一种下穿滑坡段隧道智能监测模拟系统

1.本发明涉及隧道监测技术领域，特别涉及一种下穿滑坡段隧道智能监测模拟系统。


背景技术：

2.滑坡与隧道二者相互作用问题是一个公认的难题，随着国内大量山区道路隧道的修建，大量隧道以不同的方式靠近或正穿既有滑坡区域，隧道施工与滑坡相互影响，不仅影响隧道的施工安全，严重时甚至使既有滑坡启动，威胁人民的生命和财产安全。对于滑坡下穿的隧道施工在现有技术中大多通过理论研究模拟，理论研究中需要大量相关的经验公式对数据进行计算模拟，但是最终计算的数据会出现较大误差，无法客观有效的表达出实际结果。所以现在亟需一种能够有效监测及模拟下穿滑坡段隧道模拟的系统。


技术实现要素：

3.为解决上述现有技术中所存在的现有滑坡段隧道施工模拟不准确的问题，本发明提供一种下穿滑坡段隧道智能监测模拟系统，能够准确有效的对下穿滑坡隧道的施工进行监测模拟。
4.为了实现上述技术目的，本发明提供了如下技术方案：
5.一种下穿滑坡段隧道智能监测模拟系统，包括：
6.监测设备，处理模块；
7.所述监测设备用于对滑坡区域进行监测，获取滑坡数据；
8.所述处理模块用于根据滑坡数据对滑坡区域进行三维建模，得到滑坡模型，并获取隧道施工数据，将所述隧道施工数据对滑坡模型进行更新，并通过预测模型及判断模型对更新后的滑坡模型进行预测，获得滑坡应力位移数据及隧道施工损坏数据，以实现对滑坡段隧道的智能监测模拟。
9.可选的，所述监测设备包括土质监测设备及应力监测设备；
10.所述土质监测设备用于对所述滑坡区域进行土质监测，获取滑坡土质数据；
11.所述应力监测设备用于对所述滑坡区域进行应力监测，获取滑坡应力数据。
12.可选的，所述处理模块包括建模模块、更新模块、预测模块；
13.其中所述建模模块用于根据滑坡数据，通过有限元分析方法进行三维建模，获取滑坡模型；
14.所述更新模块用于获取隧道施工数据，并将不同阶段的隧道施工数据施加到滑坡模型中，得到更新后的滑坡模型；
15.所述预测模块用于构建预测模型及判断模型，并根据预测模型对所述更新后的滑坡模型进行预测，获得滑坡应力数据及施工隧道应力数据，并通过判断模型对预测结果进行处理，得到滑坡位移数据及施工隧道位移数据，其中所述预测模型及所述所述判断模型均为训练好的深度学习模型。
16.可选的，所述预测模型构建过程包括，构建初始预测模型，获取历史数据，通过历史数据对所述初始预测模型进行训练，得到预测模型，其中，历史数据为历史时间下的滑坡数据、隧道施工数据及滑坡应力数据，初始预测模型为深度学习模型。
17.可选的，所述判断模型构建过程包括，构建初始判断模型，对历史数据进行有限元分析及预测模型对历史数据的预测，获取历史数据的应力数据，通过将所述历史数据的应力数据作为训练样本，并将历史数据实际所产生的位移数据作为标签，对所述初始判断模型进行监督学习，得到判断模型。
18.可选的，所述处理模块中，获取不同阶段的隧道施工数据，根据当前阶段的隧道施工数据对滑坡模型进行更新，并通过预测模型及判断模型对所述更新后的滑坡模型进行处理，根据处理结果及下一阶段的隧道施工数据对所述更新后的滑坡模型进行再次更新，并通过预测模型及判断模型对再次更新后的滑坡模型进行处理，最终得到不同阶段下的滑坡应力位移数据及隧道施工损坏数据。
19.可选的，所述处理模块还包括降雨统计模块；
20.所述降雨统计模块用于将所述滑坡区域的降水数据进行统计，并将统计的降水数据进行平均值计算，得到平均降雨量，根据所述平均降雨量对所述滑坡模型进行更新。
21.可选的，所述处理模块还包括调整模块；
22.所述调整模块用于对滑坡应力位移数据及隧道施工损坏数据进行判断，并根据判断结果对隧道施工数据进行调整。
23.本发明具有如下技术效果：
24.本发明通过监测设备对下穿滑坡段隧道的相关数据进行有效监测，并在监测完成后通过处理模型对相关数据进行监测模拟，模拟不同施工方案下的滑坡区域的状态，在隧道施工前进行有效模拟，为隧道施工提供数据基础，同时通过深度学习模型代替传统的理论分析公式对相关数据进行分析，减少固定公式的局限性，增加不同地区的适用性，通过训练好的深度学习模型能够提高模拟的准确性和有效性，有效提高施工的先验性和安全性。
附图说明
25.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
26.图1为本发明实施例提供的系统示意图；
具体实施方式
27.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
28.如图1所述，本发明提供了一种下穿滑坡段隧道智能监测模拟系统，包括：监测设备，处理模块；
29.所述监测设备用于对滑坡区域进行监测，获取滑坡数据；其中滑坡数据包括滑坡土质数据及滑坡应力数据，通过采集上述数据对滑坡区域进行建模，在建模过程中除了对滑坡进行建模，需要滑坡相连接的区域同时进行建模，保证应力分析结果获取的准确性，所述监测设备包括土质监测设备及应力监测设备；所述土质监测设备用于对所述滑坡区域进行土质监测，获取滑坡土质数据，土质监测设备可使用相关的土质分析仪，对滑坡区域不同位置的土质进行监测，获取土质数据，其中土质数据包括土质性质，包含的岩石的种类，土质松散程度等信息；所述应力监测设备用于对所述滑坡区域进行应力监测，获取滑坡应力数据。其中，应力监测设备可选择应力传感器，通过对不同位置的应力进行采集，获取应力数据。
30.所述处理模块用于根据滑坡数据对滑坡区域进行三维建模，得到滑坡模型，并获取隧道施工数据，将所述隧道施工数据对滑坡模型进行更新，并通过预测模型及判断模型对更新后的滑坡模型进行预测，获得滑坡应力位移数据及隧道施工损坏数据，以实现对滑坡段隧道的智能监测模拟，所述处理模块可采用计算机。
31.所述处理模块包括建模模块、更新模块、预测模块；所述建模模块用于通过有限元分析方法对滑坡数据进行三维建模，获取滑坡模型；建模模块中通过有限元分析软件对上述数据进行分析建模，在建模过程中，对滑坡区域的结构进行建模，在建模过程中需要将滑坡数据条件到滑坡区域中，进行生成包含有滑坡数据的三维模型即滑坡模型，根据生成的包含不同滑坡数据的滑坡模型之后，将滑坡数据进行提取，并根据不同的滑坡数据生成不同的滑坡数据下的滑坡模型，并将不同滑坡数据下的模型进行保存，其中滑坡模型中的数值高低通过不同颜色或不同灰度进行表示，在构建完成上述模型之后，将其作为初始的滑坡模型进行存储。
32.所述更新模块用于获取隧道施工数据，并将不同阶段的隧道施工数据施加到滑坡模型中，得到更新后的滑坡模型；在更新模块中，获取隧道施工数据，隧道施工数据中包括施工方式，施工位置，施工范围等数据，在确定上述数据后，将施工位置及施工范围添加到包含不同数据的滑坡模型中，生成包含施工位置及范围的滑坡模型，同时确定施工方式所产生的应力作用，如采用爆破方式，则通过计算爆破载荷的方式对爆破所产生的应力进行计算，对上述爆破所产生的应力计算后，将该数据添加到不包含有滑坡数据中应力数据的滑坡模型中，并再次添加施工位置及施工范围，生成包含施工方式的滑坡模型，将所述包含施工位置及范围的滑坡模型及包含施工方式的滑坡模型作为更新后的整体的滑坡模型，再根据更新后的整体的滑坡模型根据滑坡数据生成不同的滑坡数据下的滑坡模型。在更新滑坡模型时，也可选择将不同隧道施工数据直接添加到包含有不同滑坡数据的滑坡模型中，然后在分别生成不同滑坡数据的滑坡模型，同时根据不同隧道施工数据分别对多个滑坡模型进行更新，如根据不同施工位置及施工范围将全部各滑坡数据下的滑坡模型进行更新，然后根据施工方式将所产生的应力添加到只包含滑坡区域结构不包含其他数据的滑坡模型中，并将该模型添加施工位置及施工范围，生成多个不同数据下的更新后的滑坡模型。
33.所述预测模块用于构建预测模型及判断模型，并根据预测模型对所述更新后的滑坡模型进行预测，获得滑坡应力数据及施工隧道应力数据，并通过判断模型对预测结果进行处理，得到滑坡位移数据及施工隧道位移数据，其中所述预测模型及所述判断模型均为训练好的深度学习模型。对上述不同数据下的全部滑坡模型预处理为同一分辨率下同一区
域的模型并进行存储，并存储在同一文件下，并设置标签，作为预测模块中的预测模型及判断模型的输入，为了分析隧道及滑坡之间的相互作用，本发明将传统的理论公式替换为深度学习网络作为分析计算工具，在传统的理论公式中通过固定参数设定并不能很好的表现出对于隧道及滑坡的相关作用关系，本发明通过深度学习模型将上述作用关系进行有效的优化学习及拟合，提升最终数据的准确性。上述预测模型及判断模型为不同的深度学习网络，其中预测模型采用3d卷积神经网络，在输入层中设置不同输入通道，方便上述多个模型的输入，同时预测模型中依次包含三个3d卷积层-池化层及2个全连接层，将最后一个全连接层作为输出层，输出预测应力模型，预测应力模型同样为三维模型，其中通过不同颜色或者灰度表示不同位置的应力数值，通过上述结构，拟合隧道-滑坡之间的相互关系，对不同位置的应力进行预测，在应力预测完成后，通过判断模型判断上述判断应力模型是否会产生位移同时判断位移的大小，本发明中判断模型同样可以使用3d卷积神经网络，依次通过输入层、两个3d卷积层-池化层及两个全连接层的结构进行处理，输入层中设置3d单通道，方便单个预测应力模型进行输入，同时判断位移模型同样为三维模型，判断位移模型通过不同灰度值表示不同位置的位移方向数值。
34.所述预测模型构建过程包括，构建初始预测模型，获取历史滑坡数据，通过历史滑坡数据对所述初始预测模型进行训练，得到预测模型，其中，历史数据为历史时间下的滑坡的应力数据，初始预测模型为深度学习模型。首先通过上述模型的结构进行初始预测模型的构建，构建初始预测模型后，对其进行训练，在训练之前，获取历史时间下的下穿滑坡段隧道施工数据及滑坡数据，并获取相对应过程中的应力数据，该数据可从历史施工记录或者隧道施工网站中获得，根据上述数据构建对应的三维模型即训练样本，通过训练样本对预测模型进行训练，得到预测模型。
35.所述判断模型构建过程包括，构建初始判断模型，对历史数据进行有限元分析及预测模型对历史数据的预测，获取历史数据的应力数据，通过将所述历史数据的应力数据作为训练样本，并将历史数据实际所产生的位移数据作为标签，对所述初始判断模型进行监督学习，得到判断模型。通过上述判断模型通过结构构建初始判断模型，通过获取初始判断模型的训练样本，通过上述训练样本对初始判断模型进行训练，其中判断模型的训练样本对预测模型所使用的历史数据进行有限元分析后的应力数据结合通过预测模型历史数据预测的应力数据作为训练样本，将最终生成的位移数据作为标签，进行监督学习，生成判断模型。
36.所述处理模块中，获取不同阶段的隧道施工数据，根据当前阶段的隧道施工数据对滑坡模型进行更新，并通过预测模型及判断模型对所述更新后的滑坡模型进行处理，根据处理结果及下一阶段的隧道施工数据对所述更新后的滑坡模型进行再次更新，并通过预测模型及判断模型对再次更新后的滑坡模型进行处理，最终得到不同阶段下的滑坡应力位移数据及隧道施工损坏数据。在处理模型中，能够某一阶段的隧道施工数据进行预测和判断，同时为了方便分析施工过程中的应力数据及损坏，本发明通过对不同阶段的隧道施工数据进行处理，不同阶段的隧道施工数据为连续时间下的隧道施工数据，在模拟过程中，通过根据某一阶段的隧道施工数据对滑坡模型进行更新，更新后，通过预测模型及判断模型进行模拟，将模拟结果即位移数据对更新后的滑坡模型进行更新，更新过程为通过位移数据数据对更新后的滑坡模型中的网格进行位移，通过对全部网格进行调整，调整后进行平
滑处理，生成下一阶段的初始滑坡模型，将该模型作为基础，在此基础上通过下一阶段的隧道施工数据进行更新，然后再次进行预测及判断，知道全部阶段处理完成，记录不同阶段下的应力及位移数据，方便对整体技术方案进行分段分析。
37.所述处理模块还包括降雨统计模块；所述降雨统计模块用于将所述滑坡区域的降水数据进行统计，并将统计的降水数据进行平均值计算，得到平均降雨量，根据所述平均降雨量对所述。降雨统计模块下，将历史时间下全年或者当月的降雨数据进行统计，并计算平均值，将该平均值加入滑坡模型中，在预测模型输入时，单独生成一个降雨滑坡模型，作为预测模型输入，此时预测模型需要增加额外通道，并需要进行重新训练。
38.所述处理模块还包括调整模块；所述调整模块用于对滑坡应力位移数据及隧道施工损坏数据进行判断，并根据判断结果对施工方案进行调整。所述调整模型获取滑坡应力位移数据及隧道施工损坏数据，并对上述数据进行等级划分，根据等级划分结果对上述数据进行判断，当上述数据中滑坡位移数据及隧道位移数据未反映位移时，则为第一等级，第一等级不需要对施工方案进行修改，滑坡位移数据反映位移而隧道位移数据未反映位移时，则为第二等级，第二等级需要对滑坡进行加固处理，加固位置可根据滑坡应力数据进行选取，滑坡位移数据及隧道位移数据都反映位移时，则为第三等级，需要对滑坡进行加固，并对施工方案进行调整，在施工方案调整后，通过相关模型继续进行模拟，来判断该施工方案的可行性。
39.以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。