基于3DGIS+BIM技术的工程施工风险源实时监控及人工智能预测方法与流程

本发明属于土木工程施工领域，尤其涉及一种基于3dgis+bim技术的工程施工风险源实时监控及人工智能预测方法。

背景技术：

土木工程施工的风险源主要是指在建设过程中，对工程自身或周边区域环境产生重大影响的因素。如自然灾害风险(如暴雨、洪水、泥石流、飓风、地震等)、地质条件、周边环境影响、施工工艺和方法等。

位于城市中心地区的土木工程施工作业常见周边环境复杂，各种建筑物、地下管线多且对施工变形控制要求高。而土木工程中的地下工程更具有隐蔽性大、岩土物理力学参数不准确、施工技术复杂、作业空间有限、作业环境恶劣、施工周期长、不可预见风险因素多以及对社会环境影响大等特点，此外，由于对地下工程安全风险的认识不客观，风险管理不科学，风险管理的投入不到位等主观原因，地下工程建设中，事故频发，形势非常严峻。如2007年南京地铁发生地铁施工导致燃气管断裂，引起燃气泄漏发生爆炸引起大大火的事件；2008年杭州地铁发生基坑坍塌事故，造成21人死亡，10余人受伤。

随着我国城市化进程的快速发展，传统工程施工的经验型、事后型、人盯人的安全管理模式已无法应对，引入高效、智能化的安全风险预测及管理系统是必然趋势。

技术实现要素：

发明目的：针对以上问题，本发明提出一种基于3dgis+bim技术的工程施工风险源实时监控及人工智能预测方法。

技术方案：为实现本发明的目的，所采用的技术方案是：一种基于3dgis+bim技术的工程施工风险源实时监控及人工智能预测方法，具体包括以下步骤：

(1)采用3dgis+bim技术建立三维环境模型及bim施工管理平台；

(2)自动采集工程施工风险源数据，并上传到bim施工管理平台；

(3)在bim施工管理平台设定预警值；

(4)建立自适应灰色傅里叶指数预测模型；

(5)对工程施工风险源监控数据进行时间序列的实时预测。

步骤1具体包括：

(1.1)获取地形数据绘制三维地形模型；

(1.2)通过城市景观数据绘制三维城市模型；

(1.3)建立3dgis+bim施工管理平台。

步骤2具体包括：

(2.1)通过自动化监测系统，采集在外力作用下结构及环境的实时数据；

(2.1)实时数据回传3dgis+bim施工管理平台。

步骤3具体包括：

(3.1)建立风险源数据库，导入到3dgis+bim模型，纳入系统管理中，对风险源进行等级评估；

(3.2)在平台上设置预警线，监测数据超标会自动报警。

建立自适应灰色傅里叶指数预测模型对重大风险源时间序列进行预测，具体包括以下步骤：

(1)建模与流程预测；

(2)背景值改善；

(3)特定解转换；

(4)残差修正技术整合。

有益效果：与现有技术相比，具有如下优势：

(1)通过工程施工风险源实时监控及预测系统，强化了智能化的风险预警，实现对风险源的精准定位，基于数据分析有效判断风险源的安全稳定状态，从而能及时采取预防措施，以降低风险源危险性并规避施工风险，有效地防止事故发生，保障施工安全；

(2)通过自动化监测系统与3dgis+bim施工管理平台的搭接实现数据实时传输，为平台监测分析提供准确有效的数据来源；通过对数据的分析，形成动态的监测管理及风险预测；

(3)考虑传统模型难以实现对因系统不稳定而造成的不规律序列的理想预测，本发明通过背景值改善、特定解转换以及残差修正技术整合等方法优化灰预测模型的适应性，构建自适应灰色傅里叶指数预测模型，提升整体预测精度。

附图说明

图1是轨道交通工程施工重大风险源实时监控及人工智能预测方法示意图；

图2是轨道交通工程施工重大风险源实时监控方法流程图；

图3是预测模型运作示意图。

具体实施方式

下面结合附图和以轨道交通工程施工为实施例对本发明的技术方案作进一步的说明。

如图1所示是轨道交通重大风险源实时监控示意图，如图2所示是轨道交通重大风险源实时监控方法流程图，轨道交通重大风险源实时监控方法具体包括以下步骤：

(1)采用3dgis+bim技术建立三维环境模型及bim施工管理平台；

三维环境模型包含地形数据、城市景观数据、地质信息、地下管线信息以及项目内部信息。地理信息系统(gis)技术，建筑信息模型(bim)技术。

(2)重大风险源监控，并将数据上传到3dgis+bim施工管理平台；

采用自动监控手段对重大风险源数据进行实时采集。

(3)风险源管理；

对bim施工管理平台设定预警值，当监测数据超过预警值，系统自动亮显报警。

(4)建立自适应灰色傅里叶指数预测模型；

基于灰色系统理论，通过背景值改善，特定值转换以及残差修正技术整合等三个方法，建立自适应灰色傅里叶指数预测模型实现对重大风险源时间序列的预测。

背景值改善通过积分项的应用，消除传统背景值算式产生的误差；特定解转换通过建立基于预测曲线与实际数据离差最小化概念的gmm(1,1)模型以及基于强化最新信息概念的gmn(1,1)模型，拟合预测曲线；残差修正整合通过傅里叶级数以及指数平滑法修正序列的周期性残差与随机性残差，以增进预测模型的可靠度。

(5)对工程施工重大风险源时间序列进行预测。

基于自适应灰色傅里叶指数预测模型对所有的监测结果进行分析和处理，对工程施工风险源进行时间序列的实时预测。

步骤1具体实施方法如下：

(1.1)获取地形数据绘制三维地形模型；

(1.2)通过城市景观数据绘制三维城市模型；

(1.3)建立3dgis+bim施工管理平台。

步骤2具体实施方法如下：

(2.1)自动监控数据；

通过自动化监测系统，采集在外力作用下地铁隧道变化数据，数据通过光纤或网络自动实时传输给bim施工管理平台。所需监测项、监测方式及测点布设如表1所示。

表1

基于平台的自动化监测系统有如下优势：

①自动化：在进行一些初始化设置及给定监测计划后(如观测间隔、期数等)，能够严格按计划执行全自动观测，并自动记录原始数据。

②智能化：实现无人值守变形监测，并具有一定的适应环境和处理遇到问题的能力。如某期观测时恰逢某个监测点被挡，仪器不能读数，软件会自动控制测量机器人进行尝试测量若干次，若仍不行，则自行再隔一段时间重试，直到观测正常。

③成熟的数据处理方法：对采集的原始数据按照设定的数据处理模型进行后处理，去除测量过程中引入的各种误差，最后拟合反应出最符合实际变形的数据。

④数据存储和管理：采用sqlserver数据库技术对采集的大量原始观测数据进行存储和管理，以及对数据进行查询和分析。

⑤多样的成果输出：平台能对原始数据和分析处理后的数据进行报表，绘制变形过程曲线，并能将绘制的曲线图形进行打印输出。

⑥自动实时预警、报警：根据设定的限差对超过允许限差的变形点进行实时预警、报警，并显示变形超限的值。

步骤3具体实施方法如下：

(3.1)风险源管理；

根据设计单位提出的监控量测控制指标，将施工过程中监测点的预警状态按严重程度由小到大分为三级：黄色监测预警、橙色监测预警和红色监测预警。

①黄色监测预警：“双控”指标(变化量、变化速率)均超过监控量测控制值的70％时，或双控指标之一超过监控量测控制值的85％时；

②橙色监测预警：“双控”指标均超过监控量测控制值的85％时，或双控指标之一超过监控量测控制值时；

③红色监测预警：“双控”指标均超过监控量测控制值，或实测变化速率出现急剧增长时。

在构建的3dgis+bim模型中添加监测点的位置信息，可以通过模型对监测点快速定位，以便监测设备发生故障或不再满足监测精度要求时，能及时完成设备更换，保证监测数据的真实性。

(3.2)风险预警；

通过在平台上设置预警线，一旦监测数据超标，平台会自动提出报警。

预警信息列表显示了各个项目的监测点数量、红色预警数、橙色预警数、黄色预警数数目，可查看各个预警的详细报告。

步骤4和步骤5的具体实施如下：

通过建立自适应灰色傅里叶指数预测模型，对工程施工风险源进行时间序列的实时预测。下面具体说明模型建立以及分析计算过程。

(一)gm(1,1)的建模与预测流程

假设有一时间序列为x⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…，x⁽⁰⁾(n))，其为正数、等距的n个时间点上数据所组成。本发明以此时间序列为基础，说明gm(1,1)的建模与预测流程。

步骤1：对x⁽⁰⁾进行生成

原始序列x⁽⁰⁾的型态可能是凌乱的，难以看出其发展规律的数据。为了将其隐含的规律发掘出来，可透过许多生成技术将原始凌乱的序列进行一次或多次生成，以降低数据的随机性，并提升其规律性。其中，一次累加生成是gm(1,1)模型中最常用的一种技术，其运算为

其中，x⁽¹⁾＝(x⁽¹⁾(1)，x⁽¹⁾(2)，…，x⁽¹⁾(n))表示一次生成后的序列，此处代表一次累加生成后的序列。

步骤2：进行光滑比检验

为确保gm(1,1)模型建模与预测的精度与可靠性，建模序列必须确保有一定的光滑比ρ(k)，其公式为：

光滑比的结果需落于可行区间才能确保建模与预测的精度与可靠性。

步骤3：进行级比检验

级比检验的运算公式为：

同样的，级比检验的结果亦需落于可行区间才能确保预测模型的可接受度。

步骤4：对x⁽¹⁾作紧邻生成

在灰微分方程式中，x⁽¹⁾(t＝k)的值将会坐落于x⁽¹⁾(k-1)及x⁽¹⁾(k)之间(因为x⁽¹⁾(t)为单调递增函数)，因此可x⁽¹⁾(t＝k)将表示成：

z⁽¹⁾(k)＝αx⁽¹⁾(k)+(1-α)x⁽¹⁾(k-1)

其中，α∈[0,1]。一般来说，若无特定要求，可采紧邻均值生成的方式，即α＝0.5。

步骤5：估计gm(1,1)基本模型的参数

gm(1,1)模型的基本概念，就是利用灰微分方程拟合生成后的序列x⁽¹⁾，以进行后续的建模以及预测。灰微分方程为：

其中，α称为发展系数，称为灰输入量。然而，灰微分方程系为连续函数，必须透过借代的方式，利用灰差分方程，也就是gm(1,1)模型的影子方程，估计灰微分方程的参数，再代回灰微分方程建模。gm(1,1)模型的灰差分方程为：

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b

在gm(1,1)模型中，原始序列与生成序列均为离散序列，因此必须藉由借代的方式，用差分方程借代微分方程，其借代方式为：

x⁽¹⁾(t)＝z⁽¹⁾(k)

随后，利用灰差分方程以及最小平方法，即可得到基本模型的估计值。令：

可得：

步骤6：确定灰微分方程以及时间响应式

当a与b值决定后，带回灰微分方程式，并求其一阶线性微分方程式的一般解为：

gm(1,1)模型的初始条件设定在(1，x⁽¹⁾(1))，可得特定解为：

又称时间响应式。当1≤t≤n时，所得的结果称为模拟值；当t>n时，其结果称为预测值。因此，gm(1,1)的p步预测值为：

步骤7：求得x⁽¹⁾的模拟以及预测序列

将x⁽¹⁾的模拟与预测序列整理为：

到为gm(1,1)模型的模拟评估值；到为gm(1,1)模型的预测评估值。

步骤8：对进行逆生成以求得

利用逆生成的方式，将还原为为原始序列的模拟与预测序列。还原的方式为生成函数的逆函数。以一次累加生成为例，其逆生成即为逆一次累加生成的方法，即：

步骤9：检验误差

原始序列第k点的误差定义为：

ε＝(ε(2),ε(3),...,ε(n))

为误差序列，检验误差的准则包括：

①误差平方和：

s＝ε^tε

②相对误差：

③平均相对误差：

(二)背景值改善

背景值是gm(1,1)运算逻辑中影响预测精度重要的一环，其中α值的调整是背景值的关键参数。以下为改善gm(1,1)模型背景值的运算流程：

由于灰微分方程是一种指数函数，因此本实施例令x⁽¹⁾(t)为：

x⁽¹⁾(t)＝ae^bt+c

接着，将公式代入

可得：

将t等于k、k-1及k-2分別代入公式，可得：

x⁽¹⁾(k)＝ae^bk+c

x⁽¹⁾(k-1)＝ae^b(k-1)+c

x⁽¹⁾(k-2)＝ae^b(k-2)+c

计算可得：

b＝lnx⁽⁰⁾(k)-lnx⁽⁰⁾(k-1)

将b值代回公式，則可得a为

将a值与b值代入公式，并计算c值为：

最后，将b值与c值代入公式，可得改善后的背景值为：

将新的背景值代入gm(1,1)模型的运算逻辑中，即可得到改善后的gm(1,1)模型。为避免混淆，以下所称gm(1,1)均为改善后的gm(1,1)模型。

(三)特定解转换

如图3所示是显示gm(1,1)模型的运作概念，其中，x⁽¹⁾(1)到x⁽¹⁾(n)为原始序列的一次累加生成序列，为gm(1,1)模型主要的建模依据。由图中可看出，影响预测精度的关键点在于预测序列是否能落在可能区域。然而，由于系统发展的不稳定性，gm(1,1)模型不一定每次都能落在可能区域。

(四)残差修正技术整合

为有效掌握系统发展的脉动，本实施例除改善背景值、转换特定解外，亦整合残差修正技术，包括纳入傅里叶级数(fourierseries)修正灰色模型的周期性误差，以及使用指数平滑法(exponentialsmoothingtechnique)修正其余的随机性误差，并命名为efgmm(1,1)模型及efgmn(1,1)模型，以提升灰预测的自适性。

假设有一笔数据的时间序列为x⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…，x⁽⁰⁾(n))，本实施例以此为标的将efgmm(1,1)模型及efgmn(1,1)模型的运算逻辑说明如下。由于efgmm(1,1)模型与efgmn(1,1)模型运算逻辑的差异仅在残差序列的型态不同(efgmm(1,1)的残差序列有n笔数据，因其不以任何特定点作为特定解所在；efgmn(1,1)则是有n-1笔，因其以第n点作为特定解)，但并不影响演算的正确性，可弹性调整。为便于说明，以下以efgmm(1,1)模型为例。

步骤1：利用gmm(1,1)掌握系统发展趋势，并计算其残差；

利用gmm(1,1)模型计算出x⁽⁰⁾的一步预测值以及一次残差序列e′⁽⁰⁾为：

e′⁽⁰⁾＝(ε′⁽⁰⁾(1),ε′⁽⁰⁾(2),...,ε′⁽⁰⁾(n))

步骤2：利用傅里叶级数修正一次残差序列；

接著，利用傅里叶级数萃取出隐含在一次残差序列e′⁽⁰⁾中的周期性特质，即透过下列公式拟合一次残差序列e′⁽⁰⁾。

其中，t为一次残差序列e′⁽⁰⁾的长度，为n-1。最小平方法展开结果为：

c＝(p^tp)^-1p^te′⁽⁰⁾

其中：

可得一次残差模拟序列为：

傅里叶级数的概念在于将一次残差序列ε′⁽⁰⁾转换成频谱(frequencyspectra)，并萃取其低频率的部分。此外，傅里叶级数可筛出高频率的部分(即为噪音的部分)，对于一次残差序列的模拟有良好的效果，并可得到二次残差序列e″⁽⁰⁾为：

e″⁽⁰⁾＝(ε″⁽⁰⁾(2),ε″⁽⁰⁾(3),...,ε″⁽⁰⁾(n))

步骤3：利用指数平滑法修正二次残差序列；

接著，利用指数平滑法萃取出隐含在二次残差序列e″⁽⁰⁾中的随机性特质，即透过下列公式拟合二次残差序列e″⁽⁰⁾

其中，φ为平滑系数(smoothingcoefficient)，且0<φ<1。

本实施例在此藉由最佳化的技术求得与二次残差序列误差最小的平滑系数值，即求解下式的最小值。

可进一步分解为：

因此，可将最佳化函数写成：

得到最佳值之后，即可求得二次残差序列的一步预测值，为：

最后结合以上修正值，即可求得原始序列的一步预测值为：

以上所述的演算法即为一个循环，透过滚动的技术，可不断地预测以及修正系统发展的脉动。

本实施例建立两个新式的灰预测模型，分別为gmm(1,1)模型以及gmn(1,1)模型。

(1)gmm(1,1)模型

gmm(1,1)模型是利用最小平方法求解基于模拟序列与建模序列离差最小化的预测模型，此方式不以x⁽¹⁾上的任何分量作为初始条件，而是以序列模拟精度最佳化的角度进行预测，对预测精度的提升有相当的效益。

gmm(1,1)模型的演算逻辑如下，在此将待订系数值设为未知，并建立以下计算式：

以矩阵的方式表示则为：

令：

因此，利用最小平方法可计算出c的估计值为：

将代回公式可得到gmm(1,1)模型的时间响应式为：

因此，原始序列的一步预测值为：

透过上述公式的运作，即可得到基于建模数据离差最小化的灰色预测模型。

(2)gmn(1,1)模型

传统gm(1,1)模型是以序列x⁽¹⁾的第一个分量作为灰色模型的初始条件，然而这种方式对新信息的利用并不充分。若能以x⁽¹⁾的第n个分量作为初始条件，则新信息的利用就会较为充分，对序列的趋势掌握会较为精确，亦能大幅提升预测曲线落在可能区域的机率。鉴于此，gmn(1,1)模型则是将特定解设定在(n，x⁽¹⁾(n))上，也就是模拟序列中最新的一笔数值。

gmn(1,1)模型的演算逻辑如下。将初始条件(n，x⁽¹⁾(n))代入灰微分方程式的一般解内，即可得到gmn(1，1)模型的时间响应式为：

因此，亦可得到gmn(1,1)模型的1步预测值为：

因此，可进一步推导x⁽⁰⁾的1步预测值为：

根据上述公式的运作，即可得到基于初始条件在最新资料的灰色模型，以提升灰色模型对未来趋势的掌握能力。

gm(1,1)模型在众多文献上，均已正式为具有可靠性与实用性的预测模型。然而，从文献中亦可得知gm(1,1)模型对于非平稳系统发展序列的预测效果并不理想。通过对传统gm(1,1)模型背景值计算方式的改善，及转换特定解以增加落于可能区域的机率，改良后的gmm(1,1)模型或gmn(1,1)模型对于转折点的趋势掌握能力亦随之增加，再辅以残差修正等技术，则可有效地修正转折点的误差，以增进重大风险源监测数据的预测精度。

(五)对工程施工重大风险源时间序列进行预测。

基于自适应灰色傅里叶指数预测模型对所有的监测结果进行分析和处理，对工程施工风险源进行时间序列的实时预测。预测值超过预警值时，系统自动亮显报警。