基于高精度传感器和Transformer的隧道围岩变形预测方法技术

本发明专利技术公开了一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其通过高精度传感器获取施工过程中的变形数据，对异常数据进行清洗和填补，并提出一种Transformer模型，其不仅考虑了施工顺序对隧道变形的影响，还具有注意力模块，可以深度学习隧道掌子面附近横截面的变形与掌子面变形之间的高维相关性。本发明专利技术所提方法能够稳定传输监测数据、准确获取变形数据，同时能够有效地对围岩变形进行预测，对复杂不利地质条件下的岩石隧道工程施工具有重要的指导和参考价值，保证施工作业人员的人身安全以及施工单位的财产安全。的财产安全。的财产安全。

【技术实现步骤摘要】
基于高精度传感器和Transformer的隧道围岩变形预测方法


[0001]本专利技术涉及隧道工程领域
，具体涉及一种基于高精度传感器和Transformer的隧道围岩变形预测方法。

技术介绍

[0002]隧道施工时，由于各种地质灾害的出现会给隧道施工带来很大的难度，甚至会对施工作业人员的人身安全以及作业机械的质量安全造成严重威胁。因此，对隧道围岩进行变形预测可以有效保证隧道既安全又快速地施工。但由于隧道的围岩
‑
支护体系是一个十分庞大的动态系统，其力学性态不明确，变形机理及力学行为又十分复杂，并且在塌方、涌水、岩爆、泥石流等多种灾害地质条件下使用地球物理勘探、钻孔测量等方法精度较低，难度也较大，使得准确预测围岩的变形具有一定的挑战性。
[0003]而随着科学技术的进步，高精度传感器的出现为解决以上问题指出了一条正确的方向。目前，关于隧道变形的预测方法主要有灰色模型关联分析法、算法优化下的神经网络模型非线性分析方法、隧道监测信息反馈方法等。而灰色模型关联分析方法与隧道监测信息反馈方法在进行使用过程中需要耗费大量精力进行计算，且这些工作一定程度上还需要人工进行操作，难免会出现误差，且一旦改变其中某一个参数，则需要重新对这部分进行计算，费时费力。
[0004]神经网络是一种通过模拟人脑中神经元的运作方法对各类问题进行学习的计算系统，由相应的连接节点与单元层组成，能够应对难度较大的非线性问题。因此，本专利技术为了提高神经网络模型的分析精度，优化神经网络模型中的计算结构，更加切合隧道围岩变形过程分析，将基于高精度传感器获得的监测数据及时间序列作为样本写入输入层中，对不同隧道中的围岩变形都能起到很好的预测作用。

技术实现思路

[0005]针对上述存在的问题，本专利技术旨在提供一种基于高精度传感器监测数据和Transformer的隧道围岩变形预测方法，将基于高精度传感器获得的监测数据进行清洗和填补，通过计算得到围岩变形数据，将围岩变形数据和时间序列作为样本对Transformer模型进行测试和训练，进而准确预测隧道施工过程中的掌子面的变形情况。
[0006]本专利技术的核心思路是：以高精度传感器得到的隧道的围岩变形数据及时间序列作为训练样本，结合Transformer神经网络优秀的非线性计算能力对不同类型的隧道围岩变形进行预测。
[0007]为了实现上述目的，本专利技术所采用的技术方案如下：
[0008]一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其特征在于，包括以下步骤：
[0009]步骤1：在隧道开挖施工现场部署高精度传感器，监测隧道掌子面附近横截面的变形和掌子面的变形；
[0010]步骤2：在隧道中部署多个网关和中继装置，将高精度检测传感器采集到的监测数据传输到云服务器；
[0011]步骤3：云服务器收到监测数据后，采用近邻差值跳跃算法对监测数据进行异常数据检查和处理；
[0012]步骤4：采用改进的KNN算法对处理后的数据进行填补；
[0013]步骤5：根据填补后的数据计算围岩变形；
[0014]步骤6：构建Transformer神经网络模型；
[0015]步骤7：对建立的Transformer神经网络模型进行训练；
[0016]步骤8：将正在开挖的隧道围岩变形数据输入训练好的Transformer神经网络模型中进行预测，输出预测结果。
[0017]进一步地，步骤3的具体操作步骤为：
[0018]步骤31：获取传感器t时刻采集到的数据λ
t
；
[0019]步骤32：计算数据在t时刻的跳跃量
△
λ＝|λ
t
‑
λ
t
‑1|；
[0020]步骤33：判断|Δλ|≤λ是否成立，若是，则该数据为正常数据；若否，则该数据为异常数据的开始，删除该异常数据并将其置为空。
[0021]进一步地，步骤4的具体操作步骤包括：
[0022]若数据在t时刻缺失，k为近邻周期，则该时刻的填补数据Y
t
为：
[0023]Y
t
＝w1Y
t
‑
k/2
+
…
+w
k/2
Y
t
‑1+w
k/2
Y
t+1
+
…
+w1Y
t+k/2
[0024]其中，w为所占的权重，且0＜w1＜w
k/2
＜1。
[0025]进一步地，步骤5中计算的围岩变形值包括：
[0026]1)拱顶沉降C
i
[0027]C
i
＝d
i
sinβ
i
‑
d
0 sinβ0[0028]2)水平收敛H
i
[0029]H
i
＝d
i
cosβ
i
‑
d0cosβ0[0030]其中，i表示时间，d
i
、β
i
分别表示i时刻的激光距离和Y轴倾斜角，d0、β0分别表示初始时刻的激光距离和Y轴倾斜角。
[0031]进一步地，步骤6所构建的Transformer神经网络模型包括两个编码器层、两个解码器层、线性层、sigmoid函数、一个注意力模块和位置嵌入模块，所述编码层用于对输入的拱顶沉降和横截面的水平收敛两个维度的时间序列进行特征提取；解码器层用于对输入序列的特征进行解码；线性层和sigmoid激活函数用于对解码器层的输出进行处理；注意力模块采用点积注意力模块，用于捕获输入数据的全局时间相关性；位置嵌入模块用于分配表示岩石隧道施工的不同过程阶段的位置标签。
[0032]进一步地，所述点积注意力模块的输出计算公式为：
[0033][0034]其中，QK
T
表示query(Q)和key(K)之间的相关性，d
k
表示模型的特征维数。
[0035]进一步地，所述注意力模块采用多头注意力机制，且其头数设置为3。
[0036]进一步地，所述位置标签代表岩石隧道施工的不同过程阶段，将开挖
‑
结渣
‑
支架
阶段用标记值1表示、超前支护阶段用标记值2表示、喷射混凝土衬砌阶段用标记值3表示。
[0037]进一步地，步骤7中训练神经网络模型时采用均方误差函数作为损失函数，并采用teacher
‑
forcing方法对建立的Transformer神经网络模型进行训练，并采用Adam优化器，其初始学习速率为1
×
10
‑4，Patience设定为10。
[0038]进一步地，其特征在于，步骤1中的高精度传感器部署有四个，其中三个用于监测隧道掌子面附近横截面的变形，剩余一个传感器用于监本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其特征在于，包括以下步骤：步骤1：在隧道开挖施工现场部署高精度传感器，监测隧道掌子面附近横截面的变形和掌子面的变形；步骤2：在隧道中部署多个网关和中继装置，将高精度检测传感器采集到的监测数据传输到云服务器；步骤3：云服务器收到监测数据后，采用近邻差值跳跃算法对监测数据进行异常数据检查和处理；步骤4：采用改进的KNN算法对处理后的数据进行填补；步骤5：根据填补后的数据计算围岩变形；步骤6：构建Transformer神经网络模型；步骤7：对建立的Transformer神经网络模型进行训练；步骤8：将正在开挖的隧道围岩变形数据输入训练好的Transformer神经网络模型中进行预测，输出预测结果。2.根据权利要求1所述的一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其特征在于：步骤3的具体操作步骤为：步骤31：获取传感器t时刻采集到的数据λ
t
；步骤32：计算数据在t时刻的跳跃量
△
λ＝|λ
t
‑
λ
t
‑1|；步骤33：判断|Δλ|≤λ是否成立，若是，则该数据为正常数据；若否，则该数据为异常数据的开始，删除该异常数据并将其置为空。3.根据权利要求2所述的一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其特征在于，步骤4的具体操作步骤包括：若数据在t时刻缺失，k为近邻周期，则该时刻的填补数据Y
t
为：Y
t
＝w1Y
t
‑
k/2
+
…
+w
k/2
Y
t
‑1+w
k/2
Y
t+1
+
…
+w1Y
t+k/2
其中，w为所占的权重，且0＜w1＜w
k/2
＜1。4.根据权利要求3所述的一种基于高精度传感器和Transformer的隧道围岩变形预测方法，其特征在于，步骤5中计算的围岩变形值包括：1)拱顶沉降C
i
C
i
＝d
i
sinβ
i
‑
d
0 sinβ02)水平收敛H
i
H
...

【专利技术属性】
技术研发人员：代久生，张远，岳波，王新刚，吴新栋，张玉印，李钢，张栋，刘鹤冰，刘金山，许彦旭，宋战平，杨子凡，张玉伟，刘乃飞，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：