋深的不同，可以将隧道分为浅埋隧道和深埋隧道；按照隧道所在位置的不同，分为山岭隧道、城市隧道以及水下隧道；按照施工方法的不同分为矿山法、明挖法、盾构法、沉管法、掘进机法；按照断面形状不同，分为圆形、马蹄形和矩形；按照隧道用途分为交通隧道、水工隧道、市政隧道和矿山隧道等。

因此，基于隧道的结构影响因素，确定地层地质、埋深、隧道所在位置、施工方法、断面形状以及隧道用途。

载荷数据：

地层开挖会对底层产生扰动，造成岩石或土层松动，由于自重作用会在隧道衬砌结构上施加载荷，这是隧道结构要承受的主要永久荷载之一。载荷包括岩层的围岩压力、土层中载荷土压力、水压力、衬砌自重、灌浆压力。

（2）实时监测数据

实时监测数据包括隧道应力应变、裂缝、腐蚀程度、各向位移以及温湿度。

a.应力应变监测

基于振弦应变计监测混凝土的应力应变，通过将应变计粘接或使用锚杆通过钻孔的方式固定在混凝土结构表面来测量混凝土的应变。

b. 裂缝监测

隧道裂缝监测基于测缝计，将测缝计按照在混凝土结构表面来测量结构裂缝和裂缝的大小。

c.腐蚀监测

腐蚀监测包括氯离子浓度监测传感器、PH传感器或电化学腐蚀传感器进行监测。

d．各向位移监测包括竖向位移监测以及横向位移监测。

纵向位移主要是由于隧道在运营期间受到车辆载荷的反复作用，使隧道顶部受水流的冲刷或淤积，从而导致隧道主体结构发生沉降。

本发明基于静力水准仪进行沉降监测，在多个观测点分别设置静力水准仪。静力水准仪包括多个连通的容器，容器内注入液体，当液体液面静止时，所有的容器内的液体液面位于一个水平面上，此时分别测量出各个容器的初始液面高度为：h₀₁，h₀₂，h₀₃…h_0i，随后实时测量各个容器的液面高度h₁₁，h₁₂，h₁₃…h_1i。

基于位移传感器监测横向位移。位移传感器用于测量多种结构间的相对位移，将其安装在隧道待测量区域的侧壁，实现横向位移的测量。

（3）灾害情况

重大灾害对于隧道的健康度也有较大的影响。例如重大交通事故的撞击、地震引起的水土流失、暴雨造成的山体滑坡、火灾等重大灾害。为便于进行后续的数据处理，需要将灾害情况进行量化，以评分的方式评估灾害对隧道健康度造成的影响。

（4）已使用年限

使用年限关乎隧道的建筑强度等参数，因此还需对使用年限进行分析。

将上述数据上传至大数据平台。

S2：进行数据预处理

将步骤S1收集到的数据进行量化处理，并对量化后的数据进行类别平衡化和数据标准化。

类别平衡化：

在得到采样数据后，会遇到不同类别的采样样本相差较大的问题，基于此，本发明基于SMOTE算法进行处理。

数据标准化：

将数据进行标准化处理，计算公式为：

其中，

为标准化前的数据，x为标准化后的数据，

、

分别为标准化前的最小值和最大值。

S3：建立健康度模型

如图2所示，健康度模型为多个子模型的融合，所述子模型分别为结构健康度、载荷健康度、附加健康度。

融合方式如下：

其中，

、

、

分别为三个子模型的融合系数，

为载荷健康度，

（1）所述结构健康度影响因素包括静态影响因素与动态影响因素。所述静态影响因素包括地层地质、埋深、隧道所在位置、施工方法、断面形状以及隧道用途；动态影响因素包括隧道应力应变、裂缝、腐蚀程度、各向位移以及温湿度。

所述结构健康度的计算基于改进的GRA-TOPSIS-BP模型结合蜂群算法得到，蜂群算法在优化参数调整、避免出现局部最优等方面具有明显的优势，因此，在改进的GRA-TOPSIS-BP模型结合蜂群算法，包括如下步骤：

a.获取完成预处理的结构健康度影响因素数据；

所述模糊综合评价分析基于GRA-TOPSIS模型，具体包括：

构建加权标准化矩阵

;

确定正负理想解并计算欧氏距离：

所述

为正向指标，

为负向指标，

、

分别为正负理想解。

欧氏距离计算方式如下：

计算GRA灰色关联度包括：

计算灰色关联矩阵：

其中，

为灰色关联矩阵，

为评价对象数量；i,j为评价指标数量；

为分辨系数。

确定正负理想解的灰色关联度：

按照如下方式将欧式距离与灰色关联度计算结果进行耦合：

其中，

为欧式距离结果的方差，

为灰色关联度结果的方差，

为方差阈值,k为欧式距离与灰色关联度计算结果的相似度，计算方法如下：

其中，E为期望函数。

基于上述耦合方式，通过对两种评价方法计算结果进行相似度判定，进一步根据判定结果对结果融合方式进行选择，从而实现了更加精准的模糊综合评价分析。

从而得到相对贴近度：

最后，根据相对贴近度的值得到分析结果。

d. 按照初始化公式随机产生初始解；

初始化公式为：

其中，

表示第i个蜜源的排序为j的值，

，且为自然数，

, 且为自然数，D为待求数列的数量，

、

为j维的所有解的最大值和最小值；随机在极值之间选择蜜源的赋值，再计算出蜜源的适应度；

e. 采蜜蜂对蜜源邻域搜索产生新位置，将算法全局最优解与蜜蜂邻域搜索后的解进行概率交叉得到新解，依据贪婪准则对原解和新解进行比较，选出任务调度中任务完成时间少的蜜源。

其中，p为与迭代次数相关的值，具体如下：

A为随机参数，取值范围为[0,1]。

f. 观察蜂获取采蜜蜂摇摆舞传递的蜜源信息，计算蜜源信息素，根据灵敏度和蜜源的信息素的关系选择蜜源。

具体实现方式如下：

设置变量m(i),n(i)用于记录第i个蜜源连续更新的次数，按照以下公式进行更新：

通过m(i),n(i)表征蜜源更新次数，从而获得此蜜源的搜索活力大小。计算第i个蜜源的信息素H(i)为:

其中，A为蜜源的基准值，lim为局部搜索最大次数，

为第ｉ个蜜源的适应度。

适应度

计算方式如下:

其中，

为算法的目标函数，即对应于四阶累积量。

观察蜂根据各个蜜源的信息素和灵敏度选择蜜源，动态选择的概率为：

其中，

为第i个雇佣蜂蜜源的信息素， N为雇佣蜂的数量。由此，观察蜂在选择雇佣蜂时考虑了适应度和蜜源的搜索活力，选择了活力较高的蜜源，保证了算法前期跳出局部最优，后期细致搜索，最终使改进算法收敛速度快，收敛精度高。

根据随机生成第i个观察蜂的灵敏度S（i），若第i个观察蜂的灵敏度Ｓ(i)≤P(i)，则进行邻域搜索，选择更优的蜜源；若S(i)>P(i)，则蜜源位置不变。

g. 观察蜂变成采蜜蜂邻域搜索当前的解，并将全局最优解与其概率交叉得到另一解，按贪婪策略选择新的解。

h. 若蜜源达到开采限度，采蜜蜂转化为侦察蜂，产生新的蜜源。

i. 若达到算法终止迭代次数，则返回当前所有蜂群找到的最优解和最少任务调度完成时间，算法结束,记录最优参数。

j.将最优参数用于BP神经网络的权值和阈值；

k.将测试数据用于BP神经网络进行健康度的计算。

S4：基于大数据平台实时获取被监测隧道的检测数据

从大数据平台上实时获取被监测隧道的检测数据，并按照步骤S2的方法进行数据预处理。

S5：将所述检测数据带入模型计算健康度

在本实施方式中，基于获取隧道相关数据上传至大数据平台，进行数据预处理，建立健康度模型，所述健康度模型为多个子模型的融合，所述子模型分别为结构健康度、载荷健康度、附加健康度，基于大数据平台实时获取被监测隧道的检测数据，将所述检测数据带入模型计算健康度。基于上述方法实现了基于多数据融合的健康度评估模型的建立，提高了隧道健康度监测的准确性以及可以应用在多种类型的隧道中。

本发明实施例还提出一种基于大数据的隧道健康度分析***，其包括：

数据获取模块，其用于获取隧道相关数据上传至大数据平台，所述相关数据包括隧道固有数据、实时监测数据、灾害情况。

隧道固有数据，包括结构数据以及载荷数据；所述实时监测数据包括隧道应力应变、裂缝、腐蚀程度、各向位移以及温湿度。

数据预处理模块，其用于将数据获取模块收集到的数据进行量化处理，并对量化后的数据进行类别平衡化和数据标准化。

建立健康度模型模块，其用于建立健康度模型，所述健康度模型为多个子模型的融合，所述子模型分别为结构健康度、载荷健康度、附加健康度。

以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。