基于人工智能的沉管隧道服役状态预测方法技术

本发明专利技术公开了一种基于人工智能的沉管隧道服役状态预测方法，包括：构建三维精细化数值仿真模型；提取数值仿真模型输出的在不同工况下的沉管结构数据，形成仿真数据库；构建神经网络模型；利用仿真数据库中的数据对神经网络模型进行训练，得到训练好的神经网络模型；将沉管隧道监测数据输入到训练好的神经网络模型，输出沉管结构变形数据；对沉管结构变形数据进行比较分析，得到沉管隧道服役状态预测结果。本发明专利技术能够获得海量的沉管结构相关数据，实现了对沉管隧道服役状态进行准确有效的预测评估。预测评估。预测评估。

【技术实现步骤摘要】
基于人工智能的沉管隧道服役状态预测方法


[0001]本专利技术涉及沉管隧道监测领域，具体涉及一种基于人工智能的沉管隧道服役状态预测方法。

技术介绍

[0002]沉管隧道的服役状态是指隧道建设完工后，正式投入使用并提供交通或其他服务的状态。在这个状态下，沉管隧道承担起连接两个地点、运输车辆、人员或其他资源的功能。在沉管隧道的服役状态下，相关机构负责隧道的日常管理和维护，以确保其安全、高效地服务于公众。
[0003]沉管隧道服役状态评价作为隧道安全运营养护的重要前提，通过对实测数据进行科学有效的处理并构建合适的模型，成为隧道结构在线评估预警的关键环节。但由于沉管隧道赋存环境与结构自身的复杂性，以及健康监测系统在隧道领域发展的滞后性，导致现有的监测数据不足，难以对在役沉管隧道服役状态进行准确有效的预测评估。因此，需要一种基于人工智能的沉管隧道服役状态预测方法，能够解决以上问题。

技术实现思路

[0004]有鉴于此，本专利技术的目的是克服现有技术中的缺陷，提供基于人工智能的沉管隧道服役状态预测方法，能够获得海量的沉管结构相关数据，实现了对沉管隧道服役状态进行准确有效的预测评估。
[0005]本专利技术的基于人工智能的沉管隧道服役状态预测方法，包括：
[0006]构建三维精细化数值仿真模型；
[0007]提取数值仿真模型输出的在不同工况下的沉管结构数据，形成仿真数据库；
[0008]构建神经网络模型；
[0009]利用仿真数据库中的数据对神经网络模型进行训练，得到训练好的神经网络模型；
[0010]将沉管隧道监测数据输入到训练好的神经网络模型，输出沉管结构变形数据；
[0011]对沉管结构变形数据进行比较分析，得到沉管隧道服役状态预测结果。
[0012]进一步，构建三维精细化数值仿真模型，具体包括：
[0013]将沉管隧道的管节接头作为关键部件；
[0014]针对管节接头处的止水带，采用非线性弹簧单元模拟该材料的受压力学性能，根据不同型号止水带的荷载
‑
压缩曲线进行参数设置；
[0015]针对管节接头处的剪力键，根据设计图纸完全还原剪力键的材料类型、内部构造及连接形式；
[0016]将沉管隧道变形姿态、地基参数、上覆荷载作为变量，拟定多变量耦合下的环境工况。
[0017]进一步，所述沉管隧道变形姿态包括压缩变形、水平错动、竖向错动、竖向弯曲、水
平弯曲、扭转。
[0018]进一步，所述沉管结构数据包括管节结构变形数据、剪力键变形数据及止水带变形数据。
[0019]进一步，所述管节结构变形数据包括管节XY方向的位移变化数据以及管节Z方向的位移变化数据；
[0020]所述剪力键变形数据包括剪力键XY方向的位移变化数据以及剪力键Z方向的位移变化数据；
[0021]所述止水带变形数据包括止水带XY方向的位移变化数据以及止水带Z方向的位移变化数据。
[0022]进一步，利用仿真数据库中的数据对神经网络模型进行训练，得到训练好的神经网络模型，具体包括：
[0023]对仿真数据库中的数据进行预处理，得到处理后的数据；
[0024]对处理后的数据进行划分，得到划分后的数据；
[0025]对划分后的数据进行归一化处理，得到归一化后的数据；
[0026]将归一化后的数据输入到神经网络模型进行模型训练，调整神经网络模型中的各参数值，使得神经网络模型的目标误差达到目标要求，将达到目标要求的神经网络模型作为训练好的神经网络模型。
[0027]进一步，对仿真数据库中的数据进行预处理，得到处理后的数据，具体包括：
[0028]按照不同的管节进行逐一排查，将所有的数据全部绘制成折线图进行可视化，并筛选得到所有存在的跳变点数据；
[0029]将具有实际物理意义且位移值满足设定阈值的跳变点数据作为重点数据，将重点数据对应的管节和工况进行归类；
[0030]将仿真数据库中无任何意义的数据进行删除。
[0031]进一步，对处理后的数据进行划分，得到划分后的数据，具体包括：
[0032]将管节接头在所有对应工况下的现场监测数据作为神经网络模型的输入；
[0033]将管节接头在所有对应工况下剪力键XY方向的位移变化数据作为神经网络模型的第一输出；
[0034]将管节接头在所有对应工况下剪力键Z方向的位移变化数据作为神经网络模型的第二输出；
[0035]将管节接头在所有对应工况下止水带XY方向的位移变化数据作为神经网络模型的第三输出；
[0036]将管节接头在所有对应工况下止水带Z方向的位移变化数据作为神经网络模型的第四输出。
[0037]进一步，所述神经网络模型采用BP神经网络模型。
[0038]进一步，在神经网络模型训练过程中，根据如下方法设置各个参数：
[0039]初始迭代次数设置为1000，初始学习率设置为0.01，预测误差精度设置为0.01mm；
[0040]隐藏层节点个数根据如下公式确定：
[0041][0042]其中，n为输入层节点数；l为隐藏层节点数；m为输出层节点数；a为0～10之间的常数。
[0043]本专利技术的有益效果是：本专利技术公开的一种基于人工智能的沉管隧道服役状态预测方法，面向沉管隧道实际运营状态结构安全在线评价与预警的需求，采用神经网络算法建立沉管隧道现场监测数据和数值仿真数据的驱动关系，“提前”建立沉管隧道服役状态数据库，该数据库可为结构评价与预警模型提供数据来源，保障了沉管隧道服役期结构安全评价数据来源的有效性及全面性，实现了可靠有效的在线评价与预警。
附图说明
[0044]下面结合附图和实施例对本专利技术作进一步描述：
[0045]图1为本专利技术的状态预测方法流程示意图；
[0046]图2为本专利技术的沉管隧道精细化建模示意图；
[0047]图3为本专利技术的管节结构输出信息测点示意图；
[0048]图4为本专利技术的剪力键及GINA止水带输出信息测点示意图；
[0049]图5为本专利技术的神经网络模型训练过程示意图。
具体实施方式
[0050]以下结合说明书附图对本专利技术做出进一步的说明，如图所示：
[0051]本专利技术的基于人工智能的沉管隧道服役状态预测方法，包括如下步骤：
[0052]S1.构建三维精细化数值仿真模型；
[0053]S2.提取数值仿真模型输出的在不同工况下的沉管结构数据，形成仿真数据库；
[0054]S3.构建神经网络模型；
[0055]S4.利用仿真数据库中的数据对神经网络模型进行训练，得到训练好的神经网络模型；
[0056]S5.将沉管隧道监测数据输入到训练好的神经网络模型，输出沉管结构变形数据；其中，沉管隧道监测数据为采集到的实时现场监测数据，该监测数据包括沉管隧道变形姿态、地基参数、上覆荷载；神经网络模型输出管节接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的沉管隧道服役状态预测方法，其特征在于：包括：构建三维精细化数值仿真模型；提取数值仿真模型输出的在不同工况下的沉管结构数据，形成仿真数据库；构建神经网络模型；利用仿真数据库中的数据对神经网络模型进行训练，得到训练好的神经网络模型；将沉管隧道监测数据输入到训练好的神经网络模型，输出沉管结构变形数据；对沉管结构变形数据进行比较分析，得到沉管隧道服役状态预测结果。2.根据权利要求1所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：构建三维精细化数值仿真模型，具体包括：将沉管隧道的管节接头作为关键部件；针对管节接头处的止水带，采用非线性弹簧单元模拟该材料的受压力学性能，根据不同型号止水带的荷载
‑
压缩曲线进行参数设置；针对管节接头处的剪力键，根据设计图纸完全还原剪力键的材料类型、内部构造及连接形式；将沉管隧道变形姿态、地基参数、上覆荷载作为变量，拟定多变量耦合下的环境工况。3.根据权利要求2所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：所述沉管隧道变形姿态包括压缩变形、水平错动、竖向错动、竖向弯曲、水平弯曲、扭转。4.根据权利要求1所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：所述沉管结构数据包括管节结构变形数据、剪力键变形数据及止水带变形数据。5.根据权利要求4所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：所述管节结构变形数据包括管节XY方向的位移变化数据以及管节Z方向的位移变化数据；所述剪力键变形数据包括剪力键XY方向的位移变化数据以及剪力键Z方向的位移变化数据；所述止水带变形数据包括止水带XY方向的位移变化数据以及止水带Z方向的位移变化数据。6.根据权利要求1所述的基于人工智能的沉管隧道服役状态预测方法，其特征在于：利用仿真数据库中的数据对神经网络模型进行训练，得到训练好的神经网络模型，具体包括：对仿真数据库中的数据进行预处理，得...

【专利技术属性】
技术研发人员：丁浩，曹鹏，陈建忠，杨孟，郭鸿雁，陈俊涛，
申请(专利权)人：招商局重庆交通科研设计院有限公司，
类型：发明
国别省市：