本發(fā)明屬于智能建造技術(shù)與工程結(jié)構(gòu)健康監(jiān)測，具體涉及一種基于學習模型的海底隧道沉管健康性預測方法。
背景技術(shù)：
1、在現(xiàn)代化基礎(chǔ)設(shè)施建設(shè)中，隧道作為重要的交通運輸和水利工程結(jié)構(gòu)，其長期安全與穩(wěn)定性至關(guān)重要。由于隧道結(jié)構(gòu)的復雜性和運行環(huán)境的多變性，如何有效監(jiān)測其健康狀況，提前發(fā)現(xiàn)潛在風險，已成為工程界面臨的重大挑戰(zhàn)。傳統(tǒng)的隧道健康監(jiān)測方法多依賴于人工巡檢和定期檢測，這種方法不僅耗時費力，而且在面對突發(fā)性結(jié)構(gòu)損傷時往往缺乏足夠的實時性和敏感性，難以滿足現(xiàn)代隧道工程的高安全性要求。近年來，隨著物聯(lián)網(wǎng)技術(shù)、傳感器技術(shù)和大數(shù)據(jù)處理技術(shù)的快速發(fā)展，智能結(jié)構(gòu)健康監(jiān)測系統(tǒng)應(yīng)運而生。該系統(tǒng)通過部署在隧道內(nèi)部的多種傳感器網(wǎng)絡(luò)，實時采集隧道結(jié)構(gòu)的各種環(huán)境和動力學等監(jiān)測數(shù)據(jù)。這些傳感器能夠在隧道結(jié)構(gòu)的關(guān)鍵部位進行24小時不間斷的監(jiān)測，為結(jié)構(gòu)健康狀態(tài)提供連續(xù)的數(shù)據(jù)支持。然而，面對如此多的傳感器監(jiān)測數(shù)據(jù)，如何對這些監(jiān)測數(shù)據(jù)進行有效的處理和分析來預測海底隧道沉管的健康性，是一個需要解決的技術(shù)問題。
技術(shù)實現(xiàn)思路
1、本發(fā)明主要為了克服現(xiàn)有技術(shù)的不足，提供了一種基于學習模型的海底隧道沉管健康性預測方法。
2、本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：
3、一種基于學習模型的海底隧道沉管健康性預測方法，包括以下步驟：
4、步驟1，獲取目標海底沉管隧道的監(jiān)測數(shù)據(jù)；監(jiān)測數(shù)據(jù)包括：管節(jié)間差異沉降數(shù)據(jù)、管節(jié)間差異位移數(shù)據(jù)、管節(jié)間張合量數(shù)據(jù)、節(jié)段間差異位移數(shù)據(jù)、節(jié)段間張合量數(shù)據(jù)、鋼筋腐蝕速率數(shù)據(jù)、混凝土電阻率數(shù)據(jù)以及結(jié)構(gòu)振動數(shù)據(jù)；
5、步驟2，對步驟1獲取的監(jiān)測數(shù)據(jù)，進行預處理和歸一化，形成時間序列數(shù)據(jù)集；
6、步驟3，以各類監(jiān)測數(shù)據(jù)作為指標，構(gòu)建隧道健康狀態(tài)的指標權(quán)重體系，根據(jù)專家經(jīng)驗評分，確定各類監(jiān)測數(shù)據(jù)的權(quán)重；
7、步驟4，根據(jù)步驟3得到的各類監(jiān)測數(shù)據(jù)的權(quán)重，進行數(shù)據(jù)加權(quán)融合，將加權(quán)融合后的監(jiān)測數(shù)據(jù)輸入深度學習模型，作為輸入和預測變量，訓練深度學習模型，該深度學習模型用于根據(jù)歷史監(jiān)測數(shù)據(jù)，來預測未來的趨勢數(shù)據(jù)；
8、步驟5，通過步驟4訓練好的深度學習模型預測得到未來的趨勢數(shù)據(jù)，將趨勢數(shù)據(jù)作為新的觀測數(shù)據(jù)，輸入貝葉斯模型計算未來損傷風險的概率。
9、在上述技術(shù)方案中，管節(jié)間差異沉降數(shù)據(jù)：通過位移傳感器獲得，布設(shè)在沉管隧道的管節(jié)間的接頭處；管節(jié)間差異位移數(shù)據(jù)：通過位移傳感器獲得，布設(shè)在沉管隧道的管節(jié)間的接頭處；管節(jié)間張合量數(shù)據(jù)：通過位移傳感器獲得，布設(shè)在沉管隧道的管節(jié)間的接頭處；節(jié)段間差異位移數(shù)據(jù)：通過位移傳感器獲得，布設(shè)在沉管隧道的節(jié)段間的接頭處；節(jié)段間張合量數(shù)據(jù)：通過位移傳感器獲得，布設(shè)在沉管隧道的節(jié)段間的接頭處；鋼筋腐蝕速率數(shù)據(jù)：通過耐久性傳感器獲得，布設(shè)在鋼筋上；混凝土電阻率數(shù)據(jù)：通過混凝土電阻率檢測傳感器獲得，布設(shè)在沉管隧道的管節(jié)的側(cè)墻上；結(jié)構(gòu)振動數(shù)據(jù)：通過加速度傳感器獲得，布設(shè)在沉管隧道的管節(jié)的側(cè)墻上。
10、在上述技術(shù)方案中，步驟2中，所述預處理，包括缺失值處理和異常值檢測與修正，以確保數(shù)據(jù)質(zhì)量和完整性。
11、在上述技術(shù)方案中，步驟2中，缺失值處理，包括：如果某時間點的監(jiān)測數(shù)據(jù)缺失率超過設(shè)定閾值，該時間點的數(shù)據(jù)將被刪除；如果采樣周期內(nèi)出現(xiàn)連續(xù)缺失值，選擇使用前面或后面第一個有效值填充缺失數(shù)據(jù)。
12、在上述技術(shù)方案中，步驟2中，異常值檢測與修正：采用基于z-score的方法進行異常值檢測，并對識別出的異常數(shù)據(jù)進行修正。
13、在上述技術(shù)方案中，步驟2中，歸一化處理是將所有數(shù)據(jù)縮放到[0，1]區(qū)間內(nèi)，以確保所有數(shù)據(jù)有相同的尺度。
14、在上述技術(shù)方案中，步驟3中，構(gòu)建隧道健康狀態(tài)的指標權(quán)重體系包含目標層和指標層兩個層次，其中，目標層代表了隧道健康評估中的四個主要維度，包括：結(jié)構(gòu)管節(jié)點間變形、結(jié)構(gòu)節(jié)點段間變形、鋼筋混凝土耐久性以及荷載響應(yīng)四個目標層；在每個目標層下，包括具體的指標，其中，結(jié)構(gòu)管節(jié)點間變形目標層包括管節(jié)間差異沉降、管節(jié)間差異位移和管節(jié)間張合量這三個指標；結(jié)構(gòu)節(jié)點段間變形目標層包括節(jié)段間差異位移和節(jié)段間張合量這兩個指標；鋼筋混凝土耐久性目標層包括鋼筋腐蝕速率和混凝土電阻率這兩個指標；荷載響應(yīng)目標層包括結(jié)構(gòu)振動這一個指標；
15、首先，對四個目標層進行專家經(jīng)驗評分，得到各個目標層的權(quán)重，四個目標層的總權(quán)重為1；然后對每個目標層下的指標進行專家經(jīng)驗評分，得到每個目標層下的各指標的權(quán)重，每個目標層下的所有指標的權(quán)重之和為1；最后，用目標層的權(quán)重乘以其下的指標的權(quán)重，得到指標的綜合權(quán)重，該綜合權(quán)重作為各指標的最終權(quán)重，即得到各類監(jiān)測數(shù)據(jù)的權(quán)重。
16、在上述技術(shù)方案中，步驟5中，貝葉斯健康狀態(tài)預測模型為：
17、；
18、其中，為在新的觀測數(shù)據(jù)的條件下，隧道結(jié)構(gòu)發(fā)生損傷b的后驗概率，該值用來衡量當前數(shù)據(jù)下未來損傷風險的概率；為在損傷b發(fā)生時，觀測數(shù)據(jù)出現(xiàn)的概率，即模型的似然函數(shù)；為結(jié)構(gòu)損傷的先驗概率，通過歷史數(shù)據(jù)和專家經(jīng)驗評估得出；為觀測到數(shù)據(jù)的總概率，根據(jù)實際監(jiān)測數(shù)據(jù)進行統(tǒng)計計算。
19、在上述技術(shù)方案中，步驟5中，計算健康狀態(tài)風險指數(shù)dri，其公式為：
20、；
21、根據(jù)計算的健康狀態(tài)風險指數(shù)dri，劃分預警等級，生成健康預警提示。
22、在上述技術(shù)方案中，生成的健康預警提示信息，通過可視化界面反饋給操作人員，便于及時采取維護和修復措施。
23、本發(fā)明的優(yōu)點和有益效果為：
24、本發(fā)明設(shè)計了一種基于學習模型的海底隧道沉管健康性預測方法，通過采集多種監(jiān)測數(shù)據(jù)，并設(shè)計了隧道健康狀態(tài)的指標權(quán)重體系，根據(jù)專家經(jīng)驗評分，確定各類監(jiān)測數(shù)據(jù)的權(quán)重；然后進行數(shù)據(jù)加權(quán)融合，將加權(quán)融合后的監(jiān)測數(shù)據(jù)輸入深度學習模型，作為輸入和預測變量，訓練深度學習模型，該深度學習模型用于根據(jù)歷史監(jiān)測數(shù)據(jù)，來預測未來的趨勢數(shù)據(jù)；將趨勢數(shù)據(jù)作為新的觀測數(shù)據(jù)，輸入貝葉斯模型計算未來損傷風險的概率。本發(fā)明結(jié)合了貝葉斯推理與深度學習模型，能夠準確預測隧道結(jié)構(gòu)的短期健康狀態(tài)變化，通過貝葉斯模型量化損傷發(fā)生的概率，并結(jié)合健康狀態(tài)風險指數(shù)（dri）進行分級預警提示，能夠提前預防潛在風險。
1.一種基于學習模型的海底隧道沉管健康性預測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于學習模型的海底隧道沉管健康性預測方法，其特征在于：管節(jié)間差異沉降數(shù)據(jù)：通過位移傳感器獲得，布設(shè)在沉管隧道的管節(jié)間的接頭處；管節(jié)間差異位移數(shù)據(jù)：通過位移傳感器獲得，布設(shè)在沉管隧道的管節(jié)間的接頭處；管節(jié)間張合量數(shù)據(jù)：通過位移傳感器獲得，布設(shè)在沉管隧道的管節(jié)間的接頭處；節(jié)段間差異位移數(shù)據(jù)：通過位移傳感器獲得，布設(shè)在沉管隧道的節(jié)段間的接頭處；節(jié)段間張合量數(shù)據(jù)：通過位移傳感器獲得，布設(shè)在沉管隧道的節(jié)段間的接頭處；鋼筋腐蝕速率數(shù)據(jù)：通過耐久性傳感器獲得，布設(shè)在鋼筋上；混凝土電阻率數(shù)據(jù)：通過混凝土電阻率檢測傳感器獲得，布設(shè)在沉管隧道的管節(jié)的側(cè)墻上；結(jié)構(gòu)振動數(shù)據(jù)：通過加速度傳感器獲得，布設(shè)在沉管隧道的管節(jié)的側(cè)墻上。
3.根據(jù)權(quán)利要求1所述的基于學習模型的海底隧道沉管健康性預測方法，其特征在于：步驟2中，所述預處理，包括缺失值處理和異常值檢測與修正。
4.根據(jù)權(quán)利要求1所述的基于學習模型的海底隧道沉管健康性預測方法，其特征在于：步驟2中，缺失值處理，包括：如果某時間點的監(jiān)測數(shù)據(jù)缺失率超過設(shè)定閾值，該時間點的數(shù)據(jù)將被刪除；如果采樣周期內(nèi)出現(xiàn)連續(xù)缺失值，選擇使用前面或后面第一個有效值填充缺失數(shù)據(jù)。
5.根據(jù)權(quán)利要求1所述的基于學習模型的海底隧道沉管健康性預測方法，其特征在于：步驟2中，異常值檢測與修正：采用基于z-score的方法進行異常值檢測，并對識別出的異常數(shù)據(jù)進行修正。
6.根據(jù)權(quán)利要求1所述的基于學習模型的海底隧道沉管健康性預測方法，其特征在于：步驟2中，歸一化處理是將所有數(shù)據(jù)縮放到[0，1]區(qū)間內(nèi)。
7.根據(jù)權(quán)利要求1所述的基于學習模型的海底隧道沉管健康性預測方法，其特征在于：步驟3中，構(gòu)建隧道健康狀態(tài)的指標權(quán)重體系包含目標層和指標層兩個層次，其中，目標層代表了隧道健康評估中的四個主要維度，包括：結(jié)構(gòu)管節(jié)點間變形、結(jié)構(gòu)節(jié)點段間變形、鋼筋混凝土耐久性以及荷載響應(yīng)四個目標層；在每個目標層下，包括具體的指標，其中，結(jié)構(gòu)管節(jié)點間變形目標層包括管節(jié)間差異沉降、管節(jié)間差異位移和管節(jié)間張合量這三個指標；結(jié)構(gòu)節(jié)點段間變形目標層包括節(jié)段間差異位移和節(jié)段間張合量這兩個指標；鋼筋混凝土耐久性目標層包括鋼筋腐蝕速率和混凝土電阻率這兩個指標；荷載響應(yīng)目標層包括結(jié)構(gòu)振動這一個指標；
8.根據(jù)權(quán)利要求1所述的基于學習模型的海底隧道沉管健康性預測方法，其特征在于：步驟5中，貝葉斯健康狀態(tài)預測模型為：
9.根據(jù)權(quán)利要求8所述的基于學習模型的海底隧道沉管健康性預測方法，其特征在于：步驟5中，計算健康狀態(tài)風險指數(shù)dri，其公式為：
10.根據(jù)權(quán)利要求9所述的基于學習模型的海底隧道沉管健康性預測方法，其特征在于：生成的健康預警提示信息，通過可視化界面反饋給操作人員。