基于人工智能的沉管隧道服役状态预测方法与流程

1.本发明涉及沉管隧道监测领域，具体涉及一种基于人工智能的沉管隧道服役状态预测方法。


背景技术：

2.沉管隧道的服役状态是指隧道建设完工后，正式投入使用并提供交通或其他服务的状态。在这个状态下，沉管隧道承担起连接两个地点、运输车辆、人员或其他资源的功能。在沉管隧道的服役状态下，相关机构负责隧道的日常管理和维护，以确保其安全、高效地服务于公众。
3.沉管隧道服役状态评价作为隧道安全运营养护的重要前提，通过对实测数据进行科学有效的处理并构建合适的模型，成为隧道结构在线评估预警的关键环节。但由于沉管隧道赋存环境与结构自身的复杂性，以及健康监测系统在隧道领域发展的滞后性，导致现有的监测数据不足，难以对在役沉管隧道服役状态进行准确有效的预测评估。因此，需要一种基于人工智能的沉管隧道服役状态预测方法，能够解决以上问题。


技术实现要素：

4.有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于人工智能的沉管隧道服役状态预测方法，能够获得海量的沉管结构相关数据，实现了对沉管隧道服役状态进行准确有效的预测评估。
5.本发明的基于人工智能的沉管隧道服役状态预测方法，包括：
6.构建三维精细化数值仿真模型；
7.提取数值仿真模型输出的在不同工况下的沉管结构数据，形成仿真数据库；
8.构建神经网络模型；
9.利用仿真数据库中的数据对神经网络模型进行训练，得到训练好的神经网络模型；
10.将沉管隧道监测数据输入到训练好的神经网络模型，输出沉管结构变形数据；
11.对沉管结构变形数据进行比较分析，得到沉管隧道服役状态预测结果。
12.进一步，构建三维精细化数值仿真模型，具体包括：
13.将沉管隧道的管节接头作为关键部件；
14.针对管节接头处的止水带，采用非线性弹簧单元模拟该材料的受压力学性能，根据不同型号止水带的荷载-压缩曲线进行参数设置；
15.针对管节接头处的剪力键，根据设计图纸完全还原剪力键的材料类型、内部构造及连接形式；
16.将沉管隧道变形姿态、地基参数、上覆荷载作为变量，拟定多变量耦合下的环境工况。
17.进一步，所述沉管隧道变形姿态包括压缩变形、水平错动、竖向错动、竖向弯曲、水
平弯曲、扭转。
18.进一步，所述沉管结构数据包括管节结构变形数据、剪力键变形数据及止水带变形数据。
19.进一步，所述管节结构变形数据包括管节xy方向的位移变化数据以及管节z方向的位移变化数据；
20.所述剪力键变形数据包括剪力键xy方向的位移变化数据以及剪力键z方向的位移变化数据；
21.所述止水带变形数据包括止水带xy方向的位移变化数据以及止水带z方向的位移变化数据。
22.进一步，利用仿真数据库中的数据对神经网络模型进行训练，得到训练好的神经网络模型，具体包括：
23.对仿真数据库中的数据进行预处理，得到处理后的数据；
24.对处理后的数据进行划分，得到划分后的数据；
25.对划分后的数据进行归一化处理，得到归一化后的数据；
26.将归一化后的数据输入到神经网络模型进行模型训练，调整神经网络模型中的各参数值，使得神经网络模型的目标误差达到目标要求，将达到目标要求的神经网络模型作为训练好的神经网络模型。
27.进一步，对仿真数据库中的数据进行预处理，得到处理后的数据，具体包括：
28.按照不同的管节进行逐一排查，将所有的数据全部绘制成折线图进行可视化，并筛选得到所有存在的跳变点数据；
29.将具有实际物理意义且位移值满足设定阈值的跳变点数据作为重点数据，将重点数据对应的管节和工况进行归类；
30.将仿真数据库中无任何意义的数据进行删除。
31.进一步，对处理后的数据进行划分，得到划分后的数据，具体包括：
32.将管节接头在所有对应工况下的现场监测数据作为神经网络模型的输入；
33.将管节接头在所有对应工况下剪力键xy方向的位移变化数据作为神经网络模型的第一输出；
34.将管节接头在所有对应工况下剪力键z方向的位移变化数据作为神经网络模型的第二输出；
35.将管节接头在所有对应工况下止水带xy方向的位移变化数据作为神经网络模型的第三输出；
36.将管节接头在所有对应工况下止水带z方向的位移变化数据作为神经网络模型的第四输出。
37.进一步，所述神经网络模型采用bp神经网络模型。
38.进一步，在神经网络模型训练过程中，根据如下方法设置各个参数：
39.初始迭代次数设置为1000，初始学习率设置为0.01，预测误差精度设置为0.01mm；
40.隐藏层节点个数根据如下公式确定：
41.42.其中，n为输入层节点数；l为隐藏层节点数；m为输出层节点数；a为0～10之间的常数。
43.本发明的有益效果是：本发明公开的一种基于人工智能的沉管隧道服役状态预测方法，面向沉管隧道实际运营状态结构安全在线评价与预警的需求，采用神经网络算法建立沉管隧道现场监测数据和数值仿真数据的驱动关系，“提前”建立沉管隧道服役状态数据库，该数据库可为结构评价与预警模型提供数据来源，保障了沉管隧道服役期结构安全评价数据来源的有效性及全面性，实现了可靠有效的在线评价与预警。
附图说明
44.下面结合附图和实施例对本发明作进一步描述：
45.图1为本发明的状态预测方法流程示意图；
46.图2为本发明的沉管隧道精细化建模示意图；
47.图3为本发明的管节结构输出信息测点示意图；
48.图4为本发明的剪力键及gina止水带输出信息测点示意图；
49.图5为本发明的神经网络模型训练过程示意图。
具体实施方式
50.以下结合说明书附图对本发明做出进一步的说明，如图所示：
51.本发明的基于人工智能的沉管隧道服役状态预测方法，包括如下步骤：
52.s1.构建三维精细化数值仿真模型；
53.s2.提取数值仿真模型输出的在不同工况下的沉管结构数据，形成仿真数据库；
54.s3.构建神经网络模型；
55.s4.利用仿真数据库中的数据对神经网络模型进行训练，得到训练好的神经网络模型；
56.s5.将沉管隧道监测数据输入到训练好的神经网络模型，输出沉管结构变形数据；其中，沉管隧道监测数据为采集到的实时现场监测数据，该监测数据包括沉管隧道变形姿态、地基参数、上覆荷载；神经网络模型输出管节接头处不同位置的变形数据，包括剪力键、止水带、结果关键部位等；
57.s6.对沉管结构变形数据进行比较分析，得到沉管隧道服役状态预测结果。
58.本发明针对沉管隧道运营特性及评价需求，尽可能考虑实际的运营条件下可获取的边界参数及地层参数等，面向沉管隧道关键部位管节接头建立三维精细化数值仿真模型；考虑沉管隧道变形姿态、地基参数变化、上覆荷载变化等因素为变量，拟定多因素耦合下的海量计算工况，保证计算工况足以覆盖沉管隧道在外部环境作用下的变化状态，提前建立数值仿真数据库；
59.再采用神经网络模型建立实际监测数据与仿真数据库的映射关系，以沉管隧道实际运营监测数据为驱动，进行仿真数据与实际监测数据的目标工况匹配和筛查工作，完成数值仿真数据库的自学习过程，以少的监测数据为输入，输出服役期结构评价所需关键测点的变形、应力等数据，从而满足结构安全评价与预警数据需求，进而建立基于多源数据的沉管隧道结构智能评价模型，实现对沉管隧道服役状态的在线评估与预测。
60.本实施例中，步骤s1中，考虑管节接头为沉管隧道服役状态的重要控制部位，面向管节接头建立三维精细化数值模型，如图2所示，构建三维精细化数值仿真模型，具体包括：
61.将沉管隧道的管节接头作为关键部件；其中，管节接头处的重要构造主要包括止水带、剪力键；
62.针对管节接头处的止水带，采用非线性弹簧单元模拟该材料的受压力学性能，根据不同型号止水带的荷载-压缩曲线进行参数设置；
63.针对管节接头处的剪力键，根据设计图纸完全还原剪力键的材料类型、内部构造及连接形式；
64.将沉管隧道变形姿态、地基参数、上覆荷载作为变量，拟定多变量耦合下的环境工况，保证环境或计算工况足以覆盖沉管隧道在外部环境作用下的变化状态。其中，所述沉管隧道变形姿态包括压缩变形、水平错动、竖向错动、竖向弯曲、水平弯曲、扭转。沉管隧道变形模式及变形区间，如表1所示：
65.表1
[0066][0067]
本实施例中，步骤s2中，利用沉管隧道的三维精细化数值仿真模型的计算结果，提取海量工况下沉管结构关键位置及部位的变形数据，也即是沉管结构数据，所述沉管结构数据包括管节结构变形数据、剪力键变形数据及止水带变形数据。输出的位移数据位置如图3、4所示，为后续采用神经网络方法进行变形预测及与现场数据进行交叉融合提供了基础数据。
[0068]
通过将所有工况结果进行汇整理，形成仿真数据库，如表2所示：
[0069]
表2
[0070][0071]
表2中，主要包括沉管隧道代表性管节接头侧墙、顶板、中央管廊和底板共11对节点位置处的x、y、z三向位移相对位移值，其中，输入outputg_xy、outputg_z代表管节接头在所有对应工况下的8个位移变化数据；
[0072]
所有钢剪力键、底板混凝土剪力键共18对节点位置处的x、y、z三向位移相对位移值，其中，outputj_xy，outputj_z指的是管节接头在所有对应工况下的剪力键xy方向和z方向的位移变化数据；
[0073]
gina止水带顶部、侧部、两侧底部和底部共8对节点位置处的x、y、z三向位移相对位移值，其中，outputz_xy，outputz_z表示指的是管节接头在所有对应工况下的止水带xy方向和z方向的位移变化数据。
[0074]
本实施例中，步骤s4中，利用仿真数据库中的数据对神经网络模型进行训练，得到训练好的神经网络模型，具体包括：
[0075]
对仿真数据库中的数据进行预处理，得到处理后的数据；
[0076]
对处理后的数据进行划分，得到划分后的数据；
[0077]
对划分后的数据进行归一化处理，得到归一化后的数据；
[0078]
将归一化后的数据输入到神经网络模型进行模型训练，调整神经网络模型中的各参数值，使得神经网络模型的目标误差达到目标要求，将达到目标要求的神经网络模型作为训练好的神经网络模型。其中，神经网络模型是一种基于人工神经元的计算模型，它由多个神经元层组成，每个神经元层之间通过连接进行信息传递，所述神经网络模型可以采用现有的卷积神经网络等。
[0079]
其中，对仿真数据库中的数据进行预处理，得到处理后的数据，具体包括：
[0080]
按照不同的管节进行逐一排查，将所有的数据全部绘制成折线图进行可视化，并筛选得到所有存在的跳变点数据；
[0081]
将具有实际物理意义且位移值满足设定阈值的跳变点数据作为重点数据，将重点数据对应的管节和工况进行归类；其中，所述阈值可以根据实际工况进行设定；
[0082]
将仿真数据库中无任何意义的数据进行删除。
[0083]
其中，考虑到沉管隧道止水带与剪力键的构造不同，两者间的变化规律也存在着较大差异，所以利用同样的输入，将止水带的位移和剪力键的位移分开作为模型的输出。同时，由于剪力键及止水带在xy方向与z方向的位移变化具有较大差异，所以又将剪力和止水带键中的xy方向位移变化单独划分为一个输出，将z方向位移变化单独划划分为另一个输出，所以模型的训练数据集划分如下表3所示：
[0084]
表3
[0085][0086]
也即是，对处理后的数据进行划分，得到划分后的数据，具体包括：
[0087]
将管节接头在所有对应工况下的现场监测数据作为神经网络模型的输入；其中，现场监测数据包括沉管隧道变形姿态、地基参数、上覆荷载；
[0088]
将管节接头在所有对应工况下剪力键xy方向的位移变化数据作为神经网络模型的第一输出；
[0089]
将管节接头在所有对应工况下剪力键z方向的位移变化数据作为神经网络模型的第二输出；
[0090]
将管节接头在所有对应工况下止水带xy方向的位移变化数据作为神经网络模型的第三输出；
[0091]
将管节接头在所有对应工况下止水带z方向的位移变化数据作为神经网络模型的第四输出。
[0092]
按照上述方法，完成了所有的输入与输出数据的划分，可以将这些数据按照管节分别对应于神经网络模型训练的输入输出。
[0093]
因为训练数据具有差异性，每种工况下的各剪力键、止水带的变形情况也存在差异，所以位移量也具有差异，为了便于模型的训练，所以对这些数据训练前进行归一化处理，将输入输出数据归一化到0到1之间，具体归一化方式如式(1)所示：考虑到数据中可能存在数值为0的数据，所以将0默认输出为1进行归一化处理。最后可以将预测数据反归一化成原始数据形态，来验证预测结果的准确性。
[0094]
将归一化后的管节数据分别输入到模型中进行训练，根据各参数的意义及作用，来进行模型调参训练，参数调整最终目的是要将模型的各个参数调整到其最优值或逼近最优值，以保证最终的预测的准确度。模型参数调整，首先需要确定目标误差，因为目标误差是模型训练过程中误差反向传递的指导因素，本次研究网络模型的目标误差设置在5
×
10-7
，既保证了网络模型能达到的较高精度，也保证了训练过程中误差要求，具体流程如图5所示。
[0095]
沉管隧道服役状态预测可归类为回归问题，常用回归算法有bp神经网络、随机森林等，实际采集数据包含多种不同工况变形量，且采用正交实验，故可能会导致数据点冲突，引起回归算法的不准确与不稳定。bp神经网络可以在新数据上进行预测，系统局部损伤时仍能正常工作，符合实际预测需求，因此选取bp神经网络对沉管隧道服役状态进行预测；
[0096]
选取均方根误差(rmse)、决定系数(r2)来作为模型训练结果的评价指标，均方根误差其值越小，说明模型准确率越高，r2的值越接近1，说明回直线对观测值的拟合程度越好，其数学表达式如下：
[0097][0098][0099]
其中，n为样本个数，yi为测试集上的真实值，为测试集上的预测值。
[0100]
迭代次数确定：结合实际需求，预测需要具有时效性，初始迭代次数选取1000。
[0101]
学习率确定：学习率过高会导致预测结果不收敛，因此选取较小值，如0.01作为初始学习率。
[0102]
误差值确定：实际监测沉管隧道数据精度为0.1mm，因此，本发明选取误差值为0.01mm，保证神经网络模型精度。
[0103]
隐藏层节点个数确定：隐藏层节点个数选取根据经验公式选取为20，隐藏层节点个数经验公式如下：
[0104][0105]
式中，n为输入层节点数；l为隐藏层节点数；m为输出层节点数；a为0～10之间的常数。
[0106]
在保证神经网络模型误差曲线稳定的情况下，将各个部分的预测r2保证在95％以上，rmse保证在0.001以下。
[0107]
网络模型训练完成后，需要保存训练完成的网络模型，只是对训练完模型结构及所计算出的最优权重值与偏置进行保存，后期利用数据进行预测时，调用训练好的模型及权重和偏置，进而实现预测功能。
[0108]
本实施例中，步骤s6中，通过将由神经网络模型输出的沉管结构变形数据与健康状态下的沉管结构变形数据进行比较，来判断沉管隧道服役状态，实现了对沉管隧道服役状态进行准确有效的预测评估，解决了由于现场监测数据少，无法支撑沉管隧道服役状态评价的技术难题。
[0109]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于人工智能的沉管隧道服役状态预测方法，其特征在于：包括：构建三维精细化数值仿真模型；提取数值仿真模型输出的在不同工况下的沉管结构数据，形成仿真数据库；构建神经网络模型；利用仿真数据库中的数据对神经网络模型进行训练，得到训练好的神经网络模型；将沉管隧道监测数据输入到训练好的神经网络模型，输出沉管结构变形数据；对沉管结构变形数据进行比较分析，得到沉管隧道服役状态预测结果。2.根据权利要求1所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：构建三维精细化数值仿真模型，具体包括：将沉管隧道的管节接头作为关键部件；针对管节接头处的止水带，采用非线性弹簧单元模拟该材料的受压力学性能，根据不同型号止水带的荷载-压缩曲线进行参数设置；针对管节接头处的剪力键，根据设计图纸完全还原剪力键的材料类型、内部构造及连接形式；将沉管隧道变形姿态、地基参数、上覆荷载作为变量，拟定多变量耦合下的环境工况。3.根据权利要求2所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：所述沉管隧道变形姿态包括压缩变形、水平错动、竖向错动、竖向弯曲、水平弯曲、扭转。4.根据权利要求1所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：所述沉管结构数据包括管节结构变形数据、剪力键变形数据及止水带变形数据。5.根据权利要求4所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：所述管节结构变形数据包括管节xy方向的位移变化数据以及管节z方向的位移变化数据；所述剪力键变形数据包括剪力键xy方向的位移变化数据以及剪力键z方向的位移变化数据；所述止水带变形数据包括止水带xy方向的位移变化数据以及止水带z方向的位移变化数据。6.根据权利要求1所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：利用仿真数据库中的数据对神经网络模型进行训练，得到训练好的神经网络模型，具体包括：对仿真数据库中的数据进行预处理，得到处理后的数据；对处理后的数据进行划分，得到划分后的数据；对划分后的数据进行归一化处理，得到归一化后的数据；将归一化后的数据输入到神经网络模型进行模型训练，调整神经网络模型中的各参数值，使得神经网络模型的目标误差达到目标要求，将达到目标要求的神经网络模型作为训练好的神经网络模型。7.根据权利要求6所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：对仿真数据库中的数据进行预处理，得到处理后的数据，具体包括：按照不同的管节进行逐一排查，将所有的数据全部绘制成折线图进行可视化，并筛选得到所有存在的跳变点数据；将具有实际物理意义且位移值满足设定阈值的跳变点数据作为重点数据，将重点数据对应的管节和工况进行归类；
将仿真数据库中无任何意义的数据进行删除。8.根据权利要求6所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：对处理后的数据进行划分，得到划分后的数据，具体包括：将管节接头在所有对应工况下的现场监测数据作为神经网络模型的输入；将管节接头在所有对应工况下剪力键xy方向的位移变化数据作为神经网络模型的第一输出；将管节接头在所有对应工况下剪力键z方向的位移变化数据作为神经网络模型的第二输出；将管节接头在所有对应工况下止水带xy方向的位移变化数据作为神经网络模型的第三输出；将管节接头在所有对应工况下止水带z方向的位移变化数据作为神经网络模型的第四输出。9.根据权利要求6所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：所述神经网络模型采用bp神经网络模型。10.根据权利要求6所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：在神经网络模型训练过程中，根据如下方法设置各个参数：初始迭代次数设置为1000，初始学习率设置为0.01，预测误差精度设置为0.01mm；隐藏层节点个数根据如下公式确定：其中，n为输入层节点数；l为隐藏层节点数；m为输出层节点数；a为0～10之间的常数。

技术总结
本发明公开了一种基于人工智能的沉管隧道服役状态预测方法，包括：构建三维精细化数值仿真模型；提取数值仿真模型输出的在不同工况下的沉管结构数据，形成仿真数据库；构建神经网络模型；利用仿真数据库中的数据对神经网络模型进行训练，得到训练好的神经网络模型；将沉管隧道监测数据输入到训练好的神经网络模型，输出沉管结构变形数据；对沉管结构变形数据进行比较分析，得到沉管隧道服役状态预测结果。本发明能够获得海量的沉管结构相关数据，实现了对沉管隧道服役状态进行准确有效的预测评估。预测评估。预测评估。


技术研发人员：丁浩 曹鹏 陈建忠 杨孟 郭鸿雁 陈俊涛
受保护的技术使用者：招商局重庆交通科研设计院有限公司
技术研发日：2023.07.03
技术公布日：2023/10/7