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接收信号强度指示(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：步骤1-1，由无线传感器网络测量得到RSSI数据；步骤1-2，将RSSI数据送入预先训练得到的渗漏水状况重建模型得到损耗因子分布图像；步骤1-3，输出损耗因子分布图像；其中，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，对训练用RSSI数据和训练用损耗因子分布图像，分别进行归一化的处理从而得到由训练用RSSI数据组成的RSSI数据集以及由训练用损耗因子分布图像组成的损耗因子图像数据集，步骤2-3，针对RSSI数据集以及损耗因子图像数据集设置参数，预先设定的训练学习算法得到正问题规模、RSSI数据的属性维数以及损耗因子分布图像的标签图像维度；步骤2-4，根据正问题规模、属性维数、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，根据初始化参数对深度学习网络进行初始化得到待训练渗漏水状况重建模型；步骤2-6，根据损失误差最小原则对待训练渗漏水状况重建模型进行模型参数训练，并将训练得到的模型作为渗漏水状况重建模型。本专利技术提供的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，还可以具有这样的技术特征，其中，记RSSI数据集设置为S，损耗因子图像数据集设置为N，S以及N表示的含义分别为：式中，m是表示训练样本数目，n1是训练集样本的RSSI数据的数目，n2×n2是训练集样本标签图像的像素规模。本专利技术提供的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，还可以具有这样的技术特征，其中，渗漏水状况重建模型包括输入层、全连接运算、神经元重组卷积运算以及输出层，除了输出层无激活函数，输入层、全连接运算、神经元重组卷积运算均具有激活函数。本专利技术提供的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，还可以具有这样的技术特征，其中，初始化参数包括权重、学习率、损失函数、学习优化算法、最大迭代次数。专利技术作用与效果根据本专利技术提供的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，将RSSI数据通过预先训练得到的渗漏水状况重建模型得到损耗因子分布图像并输出，其中，渗漏水状况重建模型的训练过程为，首先通过对RSSI数据正问题进行仿真计算并通过归一化处理得到RSSI数据集以及损耗因子图像数据集，然后设置深度学习网络的模型架构以及初始化参数，基于该RSSI数据集以及损耗因子图像数据集经由预先设定的训练学习算法来确定深度学习网络的最终模型，训练过程中训练中采用损失误差最小原则训练得到渗漏水状况重建模型。另外，还由于通过利用深度机器学习方法学习到RSSI数据与损耗因子分布图像之间的映射关系，从而能够更好地根据实际的RSSI数据测得重建空间区域的渗漏水状况。同时，还由于本专利技术的渗漏水监测方法是基于无线电波传播路径损耗原理，并基于RSSI数据进行，从而能够在较大面积、较大规模尺度上更及时的实现大型土木的渗漏水监测重建，较传统以温湿度监测为主的方法能够极大拓展监测的空间范围，能够更有效的感知一个区域的变化，并减少渗漏水灾害所带来的经济损失与人员伤亡。通过这种着重于对初始化参数的优化以及RSSI数据集以及损耗因子图像数据集的生成能够在将渗漏水状况重建模型投入使用时提高根据RSSI数据来进行空间区域渗水状况预测的效率，从而能够在较大面积、较大规模、更及时实现大型土木的渗漏水监测重建，极大地减少渗漏水灾害所带来的经济损失与人员伤亡。此外，本专利技术的渗漏水状态重建方法采用深度神经网络模型，较传统逆问题的迭代正则化求解方案，复杂性显著降低，且能够较好的解决该类逆问题的病态性和不适定性并得到更加稳定可靠的重建结果。附图说明图1是本专利技术实施例中的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的流程图；图2是本专利技术实施例中渗漏水状况重建模型的架构图；以及图3是本专利技术实施例中渗漏水状况重建模型的重建原理图。具体实施方式为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本专利技术的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作具体阐述。<实施例>本实施例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，其原理为：由于大型土木结构渗漏水改变了电磁特性并由此影响到空间电磁波的传播，这种情况的出现使无线传感器通信的接受信号强度指示RSSI值发生了相应的变化。本实施例中，RSSI数据为一串RSSI序列。图1是本专利技术实施例中的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的流程图。如图1所示，大型土木工程结构的渗漏水状况重建方法包括步骤1-1至步骤1-3，具体如下：步骤1-1，由无线传感器测量得到的RSSI序列，然后进入步骤1-2；步骤1-2，将RSSI序列预先训练得到的渗漏水状况重建模型得到损耗因子分布图像，然后进入步骤1-3；步骤1-3，输出损耗因子分布图像，而该损耗因子图像与空间中的渗漏水严重程度呈显著正相关，这是由无线电波传播特性受水的影响较大所决定的，因此该分布图像可作为渗漏水严重程度的参考估计值。至此结束流程。图2是本专利技术实施例中渗漏水状况重建模型的架构图。如图2所示，渗漏水状况重建模型为通过将输入的RSSI序列通过单元重组层(神经元重组卷积运算层)以及三个卷积层(隐含层)输出路径损耗因子分布图像。其中，渗漏水状况重建模型包括输入层、全连接运算、神经元重组卷积运算层以及输出层，除了输出层无激活函数，输入层、全连接运算、神经元重组卷积运算均具有激活函数。在本实施例中，输入渗漏水状况重建模型本文档来自技高网...

【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；/n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；/n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；/n步骤2-5，根据所述初始化参数对所述深度学习网络进行初始化得到待训练渗漏水状况重建模型；/n步骤2-6，根据损失误差最小原则对所述待训练渗漏水状况重建模型进行模型参数训练，并将训练得到的模型作为所述渗漏水状况重建模型。/n...

【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