一种基于多源监测数据融合的隧道变形预测方法与流程

本发明涉及土木工程监测，尤其涉及一种基于多源监测数据融合的隧道变形预测方法。

背景技术：

1、隧道工程在施工及运营期面临复杂的地质环境，其结构安全监测依赖于多种类型的传感器采集海量数据。现有技术中，隧道变形预测通常采用单一的时序分析模型或简单的机器学习算法，主要对单个监测点的沉降或收敛数据进行独立的时间序列拟合。这种方法在处理多源异构数据时，往往缺乏有效的时空对齐与融合机制，导致数据间的空间拓扑关联信息丢失，难以全面反映隧道结构的整体力学行为。同时，传统的预测模型多为黑箱运算，仅输出宏观的变形数值，无法揭示变形背后的应力传递机理与围岩相互作用的物理本质，使得预测结果的物理可解释性较差。

2、此外，现有的隧道预警系统多基于固定的阈值进行判断，缺乏对变形发展趋势的动态推演能力。在面对复杂工况时，系统难以提前预判潜在的失稳模式及临界发生时间，且预警结果与后续的工程控制措施之间缺乏直接的联动逻辑。这导致工程人员获得的预警信息往往滞后且笼统，难以据此制定精准的分阶段处置策略，无法满足现代隧道智能化运维对高精度预测与主动防控的迫切需求。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的一种基于多源监测数据融合的隧道变形预测方法。

2、为了实现上述目的，本发明采用了如下技术方案：一种基于多源监测数据融合的隧道变形预测方法，包括：

3、获取隧道监测点的多源时空监测数据集合，所述多源时空监测数据集合包含结构沉降时间序列、衬砌收敛位移数据及围岩压力分布信息；

4、对所述多源时空监测数据集合进行时空对齐与异常值清洗处理，生成标准化融合监测数据流；

5、基于所述标准化融合监测数据流，采用改进的时空记忆网络算法提取隧道变形相关的多尺度时空演化特征，所述改进的时空记忆网络算法依据监测点之间的结构拓扑关系构建自适应记忆门控机制；

6、利用所述多尺度时空演化特征驱动多物理场耦合反演模型，生成隧道结构在不同工况下的应力场、位移场及塑性区分布的动态演化图谱；

7、根据所述动态演化图谱，执行基于深度强化学习的变形发展趋势推演，识别出潜在失稳区域及其对应的变形发展模式与临界时间预测；

8、结合所述变形发展模式与所述临界时间预测，生成包含分阶段预警等级与针对性控制建议的隧道变形协同应对方案。

9、作为本发明的进一步方案，所述对所述多源时空监测数据集合进行时空对齐与异常值清洗处理，生成标准化融合监测数据流，包括：

10、依据统一的世界标准时间，对来自不同采集频率与采集时刻的所述结构沉降时间序列、衬砌收敛位移数据及围岩压力分布信息进行时间戳对齐与重采样处理，形成时间轴一致的初步对齐数据；

11、在所述初步对齐数据基础上，根据隧道内监测点的布设三维空间坐标，建立各监测点之间的拓扑连接关系矩阵，将不同监测数据映射到同一空间网格节点上，完成空间对齐处理；

12、对经过时空对齐处理后的数据进行异常值检测，所述异常值检测采用基于局部密度离群点因子的动态阈值判定方法，识别出因仪器噪声或临时干扰产生的异常监测值；

13、将识别出的所述异常监测值依据相邻时刻与相邻空间监测点的数据，通过时空克里金插值方法进行修复填充，生成具有时空连续性的清洗后数据流；

14、对所述清洗后数据流进行归一化预处理，将不同物理量纲与量级的数据转换到零到一的标准数值区间，从而得到所述标准化融合监测数据流。

15、作为本发明的进一步方案，所述改进的时空记忆网络算法依据监测点之间的结构拓扑关系构建自适应记忆门控机制，其工作原理包括：

16、以所述标准化融合监测数据流为输入，构建包含编码器、记忆网络与解码器的网络架构；

17、所述编码器由多个图卷积层与时间卷积层交替堆叠而成，用于分别提取隧道监测点之间的空间结构特征与时间变化特征；

18、所述记忆网络由外部记忆矩阵与自适应门控控制器构成，所述自适应门控控制器依据所述结构拓扑关系动态控制信息的读写；

19、其中，所述结构拓扑关系被量化为监测点之间的邻接权重矩阵，用于初始化所述自适应门控控制器的连接权重；

20、在时间序列处理过程中，对于当前时刻的输入特征，所述自适应门控控制器依据所述邻接权重矩阵，计算当前时刻各监测点状态对所述外部记忆矩阵中不同记忆单元的影响权重，实现对记忆内容的按需、按关联强度的读取与更新；

21、所述解码器对经过记忆网络增强后的时空特征进行解码，输出涵盖短期波动与长期趋势的所述多尺度时空演化特征。

22、作为本发明的进一步方案，所述利用所述多尺度时空演化特征驱动多物理场耦合反演模型，包括：

23、构建包含岩土本构关系、衬砌结构力学模型与围岩-结构接触面模型的多物理场耦合反演模型框架；

24、将所述多尺度时空演化特征作为驱动参量，输入至所述多物理场耦合反演模型框架的边界条件与初始条件设定模块；

25、所述模型框架在给定驱动参量下，通过迭代求解岩土体的平衡方程、衬砌结构的协调方程及接触面的连续性方程，计算出隧道全域的应力分布、位移分布及材料塑性状态分布；

26、在计算过程中，将所述多尺度时空演化特征中的实时监测位移与压力数据，与模型计算的相应结果进行在线对比，并根据偏差动态调整模型中的地层参数反演值，实现模型的自适应校正；

27、经过预定步数的迭代计算与参数校正后，输出收敛的、高置信度的所述应力场、位移场及塑性区分布的动态演化图谱。

28、作为本发明的进一步方案，所述根据所述动态演化图谱，执行基于深度强化学习的变形发展趋势推演，包括：

29、将所述动态演化图谱在时间维度上划分为连续的决策时间步；

30、定义智能体状态为当前决策时间步的图谱信息，所述图谱信息包括应力场云图、位移矢量场及塑性区标识图；

31、定义智能体动作为对下一时间步的所述潜在失稳区域、变形发展模式及演变参数的预测选择；

32、定义奖励函数，其值由预测的变形发展模式与后续实际监测到的变形模式的吻合度，以及预测的临界时间与真实失稳发生时间的接近度共同决定；

33、在训练阶段，所述智能体在由历史监测数据构建的模拟环境中探索，通过策略梯度算法不断优化其决策策略，以最大化累积奖励；

34、在应用阶段，将最新的所述动态演化图谱输入训练好的智能体，由智能体输出对未来多个时间步的变形发展趋势推演结果，即识别出最可能的所述潜在失稳区域、具体的所述变形发展模式及预估的所述临界时间预测。

35、作为本发明的进一步方案，所述变形发展模式包括但不限于拱顶持续沉降模式、边墙收敛挤压模式、仰拱底鼓模式以及衬砌局部开裂扩展模式；针对每一种模式，所述临界时间预测包括变形加速起始时间与结构失稳预估时间。

36、作为本发明的进一步方案，所述解码器对经过记忆网络增强后的时空特征进行解码，输出涵盖短期波动与长期趋势的所述多尺度时空演化特征，包括：

37、解码器接收由记忆网络输出的、融合了历史关联信息的增强时空特征序列；

38、所述解码器首先通过一个时间维度反卷积层对输入特征序列进行上采样，恢复其在编码器中被压缩的时间分辨率；

39、将上采样后的特征输入至由多个残差门控循环单元层构成的序列生成模块，该模块以前一时刻的解码器输出及当前时刻的增强时空特征为输入，自回归地生成当前时刻的特征表达，从而捕获并输出与隧道变形短期波动相关的高频时序特征分量；

40、将记忆网络输出的、经过自适应门控控制器聚合的全局记忆状态，输入至一个独立的多层感知机，该多层感知机对所述全局记忆状态进行非线性变换，提取并输出表征隧道变形长期演变趋势的低频趋势特征分量；

41、将所述高频时序特征分量与所述低频趋势特征分量在特征维度进行拼接，并通过一个全连接投影层进行融合与降维，形成同时涵盖短期波动细节与长期演变趋势的所述多尺度时空演化特征。

42、作为本发明的进一步方案，所述异常值检测采用基于局部密度离群点因子的动态阈值判定方法，识别出因仪器噪声或临时干扰产生的异常监测值，包括：

43、对于时空对齐处理后数据流中的每一个监测数据点，根据其时间邻近域和空间邻近域构造综合时空邻域，所述时间邻近域由该数据点前后设定时间窗口内的数据点构成，所述空间邻近域由根据拓扑连接关系矩阵定义的、空间距离在设定范围内的相邻监测点在同一时刻的数据构成；

44、计算每个数据点与其综合时空邻域内所有其他数据点之间的多维特征距离，所述多维特征至少包括监测数值、一阶时间差分及空间梯度；

45、基于所述多维特征距离，为每个数据点计算其局部可达密度，即该点与其综合时空邻域内各点之间距离的调和平均值的倒数；

46、计算每个数据点的局部密度离群点因子，其值为该点的综合时空邻域内所有其他数据点的局部可达密度的平均值与该点自身局部可达密度的比值；

47、将计算得到的局部密度离群点因子与一个动态阈值进行比较，判定该数据点是否为异常监测值，所述动态阈值依据当前数据流片段的整体离群点因子分布的第k百分位数动态确定，其中k根据历史数据中正常样本的分布特征进行标定。

48、作为本发明的进一步方案，所述生成包含分阶段预警等级与针对性控制建议的隧道变形协同应对方案，包括：

49、根据所述变形发展模式，匹配预置的工程应对措施知识库，获取与模式相对应的基础控制措施集合；

50、依据所述临界时间预测，将预警与干预过程划分为监测观察期、初步干预期与紧急处置期，并为每个时期设定不同的预警等级阈值；

51、针对所述潜在失稳区域的空间分布特征，对所述基础控制措施集合中的措施参数进行空间适配优化，所述措施参数包括加固范围、加固强度与施工顺序；

52、整合经空间适配优化的控制措施与分阶段的预警等级，形成时间线上具有先后执行逻辑、空间上具有精准定位的协同应对方案；

53、所述协同应对方案还包括方案执行过程中的效果模拟与比选，即模拟执行不同措施组合后隧道结构的响应，并选择预期控制效果最优、施工扰动最小的措施组合作为最终推荐方案。

54、作为本发明的进一步方案，所述为每个时期设定不同的预警等级阈值，包括：

55、在监测观察期，预警等级设定为关注级，其阈值对应于变形速率首次超过长期平均背景值的时刻，此时启动加强监测与数据分析；

56、在初步干预期，预警等级设定为警示级，其阈值对应于塑性区开始贯通或位移速率出现拐点的时刻，此时启动预备性加固与荷载调整；

57、在紧急处置期，预警等级设定为行动级，其阈值对应于计算安全系数低于规范允许值或位移加速趋势不可逆的时刻，此时立即启动应急加固与交通管制。

58、与现有技术相比，本发明的优点和积极效果在于：

59、通过依据监测点之间的结构拓扑关系构建自适应记忆门控机制，能够充分挖掘多源监测数据中蕴含的空间关联特征与时间演化规律。该机制打破了传统模型将各监测点视为孤立节点的局限，使网络在处理某一监测点时能自动参考其周边结构的状态信息，从而在提取多尺度时空演化特征时，显著增强了对隧道整体变形趋势的捕捉精度，有效滤除了单一传感器噪声干扰带来的误判，提升了特征表征的鲁棒性与物理一致性。

60、利用提取的多尺度时空演化特征驱动多物理场耦合反演模型，能够生成包含应力场、位移场及塑性区分布的动态演化图谱。这种从数据特征到物理场量的映射，将抽象的监测数据转化为可视化的力学响应场，直观揭示了隧道结构内部的损伤演化过程与失稳机理。在此基础上，通过深度强化学习对变形发展模式进行推演，能够模拟不同工况下的非线性演变路径，精准识别出潜在失稳区域及其临界时间节点，进而输出分阶段预警等级与针对性控制建议，实现了从被动监测报警向主动预测防控的决策闭环。