基于探地雷达检测和机器学习的盾构隧道壁后注浆厚度的预测方法技术

本发明专利技术公开一种基于探地雷达检测和机器学习的盾构隧道壁后注浆厚度的预测方法，利用XGboost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，对数据预处理后，构造XGBoost模型，编写预测模块盾构隧道壁后注浆探地雷达实时检测采集的探地雷达图像进行预测和识别。本发明专利技术的优点是更贴合盾构隧道壁后注浆的实际情况，能够对盾构隧道壁后注浆的探地雷达图像进行有效地预测，从而对可能出现的险情进行提前预测。现的险情进行提前预测。现的险情进行提前预测。

【技术实现步骤摘要】
基于探地雷达检测和机器学习的盾构隧道壁后注浆厚度的预测方法


[0001]本专利技术涉及一种盾构隧道壁后注浆检测领域，特别涉及一种基于探地雷达检测和机器学习的盾构隧道壁后注浆厚度的预测方法。

技术介绍

[0002]现有的盾构隧道壁后注浆的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均匀度进行检测。但是，探地雷达的图像并不是地下结构的直接成像，其返回信号是以电磁波信号形成的图像，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。这种检测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。因此急需基于机器学习的，对雷达图像进行快速有效准确的检测方法。这是本申请需要着重改善的地方。

技术实现思路

[0003]本专利技术所要解决的技术问题是要提供一种基于探地雷达检测和机器学习的盾构隧道壁后注浆厚度的预测方法。
[0004]为了解决以上的技术问题，本专利技术提供了一种基于探地雷达检测和机器学习的盾构隧道壁后注浆厚度的预测方法，包括如下的步骤：S1、在盾构隧道中使用探地雷达进行信号和图像的采集，将探地雷达信号与扫描位置对应，形成数据集；S2、模拟探地雷达盾构隧道壁后注浆的模型试验，对已知注浆厚度的盾构隧道的探地雷达图像进行采集，并构造数据集；S3、对数据进行预处理后，根据数据集特点，建立基于探地雷达图像的XGboost注浆厚度的预测模型；S4、对上述XGboost注浆厚度的预测模型的参数优化；S5、经参数优化后的XGboost注浆厚度的预测模型，预测盾构隧道壁后注浆探地雷达实时采集的探地雷达图像。
[0005]所述步骤S1包括以下步骤：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，所述探地雷达的位置贴近管片；S12、记录探地雷达扫描的位置和扫描路径，采集探地雷达的信号，并标记每一道信号在扫描路径上所对应的位置；S13、将采集到的每一道雷达信号从0开始进行编号；S14、将探地雷达信号与扫描位置对应，形成数据集。
[0006]所述步骤S2包括以下步骤：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，在相同的土壤中放置管片以及注入相同的浆液，边界条件处理放置吸波材料；S22、模型中注浆层的厚度根据工程地条件和工程经验，分为欠注浆、正常注浆和超注浆三种；S23、使用所述的探地雷达进行模型试验，对已知厚度分类的注浆层进行扫描；S24、记录雷达扫描的位置和扫描路径，采集探地雷达的信号，并标记每一道信号在扫描路径上所对应的位置，同时信号分为欠注浆、正常注浆和超注浆三类。
[0007]所述步骤S3包括以下步骤：S31、对模型试验和盾构隧道中采集的雷达信号进行数据预处理，数据预处理的步骤依次为去漂移、巴特沃斯带通滤波、滑动平均、F-K偏移和归一化，得到的雷达信号为[-1,1]之间的数据，并形成样本集；S32、对于预处理后模型试验采集的雷达数据，按照随机的方式将样本集分成训练样本集I、验证样本集和测试样本集；S33、根据训练样本集I，计算训练样本集I在当前轮的损失函数：；式中，为损失函数，为训练样本数，为对第个训练样本的损失，为训练样本的真实标签值，为第i个样本在第t-1次迭代时的强学习器预测值，为第i个训练样本在第t次迭代训练时的一个弱学习器函数，和为人工设置的系数，为叶子节点数，为第个叶子节点值；S34、根据训练样本集I，计算当前样本的经验损失函数基于前一个机器学习的一阶偏导数、二阶偏导数，并且求一阶偏导数和二阶偏导数之和：；式中，为损失函数，为落入第个叶子节点的训练样本集合，为第个样本的损失函数对第个样本的预测值的一阶偏导数，为第个样本的损失函数对第个样本的预测值的二阶偏导数，和为人工设置的系数，经验损失函数L是损失函数的一部分，即除去正则化的剩下部分；S35、通过轮数为t=1,2,...T的迭代，建立XGboost预测模型。
[0008]所述步骤S35包括以下步骤：S351、计算第个样本在经验损失函数基于的一阶导数和二阶导数，计算所有样本一阶导数的和、所有样本二阶导数的和，=1，2，
…
，；S352、基于当前节点尝试分裂决策树，对所有的特征k计算最大分数；
S353、基于最大对应的划分特征和特征值分裂子树；S354、如果最大为0，则当前决策树建立完毕，计算所有叶子区域的，为第t轮训练第j个叶子结点的值，得到弱学习器，更新强学习器，进入下一轮弱学习器迭代，如果最大不是0，则转到步骤S352继续尝试分裂决策树。
[0009]所述步骤S352包括以下步骤：S3521、令初始的最大分数，、；S3522、将样本按特征从小到大排列，依次取出第个样本，依次计算当前样本放入左子树后，左右子树一阶导数的和、二阶导数的和：，；，；式中，表示数值更新，为左子树的所有样本一阶导数的和，为右子树的所有样本一阶导数的和，为所有样本一阶导数的和，为左子树的所有样本一阶导数的和，为右子树的所有样本二阶导数的和，为所有样本二阶导数的和；和分别为第t轮第i个样本进入左子树的一阶导数和二阶导数；S3523、更新最大分数：。
[0010]所述步骤S4包括以下步骤：S41、在XGBoost算法训练时，引入K-fold交叉验证，估计分类器泛化误差，在仅拥有训练样本时评定不同参数下XGBoost算法的分类准确率；S42、采用网格搜索算法从不同增长方向并行搜索多维数组，确定网格搜索的参数。
[0011]所述步骤S42包括以下步骤：S421、根据经验确定需要搜索的参数的搜索范围；S422、设置搜索的参数的搜索步长；S423、对于网格上的每一组值，按照交叉验证的方法计算XGBoost的分类准确率；S424、将各组的分类准确率给出，据此确定最佳的参数值。
[0012]所述步骤S5包括以下步骤：S51、将S1中采集的探地雷达数据进行预处理，数据预处理的步骤依次为去漂移、巴特沃斯带通滤波、滑动平均、F-K偏移和归一化，得到的雷达信号为[-1,1]之间的数据；S52、将上述数据输入到已建立的XGboost预测模型中，得到注浆层厚度分类的预测值。
[0013]本专利技术的优越功效在于：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XGboost原理，对探地雷达图像进行快速、有效和较为准确的识别；与现有技术相比，本专利技术的预测方法更贴合盾构隧道壁后注浆的实际情况，能够对盾构隧道壁后注浆的探地雷达图像进行有效地预测，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，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
[0014]构成本申请的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术S1-S5的流程图；图2为本专利技术S3中的XGBoost模型的运算流程；图3为本专利技术S4中的网格参数搜索的示意图；图4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于探地雷达检测和机器学习的盾构隧道壁后注浆厚度的预测方法，包括如下的步骤：S1、在盾构隧道中使用探地雷达进行信号和图像的采集，将探地雷达信号与扫描位置对应，形成数据集；S2、模拟探地雷达盾构隧道壁后注浆的模型试验，对已知注浆厚度的盾构隧道的探地雷达图像进行采集，并构造数据集；S3、对数据进行预处理后，根据数据集特点，建立基于探地雷达图像的XGboost注浆厚度的预测模型；S4、对上述XGboost注浆厚度的预测模型的参数优化；S5、经参数优化后的XGboost注浆厚度的预测模型，预测盾构隧道壁后注浆探地雷达实时采集的探地雷达图像。2.根据权利要求1所述的基于探地雷达检测和机器学习的盾构隧道壁后注浆厚度的预测方法，其特征在于：所述步骤S1包括以下步骤：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，所述探地雷达的位置贴近管片；S12、记录探地雷达扫描的位置和扫描路径，采集探地雷达的信号，并标记每一道信号在扫描路径上所对应的位置；S13、将采集到的每一道雷达信号从0开始进行编号；S14、将探地雷达信号与扫描位置对应，形成数据集。3.根据权利要求1所述的基于探地雷达检测和机器学习的盾构隧道壁后注浆厚度的预测方法，其特征在于：所述步骤S2包括以下步骤：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，在相同的土壤中放置管片以及注入相同的浆液，边界条件处理放置吸波材料；S22、模型中注浆层的厚度根据工程地条件和工程经验，分为欠注浆、正常注浆和超注浆三种；S23、使用所述的探地雷达进行模型试验，对已知厚度分类的注浆层进行扫描；S24、记录雷达扫描的位置和扫描路径，采集探地雷达的信号，并标记每一道信号在扫描路径上所对应的位置，同时信号分为欠注浆、正常注浆和超注浆三类。4.根据权利要求1所述的基于探地雷达检测和机器学习的盾构隧道壁后注浆厚度的预测方法，其特征在于：所述步骤S3包括以下步骤：S31、对模型试验和盾构隧道中采集的雷达信号进行数据预处理，数据预处理的步骤依次为去漂移、巴特沃斯带通滤波、滑动平均、F-K偏移和归一化，得到的雷达信号为[-1,1]之间的数据，并形成样本集；S32、对于预处理后模型试验采集的雷达数据，按照随机的方式将样本集分成训练样本集I、验证样本集和测试样本集；S33、根据训练样本集I，计算训练样本集I在当前轮的损失函数：；
式中，为损失函数，为训练样本数，为对第个训练样本的损失，为训练样本的真实标签值，为第i个样本在第t-1次迭代时的强学习器预测值，为第i个训练样本在第t次迭代训练时的一个弱学习器函数，和为人工设置的系数，为叶子节点数，为第个叶子节点值；S34、根据训练样本集I，计算当前样本的经验损失函数基于前一个机器学习的一阶偏导数、二阶偏导数，并且求一阶偏导数和二阶偏导数之和：；式中，为损失函数，为落入第个叶子节点的训练样本集合，为第个样本的损失函数对...

【专利技术属性】
技术研发人员：谢雄耀，刘凤洲，曾里，周彪，石锦江，刘浩，
申请(专利权)人：济南轨道交通集团有限公司，
类型：发明
国别省市：