【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。