基于深度学习模型的海底沉管隧道沉管的位移量预测方法技术

本发明专利技术公开了一种基于深度学习模型的海底沉管隧道沉管的位移量预测方法，首先获取海底沉管隧道的监测数据，数据包括温度、湿度、温度梯度、三轴加速度、水平差异位移、垂直差异位移以及张合量，形成时间序列数据集；然后计算各监测数据的均值、中位数、众数、标准差和方差等数据特征，并识别出数据中各时间点间的相互关系特征，再得到数据的长期趋势、季节性波动和随机残差的成分特征；利用数据集以及得到的数据特征、相互关系特征和成分特征，对LSTM模型和Transformer模型进行训练；模型训练完成后，将这两个模型的预测结果通过加权平均方法进行融合，生成最终的沉管位移预测结果。

【技术实现步骤摘要】

本专利技术属于工程结构智能监测，具体涉及一种基于深度学习模型的海底沉管隧道沉管的位移量预测方法。

技术介绍

1、在现代大型基础设施建设中，尤其是海底沉管隧道的施工过程中，结构健康监测显得尤为重要。海底沉管隧道通常面临极其复杂的环境条件，包括高水压、盐水侵蚀、不均匀地质压力、海流等，这些因素都会导致隧道结构发生沉降、移位、甚至开裂，从而严重威胁到隧道的长期稳定性和安全性。传统的结构健康监测方法主要依赖于定期的人工检查和有限的监测点数据，这种方法不仅效率低下，成本高昂，而且无法实时捕捉到隧道结构的动态变化，难以在早期发现和预警潜在的结构问题。此外，海底沉管隧道施工中，环境条件的复杂性，如湿度剧烈变化、温差效应、潮汐影响等，进一步增加了监测难度，使得传统监测手段难以应对这些挑战。随着工程规模的不断扩大和对隧道安全性要求的提升，依赖于传统方法的监测显然已无法满足现代海底沉管隧道施工的需求，亟需一种能够实时、精准、全面的监测技术来保障隧道的施工和运营安全。

2、在此背景下，基于深度学习的智能结构健康监测系统逐渐成为解决这一问题的有效途径。深度学习技术，尤本文档来自技高网...

【技术保护点】

1.一种基于深度学习模型的海底沉管隧道沉管的位移量预测方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的基于深度学习模型的海底沉管隧道沉管的位移量预测方法，其特征在于：步骤1中，基于历史监测数据的变化率来动态调整数据的采样频率。

3.根据权利要求1所述的基于深度学习模型的海底沉管隧道沉管的位移量预测方法，其特征在于：步骤2中，预处理包括：缺失值处理和异常值检测与修正。

4.根据权利要求3所述的基于深度学习模型的海底沉管隧道沉管的位移量预测方法，其特征在于：步骤2中，缺失值处理，包括：1）如果某时间点的监测数据缺失率超过30%，该时间点的数据将被...

【技术特征摘要】

1.一种基于深度学习模型的海底沉管隧道沉管的位移量预测方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的基于深度学习模型的海底沉管隧道沉管的位移量预测方法，其特征在于：步骤1中，基于历史监测数据的变化率来动态调整数据的采样频率。

3.根据权利要求1所述的基于深度学习模型的海底沉管隧道沉管的位移量预测方法，其特征在于：步骤2中，预处理包括：缺失值处理和异常值检测与修正。

4.根据权利要求3所述的基于深度学习模型的海底沉管隧道沉管的位移量预测方法，其特征在于：步骤2中，缺失值处理，包括：1）如果某时间点的监测数据缺失率超过30%，该时间点的数据将被删除；2）如果采样周期内出现连续缺失值，选择使用前面或后面第一个有效值填充缺失数据。

5.根据权利要求3所述的基于深...

【专利技术属性】
技术研发人员：卫宇航，侯晋芳，刘爱民，李斌，冯海暴，马宗豪，刘钊，
申请(专利权)人：中交天津港湾工程研究院有限公司，
类型：发明
国别省市：