基于深度學習理論的隧道變形監測技術研究

2023年12月13日發(作者：羅遙)

-

基于深度學習理論的隧道變形監測技術研究

摘要：以某高速欒雙段中坪左線隧道實體工程的建設為背景，通過采集隧道建設過程中的沉降、收斂等數據，并結合深度學習理論LSTM神經網絡模型進行深度學習，探究了該隧道在施工過程中的變形規律，通過結合現場實測數據進行對比分析驗證，得出復雜地質條件下隧道的沉降速度與收斂速度成正相關，并隨著時間的推移隧道沉降逐漸減小，且呈現先快后慢的趨勢；通過深度學習理論LSTM神經網絡模型能夠有效的學習隧道采集的樣本數據，并能很好的預測復雜地質條件下隧道的變形規律，給隧道的安全施工、運營提供良好的判別依據。

關鍵詞：隧道;LSTM;神經網絡;深度學習;變形規律;

1 概述

近年來，隨著科技的進步，尤其是信息領域技術的進步，我國在各個領域都開始了智能建設的探索之旅，有著“基建狂魔”之稱的我國在基礎建設領域也取得了長足的進展，對基礎建設的標準和要求也越來越趨于現代化、智能化，尤其是在中央的第十四個五年規劃及2035年遠景目標提出的人類社會已經邁入智能化時代之后，更是將隧道領域的智能建造提上了新的日程，新一輪的隧道智能化建造更是迎來了新的機遇和挑戰。為加速隧道智能化建造的腳步，國內外不少學者分別從隧道的施工、運營等多方面展開了相關研究，盧芳芳、薛亞東等基于深度學習理論展開了有關隧道襯砌病害的研究，并選出合適的yolov2算法;柳厚祥等就公路隧道圍巖分級，研究并建立了一種基于深度學習技術的隧道圍巖自動分級系統，大大加速了圍巖的自動分級能力。對于隧道變形方面，早在2014年，周奇才等人就提出了基于Multi-agent的隧道變形監測系統，實現了對隧道變形的在線監測,隨著神經網絡的不斷發展，不少學者又基于神經網絡展開了對公路隧道的圍巖變形的研究，其中張錦等提出的使用改進型遺傳算法優化灰色神經網絡的隧道變形預測模型，便能很好的對進行隧道拱頂下沉量預測時有著更高的精度，更好的穩定性。目前，采用神經網絡研究隧道變形規律的文章較多，但基于深度學習理論研究隧道變形規律的文章略顯不足，因此本文基于深度學習理論的LSTM神經網絡通過對現場實測的收斂及其沉降等數據加以分析，實現對隧道的變形規律的智能監測。

2 隧道圍巖大變形的影響因素

2.1 地質條件

中坪左線隧道，位于河南省南陽市西峽縣中坪鎮附近，該隧道地臨兩河口附近，隧道全長457 m, 緊鄰311國道，爆破作業安全等級要求高，開挖困難較大，施工難度大，隧道變形也不穩定，交通疏導壓力較大，被建設者稱為最難啃的“硬骨頭”、最兇險的“攔路虎”,集中了斷層破碎帶、隧道巖爆、涌水等諸多不良地質，安全隱患和施工難度極大。此外，隧道洞內常年高溫，也給施工帶來很大困難。隧道圍巖變形主要受到地質條件、地層巖性、地質構造、地應力、施工方法及其支護措施等多方面的綜合因素影響，其中隧道所處的地質環境最為突出，其所處的地質環境是隧道地質條件、地層巖性、地質構造、地應力的決定性因素，對于不同的地理位置條件下的隧道，隧道所處的地質環境條件往往決定了隧道的開挖方法和支護形式，對隧道的變形也起著決定性作用。

2.2 施工方法

隧道施工開挖方法與支護措施直接影響隧道圍巖的應力釋放，對同一隧道而言，不同的開挖方法與支護措施意味著不同的圍巖應力和應變,圍巖不同的應力和應變往往又決定著隧道的不同的變形和沉降，近年來，隨著國內基建的發展，國內新建的隧道也越來越多，隧道的開挖方法也越來越多，基于不同地區的地質環境下的隧道，其施工方法也各有不同，但就目前而言，國內外對于隧道的施工方法主要有全斷面開挖法、臺階法、環型開挖留核心土法、中隔壁法(CD法)、雙側壁導坑法、交叉中隔壁法(CRD法)六種形式。

全斷面開挖法是按照設計輪廓一次爆破成形，然后修建襯砌的一種隧道施工方法，該方法開挖斷面與作業空間較大，受干擾較小，有充分的條件使用機械，能夠減少人力的投入，施工作業較安全，工序少，便于施工組織管理，開挖一次成形，對圍巖擾動較少，有利于圍巖穩定，但只適用于圍巖等級較好的隧道開挖，且往往要求隧道長度較長，一般要求隧道總長大于1 km, 對于Ⅳ級、Ⅴ級圍巖，由于此類圍巖在開挖以后，斷面很難維持自穩條件，往往不適合該方法開挖。本隧道圍巖大都為Ⅳ級、Ⅴ級圍巖，故不適合采用全斷面法開挖。臺階法作為當今運用最廣泛的施工方法之一，憑借該方法靈活多變、適用性強，凡是軟弱地層、第四紀沉積地層，均可采用，無論地層變好還是變壞，都能及時更改，變換成其他方法。另外，臺階法開挖具有足夠的作業空間和較快的施工速度，臺階有利于開挖面的穩定性，尤其是上部開挖支護后，能夠保證下部作業安全且適合Ⅳ級、Ⅴ級圍巖開挖等優點而被選為本隧道的施工形式。環型開挖留核心土法、中隔壁法(CD法)、雙側壁導坑法、交叉中隔壁法(CRD法)與臺階法相比，由于環型開挖留核心土法需要預留核心土支承開挖面，其作業面空間大大減小，不利于機械化施工，且對施工工藝要求較高。

3 隧道變形的監測方法

隧道作為一種地下工程結構物，在其開挖支護后，不可避免的會產生一定的變形和沉降，而對于高速公路和高速鐵路這一類對變形要求較高的建筑物，嚴格控制變形顯得尤為重要，因此無論在隧道開挖過程中還是在隧道的長期運營階段，為保證隧道的安全施工和運營，對圍巖變形的監測顯得無比重要，隧道圍巖監測主要是為了了解圍巖和建筑物結構內部的變形發展規律，對于公路隧道，其變形監測主要包含隧道的垂直沉降監測以及隧道的水平位移監測兩個方面。對于垂直沉降的監測，國內外多采用水準儀及其全站儀等儀器對目標變形區域進行定點定期監測，常用的方法有幾何水準測量法以及傳感器測量法；對于水平位移監測，一般是對目標區域設置觀測基線進行測量，即在隧道縱向上每隔一段距離分布一個基線樁，采用準直線法和測角法來測定目標觀測點與預先設置的基線樁之間的距離，并計算出其水平位移。

3.1 幾何水準測量法

幾何水準測量法作為垂直位移觀測方法的一種，它是以起測點高程為基準，引測建筑物變形前后的測點高程，通過該點測量前后高程的變化來監測結構物變形前后的位移的一種方法，這種方法采用三級點位，兩級控制，即設置水準點、起測基點、垂直位移標點3種測點，并通過水準基點校測起測基點以及通過起測基點觀測垂直位移標點來對垂直位移觀測進行控制，該方法具備操作簡便，測量設備簡易操作，對技術要求含量較低并可廣泛推廣，但受操控人員以及環境等多方面制約，測量精度往往難以達到測量人員的要求。

3.2 傳感器測量法

隧道的豎向沉降監測多采用人工監測，常規儀器多采用水準儀進行，該方法需要測量人員長期現場操作儀器，隧道作為一種地下工程結構物，常常深埋于地下，這種長期監測儀器對地下工作人員的人身安全往往難以保證，且具有工作量大，耗費的人力物力較高，不具備良好的經濟效益等缺點，因此，國內外學者基于以上不足提出了靜力水準儀自動化監測系統，該方法具有精度高，自動化效果好，能夠很好的彌補傳統的監測方法的不足，提高經濟效益。

4 結語

對于公路隧道而言，其每一時刻的變形量的大小，都決定著隧道的整個生命周期的安全，為使得隧道的安全施工和運營，本文通過小波去噪、歸一化等手段對現場實測數據進行處理，并利用深度學習網絡LSTM神經網絡模型對處理后的數據進行分析測試，來對隧道的變形進行智能預測，使得通過已知時間內隧道的變形改變量來預測下一未知時間內隧道的變形改變量，以指導隧道的安全施工和運營。

參考文獻

[1]王同軍.我國鐵路隧道智能化建造技術發展現狀及展望[J].中國鐵路，2020(12):1-9.

[2]王同軍.中國智能高鐵發展戰略研究[J].中國鐵路，2019(1):9-14.

[3]盧芳芳，陳帥豪.基于深度學習的隧道襯砌病害檢測算法研究[J].信息技術與信息化，2020(12):231-233.

-