一种基于SVM和DS理论的渗漏水风险监测方法技术

本发明专利技术公开一种基于SVM和DS理论的渗漏水风险监测方法，包括：构建盾构隧道渗漏水三级风险监测参数体系，并获取实时监测数据；构建并训练SVM分类模型，基于实时监测数据，通过SVM分类模型获取二级风险监测参数的基本概率赋值；基于D‑S证据理论对二级风险监测参数的BPA进行证据融合，得到二级风险监测参数的风险等级隶属度；根据二级风险监测参数的风险等级隶属度获取盾构隧道渗漏水风险等级，并逆向计算相应的风险监测参数，完成盾构隧道渗漏水风险监测。本发明专利技术有效提高了隧道渗漏水风险监测的客观性和准确性，并且能够有针对性地进行风险控制，降低渗漏风险，保证地铁隧道安全运营。

【技术实现步骤摘要】
一种基于SVM和DS理论的渗漏水风险监测方法
本专利技术涉及渗漏水监测
，特别是涉及一种基于SVM和DS理论的渗漏水风险监测方法。
技术介绍
由于盾构隧道的特殊结构，在隧道运营过程中，在隧道自身及外部使用的影响下，其结构会出现各种病害，进而产生功能降低、威胁运营安全的风险。盾构隧道在服役期间存在的主要病害有渗漏水、裂缝、不均匀沉降、混凝土裂化、错台、螺栓失效等，在这些病害的相互作用下，各种病害会继续发展，进而对隧道的运营安全、服役寿命等产生重大影响。而在盾构隧道运营期的这些常见的病害中，渗漏水是发生概率最高和后果较严重的病害之一。据统计，因渗漏水原因导致危害的案例占所有类型危害的70％，其中渗漏水致使隧道无法正常使用占总的渗漏水危害案例的30％。且大多数的病害，如材质劣化、不均匀沉降会造成隧道结构的变形、破坏，最终产生渗漏水，严重的造成突水。因此应在确定各种不同病害的发生、发展机理及相互影响关系的基础上，实时监测运营期渗漏水风险，从而能够更好地控制风险，保证地铁安全运营。现阶段，我国的隧道渗漏水风险多集中于公路、铁路隧道中，且现有的风险监测方法定性成分较多，多依赖专家经验，主观性较强，监测数据不准确，且多采用单传感器所得证据进行风险监测，造成实际风险监测准确率低、误差大。因此，亟需一种客观、准确的渗漏水风险监测方法。
技术实现思路
本专利技术的目的是提供一种基于SVM和DS理论的渗漏水风险监测方法，以解决现有技术中存在的问题，能够客观、准确地进行隧道渗漏水监测。为实现上述目的，本专利技术提供了如下方案：本专利技术提供一种基于SVM和DS理论的渗漏水风险监测方法，包括如下步骤：构建盾构隧道渗漏水三级风险监测参数体系，并获取风险监测参数所对应的实时监测数据；构建并训练支持向量机SVM分类模型，基于实时监测数据，通过SVM分类模型获取二级风险监测参数的基本概率赋值BPA；基于D-S证据理论对二级风险监测参数的BPA进行证据融合，得到二级风险监测参数的风险等级隶属度；根据二级风险监测参数的风险等级隶属度获取盾构隧道渗漏水风险等级，并逆向计算相应的风险监测参数，完成盾构隧道渗漏水风险监测。优选地，构建并训练SVM分类模型的具体方法包括：获取带有类别标签的训练样本集和测试样本集，并对训练样本集和测试样本集进行归一化预处理；进行SVM核函数选取，并采用网格搜索法进行核函数的参数选取，完成SVM分类模型的训练；通过训练样本集对SVM分类模型进行训练，将测试样本集输入训练好的SVM分类模型，通过SVM分类模型的输出结果与实际类别标签值计算SVM分类模型的分类误差，通过分类误差与预设阈值进行比较，在所述分类误差大于预设阈值时，重新进行核函数的选取以及核函数参数的选取。优选地，SVM分类模型的分类误差通过均方误差MSE来定量化表示。优选地，二级风险监测参数的BPA获取方法包括：基于SVM分类模型获取二级风险监测参数所对应实时监测数据的类别标签；基于SVM分类模型所输出的实时监测数据的类别标签计算级风险监测参数的BPA，如式3所示：其中，m(j)是二级风险监测参数对风险等级j的BPA分配值，m(Θ)是二级风险监测参数对全集的BPA分配值，ET表示SVM分类模型的输出误差，pj表示SVM分类模型的输出结果，sj表示二级风险监测参数所对应实时监测数据实际的类别标签值，t表示风险监测参数的风险等级数量。本专利技术公开了以下技术效果：本专利技术通过构建三级渗漏水风险监测参数体系，并建立基于SVM和D-S证据理论的运营隧道渗漏水风险监测系统，基于监测数据集，采用SVM分类模型获取二级风险监测参数的基本概率分配，并进行DS融合，确定监测点的渗漏水风险等级，有效提高了隧道渗漏水风险监测的客观性和准确性。本专利技术根据渗漏水风险等级进行逆向计算，获取对应的风险监测参数，从而能够有针对性地进行风险控制，降低渗漏风险，保证地铁隧道安全运营。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术基于SVM和DS理论的渗漏水风险监测方法流程图；图2为本专利技术实施例所构建的渗漏水风险监测参数体系结构图；图3为本专利技术实施例SVM分类模型参数优化结果示意图；图4为本专利技术实施例SVM分类模型对训练集的预测结果；图5为本专利技术实施例SVM分类模型对测试集的预测结果；图6为本专利技术实施例对测试样本进行分类的MES；图7为本专利技术实施例风险监测参数的风险融合结果。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。参照图1所示，本实施例提供一种基于SVM和DS理论的渗漏水风险监测方法，包括如下步骤：步骤S1、构建盾构隧道渗漏水三级风险监测参数体系，并获取风险监测参数所对应的实时监测数据。具体包括：步骤S11、构建盾构隧道渗漏水三级风险监测参数体系：风险监测参数决定了风险监测的准确性，为了对盾构隧道运营期渗漏水风险进行准确监测，本专利技术渗漏水风险监测参数满足以下准则：可监测性、完整性、代表性、相对独立性、客观性。同时，在盾构隧道中，通常同时存在几种或者全部病害，其病害之间相互影响。一般情况下，材料的劣化、外部荷载作用会造成隧道结构的变形、破坏，最终产生渗漏水，严重的造成突水。因此，本专利技术三级风险监测参数体系包括4个二级风险监测参数Bb(b＝1,2,3,4)、11个三级风险监测参数Vi(i＝1,2,3,…,11)；二级风险监测参数包括：接头渗漏水(B1)、裂缝渗漏水(B2)、衬砌材料劣化程度(B3)、其他因素(B4)；其中，接头渗漏水(B1)所对应的三级风险监测参数包括：接缝宽度(V1)、管片错台量(V2)、封垫破损及老化率(V3)、螺栓失效率(V4)；裂缝渗漏水(B2)所对应的三级风险监测参数包括：裂缝面积(V5)，其中裂缝面积(V5)包括裂缝长度(V51)、裂缝宽度(V52)；衬砌材料劣化程度(B3)所对应的三级风险监测参数包括：管片剥落面积(V6)、衬砌强度降低比值(V7)、钢筋截面损失率(V8)；其他因素(B4)所对应的三级风险监测参数包括：土层含水率(V9)、管片差异沉降(V10)、拱顶土压力增大系数(V11)。步骤S12、盾构隧道渗漏水风险监测参数，进行相应监测数据的获取。步本文档来自技高网...

【技术保护点】
1.一种基于SVM和DS理论的渗漏水风险监测方法，其特征在于，包括如下步骤：/n构建盾构隧道渗漏水三级风险监测参数体系，并获取风险监测参数所对应的实时监测数据；/n构建并训练支持向量机SVM分类模型，基于实时监测数据，通过SVM分类模型获取二级风险监测参数的基本概率赋值BPA；/n基于D-S证据理论对二级风险监测参数的BPA进行证据融合，得到二级风险监测参数的风险等级隶属度；/n根据二级风险监测参数的风险等级隶属度获取盾构隧道渗漏水风险等级，并逆向计算相应的风险监测参数，完成盾构隧道渗漏水风险监测。/n

【技术特征摘要】
1.一种基于SVM和DS理论的渗漏水风险监测方法，其特征在于，包括如下步骤：
构建盾构隧道渗漏水三级风险监测参数体系，并获取风险监测参数所对应的实时监测数据；
构建并训练支持向量机SVM分类模型，基于实时监测数据，通过SVM分类模型获取二级风险监测参数的基本概率赋值BPA；
基于D-S证据理论对二级风险监测参数的BPA进行证据融合，得到二级风险监测参数的风险等级隶属度；
根据二级风险监测参数的风险等级隶属度获取盾构隧道渗漏水风险等级，并逆向计算相应的风险监测参数，完成盾构隧道渗漏水风险监测。


2.根据权利要求1所述的基于SVM和DS理论的渗漏水风险监测方法，其特征在于，构建并训练SVM分类模型的具体方法包括：
获取带有类别标签的训练样本集和测试样本集，并对训练样本集和测试样本集进行归一化预处理；
进行SVM核函数选取，并采用网格搜索法进行核函数的参数选取，完成SVM分类模型的训练；
通过训练样本集对SVM分类模型进行训练，将测试样本集输入训练好的SVM分类模型，通过S...

【专利技术属性】
技术研发人员：陈虹宇，吴贤国，王雷，曾铁梅，张浩蔚，吴霁峰，陈彬，王堃宇，张立茂，王帆，刘惠涛，刘洋，刘茜，邓婷婷，刘琼，杨赛，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42