基于深度学习的大型土木工程结构的渗漏水状况重建方法技术

本发明专利技术提供一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，可根据无线电波传播路径损耗原理测量得到接收信号强度指示RSSI数据，并经渗漏水状况重建模型得到损耗因子分布图像，其中，模型训练过程为，首先对RSSI序列正问题仿真数值求解并归一化得到RSSI序列数据集以及路径损耗因子图像数据集，并由数据得出正问题规模、属性维数以及标签图像维度来确定模型架构以及初始化参数，然后经由训练学习算法得到渗漏水状况重建模型。该方法通过易获得RSSI数据与损耗因子分布图像之间的相关映射关系可以在较大面积、较大规模尺度上更及时实现大型土木工程结构的渗漏水状态重建，可减少渗漏水灾害导致的结构损坏、经济损失与人员伤亡。

【技术实现步骤摘要】
基于深度学习的大型土木工程结构的渗漏水状况重建方法
本专利技术涉及一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，涉及大型土木结构渗漏水无线监测领域。
技术介绍
在基础设施建设过程中，盾构隧道的结构安全是管廊、隧道建设能够正常运行的重要保障，那么渗漏水是最常见也是最典型的一种盾构隧道结构灾害，因此实现渗漏水检测和实时监控尤为重要。目前常见的隧道管廊渗漏水检测的方案有人工目测或量测、红外热成像检测、激光扫描无损检测、地质雷达检测、超声波检测以及无线传感器网络数据检测。通过基于无线传感器网络数据重建一片区域的渗漏水状况在数学上可以抽象成逆问题求解，而经典逆问题多采用迭代正则化求解逆问题，正则化虽然在一定程度上能改善逆问题的不适定性，但依赖较多的先验知识，在面对复杂数据时仍然效果有限，需要进一步改善。
技术实现思路
为解决上述问题，提供一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，本专利技术采用了如下技术方案：本专利技术提供了一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，根据输入的无线通信信号的本文档来自技高网...

【技术保护点】
1.一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，可根据输入的无线通信信号的RSSI数据，通过训练好的渗漏水状况重建模型得出空间区域路径的损耗因子分布图像用于指示空间渗漏水情况，其特征在于，包括如下步骤：/n步骤1-1，由无线传感器网络测量得到所述RSSI数据；/n步骤1-2，将所述RSSI数据送入预先训练得到的渗漏水状况重建模型得到所述损耗因子分布图像；/n步骤1-3，输出所述损耗因子分布图像，/n其中，所述渗漏水状况重建模型的训练过程包括以下子步骤：/n步骤2-1，通过对无线信号传播过程正问题进行数值仿真计算得到训练用RSSI数据以及训练用损耗因子分布图像；/n步骤2-2，对所述...

【技术特征摘要】
1.一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，可根据输入的无线通信信号的RSSI数据，通过训练好的渗漏水状况重建模型得出空间区域路径的损耗因子分布图像用于指示空间渗漏水情况，其特征在于，包括如下步骤：
步骤1-1，由无线传感器网络测量得到所述RSSI数据；
步骤1-2，将所述RSSI数据送入预先训练得到的渗漏水状况重建模型得到所述损耗因子分布图像；
步骤1-3，输出所述损耗因子分布图像，
其中，所述渗漏水状况重建模型的训练过程包括以下子步骤：
步骤2-1，通过对无线信号传播过程正问题进行数值仿真计算得到训练用RSSI数据以及训练用损耗因子分布图像；
步骤2-2，对所述训练用RSSI数据和所述训练用损耗因子分布图像分别预处理，包括归一化以及组合，形成用于神经网络训练的RSSI数据集以及损耗因子图像数据集；
步骤2-3，针对所述RSSI数据集以及所述损耗因子图像数据集设置参数，包括正问题规模、所述RSSI数据的属性维数以及所述损耗因子分布图像的标签图像维度；
步骤2-4，根据所述正问题规模、所述属性维数、所述标签图像维度确定深度学习网络的模型架构以及初始化参数；
步骤2-5，根据所述初...

【专利技术属性】
技术研发人员：张伟，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31