CN117351109B - 一种盾构隧道的截面曲线重构方法 - Google Patents

Abstract

本发明公开了一种盾构隧道的截面曲线重构方法，涉及隧道界面曲线研究评估领域，S1：整合各个插值点曲率信息；S2：分别以各插值点为起点进行曲线拟合，得到若干拟合曲线向量；S3：将各拟合曲线向量传入神经网络，获取拟合曲线总特征向量；S4：为特征向量进行编码并传入Transformer神经网络进行训练；S5：最终得到修正后的拟合点信息。本发明采用上述的一种盾构隧道的截面曲线重构方法，以各插值点曲率信息为基准，通过将各点作为起始插入点依次拟合获取曲线信息并传入Transformer神经网络提取各条拟合曲线的信息，整合得到近似于真实曲线的方法。该方法较传统离散曲率点拟合曲线方法重构精度提升5％左右，有着明显的性能优势。

Description

一种盾构隧道的截面曲线重构方法

技术领域

本发明涉及隧道界面曲线研究评估领域，尤其是涉及一种盾构隧道的截面曲线重构方法。

背景技术

目前市面上的修正方法比较简单，修正精度不高。在盾构隧道结构形态重构问题研究中，许多学者同时会监测各个插值点的应力、应变值变化情况，通过结合应力、应变值变化推导各个插值点的大致位移情况，再结合各点的曲率信息根据不同的优化方式重构出其对应的拟合曲线。这-类重构曲线的方法在各插值点上的位置信息有较好的拟合精度，但在插值点间的各拟合点上往往表现欠佳，无法精确拟合出对应点的实际位置。

现有方法仅针对特例有效，难以将方法移植运用到隧道断面曲线重构问题在监测结构形态类似于盾构隧道的输气、输水管道监测中，有学者通过在管道内、外壁同时进行曲率监测通过内外壁曲率差精确推算管道形态特征并重构出较为精准的管道结构形态。但此类方法需要在隧道管道内、外壁均布设监测单元，在实际监测工程中无法满足这样的布设要求。

所取的修正参数需人工手动微调，在面对大规模问题时工作量大，难以执行。在隧道断面离散曲率点拟合曲线问题中，有学者也尝试采用非均匀有理B样条法重构相应曲线。这类方法虽能在一定程度上解决拟合曲线误差大的问题但是其也存在曲率递推误差，需要人工手动微调各插值点和其它相关控制点参数其拟合曲线才能较好地重构出真实盾构隧道断面结构形态曲线。

因此，有必要提供一种盾构隧道的截面曲线重构方法，来解决上述问题。

发明内容

本发明的目的是提供一种盾构隧道的截面曲线重构方法，得到的各点坐标信息的平均误差与最大误差都为最小，分别较其他方法平均有13.56％和3.60％的提升，提出的模型泛化性更强，更适用于处理曲率偏移的问题。

为实现上述目的，本发明提供了一种盾构隧道的截面曲线重构方法，包括以下步骤：

S1：整合各个插值点曲率信息；

S2：以每个插值点为插值起点进行盾构隧道断面曲线拟合，得到等同于插值点数量的若干条拟合曲线向量；

S3：将各个拟合曲线向量传入神经网络，获取拟合曲线整体的线性特征向量与插值点的特征向量；

S4：为特征向量进行位置编码并传入Transformer神经网络进行训练；

S5：最终得到修正后的拟合点信息。

优选的，设定Transforer神经网络相关超参数:编码器层数L_enc、解码器层数L_dec、注意力多头数量H、前馈神经网络维度d_mlp、编码器网络维度d_e、学习率λ、全连接层层数L_linear、全连接层维度d_linear。

优选的，在步骤S2中，将每个插值点都作为曲线拟合起始位置并拟合出对应曲线特征向量记为P₁、P₂、…、P_n。

优选的，在步骤S3中，将拟合曲线特征向量信息整合为拟合曲线总特征向量Pt。

优选的，在步骤S4中将拟合曲线总特征向量P_t传入全连接网络获取拟合曲线点的特征向量T_enc，将实际曲线特征向量P_r传入全连接网络获取实际曲线点的特征向量T_dec，对拟合曲线点的特征向量T_enc进行位置编码得到包含位置信息的特征向量T_{s_p}，通过矩阵变化将T_{s_p}转换为对应查讯矩阵Q_enc、键矩阵K_enc与值矩阵V_enc；对实际曲线点的特征向量T_dec进行位置编码得到包含位置信息的特征向量T_{r_s}，通过矩阵变化将T_{r_p}转换为对应查讯矩阵Q_dec、键矩阵K_dec与值矩阵V_dec。

因此，本发明采用上述一种盾构隧道的截面曲线重构方法，具备以下有益效果：

(1)本发明得到的各点坐标信息的平均误差与最大误差都为最小，分别较其他方法平均有13.56％和3.60％的提升。

(2)本发明提出的模型泛化性更强，更适用于处理曲率偏移的问题。

(3)本发明以各插值点曲率信息为基准，通过将各点作为起始插入点依次拟合获取曲线信息并传入Transformer神经网络提取各条拟合曲线的信息，整合得到近似于真实曲线的方法。

(4)本发明在曲率标定实验中对算法的性能进行评估，结果表明该方法较传统离散曲率点拟合曲线方法重构精度提升5％左右，有着明显的性能优势。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1是本发明一种盾构隧道的截面曲线重构方法的流程图。

具体实施方式

以下通过附图和实施例对本发明的技术方案作进一步说明。

除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。

本发明中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其它要素的可能。术语“内”、“外”、“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。在本发明中，除非另有明确的规定和限定，术语“附着”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

如图1所示，本发明提供了一种盾构隧道的截面曲线重构方法，包括以下步骤：包括以下步骤：

设定Transforer神经网络相关超参数:编码器层数L_enc、解码器层数L_dec、注意力多头数量H、前馈神经网络维度d_mlp、编码器网络维度de、学习率λ、全连接层层数L_linear、全连接层维度d_linear。

S1：整合各个插值点曲率信息；

S2：以每个插值点为插值起点进行盾构隧道断面曲线拟合，得到等同于插值点数量的若干条拟合曲线向量；在步骤S2中，将每个插值点都作为曲线拟合起始位置并拟合出对应曲线特征向量记为P₁、P₂、…、P_n。

S3：将各个拟合曲线向量传入神经网络，获取拟合曲线整体的线性特征向量与插值点的特征向量；在步骤S3中，将拟合曲线特征向量信息整合为拟合曲线总特征向量P_t。

S4：为特征向量进行位置编码并传入Transformer神经网络进行训练，得到各拟合曲线之间的权重关系和最终的拟合曲线。在步骤S4中将拟合曲线总特征向量P_t传入全连接网络获取拟合曲线点的特征向量T_enc，将实际曲线特征向量P_r传入全连接网络获取实际曲线点的特征向量T_dec，对拟合曲线点的特征向量T_enc进行位置编码得到包含位置信息的特征向量T_{s_p}，通过矩阵变化将T_{s_p}转换为对应查讯矩阵Q_enc、键矩阵K_enc与值矩阵V_enc；对实际曲线点的特征向量T_dec进行位置编码得到包含位置信息的特征向量T_{r_s}，通过矩阵变化将T_{r_p}转换为对应查讯矩阵Q_dec、键矩阵K_dec与值矩阵V_dec。

S5：最终得到修正后的拟合点信息。

实施例一

对拟合曲线点的特征向量T_enc进行位置编码得到包含位置信息的特征向量T_{s_p}；

for l＝1，2，…，L_enc do；

通过矩阵变化将T_{s_p}转换为对应查讯矩阵Q_enc、键矩阵K_enc与值矩阵V_encl；

Y_enc＝MultiHeadAttention(Q_enc，K_enc，V_enc)；

Y_enc＝LayerNorm(T_{s_p}+Y_enc)；

Y_new＝FeedForward(Y_enc)；

Y_enc＝LayerNorm(Y_enc+Y_new)；

end for；

对实际曲线点的特征向量T_dec进行位置编码得到包含位置信息的特征向量T_{r_s}；

for l＝1，2，…，L_enc do；

通过矩阵变化将T_{r_p}转换为对应查讯矩阵Q_dec、键矩阵K_dec与值矩阵V_dec；

Y_dec＝MaskedMultiHeadAttention(Q_dec，K_dec，V_dec)；

Y_dec＝LayerNorm(T_{r_p}+Y_dec)；

将Y_enc分解为K′_enc和V′_enc；

将Y_enc分解为K′_enc和V′_enc；

Y′_dec＝LayerNorm(Y′_new+Y′_dec)；

Y_dec＝FeedForward(Y_dec)；

Y_dec＝LayerNorm(Y_dec+Y′_new)；

endfor；

返回P＝Linear(Y_dec)。

因此，本发明采用上述一种盾构隧道的截面曲线重构方法，以各插值点曲率信息为基准，通过将各点作为起始插入点依次拟合获取曲线信息并传入Transformer神经网络提取各条拟合曲线的信息，整合得到近似于真实曲线的方法，该方法较传统离散曲率点拟合曲线方法重构精度提升5％左右，有着明显的性能优势。

最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (1)

1.一种盾构隧道的截面曲线重构方法，其特征在于：包括以下步骤：

S1：整合各个插值点曲率信息；

S2：以每个插值点为插值起点进行盾构隧道断面曲线拟合，得到等同于插值点数量的若干条拟合曲线向量；在步骤S2中，将每个插值点都作为曲线拟合起始位置并拟合出对应曲线特征向量记为P₁、P₂、…、P_n；

S3：将各个拟合曲线向量传入神经网络，获取拟合曲线整体的线性特征向量与插值点的特征向量；在步骤S3中，将拟合曲线特征向量信息整合为拟合曲线总特征向量P_t；

S4：为特征向量进行位置编码并传入Transformer神经网络进行训练；设定Transforer神经网络相关超参数：编码器层数L_enc、解码器层数L_dec、注意力多头数量H、前馈神经网络维度d_mlp、编码器网络维度d_e、学习率λ、全连接层层数L_linear、全连接层维度d_linear；

在步骤S4中将拟合曲线总特征向量P_t传入全连接网络获取拟合曲线点的特征向量T_enc，对拟合曲线点的特征向量T_enc进行位置编码得到包含位置信息的特征向量T_{s_p}，通过矩阵变化将T_{s_p}转换为对应的查询矩阵、键矩阵/>与值矩阵/>；将实际曲线特征向量P_r传入全连接网络获取实际曲线点的特征向量/>，对实际曲线点的特征向量/>进行位置编码得到包含位置信息的特征向量/> _，通过矩阵变化将/>转换为对应的查询矩阵、键矩阵/>与值矩阵/>；

对拟合曲线点的特征向量进行位置编码得到包含位置信息的特征向量/>；

模型进行迭代训练，执行以下操作；

通过矩阵变化将转换为对应查询矩阵/>、键矩阵/>与值矩阵/>；迭代计算公式如下：

进行多头注意力计算，；

向量LayerNorm归一化，；

进行前向传播，；

向量LayerNorm再次归一化，；编码迭代结束；

进行Transformer解码，对实际曲线点的特征向量进行位置编码得到包含位置信息的特征向量/>；并进行迭代计算：

模型进行迭代训练，执行以下操作；

通过矩阵变化将转换为对应查询矩阵/>、键矩阵/>与值矩阵/>计算公式如下：

进行掩码多头注意力计算：

；

向量LayerNorm归一化，；

将分解为/>和/>；

多头注意力计算得到后进行LayerNorm归一化：

；

进行前向传播，；

将解码结果向量归一化，；

解码迭代结束，Transformer输出结果：线性特征向量；

S5：最终得到修正后的拟合点信息。