沉管隧道管节接头张合变形预测方法及系统

技术领域

本发明涉及由单独放到水底的构件装配成的隧道技术领域，具体涉及一种沉管隧道管节接头张合变形预测方法及系统。

背景技术

沉管结构大多为处于水下环境的半隐蔽结构，具有空间封闭、高度受限、纵深长、视线差等特殊性，一旦出现严重损伤或结构性能退化，会对整条沉管隧道的通行能力和安全性都造成不可估量的影响。其中管节接头作为整个隧道系统中最薄弱、受力最敏感的部位，在复杂的运营环境下，极易产生差异性沉降、张合及扭转等变形，管节接头张合变形过大会导致止水带破损、剪切键损坏、渗漏水等行为发生，严重威胁沉管隧道的运营安全。因此，开展沉管隧道接头张合变形预测研究，根据前兆信息采取相应的维护措施，对保障隧道的安全运维具有重要的意义。

目前，关于管节接头变形的研究主要采用模型试验和数值模拟等方法，但在实时性和精度上存在一定的限制。相比之下，机器学习模型具有强大的处理高维、非线性、复杂关系的能力，能够克服传统方法的局限性，并在工程变形预测中展现出良好的应用前景。然而，由于沉管隧道起步较晚和缺乏大规模监测数据等原因，机器学习模型在管节接头变形预测中的鲜有应用。

实践证明，利用历史序列来预测未来变形具有较高的可信度，这为张合变形预测研究提供了理论上的支撑。门控循环单元(GRU)是一种高效、轻量级的循环神经网络，具有较好的记忆能力和泛化能力，适用于各种时间序列预测任务。但已有研究表明该模型在参数选择上仍缺乏高效的方法。此外，受单项模型固有局限性及变形曲线高度非线性等影响，使得在采用单项模型进行变形预测时存在较大的预测误差。

发明内容

针对现有技术存在的不足，本发明提出一种沉管隧道管节接头张合变形预测方法及系统，可以准确预测沉管隧道管节接头张合变形，具体技术方案如下：

提供了一种沉管隧道管节接头张合变形预测方法，在第一种可实现方式中包括：

获取待预测管节接头的张合变形监测数据；

基于获取到的所述张合变形监测数据，通过训练好的变形预测模型预测待预测管节接头的初始张合变形预测数据；

根据所述张合变形监测数据和初始张合变形预测数据，确定误差数据；

基于所述误差数据，通过训练好的误差预测模型进行误差预测，得到误差预测数据；

根据所述误差预测数据对所述初始张合变形预测数据进行修正，得到沉管隧道管节接头的最终张合变形预测数据。

结合第一种可实现方式，在第二种可实现方式中，预测所述初始张合变形预测数据包括对所述张合变形监测数据进行前处理。

结合第二种可实现方式，在第三种可实现方式中，对所述张合变形监测数据进行前处理包括：异常值处理、插值处理和/或去噪处理。

结合第三种可实现方式，在第四种可实现方式中，采用三次样条插值法对所述张合变形监测数据进行插值处理。

结合第三种可实现方式，在第五种可实现方式中，采用奇异谱分析法对所述张合变形监测数据进行去噪处理。

结合第一种可实现方式，在第六种可实现方式中，所述变形预测模型为SSA-GRU模型。

结合第一种可实现方式，在第七种可实现方式中，所述误差预测模型为小波神经网络模型。

结合第一种可实现方式，在第八种可实现方式中，训练所述误差预测模型包括：

获取待预测管节接头的张合变形监测数据序列，并根据所述张合变形监测数据序列构建用于训练变形预测模型的训练集和测试集；

通过所述训练集对变形预测模型进行训练；

基于所述测试集，通过训练好的变形预测模型对待预测管节接头的张合变形进行预测，得到初始预测结果序列；

通过所述初始预测结果序列和张合变形监测数据序列确定误差序列，并根据误差序列构建用于训练误差预测模型的训练集和测试集；

通过所述用于训练误差预测模型的训练集对误差预测模型进行训练，得到训练好的误差预测模型。

结合第一种可实现方式，在第九种可实现方式中，对所述变形预测模型进行训练包括：对用于训练变形预测模型的训练集和测试集分别进行归一化处理。

结合第一种可实现方式，在第十种可实现方式中，还包括：

采用决定系数、平均绝对误差和/或均方根误差对模型的预测性能进行定量评价。

一种沉管隧道管节接头张合变形预测系统，包括：

数据获取模块，配置为获取待预测管节接头的张合变形监测数据；

初始预测模块，配置为基于获取到的所述张合变形监测数据，通过训练好的变形预测模型预测待预测管节接头的初始张合变形预测数据；

误差计算模块，配置为根据所述张合变形监测数据和初始张合变形预测数据确定误差数据；

误差预测模块，配置为基于所述误差数据，通过训练好的误差预测模型进行误差预测，得到误差预测数据；

数据修正模块，配置为根据所述误差预测数据对所述初始张合变形预测数据进行修正，得到沉管隧道管节接头的最终张合变形预测数据。

有益效果：采用本发明的沉管隧道管节接头张合变形预测方法及系统，基于采集到的待预测管节接头的张合变形监测数据，通过训练好的变形预测模型可以对待预测管节接头的张合变形进行准确预测。通过变形预测模型的预测结果和先前获取的张合变形数据可以确定变形预测模型的预测误差，并基于预测误差通过训练好的误差预测模型确定误差预测值，通过误差预测值对变形预测模型的预测结果进行修正，从而使预测结果更符合实际的张合变形监测情况，以大幅度减少单项模型的预测误差，具有更高的预测精度及鲁棒性，在考虑局部特征中也更具优势，能更好的描述接头张合变形趋势。

附图说明

为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍。在所有附图中，各元件或部分并不一定按照实际的比例绘制。

图1为本发明一实施例提供的沉管隧道管节接头张合变形预测方法的流程图；

图2为本发明一实施例提供的模型训练流程图；

图3为管节接头张合变形序列前处理结果示意图；

图4为SSA-GRU模型预测结果与传统GRU模型预测结果的对比示意图；

图5为WNN模型误差预测结果与实际值的对比示意图；

图6为SSA-GRU-WNN模型预测结果与SSA-GRU模型预测结果的对比示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。

如图1所示的沉管隧道管节接头张合变形预测方法的流程图，该预测方法包括：

步骤1、获取待预测管节接头的张合变形监测数据；

步骤2、基于获取到的所述张合变形监测数据，通过训练好的变形预测模型预测待预测管节接头的初始张合变形预测数据；

步骤3、根据所述张合变形监测数据和初始张合变形预测数据，确定误差数据；

步骤4、基于所述误差数据，通过训练好的误差预测模型进行误差预测，得到误差预测数据；

步骤5、根据所述误差预测数据对所述初始张合变形预测数据进行修正，得到沉管隧道管节接头的最终张合变形预测数据。

具体而言，首先，可以获取待预测管节接头的张合变形监测数据，该张合变形监测数据包括以往在不同时间点所采集到的待预测管节接头的张合变形数据。然后，可以根据所述张合变形监测数据，采用训练好的变形预测模型对待预测管节接头的张合变形进行预测，得到初始张合变形预测数据，该初始张合变形预测数据包括与所述张合变形监测数据中各不同时间对应的张合变形预测数据，以及未来时间点对应的张合变形预测数据。

之后，可以将获取到的张合变形监测数据中各个时间点对应的变形数据与预测得到的初始张合变形预测数据中各个时间点对应的变形预测数据相减，从而得到所述变形预测模型的误差数据。然后，可以将误差数据输入到训练好的误差预测模型中，得到未来时间点对应的误差预测数据。

最后，可以根据误差预测数据对张合变形预测数据中未来时间点对应的变形预测数据进行修正，得到沉管隧道管节接头的最终张合变形预测数据。从而大幅度减少单项模型的预测误差，使预测结果更符合实际的张合变形监测情况，具有更高的预测精度及鲁棒性，在考虑局部特征中也更具优势，能更好的描述接头张合变形趋势。

在本实施例中，可选的，在步骤2中，在将所述张合变形监测数据输入变形预测模型前，还可以对所述张合变形监测数据进行前处理。从而消除数据采集过程中存在的不确定影响，消除监测数据中存在的异常值、缺失值、噪声等问题。

在本实施例中，可选的，对所述张合变形监测数据进行前处理包括：异常值处理、插值处理和/或去噪处理，处理得到的结果如图3所示。

具体而言，在对张合变形监测数据进行前处理时，由于异常值通常具有偶然性与孤立性的特征，常以不连续的形式出现在监测数据时序中。所以，可以先采用专家主观判断和统计判断相结合的综合方法对张合变形监测数据中的异常值进行处理。然后，可以采用三次样条插值方法来填补数据空白，该方法操作简单，可以最大限度地保留原始数据的变化趋势。最后，可以采用奇异谱分析法对数据进行去噪，其优势在于不需要复杂的假设条件和先验信息，仅通过构造奇异值序列形成的奇异值谱，即可从原始序列中分解出具有独立信息的分量。一般噪声分量奇异值呈缓慢下降趋势。由于三次样条插值方法和奇异谱去噪均属于现有技术，其具体的方法步骤此处不再赘述。

在本实施例中，可选的，所述变形预测模型为SSA-GRU模型。具体的，由于麻雀搜索算法具有较强的全局寻优能力，能够获取GRU模型的最优参数，从而得到更好的预测结果。在本实施例中，可以采用SSA-GRU模型作为变形预测模型对沉管隧道管节接头的张合变形进行预测。

应理解，本实施例仅以SSA-GRU模型进行举例说明，但本发明并不仅限于此，还可以采用其他模型作为变形预测模型。如SSA-SVR模型、SSA-ELM模型、SSA-LSTM模型。

在本实施例中，可以采用时间点位于2019.03.01-2021.06.14范围内的数据点作为训练集分别对SSA-GRU模型和传统的GRU模型进行训练。在训练好SSA-GRU模型和GRU模型后，可以将时间点位于2021.06.15-2021.12.31范围的数据点作为测试集分别对SSA-GRU模型和GRU模型进行测试。基于测试集分别通过SSA-GRU模型和GRU模型进行预测，得到的预测结果如图4所示。从图4可以看出，SSA-GRU模型相比于传统的GRU模型，具有更好的预测效果。

结合表1中定量评价指标进一步分析，SSA-GRU模型得到了最优的结果，相较于GRU模型，R

表1

在本实施例中，可选的，所述误差预测模型为小波神经网络模型。

具体而言，在本实施例中，可以选择小波神经网络模型作为误差预测模型。小波神经网络(WNN)是一种融合了小波变换和人工神经网络的模型，它既充分利用了小波分析的局部化性能，又结合了神经网络的自学习能力等优点，在处理复杂数据、提取局部特征信息中具有突出的能力，在考虑局部特征中更具优势。

应理解，本实施例仅以小波神经网络进行举例说明，但本申请并不仅限于此，还可以采用模型作为误差预测模型，如AR模型、马尔科夫链模型等。

在本实施例中，可以将通过初始张合变形预测数据和张合变形监测数据计算得到的误差数据中以往各个时间点对应的误差值输入到小波神经网络模型中，小波神经网络模型即可得出未来时间点对应的误差预测结果。

在本实施例中，可选的，如图2所示，训练所述误差预测模型包括：

步骤S1、获取待预测管节接头的张合变形监测数据序列，并根据所述张合变形监测数据序列构建用于训练变形预测模型的训练集和测试集；

步骤S2、通过所述训练集对变形预测模型进行训练；

步骤S3、基于所述测试集，通过训练好的变形预测模型对待预测管节接头的张合变形进行预测，得到初始预测结果序列；

步骤S4、通过所述初始预测结果序列和张合变形监测数据序列确定误差序列，并根据误差序列构建用于训练误差预测模型的训练集和测试集；

步骤S5、通过所述用于训练误差预测模型的训练集对误差预测模型进行训练，得到训练好的误差预测模型。

具体而言，首先，可以将处理后张合变形监测数据序列划分成两组，即训练集和测试集。训练集用于拟合函数或训练模型，测试集用于验证所拟合函数的精度或模型的预测精度及泛化能力。

然后，采用训练集对SSA-GRU模型进行训练。其中，SSA-GRU模型包含两层GRU层和一层Dense层，优化器为Adam算法，损失函数为MSE。SSA-GRU模型训练的具体过程为：

(1)对训练集、预测集分别进行归一化处理，使其位于[-1，1]之间，使算法更容易收敛。在本实施例中，张合变形监测数据序列中时间点位于2019.03.01-2021.06.14范围内的数据点作为训练集，时间点位于2021.06.15-2021.12.31范围的数据点作为测试集。

(2)以训练集中的前6个时间点对应的张合变形数据为输入，后一时间点对应的张合变形数据为输出。

(3)初始化麻雀搜索算法参数，主要包括最大迭代次数、种群规模、发现者比例、安全值，Dropout层比率、隐含层神经元个数(两层)和学习率这四个参数的寻优范围等。

(4)每个麻雀个体代表SSA-GRU模型的参数，以预测输出值和实际输出值的均方误差作为麻雀搜索算法的适应度函数，计算所有麻雀的适应度值，找到当前全局最优解并确定其位置。

(5)更新发现者、加入者和预警者的位置，查看位置更新后的个体适应度值，确定最佳麻雀个体的位置；

(6)判断是否满足中止准则，即得到全局最优解或者满足最大迭代次数。若满足，则输出最佳麻雀位置作为Dropout层比率、隐含层神经元个数和学习率参数的最优值，反之，则继续执行步骤(5)。

之后，将训练将得到的最佳参数值用于SSA-GRU模型中，对接头张合变形的测试集进行预测，得到预测数据后再进行反归一化操作即可得到张合变形的初始预测结果序列，得到的初始预测结果序列如图4所示。

然后，将张合变形监测数据序列与初始预测结果序列进行相减，得到误差序列，并将误差序列划分为用于训练误差预测模型的训练集和测试集。

最后，采用误差序列的训练集对WNN模型进行训练，得到训练好的WNN模型。通过训练好的WNN模型对用于训练误差预测模型的测试集进行预测，得到的预测结果如图5所示。

之后将上述得到的误差预测结果与初始张合变形预测数据进行重构，得到的最终张合变形预测数据如图6所示。从图6可以看出，在对误差进行修正后，SSA-GRU-WNN模型的预测效果要优于SSA-GRU模型，更符合实际的张合变形监测数值，且在拐点处和变形序列后期阶段，可以更好的逼近张合变形值。

采用决定系数R

其中，

采用上述计算式计算得到的评价结果如表2所示。相较于SSA-GRU模型，SSA-GRU-WNN模型的R

表2

一种沉管隧道管节接头张合变形预测系统，包括：

数据获取模块，配置为获取待预测管节接头的张合变形监测数据；

初始预测模块，配置为基于获取到的所述张合变形监测数据，通过训练好的变形预测模型预测待预测管节接头的初始张合变形预测数据；

误差计算模块，配置为根据所述张合变形监测数据和初始张合变形预测数据确定误差数据；

误差预测模块，配置为基于所述误差数据，通过训练好的误差预测模型进行误差预测，得到误差预测数据；

数据修正模块，配置为根据所述误差预测数据对所述初始张合变形预测数据进行修正，得到沉管隧道管节接头的最终张合变形预测数据。

具体而言，预测系统是由数据获取模块、初始预测模块、误差计算模块、误差预测模块和数据修正模块组成。其中，数据获取模块可以获取待预测管节接头的张合变形监测数据。初始预测模块可以根据所述张合变形监测数据，采用训练好的变形预测模型对待预测管节接头的张合变形进行预测，得到初始张合变形预测数据。

误差计算模块可以将获取到的张合变形监测数据中各个时间点对应的变形数据与预测得到的初始张合变形预测数据中各个时间点对应的变形预测数据相减，从而得到所述变形预测模型的误差数据。误差预测模块可以将误差数据输入到训练好的误差预测模型中，得到未来时间点对应的误差预测数据。

数据修正模块可以根据误差预测数据对张合变形预测数据中未来时间点对应的变形预测数据进行修正，得到沉管隧道管节接头的最终张合变形预测数据。从而大幅度减少单项模型的预测误差，使预测结果更符合实际的张合变形监测情况，具有更高的预测精度及鲁棒性，在考虑局部特征中也更具优势，能更好的描述接头张合变形趋势。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。