数据融合的隧道监测方法、装置、计算机设备及存储介质

技术领域

本发明涉及隧道工程预防技术领域，尤其涉及数据融合的隧道监测方法、装置、计算机设备及存储介质。

背景技术

随着我国地铁、高铁及高速公路里程的不断增加，各种山体、地下隧道也快速增加，不良地质体等外界条件给隧道的安全运营带来较大风险，隧道变形监测越来越收到重视，当前，随着地下工程技术和建设规模的迅速发展，修建于软弱破碎围岩或不良地质区段的隧道工程不断增多，周边工程扰动或自然条件演变导致隧道结构的荷载出现变化，诱发较大变形、甚至开裂，严重影响结构承载安全和使用性能。但是，传统隧道变形监测需要在隧道运营窗口，对隧道监测点进行人工监测，并且不能对隧道内部的微变行进行有效捕捉，无法评估隧道微变形给隧道带来的风险，缺乏及时的对隧道全断面结构安全性进行准确的预警手段，给隧道的安全运营带来一定的风险。

发明内容

本发明针对上述技术问题提供一种数据融合的隧道监测方法、装置、计算机设备及存储介质，通过将不同数据源进行处理、融合，该技术可以全面监测和预警隧道变形，提高隧道的安全性和可持续运营性，同时，确保数据质量、数据融合方法和预警模型等因素至关重要，以保证监测预警系统的准确性和可靠性。

本发明解决其技术问题所采用的技术方案是：

如图1所示，一种数据融合的隧道监测方法,包括以下步骤：

S1、获取隧道变形监测的原始数据；

S2、根据原始数据的类型，对原始数据进行预处理；

S3、对预处理后的数据进行加权融合处理；

S4、将获取的原始数据输入训练模型中，得到预测时刻的预测数据；

S5、根据预测数据得到预测时刻的隧道变形强度；

S6、将预测时刻的隧道变形强度与预警阈值相比较。

步骤S1中，所述原始数据包括传感器数据、影像数据和地形数据。

步骤S2中，所述预处理为小波分析处理方法，所述小波分析处理方法包括对原始数据进行去噪处理、标准化处理和归一化处理。

所述小波分析处理的监测数据生成后，通过熵权法对监测数据的子序列进行加权处理。

步骤S3中，所述加权融合处理通过加权融合法将数据进行加权与融合计算，计算公式如下：

Y＝W1*X1+W2*X2+W3*X3+W4*X4+W5*X5+W6*X6+W7*X7+W8*X8+W9*X9(一)

式(一)中，Y为最终融合的隧道变形强度；x1、x2、x3、x4、x5、x6、x7、x8和x9分别为数据源观测点的变形、钢支撑内力、地面沉降、地下裂隙、混凝土内力、围岩压力、掌子面信息、掌子面节理信息和观测点分布的长期数据；w1、w2、w3、w4、w5、w6、w7、w8和w9分别为x1、x2、x3、x4、x5、x6、x7、x8和x9所对应的权重设置。

步骤S4中，所述训练模型包括以下步骤：

H1、获取隧道在预设时段内变形强度的多组监测数据，对多组监测数据进行预处理；

H2、由预处理后的监测数据构成数据集，按照预设比例将所述数据集划分为训练集和测试集；

H3、构建GCN-DE-LSTM模型，通过训练集和测试集对GCN-DE-LSTM模型进行训练和测试，得到预测模型；

所述构建CN-DE-LSTM模型先用图卷积神经网络(GCN)于进行特征提取，建立各观测点之间的直接连接或间接连接，包括；

H3.1、矩阵W：矩阵中包括观测点的变形、钢支撑内力、地面沉降、地下裂隙、混凝土内力、围岩压力、掌子面信息、掌子面节理信息和观测点分布的数据；

H3.2、节点的度为：L

H3.3、邻接矩阵的值为：L

H3.4、图像算子为：L(G)＝C

H3.5、拉普拉斯处理如下：

式(二)中，A为L(G)的特征值；I＝U

式(三)中，

H3.6、图圈积处理：g*x＝U(U

式(四)中，U为L的特征矩阵，U

H3.7、图卷积在傅里叶域上，如下：

U

g

g

替代L的特征值如下：

式(五)中，

H3.8、归一化处理如下：

则图卷积的表达式，如下：

式(六)中，σ为激活函数，H为x对应，W为θ的对应；

所述各观测点的特征提取后，作为一个新的集合，重复上述步骤H即对观测点进行总结归纳，即建立观测点之间的连接；

将建立连接的数据代入LSTM模型中，所述LSTM模型包括四个状态，四个状态分别为：输出值的时刻值、输出值的时刻值前置值、记忆神经元状态的时刻值和记忆神经元状态的前置值，且均包括三个门：输入门、输出门和遗忘门；

所述LSTM模型实现对时间序列的建模，其原理步骤如下：

C1、定义单个神经元的输入公式如下：

x

式(七)中，x

C2、对网络中由人工确定并输入的迭代次数、学习率、隐含层神经元节点数的超参数进行寻找，通过差分进化算法对超参数进行寻找；

所述差分进化算法的步骤如下：

C2.1、初始化种群

式(八)中，x

式(九)中，

C2.2、差分变异

V

式(十)中，r1和r2为处于1-NP之间的随机数，F为缩放因子，g表示第g代；

C2.3、交叉

式(十一)中，CR为交叉概率；

C2.4、贪婪选择

C2.5、为了优化缩放因子，在算法中加入自适应变异算子，如下：

F＝F

式(十二)中，F

所述监测装置包括：

数据处理模块：用于通过小波分析法对每个监测点原始时间序列中涉及的随机误差和干扰因素进行消噪，并对数据进行标准化、归一化处理；

熵权法处理模块：用于将几个不同监测点相同类型的去噪时间进行序列融合，最终融合为相应监测指标的一个子序列；

预测模块：用于收集前时刻下隧道变形的监测数据，将当前时刻的隧道变形监测数据输入预测模型，得到预测模型对预设时刻隧道变形的预测结果；

判断模块：用于将隧道变形的预测数据与对应的权值进行加权求和后，计算得到预设时刻的隧道变形强度，并判断预设时刻的隧道变形强度是否超过预警阈值。

用于存储计算机程序；所述处理器用于执行所述计算机程序时实现数据融合的隧道监测方法的步骤。

所述计算机程序被处理器执行时实现数据融合的隧道监测方法的步骤。

本发明的有益效果是：

1.通过GCN-DE-LSTM模型从时间序列中学习到不同层次的特征表示，以更全面地表达序列中的信息，并更好地处理序列的趋势、周期性和噪声，从而提高了对未来隧道变形监测数据的预测精度，同时，采用熵权法和加权融合法确定各种监测数据的权重占比，计算隧道变形强度并实现隧道变形强度的提前预报，从而帮助道路管理部门进行相应管制措施，减小隧道变形风险对道路交通的影响，可有效提升隧道变形数据预测的精确性，为隧道交通管理提供重要的预警和决策支持。

2.传感器监测：在隧道结构的桩基、钢支撑等关键位置安装应变监测传感器，实时监测并记录变形数据；卫星遥感监测：通过卫星图像以及遥感技术，远程监测地面沉降情况，结合GPS定位等技术获取变形数据；微震监测：通过在隧道附近埋设微震监测仪器，观测地下水位变化以及裂隙扩展情况，提供隧道内部环境变化的实时数据。

3.GCN特征提取：通过图卷积神经网络(GCN)从传感器监测数据中提取特征，建立各观测点之间的直接或间接连接关系图，捕获隧道变形的关联性，DE超参数寻优：通过差分进化算法(DE)对模型的超参数进行寻优，以进一步提高预测的精度和准确性；LSTM模型应用：将与之前建立联系的数据引入长短期记忆(LSTM)模型中，进行序列预测分析，实现对隧道变形过程的预测并完成操作。

4.通过终端设备和可读存储介质用于展示监测结果及长期保存数据，能有效预防事故、提高隧道运营安全水平，并为维护和管理提供重要参考依据。

附图说明

图1为本发明隧道变形监测预警方法流程示意图；

图2为GCN-DE-LSTM模型流程示意图；

图3为LSTM模型的基本单元图；

图4为隧道变形监测预警设备结构示意图；

图中所示：800-监测设备；801-处理器；802-存储器；803-多媒体组件；804-I/O接口；805-通信组件。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

实施例一

如图1所示，一种数据融合的隧道监测方法,其特征在于：包括以下步骤：

S1、获取隧道变形监测的原始数据；

S2、根据原始数据的类型，对原始数据进行预处理；

S3、对预处理后的数据进行加权融合处理；

S4、将获取的原始数据输入训练模型中，得到预测时刻的预测数据；

S5、根据预测数据得到预测时刻的隧道变形强度；

S6、将预测时刻的隧道变形强度与预警阈值相比较。

步骤S1中，所述原始数据包括传感器数据、影像数据和地形数据。

步骤S2中，所述预处理为小波分析处理方法，所述小波分析处理方法包括对原始数据进行去噪处理、标准化处理和归一化处理。

所述小波分析处理的监测数据生成后，通过熵权法对监测数据的子序列进行加权处理。

步骤S3中，所述加权融合处理通过加权融合法将数据进行加权与融合计算，计算公式如下：

Y＝W1*X1+W2*X2+W3*X3+W4*X4+W5*X5+W6*X6+W7*X7+W8*X8+W9*X9(一)

式(一)中，Y为最终融合的隧道变形强度；x1、x2、x3、x4、x5、x6、x7、x8和x9分别为数据源观测点的变形、钢支撑内力、地面沉降、地下裂隙、混凝土内力、围岩压力、掌子面信息、掌子面节理信息和观测点分布的长期数据；w1、w2、w3、w4、w5、w6、w7、w8和w9分别为x1、x2、x3、x4、x5、x6、x7、x8和x9所对应的权重设置。

分别获取隧道在当前时刻下隧道变形强度的监测数据，将当前时刻的隧道变形监测数据输入至预测模型中，得到预设时刻的隧道变形强度的预测数据。

将隧道变形强度的预测数据与对应的权值进行加权求和后，计算得到预设时刻的隧道变形强度，并判断预设时刻的隧道变形强度是否超过预警阈值。

步骤S4中，所述训练模型包括以下步骤：

H1、获取隧道在预设时段内变形强度的多组监测数据，对多组监测数据进行预处理；

H2、由预处理后的监测数据构成数据集，按照预设比例将所述数据集划分为训练集和测试集；

H3、构建GCN-DE-LSTM模型，通过训练集和测试集对GCN-DE-LSTM模型进行训练和测试，得到预测模型；

如图2所示，所述构建CN-DE-LSTM模型先用图卷积神经网络(GCN)于进行特征提取，建立各观测点之间的直接连接或间接连接，包括；

H3.1、矩阵W：矩阵中包括观测点的变形、钢支撑内力、地面沉降、地下裂隙、混凝土内力、围岩压力、掌子面信息、掌子面节理信息和观测点分布的长期数据；

H3.2、节点的度为：L

H3.3、邻接矩阵的值为：L

H3.4、图像算子为：L(G)＝C

H3.5、拉普拉斯处理如下：

式(二)中，A为L(G)的特征值；I＝U

式(三)中，

H3.6、图圈积处理：

g*x＝U(U

式(四)中，U为L的特征矩阵，U

H3.7、图卷积在傅里叶域上，如下：

U

g

g

替代L的特征值如下：

式(五)中，

H3.8、归一化处理如下：

则图卷积的表达式，如下：

式(六)中，σ为激活函数，H为x对应，W为θ的对应；

所述各观测点的特征提取后，作为一个新的集合，重复上述步骤H即可对相似观测点进行总结归纳，即建立观测点之间的连接；

将建立连接的数据代入LSTM模型中，所述LSTM模型包括四个状态，四个状态分别为：输出值的时刻值、输出值的时刻值前置值、记忆神经元状态的时刻值和记忆神经元状态的前置值，且均包括三个门：输入门、输出门和遗忘门，如图3所示；

所述LSTM模型实现对时间序列的依赖建模，其原理步骤如下：

C1、定义单个神经元的输入公式如下：

x

式(七)中，x

C2、对网络中由人工经验确定并输入的迭代次数、学习率、隐含层神经元节点数的超参数进行寻找，通过差分进化算法对超参数进行寻找；

所述差分进化算法的步骤如下：

C2.1、初始化种群

式(八)中，x

式(九)中，

C2.2、差分变异

V

式(十)中，r1和r2为处于1-NP之间的随机数，F为缩放因子，g表示第g代；

C2.3、交叉

式(十一)中，CR为交叉概率；

C2.4、贪婪选择

C2.5、为了优化缩放因子，在算法中加入自适应变异算子，如下：

F＝F

式(十二)中，F

所述监测装置包括：

数据处理模块：用于通过小波分析法对每个监测点原始时间序列中涉及的随机误差和干扰因素进行消噪，并对数据进行标准化、归一化处理；

熵权法处理模块：用于将几个不同监测点相同类型的去噪时间进行序列融合，最终融合为相应监测指标的一个子序列；

预测模块：用于收集前时刻下隧道变形的监测数据，将当前时刻的隧道变形监测数据输入预测模型，得到预测模型对预设时刻隧道变形的预测结果；

判断模块：用于将隧道变形的预测数据与对应的权值进行加权求和后，计算得到预设时刻的隧道变形强度，并判断预设时刻的隧道变形强度是否超过预警阈值。

用于存储计算机程序；所述处理器用于执行所述计算机程序时实现数据融合的隧道监测方法的步骤。

所述计算机程序被处理器执行时实现数据融合的隧道监测方法的步骤。

通过GCN-DE-LSTM模型从时间序列中学习到不同层次的特征表示，以更全面地表达序列中的信息，并更好地处理序列的趋势、周期性和噪声，从而提高了对未来隧道变形监测数据的预测精度，同时，采用熵权法和加权融合法确定各种监测数据的权重占比，计算隧道变形强度并实现隧道变形强度的提前预报，从而帮助道路管理部门进行相应管制措施，减小隧道变形风险对道路交通的影响，可有效提升隧道变形数据预测的精确性，为隧道交通管理提供重要的预警和决策支持。

传感器监测：在隧道结构的桩基、钢支撑等关键位置安装应变监测传感器，实时监测并记录变形数据；卫星遥感监测：通过卫星图像以及遥感技术，远程监测地面沉降情况，结合GPS定位等技术获取变形数据；微震监测：通过在隧道附近埋设微震监测仪器，观测地下水位变化以及裂隙扩展情况，提供隧道内部环境变化的实时数据。

GCN特征提取：通过图卷积神经网络(GCN)从传感器监测数据中提取特征，建立各观测点之间的直接或间接连接关系图，捕获隧道变形的关联性，DE超参数寻优：通过差分进化算法(DE)对模型的超参数进行寻优，以进一步提高预测的精度和准确性；LSTM模型应用：将与之前建立联系的数据引入长短期记忆(LSTM)模型中，进行序列预测分析，实现对隧道变形过程的预测并完成操作。

通过终端设备和可读存储介质用于展示监测结果及长期保存数据，能有效预防事故、提高隧道运营安全水平，并为维护和管理提供重要参考依据。

如图4所示，一种数据融合的隧道监测方法的监测设备(800)，所述监测设备(800)包括处理器(801)、存储器(802)、多媒体组件(803)、I/O接口(804)和通信组件(805)，所述监测设备(800)的整体操作通过处理器(801)控制，用以完成上述的隧道变形监测预警方法中的全部或部分步骤。

所述存储器(802)用于存储各种类型的数据以支持在监测设备(800)的操作，这些数据可以包括用于在监测设备(800)上执行的任何应用程序或方法的指令，以及应用程序相关的数据，该存储器(802)可以由任意类型的存储设备或者任意类型存储设备的组合实现，例如内部存储器/内存(RAM)，外部存储器/磁盘存储器：包括硬盘驱动器(HDD)和固态驱动器(SSD)，闪存存储器：包括USB闪存驱动器、闪存卡等，光盘存储器：如CD、DVD、蓝光光盘等。

所述多媒体组件(803)包括显示器和音频组件，其中显示器例如可以是触摸屏，音频组件用于输出和/或输入音频信号，所接收的音频信号可以被进一步存储在存储器(802)中或通过通信组件(805)发送。

所述I/O接口(804)处理器(801)和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等，这些按钮可以是虚拟按钮或者实体按钮。

所述通信组件(805)用于该隧道变形预警设备(800)与其他设备之间进行有线或无线通信；无线模块：如Wi-Fi模块、蓝牙模块和移动通信模块(如4G、5G模块)，用于实现无线数据通信和互联功能；网络接口：如以太网口、USB接口和串口等，用于连接设备与网络或其他外部设备进行有线通信。

监测设备(800)可以将数字信号处理设备、数字信号处理器、可编程逻辑器件、现场可编程门阵列、专用集成电路、控制器、微处理器、微控制器等电子元件用于执行上述的隧道变形监测预警方法。

一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时，实现上述的隧道变形监测预警方法的步骤，例如，该计算机可读存储介质可以为上述包括程序指令的存储器(802)，上述程序指令可由处理器(801)执行以完成上述的隧道变形监测预警方法。

可读存储介质包括但不仅限于磁性介质：包括磁带、磁盘和软盘等，光学介质：包括CD、DVD和蓝光光盘等，闪存介质：包括USB闪存驱动器、闪存卡、固态硬盘(SSD)等，云存储：通过互联网将数据存储在远程服务器上。

隧道变形数据监测用以下方法：传感器监测：在隧道结构的桩基、钢支撑等关键位置安装应变监测传感器，实时监测并记录变形数据，卫星遥感监测：通过卫星图像以及遥感技术，远程监测地面沉降情况，结合GPS定位等技术获取变形数据，微震监测：通过在隧道附近埋设微震监测仪器，观测地下水位变化以及裂隙扩展情况，提供隧道内部环境变化的实时数据。

对原始监测数据进行去噪处理；将所得到的数据进行标准化、归一化处理，根据原始监测数据的类型，生成对应的多个子序列T1，T2，……，Tp，任一子序列由来自各个监测点位的相同类型的监测数据构成；对处理后的数据使用加权融合法进行加权融合。

隧道变形预警实施方法：GCN特征提取：通过图卷积神经网络(GCN)从传感器监测数据中提取特征，建立各观测点之间的直接或间接连接关系图，捕获隧道变形的关联性。DE超参数寻优：利用差分进化算法(DE)对模型的超参数进行寻优，以进一步提高预测的精度和准确性，LSTM模型应用：将与之前建立联系的数据引入长短期记忆(LSTM)模型中，进行序列预测分析，实现对隧道变形过程的预测并完成操作。

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。