一种隧道涌水量智能监测系统及预警方法与流程

本发明涉及隧道工程，尤其涉及一种隧道涌水量智能监测系统及预警方法。

背景技术：

1、随着铁路和公路建设范围的扩大，不良地质条件的隧道数量逐渐增多，如断层破碎带、岩溶等。这些隧道的施工和运营存在较高的安全风险，因为地下水的影响可能导致突涌水和排水管道堵塞等问题，为了降低安全风险，需要实时监测隧道地下水排放量，并对地下水量的变化趋势进行分析，以识别可能存在的风险。然而，如何实现实时监测隧道地下水量是一个难题，需要隧道技术人员解决。

2、在隧道建设过程中，隧道涌水不仅会延误施工进程，还会增加施工成本，同时还会影响隧道的稳定性和安全性，这种情况会导致地下水位的下降，进而对附近的生态环境产生负面影响，最严重的情况是隧道涌水可能会对隧道的正常运营环境造成破坏，从而使隧道无法正常使用，隧道施工过程中由于涌水量的不断变化，施工现场的安全风险也在不断变化，施工人员需要不断采取安全措施保障自身安全。

3、目前，通常采用人工监视隧道涌水量来进行人工手动预警，人工手动监视存在的问题是：人工监测费时费力；对于突发状况无法及时应对，监测数据较为分散；监测人员得到的数据具有滞后性，无法及时掌握施工隧道实时状况。

技术实现思路

1、本发明针对上述技术问题提供一种隧道涌水量智能监测系统及预警方法，对隧道施工涌水量进行长期实时监测，通过机器学习算法对隧道内涌水量数据的变化趋势做出预测，并进行分级预警，保证隧道施工的有序正常进行。

2、本发明解决其技术问题所采用的技术方案是：

3、一种隧道涌水量智能监测系统,包括多源实时监测单元和预警单元，所述多源实时监测单元包括湿度传感器、流量传感器、水位传感器、应力传感器、地下水压力传感器和雨量传感器；所述预警单元包括数据监测模块、数据储存模块、预测分析模块和预警模块；

4、所述湿度传感器用于监测隧道不同里程的湿度；

5、所述流量传感器用于监测隧道内涌水流量变化；

6、所述水位传感器用于监测隧道内地下水位变化；

7、所述应力传感器用于监测隧道内围岩应力变化；

8、所述地下水压力传感器用于监测隧道内地下水位变化；

9、所述雨量传感器用于监测隧道内涌水流量变化；

10、所述数据监测模块为监测传感器通过天线将信号无线传输至洞口基站，基站将信息上传至计算机端的数据储存模块中；

11、所述预测分析模块通过critic算法用于对样本数据进行预处理；将预处理后的隧道涌水变量数据与地质环境信息编码带入lstm模型及lightgbm模型，对预测模型进行训练，将两种模型的输出值进行加权，最终得到隧道环境时序数据下一时刻的预测值。

12、所述预警模块针对不同涌水量的数据进行分级预警，所述分级预警包括蓝色预警、橙色预警、黄色预警和红色预警。

13、所述critic算法的步骤如下：

14、s1、u个样本和v个指标的第i个对象的第j个指标的取值为xij，构成原始样本数据矩阵x＝(xij)uxv；

15、s2、通过z-score方法将x中的各指标值标准化，得到标准化矩阵如下：

16、

17、式(一)中，和sj分别为第j个指标的均值和标准差；

18、s3、和sj的的计算公式如下：

19、

20、

21、s4、计算各指标的变异系统vj，如下：

22、

23、式(二)中，vj为第j个指标的变异系数；

24、s5、计算标准化矩阵x*各指标的相关性系数，得到相关系数矩阵如下：

25、r＝(rkl)v×v(k＝1,2,…,v；l＝1,2,…,v)(三)

26、式(三)中，rkl为第k和l个指标间的相关系数；

27、s6、计算反映各指标独立程度的系数：

28、

29、最后计算各指标权重：

30、

31、得到最终样本矩阵xf：

32、

33、所述将预处理后的隧道涌水变量数据与地质环境信息编码带入lstm模型及lightgbm模型，对预测模型进行训练的步骤如下：

34、h1、对隧道掌子面挖掘的地质环境特征进行分析，将地质环境信息进行编码操作；

35、h2、预处理好的特征矩阵变量数据与地质环境信息编码，通过滑动窗口算法转为监督学习数据，根据现场实际施工情况，设置一个预警时间步长为30分钟，通过t时刻的数据，分别预测t+1时刻(即30分钟后)隧道涌水量数据；

36、h3、将隧道目前挖掘的掌子面所处的围岩等级、地质构造、是否发生掌子面涌水作为约束条件，进行编码操作，使得预警模型将地质环境信息转化为数据以便预测模型进行分析；

37、h4、对lightgbm和lstm模型分别求误差，利用误差倒数法将两个模型的预测结果进行加权组合，最终得到隧道环境时序数据下一时刻的预测值，加权公式如下：

38、f＝m1n1+m2n2

39、

40、

41、式(四)中，n1为lstm的预测值，n2为lightgbm模型的预测值，a1为lstm模型的误差，a2为lightgbm模型的误差，m1和m2分别为lstm模型和lightgbm模型的权重系数；

42、h5、计算涌水量变化速率如下：

43、

44、式(五)中，x真为t时刻隧道涌水量的真实值，为t+1时刻隧道涌水量的预测值；

45、h6、根据施工环境设置的阈值进行分级预警，如下：

46、当vt＜vmin时，为蓝色预警，不进行预警，工作人员正常施工；

47、当vmin＜vt＜vmed时，为橙色预警，工作人员正常施工，随时准备撤离；

48、当vmed＜vt＜vmax时，为黄色预警，掌子面人员立即撤离，后续人员有序撤离；

49、当vmax＜vt时，为红色预警，所有施工人员立即撤离，并立刻采取应急措施。

50、一种隧道涌水量智能监测预警方法，利用权利要去1-3任一项所述的一种隧道涌水量智能监测系统，该方法包括以下步骤：

51、p1、基于critic算法用于对隧道相关涌水数据进行预处理；

52、p2、将预处理后的隧道涌水变量数据与地质环境信息编码带入机器学习算法，对预测模型进行训练；

53、p3、将两种模型的输出值进行加权，最终得到隧道环境时序数据下一时刻的预测值

54、p4、基于预测结果进行分级预警，针对不同范围涌水量数据设立四个预警等级，蓝色预警、橙色预警、黄色预警和红色预警，不同预警等级设置不同预警值，对现场施工进行指导。

55、步骤p1中，所述隧道相关涌水数据包括隧道内环境湿度、涌水流量、地下水位、围岩应力、地下水渗透压力、隧道的地面和周边地区的降雨量。

56、本发明的有益效果是：

57、1.通过机器学习方法处理序列数据的优势，以隧道涌水相关因素历史数据与地质环境信息为训练数据，对隧道工作面的涌水量进行更准确、稳定的数据预测，通过涌水隧道智能预警系统对施工隧道进行实时涌水量监测，及时发送预警，疏散作业人员，以便现场及时采取应对措施，降低事故率，保障人员安全。

58、2.能够适用苛刻的施工环境，通过环境湿度、地下水位、围岩应力、地下水渗透压力、隧道的地面和周边地区的降雨量多源监测实现对隧道的全天候多源监测。