基于探地雷达和GAN的盾构隧道壁后介质分布预测方法

基于探地雷达和gan的盾构隧道壁后介质分布预测方法
技术领域
1.本发明涉及隧道无损检测方法。
技术背景
2.现有的我国盾构隧道壁后注浆检测主要以探地雷达检测为主，通过探地雷达装置对注浆的厚度和密实均匀度进行检测。然而探地雷达的图像并不是地下结构的直接成像，其返回信号是电磁波的信号形成的图像，需要进行解析和说明。检测人员在隧道现场进行检查，对盾构隧道壁后注浆的探地雷达图像进行记录和识别。这种方法不仅检测速度慢，而且对检测人员的经验依赖性极强，有较大的主观性。
3.注：生成式对抗网络(gan,generative adversarial networks)是一种深度学习模型，可以通过对抗生成图像。
4.与现有技术相比，如果能够利用盾构隧道壁后注浆的探地雷达图像生成壁后介质分布图像，从而对可能出现的险情进行提前预测，为及时进行补充注浆提供宝贵的时间。


技术实现要素：

5.针对

背景技术：
提及的问题和需求，本发明目的在于提供一种应用于盾构隧道壁后注浆检测领域的壁后介质分布的生成方法。利用生成式对抗网络原理，在模型试验或者数值模拟中模拟盾构隧道壁后注浆并采集数据并构造数据集，使用数字信号处理方法进行预处理。使用处理以后探地雷达时域信号的数据集构造生成式对抗网络模型进行生成和对抗。最后向对抗形成的模型输入隧道实测的探地雷达数据，得到对应的介质图像，从而得到壁后介质分布的情况图。
6.本发明针对盾构隧道壁后注浆探地雷达图像难以识别的工程难点，利用生成式对抗网络gan原理，根据模型试验的数据集，经过预处理后对生成式对抗网络进行训练，建立二维探地雷达图像和盾构隧道介质分布的映射关系，向预测模型输入探地雷达模型试验采集而形成的图像，从而实现输出对盾构隧道壁后注浆病害的预测。
7.为实现上述目的，本发明提供的一种应用于盾构隧道壁后注浆检测领域机器学习预测方法，包括：
8.一种盾构隧道壁后注浆病害的预测方法，其特征在于，包括以下步骤：
9.s1、在盾构隧道中安装使用探地雷达进行信号和图像的采集。
10.s2、进行探地雷达壁后注浆的模型试验，采集已知注浆厚度的盾构隧道的探地雷达图像并构造对应的壁后介质分布图。
11.s3、对数据进行预处理后，得到数据样本集；建立基于探地雷达图像的生成式对抗网络gan的盾构隧道壁后介质分布的预测模型；
12.s4、对生成式对抗网络gan的计算参数进行优化。
13.s5、优化参数后的生成式对抗网络gan预测模型，实现对隧道壁后注浆的检测。
14.技术方案所带来的有益效果
15.本发明提供一种应用于盾构隧道壁后注浆检测领域的机器学习预测方法。利用生成式对抗网络原理，在模型试验中模拟盾构隧道壁后注浆并采集数据构造数据集，使用数字信号处理方法进行预处理。使用预处理后探地雷达时域信号的数据集构造生成式对抗网络。最后对盾构隧道壁后注浆探地雷达采集的探地雷达图像进行预测和识别。能有效解决了探地雷达检测壁后注浆数据难以解释的问题，并对注浆施工提供实时的反馈和指导。
附图说明
16.图1为s3中的生成式对抗网络的运算流程(图中：鉴别器＝判别器)
17.图2输入的探地雷达图像原始数据(样例)
18.图3输入的盾构隧道壁后注浆介质分布图像(多种工况示意样例)
19.图4为s33中的运算流程
具体实施方式
20.下面将结合具体实施例及其附图对本发明技术方案作进一步说明。结合下面说明，本发明的优点和特征将更加清楚。
21.需要说明的是，本发明的实施例有较佳的实施性，并非是对本发明任何形式的限定。本发明实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。本发明优选实施方式的范围也可以包括另外的实现，且这应被本发明实施例所属技术领域的技术人员所理解。
22.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限定。因此，示例性实施例的其它示例可以具有不同的值。
23.一种盾构隧道壁后注浆病害的预测方法，其特征在于，包括以下步骤：
24.s1、在盾构隧道中安装使用探地雷达进行信号和图像的采集。
25.s2、进行探地雷达壁后注浆的模型试验，采集已知注浆厚度的盾构隧道的探地雷达图像(如图2样例)并构造对应的壁后介质分布图(如图3样例)。
26.s3、对数据进行预处理后，得到数据样本集；建立基于探地雷达图像的生成式对抗网络gan的盾构隧道壁后介质分布的预测模型；
27.s4、对生成式对抗网络gan的计算参数进行优化。
28.s5、将实时采集的盾构隧道壁后注浆探地雷达图像输入s4优化参数后的生成式对抗网络gan预测模型，实现对隧道壁后注浆的检测。
29.所述的步骤s1具体包括以下步骤：
30.s11、使用探地雷达对正在施工的盾构隧道的盾尾的衬砌和壁后注浆进行扫描检测，探地雷达可选用商业雷达。频率、时窗可根据现场情况进行选定。探地雷达的位置尽量贴近管片，扫描时尽量避开盾构管片的螺栓和注浆孔。
31.s12、记录雷达扫描的位置和扫描路径，在计算机上采集探地雷达信号并标记每一道信号在扫描路径上对应的位置。
32.s13、将采集到的每一道雷达信号从0开始进行编号。
33.s14、将雷达信号与扫描位置对应，形成数据集。
34.所述的步骤s2具体包括以下步骤：
35.s21、选取盾构隧道管片和注浆浆液进行模型试验，按照管片与注浆的分布1：1制作模型，在同样的土壤中放置管片以及注入同样的浆液；
36.s22、根据工程地条件和工程经验，在模型试验中将壁后介质(注浆层、土)，分为空洞、不均匀注浆等；
37.s23、使用同样的探地雷达进行模型试验，对已知厚度分类的注浆层进行雷达扫描；
38.s24、记录雷达扫描的位置和扫描路径，在计算机上采集探地雷达信号并标记每一道信号在扫描路径上对应的位置的介质分布。
39.所述的步骤s3具体包括以下步骤：
40.s31、对s24中雷达数据样本(不包括介质分布)进行预处理，包括去漂移、巴特沃斯带通滤波、滑动平均、f-k偏移以及归一化等，最终得到雷达信号为[-1,1]之间的数据；
[0041]
s32、对于多次模型试验采集的雷达数据进行如s31的预处理后，形成样本集；所述样本集包括从探地雷达图像集{z1,z2,z3,...,zm}和从盾构隧道壁后介质分布图{x1,x2,x3,...,xm}数据集。
[0042]
s33、初始化生成函数g:rd→rn
和判别函数d(x):rn→
[0,1]，其中生成函数g:rd→rn
为卷积神经网络cnn，判别函数d(x):rn→
[0,1]为多层神经网络dnn；
[0043]
所述判别函数d(x):rn→
[0,1]可以是二分类神经网络(设为d2)或者多分类神经网络(设为d1)。整个模型的训练流程如图4所示。
[0044]
s34、gan的对抗博弈通过判别函数d(x):rn→
[0,1]和生成函数g:rd→rn
之间的目标函数的极大极小值来进行数学化的表示。迭代开始t＝1,从盾构隧道壁后介质分布图中选择样本点{x1,x2,x3,...,xm}数据集。从探地雷达图像集中选择对应的m个图像作为向量{z1,z2,z3,...,zm}。其中m为超参数，需要根据训练情况调整。
[0045]
s35、将s3.4中的z作为输入，获得m个生成的数据其中
[0046]
s36、按照如下公式1，对于每个样本{x1,x2,x3,...,xm}优化神经网络变量θd,更新生成器d(x)的参数来最大化判别函数的损失函数其中η也是超参数，需要尝试和调整。
[0047][0048][0049]
s37、按照如下公式2，优化神经网络变量θg,更新生成器d(x)的参数来最小化生成函数的损失函数其中η也是超参数，需要尝试和调整。
[0050]
[0051][0052]
s38、通过轮数为t＝1,2,...t的迭代，建立优化后的生成式对抗网络模型。
[0053]
所述的步骤s4包括：
[0054]
s41、将s1中采集的探地雷达数据进行预处理。预处理步骤同s31；
[0055]
s42、输入到s38已建立的优化后的生成式对抗网络模型中，得到壁后介质分布图像。