本发明涉及公路隧道领域,具体涉及一种公路隧道结构状态变化的预测方法及系统。
背景技术:
1、公路隧道是指专门为公路交通而设计和建造的隧道,公路隧道的主要目的是提供有效的交通通道,允许道路穿越山脉、穿越水域或通过城市等区域。公路隧道结构状态的预测在现代交通管理和隧道维护中越来越重要,对公路隧道结构状态的预测对于维护交通系统的安全、高效、可持续运营具有至关重要的意义。
2、目前,对于公路隧道结构状态变化的预测,主要使用各种传感器采集隧道结构状态的物理参数,包括振动传感器、温度传感器、湿度传感器、应变传感器等,这些传感器可以实时收集结构状态数据,提供关于结构健康状况的信息。但由于没有对采集的结构状态数据进行数据转换以及有效的预处理,导致基于结构状态数据进行的状态变化预测准确率过低,存在预测结果与实际状态偏差过大的问题,因此,为解决以上问题,需要一种新的公路隧道结构状态变化预测方法及系统,能够预先对原始采集的数据进行转换处理,提高预测结果准确率,为保证公路隧道结构安全提供了技术支撑。
技术实现思路
1、有鉴于此,本发明的目的是克服现有技术中的缺陷,提供公路隧道结构状态变化的预测方法及系统,能够预先对原始采集的数据进行转换处理,提高预测结果准确率,为保证公路隧道结构安全提供了技术支撑。
2、本发明的公路隧道结构状态变化的预测方法,包括如下步骤:
3、s1.采集隧道关键断面建设期和运营期的衬砌结构状态数据;
4、s2.对衬砌结构状态数据进行转换处理,得到转换后的结构状态数据;
5、s3.对转换后的结构状态数据进行预处理,得到处理后的结构状态数据;
6、s4.将处理后的结构状态数据划分为训练集和测试集,利用训练集和测试集对神经网络模型进行训练,得到训练好的神经网络模型;
7、s5.将采集到的衬砌结构状态历史数据输入到训练好的神经网络模型,输出未来n天隧道结构状态的预测结果。
8、进一步,所述衬砌结构状态数据包括围岩压力、喷射混凝土应力、钢架应变、纵向连接筋应力、初期支护与二次衬砌间的接触压力、二次衬砌内外侧混凝土应力、二次衬砌内外侧环向钢筋应力。
9、进一步,对衬砌结构状态数据进行转换处理,具体包括:将以频率形式表示的衬砌结构状态数据转换为以具体应力数值表示的衬砌结构状态数据。
10、进一步,根据如下公式对喷射混凝土应力进行转换处理:
11、ε=(f2-f2-a)*k*10-6*2.3*10-2;
12、其中,ε为喷射混凝土所受应力;f为喷射混凝土应变计当前时刻的频率;f为喷射混凝土应变计的初始频率;a为喷射混凝土应变计的第一标定参数;k为喷射混凝土应变计的第二标定参数。
13、进一步,所述预处理包括缺失值处理与归一化处理;
14、所述缺失值处理,具体包括:
15、对于时间间隔均为s,缺失值为xi+1的时间数据序列[x1,x2,x3,...,xi,xi+1,xi+2,...,xn],构造关于s与xi+1的线性插值函数:
16、xi+1=as+b;
17、其中,b=xi;
18、对线性插值函数进行求解,得到缺失值
19、所述归一化处理,具体包括:
20、根据如下公式将结构状态数据映射在[0,1]之间:
21、
22、其中,x′为结构状态数据归一化后的数据,x为结构状态数据;xmin为数据序列中的最小值;xmax为数据序列中的最大值。
23、进一步,所述神经网络模型采用双向两层lstm模型;所述两层lstm模型包括第一lstm层以及第二lstm层;第一lstm层的return_sequences设置为true;将第一lstm层每个时间步的输出作为第二lstm层时间步的输入。
24、进一步,使用dropout的正则化方法避免神经网络模型中的过拟合现象。
25、一种公路隧道结构状态变化的预测系统,包括数据采集单元、数据处理单元、状态预测单元;
26、所述数据采集单元,用于采集隧道关键断面建设期和运营期的衬砌结构状态数据;
27、所述数据处理单元,用于对衬砌结构状态数据进行转换处理,得到转换后的结构状态数据;对转换后的结构状态数据进行预处理,得到处理后的结构状态数据;
28、所述状态预测单元,用于将处理后的结构状态数据划分为训练集和测试集,利用训练集和测试集对神经网络模型进行训练,得到训练好的神经网络模型;将采集到的衬砌结构状态历史数据输入到训练好的神经网络模型,输出未来n天隧道结构状态的预测结果。
29、进一步,对衬砌结构状态数据进行转换处理,具体包括:将以频率形式表示的衬砌结构状态数据转换为以具体应力数值表示的衬砌结构状态数据。
30、进一步,所述神经网络模型采用双向两层lstm模型;所述两层lstm模型包括第一lstm层以及第二lstm层;第一lstm层的return_sequences设置为true;将第一lstm层每个时间步的输出作为第二lstm层时间步的输入。
31、本发明的有益效果是:本发明公开的一种公路隧道结构状态变化的预测方法及系统,通过对采集的衬砌结构状态数据进行原始频率数据向应力数据的转换与分析,得到具体应力数值表示的衬砌结构状态数据,进一步地对衬砌结构状态数据进行缺失值处理与归一化处理,接着利用处理后的数据对lstm神经网络模型进行训练,由训练好的lstm神经网络模型输出结构状态变化预测结果,本发明能够提高预测结果的准确率,为保证公路隧道结构安全提供了技术支撑。
1.一种公路隧道结构状态变化的预测方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的公路隧道结构状态变化的预测方法,其特征在于:所述衬砌结构状态数据包括围岩压力、喷射混凝土应力、钢架应变、纵向连接筋应力、初期支护与二次衬砌间的接触压力、二次衬砌内外侧混凝土应力、二次衬砌内外侧环向钢筋应力。
3.根据权利要求1所述的公路隧道结构状态变化的预测方法,其特征在于:对衬砌结构状态数据进行转换处理,具体包括:将以频率形式表示的衬砌结构状态数据转换为以具体应力数值表示的衬砌结构状态数据。
4.根据权利要求1所述的公路隧道结构状态变化的预测方法,其特征在于:根据如下公式对喷射混凝土应力进行转换处理:
5.根据权利要求1所述的公路隧道结构状态变化的预测方法,其特征在于:所述预处理包括缺失值处理与归一化处理;
6.根据权利要求1所述的公路隧道结构状态变化的预测方法,其特征在于:所述神经网络模型采用双向两层lstm模型;所述两层lstm模型包括第一lstm层以及第二lstm层;第一lstm层的return_sequences设置为true;将第一lstm层每个时间步的输出作为第二lstm层时间步的输入。
7.根据权利要求1所述的公路隧道结构状态变化的预测方法,其特征在于:使用dropout的正则化方法避免神经网络模型中的过拟合现象。
8.一种公路隧道结构状态变化的预测系统,其特征在于:包括数据采集单元、数据处理单元、状态预测单元;
9.根据权利要求1所述的公路隧道结构状态变化的预测系统,其特征在于:对衬砌结构状态数据进行转换处理,具体包括:将以频率形式表示的衬砌结构状态数据转换为以具体应力数值表示的衬砌结构状态数据。
10.根据权利要求8所述的公路隧道结构状态变化的预测系统,其特征在于:所述神经网络模型采用双向两层lstm模型;所述两层lstm模型包括第一lstm层以及第二lstm层;第一lstm层的return_sequences设置为true;将第一lstm层每个时间步的输出作为第二lstm层时间步的输入。