CN118606731B - 一种隧道变形预测方法及系统 - Google Patents
一种隧道变形预测方法及系统 Download PDFInfo
- Publication number
- CN118606731B CN118606731B CN202411080828.2A CN202411080828A CN118606731B CN 118606731 B CN118606731 B CN 118606731B CN 202411080828 A CN202411080828 A CN 202411080828A CN 118606731 B CN118606731 B CN 118606731B
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring data
- prediction
- decomposition
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000012544 monitoring process Methods 0.000 claims abstract description 122
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 48
- 238000012546 transfer Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000003491 array Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 241001123248 Arma Species 0.000 claims description 4
- 239000004973 liquid crystal related substance Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种隧道变形预测方法及系统，所述方法包括对隧道变形监测数据进行预处理；对处理监测数据进行分量分解；对分解监测数据进行搜索聚类处理；将历史训练数据分别输入第一预设模型与第二预设模型中进行训练；判断变形特征数据是否平稳，若变形特征数据平稳，则将变形特征数据输入第一训练预测模型中进行预测，以输出预测结果，若变形特征数据不平稳，则将变形特征数据输入第二训练预测模型中进行预测，以输出预测结果，本发明可有效滤除掉数据中存在的噪声以及一些对预测无帮助的数据，可提升模型预测速度以及模型预测准确度。
Description
技术领域
本发明属于隧道变形预测的技术领域，具体地涉及一种隧道变形预测方法及系统。
背景技术
在隧道施工或者隧道建成之后，由于外力原因会给隧道本身造成一定的损伤，而损伤包括隧道的变形，因此在隧道变形发生之前，对隧道的变形进行预测是非常有必要的；
在现有技术中，存在通过在隧道周围安装的传感器获取隧道的监测数据，并对监测数据进行一系列分析，进而对隧道的变形进行预警，但在实际情况下，传感器采集的数据由于其安装位置、天气、传感器损坏、监测数据传输中断等因素，导致采集到的监测数据存在较大的噪声，如直接将采集到的数据输入模型中进行变形预测，则会导致实际的预测精度不高，影响隧道变形的预警过程。
发明内容
为了解决上述技术问题，本发明提供了一种隧道变形预测方法及系统，用于解决现有技术中的技术问题。
一方面，本发明提供以下技术方案，一种隧道变形预测方法，包括：
获取隧道变形监测数据，对所述隧道变形监测数据进行预处理，以得到处理监测数据；
对所述处理监测数据进行分量分解，以得到分解监测数据；
对所述分解监测数据进行搜索聚类处理，以得到变形特征数据；
获取历史训练数据，将所述历史训练数据分别输入第一预设模型与第二预设模型中进行训练，分别输出第一训练预测模型与第二训练预测模型；
判断所述变形特征数据是否平稳，若所述变形特征数据平稳，则将所述变形特征数据输入所述第一训练预测模型中进行预测，以输出预测结果，若所述变形特征数据不平稳，则将所述变形特征数据输入第二训练预测模型中进行预测，以输出预测结果。
相比现有技术，本发明的有益效果为：本申请首先获取隧道变形监测数据，对隧道变形监测数据进行预处理，以得到处理监测数据；对处理监测数据进行分量分解，以得到分解监测数据；对分解监测数据进行搜索聚类处理，以得到变形特征数据；获取历史训练数据，将历史训练数据分别输入第一预设模型与第二预设模型中进行训练，分别输出第一训练预测模型与第二训练预测模型；判断变形特征数据是否平稳，若变形特征数据平稳，则将变形特征数据输入第一训练预测模型中进行预测，以输出预测结果，若变形特征数据不平稳，则将变形特征数据输入第二训练预测模型中进行预测，以输出预测结果，本发明首先对数据进行分量分解过程，可有效滤除掉数据中存在的噪声以及一些对预测无帮助的数据，以提升预测准确度，且对数据进行搜索聚类处理，使得处理后的数据可充分体现数据本身的特征，可提升模型预测速度以及模型预测准确度。
较佳的，所述对所述隧道变形监测数据进行预处理，以得到处理监测数据的步骤包括：对所述隧道变形监测数据依次进行滤波处理、平滑去噪、缺失值识别、缺失值填补，以得到处理监测数据。
较佳的，所述对所述处理监测数据进行分量分解，以得到分解监测数据的步骤包括：
将所述处理监测数据按时序绘制曲线图，搜索所述曲线图中出现的波峰点与波谷点；
将所述波峰点与所述波谷点进行拟合，以得到波峰线与波谷线，基于所述波峰线与所述波谷线计算波动均值：
；
基于所述波动均值与所述处理监测数据生成波动数据：
；
判断第一个波动数据是否满足分解条件，其中分解条件为：
；
式中，表示第一个波动数据，表示第个波动数据，表示分解阈值；
若第一个波动数据满足分解条件，则将所述第一个波动数据作为第一个特征分量，并将所述处理监测数据减去第一个波动数据，以得到趋势分量，基于所述趋势分量与分解方程循环进行分解过程，以得到若干特征分量，其中，所述分解方程为：
；
式中，表示第个特征分量，表示第个趋势分量；
对所述特征分量进行迭代处理，以得到分解监测数据。
较佳的，所述对所述特征分量进行迭代处理，以得到分解监测数据的步骤包括：
将若干所述特征分量存入分量数组中，将所述分量数组转移至基频带，以得到转移数组：
；
式中，为脉冲函数，为时间，为复数，为瞬时频率；
基于所述转移数组构建迭代方程：
；
式中，为惩罚因子，表示对时间进行偏导数，为拉格朗日算子；
对所述迭代方程中的参数进行迭代运算，直至满足迭代终止条件，输出最后一次迭代的参数并通过最后一次迭代的参数对所述迭代方程进行更新，并基于更新后的迭代方程输出组分解监测数据。
较佳的，在所述对所述迭代方程中的参数进行迭代运算，直至满足迭代终止条件，输出最后一次迭代的参数并通过最后一次迭代的参数对所述迭代方程进行更新的步骤中，迭代后的参数包括：
；
式中，表示第次迭代后得到的分量数组，表示处理监测数据经过傅里叶变换得到的数据，表示逆傅里叶变换，表示第次迭代后得到的分量数组经过傅里叶变换得到的数组，表示拉格朗日算子经过傅里叶变换得到的算子，表示频率；
；
式中，表示经过傅里叶变换得到的数组；
；
式中，表示噪声上限，表示第次迭代后拉格朗日算子经过傅里叶变换得到的算子。
较佳的，所述对所述分解监测数据进行搜索聚类处理，以得到变形特征数据的步骤包括：
将组分解监测数据中任意选取组分解监测数据作为聚类中心序列，计算剩余的组分解监测数据与组聚类中心序列中各个数据之间的欧几里得距离，基于欧几里得距离构建距离矩阵：
；
式中，表示剩余的组分解监测数据中任意一组分解监测数据中第个数据与组聚类中心序列中任意一聚类中心序列中第个数据之间的欧几里得距离；
从所述距离矩阵中左上角的第一个元素开始至右下角的最后一个元素终止进行距离搜索，计算左上角的第一个元素到右下角的最后一个元素的最优欧几里得距离的累加值，并将累加值作为聚类判断距离；
基于所述聚类判断距离将剩余的组分解监测数据划分至最近的聚类中心序列中，并迭代进行新聚类中心序列的选取与序列的划分，以得到组变形特征数据。
较佳的，在所述判断所述变形特征数据是否平稳，若所述变形特征数据平稳，则将所述变形特征数据输入所述第一训练预测模型中进行预测，以输出预测结果，若所述变形特征数据不平稳，则将所述变形特征数据输入第二训练预测模型中进行预测，以输出预测结果的步骤中，所述第一训练预测模型为ARMA模型，第二训练预测模型为LSTM模型。
第二方面，本发明提供以下技术方案，一种隧道变形预测系统，所述系统包括：
预处理模块，用于获取隧道变形监测数据，对所述隧道变形监测数据进行预处理，以得到处理监测数据；
分解模块，用于对所述处理监测数据进行分量分解，以得到分解监测数据；
聚类模块，用于对所述分解监测数据进行搜索聚类处理，以得到变形特征数据；
训练模块，用于获取历史训练数据，将所述历史训练数据分别输入第一预设模型与第二预设模型中进行训练，分别输出第一训练预测模型与第二训练预测模型；
预测模块，用于判断所述变形特征数据是否平稳，若所述变形特征数据平稳，则将所述变形特征数据输入所述第一训练预测模型中进行预测，以输出预测结果，若所述变形特征数据不平稳，则将所述变形特征数据输入第二训练预测模型中进行预测，以输出预测结果。
第三方面，本发明提供以下技术方案，一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的隧道变形预测方法。
第四方面，本发明提供以下技术方案，一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的隧道变形预测方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的隧道变形预测方法的流程图；
图2为本发明实施例二提供的隧道变形预测系统的结构框图；
图3为本发明另一实施例提供的计算机的硬件结构示意图。
以下将结合附图对本发明实施例作进一步说明。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明的实施例，而不能理解为对本发明的限制。
实施例一
在本发明的实施例一中，如图1所示，一种隧道变形预测方法，包括：
S1、获取隧道变形监测数据，对所述隧道变形监测数据进行预处理，以得到处理监测数据；
具体的，在步骤S1中，预处理过程包括滤波处理、平滑去噪、缺失值识别、缺失值填补，而上述预处理过程为现有技术中对数据的常用处理手段，因此在此不做赘述。
S2、对所述处理监测数据进行分量分解，以得到分解监测数据；
其中，所述步骤S2包括：
S21、将所述处理监测数据按时序绘制曲线图，搜索所述曲线图中出现的波峰点与波谷点；
具体的，对于处理监测数据而言，其虽经过预处理过程，但一个完整的时序序列数据，其数据仍会存在一定的波动，而波动的数据在绘制曲线图时会存在若干个波峰点与波谷点。
S22、将所述波峰点与所述波谷点进行拟合，以得到波峰线与波谷线，基于所述波峰线与所述波谷线计算波动均值：
；
具体的，在分别得到的波峰点与波谷点之后，采用三次样条差值法可分别将若干波峰点与波谷点进行连接拟合，而连接得到的曲线的表达式即分别为、，之后通过取两个表达式的均值，即可得到波动均值，拟合方法为。
S23、基于所述波动均值与所述处理监测数据生成波动数据：
；
具体的，此处生成的拨动数据为一个新的数据。
S24、判断第一个波动数据是否满足分解条件，其中分解条件为：
；
式中，表示第一个波动数据，表示第个波动数据，表示分解阈值；
其中，的取值范围为0.2-0.3
S25、若第一个波动数据满足分解条件，则将所述第一个波动数据作为第一个特征分量，并将所述处理监测数据减去第一个波动数据，以得到趋势分量，基于所述趋势分量与分解方程循环进行分解过程，以得到若干特征分量，其中，所述分解方程为：
；
式中，表示第个特征分量，表示第个趋势分量；
具体的，在得到波动数据之后，需要判断该波动数据是否满足分解条件，若不满足则重复进行上述步骤，若满足，则将得到的第一个波动数据作为第一个分解出的特征分量，之后利用原始的处理监测数据减去该特征分量，即可得到对应的趋势分量，该趋势分量反应了数据的中心趋势，之后按照分解方程的表达式，即可循环进行分解以及趋势分量计算的过程，最终得到了M个特征分量。
S26、对所述特征分量进行迭代处理，以得到分解监测数据；
其中，所述步骤S26具体包括：
S261、将若干所述特征分量存入分量数组中，将所述分量数组转移至基频带，以得到转移数组：
；
式中，为脉冲函数，为时间，为复数，为瞬时频率；
具体的，在将分量数组转移至基频带式，只需将各个数据通过HILbert变换之后乘以对应的中心频率即可得到转移数组。
S262、基于所述转移数组构建迭代方程：
；
式中，为惩罚因子，表示对时间进行偏导数，为拉格朗日算子；
具体的，上述迭代方程实际为一个非约束的变分函数，通过对上述方程中的参数进行迭代求解即可输出函数最优解。
S263、对所述迭代方程中的参数进行迭代运算，直至满足迭代终止条件，输出最后一次迭代的参数并通过最后一次迭代的参数对所述迭代方程进行更新，并基于更新后的迭代方程输出组分解监测数据；
其中，迭代终止条件为：
；
若最后一次迭代得到的分量数组满足上述条件，则输出最优一次迭代的参数，若不满足则继续进行上述迭代过程，同时在迭代完成之后，根据特征分量的数量以及更新的迭代方程可获得对应数量的分解监测数据，即组分解监测数据。
其中，迭代后的参数包括：
；
式中，表示第次迭代后得到的分量数组，表示处理监测数据经过傅里叶变换得到的数据，表示逆傅里叶变换，表示第次迭代后得到的分量数组经过傅里叶变换得到的数组，表示拉格朗日算子经过傅里叶变换得到的算子，表示频率；
；
式中，表示经过傅里叶变换得到的数组；
；
式中，表示噪声上限，表示第次迭代后拉格朗日算子经过傅里叶变换得到的算子；
具体的，由于在迭代的过程中，上述参数进行了傅里叶变换，因此在输出迭代后得到的参数时，需要将其进行逆傅里叶变换，将频域数据转换为时域数据。
S3、对所述分解监测数据进行搜索聚类处理，以得到变形特征数据；
其中，所述步骤S3包括：
S31、将组分解监测数据中任意选取组分解监测数据作为聚类中心序列，计算剩余的组分解监测数据与组聚类中心序列中各个数据之间的欧几里得距离，基于欧几里得距离构建距离矩阵：
；
式中，表示剩余的组分解监测数据中任意一组分解监测数据中第个数据与组聚类中心序列中任意一聚类中心序列中第个数据之间的欧几里得距离；
S32、从所述距离矩阵中左上角的第一个元素开始至右下角的最后一个元素终止进行距离搜索，计算左上角的第一个元素到右下角的最后一个元素的最优欧几里得距离的累加值，并将累加值作为聚类判断距离；
具体的，在距离搜索的过程中需要满足一下条件：第一、路径必须从左上角至右下角；第二、在路径搜索时必须沿着相邻点逐点进行选择，其搜索方向为朝下、朝右；第三、搜索只能逐步进行，不能方向，不同进行元素跳跃搜索；
通过逐元素进行最短路径的搜索，之后将搜索得到的路径的累加距离作为聚类判断距离。
S33、基于所述聚类判断距离将剩余的组分解监测数据划分至最近的聚类中心序列中，并迭代进行新聚类中心序列的选取与序列的划分，以得到组变形特征数据；
具体的，在数据划分之后，之后通过dist函数计算每个簇中除聚类中心序列以外的其他序列与聚类中心序列之间的相似度，将相似度最小时对应的序列作为新的聚类中心，并迭代进行聚类过程，直至各个簇中聚类中心序列不在改变或者循环到预设次数，即可输出组变形特征数据。
S4、获取历史训练数据，将所述历史训练数据分别输入第一预设模型与第二预设模型中进行训练，分别输出第一训练预测模型与第二训练预测模型；
具体的，历史训练数据可为采集得到的前若干个时段的监测数据或者关于隧道变形的监测数据，通过将历史训练数据分别输入到第一预设模型与第二预设模型中进行训练，即可得到第一训练预测模型与第二训练预测模型。
S5、判断所述变形特征数据是否平稳，若所述变形特征数据平稳，则将所述变形特征数据输入所述第一训练预测模型中进行预测，以输出预测结果，若所述变形特征数据不平稳，则将所述变形特征数据输入第二训练预测模型中进行预测，以输出预测结果；
具体的，在步骤S5中，所述第一训练预测模型为ARMA模型，第二训练预测模型为LSTM模型，首先通过变形特征数据的自相关系数，并根据自相关系数的变化幅度以及是否趋于0判断数据是否平稳，若数据平稳，则可采用ARMA模型进行预测输出，若数据不平稳，则可采用LSTM模型进行预测数据，根据数据是否平稳而选择不同的模型进行预测数据，可进一步提升预测准确度。
本发明实施例一提供的隧道变形预测方法，首先获取隧道变形监测数据，对隧道变形监测数据进行预处理，以得到处理监测数据；对处理监测数据进行分量分解，以得到分解监测数据；对分解监测数据进行搜索聚类处理，以得到变形特征数据；获取历史训练数据，将历史训练数据分别输入第一预设模型与第二预设模型中进行训练，分别输出第一训练预测模型与第二训练预测模型；判断变形特征数据是否平稳，若变形特征数据平稳，则将变形特征数据输入第一训练预测模型中进行预测，以输出预测结果，若变形特征数据不平稳，则将变形特征数据输入第二训练预测模型中进行预测，以输出预测结果，本发明首先对数据进行分量分解过程，可有效滤除掉数据中存在的噪声以及一些对预测无帮助的数据，以提升预测准确度，且对数据进行搜索聚类处理，使得处理后的数据可充分体现数据本身的特征，可提升模型预测速度以及模型预测准确度。
实施例二
如图2所示，在本发明的实施例二提供了一种隧道变形预测系统，所述系统包括：
预处理模块1，用于获取隧道变形监测数据，对所述隧道变形监测数据进行预处理，以得到处理监测数据；
分解模块2，用于对所述处理监测数据进行分量分解，以得到分解监测数据；
聚类模块3，用于对所述分解监测数据进行搜索聚类处理，以得到变形特征数据；
训练模块4，用于获取历史训练数据，将所述历史训练数据分别输入第一预设模型与第二预设模型中进行训练，分别输出第一训练预测模型与第二训练预测模型；
预测模块5，用于判断所述变形特征数据是否平稳，若所述变形特征数据平稳，则将所述变形特征数据输入所述第一训练预测模型中进行预测，以输出预测结果，若所述变形特征数据不平稳，则将所述变形特征数据输入第二训练预测模型中进行预测，以输出预测结果。
所述分解模块2包括：
绘图子模块，用于将所述处理监测数据按时序绘制曲线图，搜索所述曲线图中出现的波峰点与波谷点；
拟合子模块，用于将所述波峰点与所述波谷点进行拟合，以得到波峰线与波谷线，基于所述波峰线与所述波谷线计算波动均值：
；
生成子模块，用于基于所述波动均值与所述处理监测数据生成波动数据：
；
条件子模块，用于判断第一个波动数据是否满足分解条件，其中分解条件为：
；
式中，表示第一个波动数据，表示第个波动数据，表示分解阈值；
分解子模块，用于若第一个波动数据满足分解条件，则将所述第一个波动数据作为第一个特征分量，并将所述处理监测数据减去第一个波动数据，以得到趋势分量，基于所述趋势分量与分解方程循环进行分解过程，以得到若干特征分量，其中，所述分解方程为：
；
式中，表示第个特征分量，表示第个趋势分量；
迭代子模块，用于对所述特征分量进行迭代处理，以得到分解监测数据。
所述迭代子模块包括：
转移单元，用于将若干所述特征分量存入分量数组中，将所述分量数组转移至基频带，以得到转移数组：
；
式中，为脉冲函数，为时间，为复数，为瞬时频率；
方程构建单元，用于基于所述转移数组构建迭代方程：
；
式中，为惩罚因子，表示对时间进行偏导数，为拉格朗日算子；
运算单元，用于对所述迭代方程中的参数进行迭代运算，直至满足迭代终止条件，输出最后一次迭代的参数并通过最后一次迭代的参数对所述迭代方程进行更新，并基于更新后的迭代方程输出组分解监测数据。
所述聚类模块3包括：
距离计算子模块，用于将组分解监测数据中任意选取组分解监测数据作为聚类中心序列，计算剩余的组分解监测数据与组聚类中心序列中各个数据之间的欧几里得距离，基于欧几里得距离构建距离矩阵：
；
式中，表示剩余的组分解监测数据中任意一组分解监测数据中第个数据与组聚类中心序列中任意一聚类中心序列中第个数据之间的欧几里得距离；
搜索子模块，用于从所述距离矩阵中左上角的第一个元素开始至右下角的最后一个元素终止进行距离搜索，计算左上角的第一个元素到右下角的最后一个元素的最优欧几里得距离的累加值，并将累加值作为聚类判断距离；
划分子模块，用于基于所述聚类判断距离将剩余的组分解监测数据划分至最近的聚类中心序列中，并迭代进行新聚类中心序列的选取与序列的划分，以得到组变形特征数据。
在本发明的另一些实施例中，本发明实施例提供以下技术方案，一种计算机，包括存储器102、处理器101以及存储在所述存储器102上并可在所述处理器101上运行的计算机程序，所述处理器101执行所述计算机程序时实现如上所述的隧道变形预测方法。
具体的，上述处理器101可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit，简称为ASIC），或者可以被配置成实施本发明实施例的一个或多个集成电路。
其中，存储器102可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器102可包括硬盘驱动器（Hard Disk Drive，简称为HDD）、软盘驱动器、固态驱动器（Solid State Drive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerial Bus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器102可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器102可在数据处理装置的内部或外部。在特定实施例中，存储器102是非易失性（Non-Volatile）存储器。在特定实施例中，存储器102包括只读存储器（Read-Only Memory，简称为ROM）和随机存取存储器（Random Access Memory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（Programmable Read-Only Memory，简称为PROM）、可擦除PROM（ErasableProgrammable Read-Only Memory，简称为EPROM）、电可擦除PROM（Electrically ErasableProgrammable Read-Only Memory，简称为EEPROM）、电可改写ROM（ElectricallyAlterable Read-Only Memory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（Static Random-AccessMemory，简称为SRAM）或动态随机存取存储器（Dynamic Random Access Memory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器（Fast Page Mode DynamicRandom Access Memory，简称为FPMDRAM）、扩散数据输出动态随机存取存储器（ExtendedDate Out Dynamic Random Access Memory，简称为EDODRAM）、同步动态随机存取内存（Synchronous Dynamic Random-Access Memory，简称SDRAM）等。
存储器102可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器101所执行的可能的计算机程序指令。
处理器101通过读取并执行存储器102中存储的计算机程序指令，以实现上述隧道变形预测方法。
在其中一些实施例中，计算机还可包括通信接口103和总线100。其中，如图3所示，处理器101、存储器102、通信接口103通过总线100连接并完成相互间的通信。
通信接口103用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。通信接口103还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线100包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线100包括但不限于以下至少之一：数据总线（Data Bus）、地址总线（Address Bus）、控制总线（Control Bus）、扩散总线（Expansion Bus）、局部总线（Local Bus）。举例来说而非限制，总线100可包括图形加速接口（Accelerated Graphics Port，简称为AGP）或其他图形总线、增强工业标准架构（Extended Industry Standard Architecture，简称为EISA）总线、前端总线（Front Side Bus，简称为FSB）、超传输（Hyper Transport，简称为HT）互连、工业标准架构（Industry Standard Architecture，简称为ISA）总线、无线带宽（InfiniBand）互连、低引脚数（Low Pin Count，简称为LPC）总线、存储器总线、微信道架构（Micro ChannelArchitecture，简称为MCA）总线、外围组件互连（Peripheral Component Interconnect，简称为PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（Serial AdvancedTechnology Attachment，简称为SATA）总线、视频电子标准协会局部（Video ElectronicsStandards Association Local Bus，简称为VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线100可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该计算机可以基于获取到隧道变形预测系统，执行本发明的隧道变形预测方法，从而实现隧道变形预测。
在本发明的再一些实施例中，结合上述的隧道变形预测方法，本发明实施例提供以下技术方案，一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的隧道变形预测方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种隧道变形预测方法，其特征在于，包括：
获取隧道变形监测数据，对所述隧道变形监测数据进行预处理，以得到处理监测数据；
对所述处理监测数据进行分量分解，以得到分解监测数据；
对所述分解监测数据进行搜索聚类处理，以得到变形特征数据；
获取历史训练数据，将所述历史训练数据分别输入第一预设模型与第二预设模型中进行训练，分别输出第一训练预测模型与第二训练预测模型；
判断所述变形特征数据是否平稳，若所述变形特征数据平稳，则将所述变形特征数据输入所述第一训练预测模型中进行预测，以输出预测结果，若所述变形特征数据不平稳，则将所述变形特征数据输入第二训练预测模型中进行预测，以输出预测结果；
所述对所述处理监测数据进行分量分解，以得到分解监测数据的步骤包括：
将所述处理监测数据按时序绘制曲线图，搜索所述曲线图中出现的波峰点与波谷点；
将所述波峰点与所述波谷点进行拟合，以得到波峰线与波谷线，基于所述波峰线与所述波谷线计算波动均值：
；
基于所述波动均值与所述处理监测数据生成波动数据：
；
判断第一个波动数据是否满足分解条件，其中分解条件为：
；
式中，表示第一个波动数据，表示第个波动数据，表示分解阈值；
若第一个波动数据满足分解条件，则将所述第一个波动数据作为第一个特征分量，并将所述处理监测数据减去第一个波动数据，以得到趋势分量，基于所述趋势分量与分解方程循环进行分解过程，以得到若干特征分量，其中，所述分解方程为：
；
式中，表示第个特征分量，表示第个趋势分量；
对所述特征分量进行迭代处理，以得到分解监测数据；
所述对所述特征分量进行迭代处理，以得到分解监测数据的步骤包括：
将若干所述特征分量存入分量数组中，将所述分量数组转移至基频带，以得到转移数组：
；
式中，为脉冲函数，为时间，为复数，为瞬时频率；
基于所述转移数组构建迭代方程：
；
式中，为惩罚因子，表示对时间进行偏导数，为拉格朗日算子；
对所述迭代方程中的参数进行迭代运算，直至满足迭代终止条件，输出最后一次迭代的参数并通过最后一次迭代的参数对所述迭代方程进行更新，并基于更新后的迭代方程输出组分解监测数据；
在所述对所述迭代方程中的参数进行迭代运算，直至满足迭代终止条件，输出最后一次迭代的参数并通过最后一次迭代的参数对所述迭代方程进行更新的步骤中，迭代后的参数包括：
；
式中，表示第次迭代后得到的分量数组，表示处理监测数据经过傅里叶变换得到的数据，表示逆傅里叶变换，表示第次迭代后得到的分量数组经过傅里叶变换得到的数组，表示拉格朗日算子经过傅里叶变换得到的算子，表示频率；
；
式中，表示经过傅里叶变换得到的数组；
；
式中，表示噪声上限，表示第次迭代后拉格朗日算子经过傅里叶变换得到的算子；
所述对所述分解监测数据进行搜索聚类处理，以得到变形特征数据的步骤包括：
将组分解监测数据中任意选取组分解监测数据作为聚类中心序列，计算剩余的组分解监测数据与组聚类中心序列中各个数据之间的欧几里得距离，基于欧几里得距离构建距离矩阵：
；
式中，表示剩余的组分解监测数据中任意一组分解监测数据中第个数据与组聚类中心序列中任意一聚类中心序列中第个数据之间的欧几里得距离；
从所述距离矩阵中左上角的第一个元素开始至右下角的最后一个元素终止进行距离搜索，计算左上角的第一个元素到右下角的最后一个元素的最优欧几里得距离的累加值，并将累加值作为聚类判断距离；
基于所述聚类判断距离将剩余的组分解监测数据划分至最近的聚类中心序列中，并迭代进行新聚类中心序列的选取与序列的划分，以得到组变形特征数据；
在所述判断所述变形特征数据是否平稳，若所述变形特征数据平稳，则将所述变形特征数据输入所述第一训练预测模型中进行预测，以输出预测结果，若所述变形特征数据不平稳，则将所述变形特征数据输入第二训练预测模型中进行预测，以输出预测结果的步骤中，所述第一训练预测模型为ARMA模型，第二训练预测模型为LSTM模型。
2.根据权利要求1所述的隧道变形预测方法，其特征在于，所述对所述隧道变形监测数据进行预处理，以得到处理监测数据的步骤包括：对所述隧道变形监测数据依次进行滤波处理、平滑去噪、缺失值识别、缺失值填补，以得到处理监测数据。
3.一种隧道变形预测系统，所述系统采用如权利要求1所述的隧道变形预测方法，其特征在于，所述系统包括：
预处理模块，用于获取隧道变形监测数据，对所述隧道变形监测数据进行预处理，以得到处理监测数据；
分解模块，用于对所述处理监测数据进行分量分解，以得到分解监测数据；
聚类模块，用于对所述分解监测数据进行搜索聚类处理，以得到变形特征数据；
训练模块，用于获取历史训练数据，将所述历史训练数据分别输入第一预设模型与第二预设模型中进行训练，分别输出第一训练预测模型与第二训练预测模型；
预测模块，用于判断所述变形特征数据是否平稳，若所述变形特征数据平稳，则将所述变形特征数据输入所述第一训练预测模型中进行预测，以输出预测结果，若所述变形特征数据不平稳，则将所述变形特征数据输入第二训练预测模型中进行预测，以输出预测结果。
4.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述的隧道变形预测方法。
5.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的隧道变形预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411080828.2A CN118606731B (zh) | 2024-08-08 | 2024-08-08 | 一种隧道变形预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411080828.2A CN118606731B (zh) | 2024-08-08 | 2024-08-08 | 一种隧道变形预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118606731A CN118606731A (zh) | 2024-09-06 |
| CN118606731B true CN118606731B (zh) | 2024-10-18 |
Family
ID=92565133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411080828.2A Active CN118606731B (zh) | 2024-08-08 | 2024-08-08 | 一种隧道变形预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118606731B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329713A (zh) * | 2020-11-25 | 2021-02-05 | 恩亿科(北京)数据科技有限公司 | 网络流量异常在线检测方法、系统、计算机设备及存储介质 |
| CN117540153A (zh) * | 2024-01-09 | 2024-02-09 | 南昌工程学院 | 一种隧道监测数据预测方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200203017A1 (en) * | 2017-06-09 | 2020-06-25 | Alerte Digital Sport Pty Ltd | Systems and methods of prediction of injury risk with a training regime |
| CN116542138A (zh) * | 2023-04-17 | 2023-08-04 | 广西建设职业技术学院 | 一种基于开挖变形特征的山岭隧道洞口预测模型 |
| CN117389886A (zh) * | 2023-10-24 | 2024-01-12 | 国网江苏省电力有限公司经济技术研究院 | 一种项目评审软件缺陷预测方法及系统 |
| CN118312723A (zh) * | 2024-04-22 | 2024-07-09 | 中国水利水电科学研究院 | 一种基于监测数据的边坡位移预测方法及系统 |
-
2024
- 2024-08-08 CN CN202411080828.2A patent/CN118606731B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329713A (zh) * | 2020-11-25 | 2021-02-05 | 恩亿科(北京)数据科技有限公司 | 网络流量异常在线检测方法、系统、计算机设备及存储介质 |
| CN117540153A (zh) * | 2024-01-09 | 2024-02-09 | 南昌工程学院 | 一种隧道监测数据预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118606731A (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111650453B (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
| CN116128312B (zh) | 基于监测数据分析的大坝安全预警方法及系统 | |
| CN110826803A (zh) | 一种电力现货市场的电价预测方法及装置 | |
| CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
| CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| CN113408804B (zh) | 窃电行为检测方法、系统、终端设备及存储介质 | |
| CN113392732A (zh) | 一种局部放电超声信号抗干扰方法及系统 | |
| CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
| CN117495640A (zh) | 一种区域碳排放量预测方法及系统 | |
| CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
| CN113357138B (zh) | 液压泵剩余使用寿命预测方法、装置及终端设备 | |
| CN111091099A (zh) | 一种场景识别模型的构建方法、场景识别方法及设备 | |
| CN117195105B (zh) | 基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 | |
| CN118606731B (zh) | 一种隧道变形预测方法及系统 | |
| CN107463486B (zh) | 系统性能分析方法、装置及服务器 | |
| CN117424227A (zh) | 一种地形风电场出力预测方法、装置及存储介质 | |
| CN116826734A (zh) | 一种基于多输入模型的光伏发电功率预测方法及装置 | |
| CN116796130A (zh) | 桥梁振动低频重构去噪方法、系统、计算机及存储介质 | |
| CN110988673A (zh) | 电机转子故障检测方法、装置及终端设备 | |
| CN111597096B (zh) | 一种基准测试方法、系统及终端设备 | |
| CN112116076A (zh) | 激活函数的优化方法和优化装置 | |
| CN114399788B (zh) | 对象检测方法和系统 | |
| CN115115789B (zh) | 一种道路生成方法、装置、电子设备及存储介质 | |
| CN118645145B (zh) | 一种存储芯片的命令序列测试方法及装置 | |
| CN113395031B (zh) | 一种基于多级模型的复杂系统故障诊断方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |