[发明专利]一种基于神经网络的隧道渗漏速率预测方法

说明书

一种基于神经网络的隧道渗漏速率预测方法，构建基于卷积神经网络和长短时记忆网络的隧道渗漏速率预测模型，以隧道三维激光扫描影像为数据源，利用训练数据集和测试数据集对隧道渗漏速率预测模型进行训练，将预测数据集输入训练好的隧道渗漏速率预测模型，获得与隧道影像对应的渗漏水流速。本发明利用三维激光技术对隧道病害进行检测，作业效率高，成果丰富，搭建了卷积神经网络和长短时记忆网络的隧道渗漏水流速预测模型对渗漏水的速率进行预测分析。

技术领域

本发明涉及隧道病害检测领域，具体涉及一种基于卷积神经网络和长短时记忆网络的隧道渗漏速率预测方法。

背景技术

由于自然条件(地下水、材料、地层、冻融等)的变化，隧道结构发生各种变异现象(如开裂、错位等)，导致围岩地下水或地表水直接或间接地以渗漏或涌出的形式进入隧道内，形成隧道渗漏病害，侵蚀隧道结构，并影响隧道的正常运营和洞内设备的使用。

隧道内渗漏病害的调查目前主要采用人工巡视拍照及现场记录的方法，重点关注渗流的面积及渗漏的速率，工作量大、效率低且受人为因素干扰大。

对于隧道渗漏病害的快速准确检测，中国专利CN109767426A提出一种基于图像特征识别的盾构隧道渗漏水检测方法，在渗漏水检测前，先对图像进行详细的预处理工作，即通过隧道表观的灰度图像统计先确定隧道特征物识别规则，然后逐一识别隧道特征物，在特征物全部剔除之后，再进行渗漏水的检测。

中国专利CN109615653A提出了一种基于深度学习与视场投影模型的渗漏水面积检测与识别方法，主要是采集隧道的视频数据和点云数据，通过深度学习方法对视频数据检测得到渗漏水区域图片，然后识别点云数据得到拟合曲面，最后得到渗漏水图片在曲面上的投影并计算渗漏水真实面积。

上述专利均采用机器学习的方法对隧道渗漏水病害进行检测研究，虽然实现了渗漏水病害的自动识别，但未对渗漏水的速率进行预测分析，无法对隧道结构安全进行风险预测。

发明内容

本发明提供一种基于神经网络的隧道渗漏速率预测方法，利用三维激光技术对隧道病害进行检测，作业效率高，成果丰富，搭建了卷积神经网络和长短时记忆网络的隧道渗漏水流速预测模型对隧道渗漏水的速率进行预测分析。

为了达到上述目的，本发明提供一种基于神经网络的隧道渗漏速率预测方法，包含以下步骤：构建基于卷积神经网络和长短时记忆网络的隧道渗漏速率预测模型，利用训练数据集和测试数据集对隧道渗漏速率预测模型进行训练，将预测数据集输入训练好的隧道渗漏速率预测模型，获得与隧道影像对应的渗漏水流速。

形成训练数据集或测试数据集或预测数据集的方法包含：

数据源获取：采集多期隧道的三维激光扫描影像，并同步记录隧道内渗漏水位置和流速；

数据源标注：将采集得到的隧道影像划分为相同大小的小影像，将采集的渗漏水流速与每一个小影像对应匹配，将相同位置的多期小影像和渗漏水流速构成一个单样本，所有的单样本形成初步数据集；

数据预处理：对渗漏水流速做归一化处理形成最终数据集。

所述的构建隧道渗漏速率预测模型的方法包含：采用深度学习框架搭建包含卷积神经网络和长短时记忆网络的隧道渗漏速率预测模型，数据集输入卷积神经网络，卷积神经网络输出多维向量，卷积神经网络输出的多维向量和渗漏水流速的归一化值输入长短时记忆网络，长短时记忆网络输出预测得到的渗漏水流速值。

所述的深度学习框架采用TensorFlow或PyTorch。

所述的卷积神经网络采用在大数据集中预训练好的VGG或ResNet，所述的长短时记忆网络采用最经典结构。

所述的卷积神经网络的输出向量长度至少包含：收敛、接缝张开、沉降、错台、渗漏位置、地下水类型、水土压力、地层水平方向渗透系数、地层竖直方向渗漏系数、贮水率、防水条老化。