[go: up one dir, main page]

CN118940193B - 一种地铁隧道结构安全风险动态预测方法及系统 - Google Patents

一种地铁隧道结构安全风险动态预测方法及系统 Download PDF

Info

Publication number
CN118940193B
CN118940193B CN202411413137.XA CN202411413137A CN118940193B CN 118940193 B CN118940193 B CN 118940193B CN 202411413137 A CN202411413137 A CN 202411413137A CN 118940193 B CN118940193 B CN 118940193B
Authority
CN
China
Prior art keywords
risk
structural
monitoring data
data
structural risk
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
Application number
CN202411413137.XA
Other languages
English (en)
Other versions
CN118940193A (zh
Inventor
丁杨
褚天云
叶肖伟
董晶亮
魏纲
丁智
尹鑫晟
佘安明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou City University
Original Assignee
Hangzhou City University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou City University filed Critical Hangzhou City University
Priority to CN202411413137.XA priority Critical patent/CN118940193B/zh
Publication of CN118940193A publication Critical patent/CN118940193A/zh
Application granted granted Critical
Publication of CN118940193B publication Critical patent/CN118940193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种地铁隧道结构安全风险动态预测方法及系统，涉及隧道风险预测技术领域，该地铁隧道结构安全风险动态预测方法利用光纤传感技术实时获取并预处理监测数据，可检测微小的结构变化。基于监测数据提取结构风险敏感因子，设定特征标签，通过相关系数和预设阈值识别敏感性高的特征标签。利用这些敏感因子计算综合结构风险影响度，设定安全风险分级指标，并结合隧道数据获取结构风险责任参数，最终确定结构风险等级。构建数据集训练预测模型，通过新监测数据获取结构风险趋势，对多种风险敏感因子进行综合预测。从而提升风险应对策略的制定和实施效率。根据风险趋势，为工作人员提供双重预警提示，从而确保乘客安全和隧道的安全运营。

Description

一种地铁隧道结构安全风险动态预测方法及系统
技术领域
本发明涉及隧道风险预测技术领域，尤其涉及一种地铁隧道结构安全风险动态预测方法及系统。
背景技术
地铁是现代化城市建设中重要的公共交通工具。它不仅响应了低碳环保的出行理念，还为市民提供了便捷的出行选择。然而，地铁建设中存在多条地铁线路交汇形成换乘点，虽然方便了乘客换乘，却也给地下结构带来了负担，特别是地铁通过时段对隧道结构带来超强负荷，严重的可能会存在塌方的风险，这不仅会对乘客的生命安全造成威胁，还会增加城市建设成本，影响后续建设进度。因此，需要对地铁隧道安全风险进行实时监测。但传统的风险预测系统监测对象比较简单，如对照明、通风、火灾进行监测，未能做到全面监测换乘点隧道的整体结构风险因素得到历史监测数据的风险等级类别来预测未来一段时间的隧道结构风险等级，因此难以满足准确且全面的风险预测要求。
综上所述，如何准确且全面的对地铁隧道结构安全风险进行预测是地铁隧道结构安全风险动态预测系统亟待解决优化的问题。
发明内容
本发明提供了一种地铁隧道结构安全风险动态预测方法及系统，解决相关技术中如何更准确且全面的对地铁隧道结构安全风险进行预测的技术问题。
为了解决上述技术问题，本发明提供了一种地铁隧道结构安全风险动态预测方法及系统，具体技术方案如下：
第一方面，一种地铁隧道结构安全风险动态预测方法，包括以下步骤：
获得监测数据；基于监测数据，获取结构风险敏感因子；
其中，基于监测数据类型设定相应的特征标签；
获得监测数据与特征标签的相关系数；获得预设阈值；
基于相关系数与预设阈值，获得敏感性高的特征标签；
敏感性高的特征标签即为结构风险敏感因子；
基于所述结构风险敏感因子，获得综合结构风险影响度，并设定安全风险分级指标；基于结构风险敏感因子与隧道数据，获得结构风险责任参数；基于安全风险分级指标与结构风险责任参数获取结构风险等级；
基于监测数据与所述结构风险等级构建数据集，训练并获得预测模型；
获得新的监测数据，基于新的所述监测数据与预测模型，获得结构风险趋势；
根据所述结构风险趋势获取结构风险等级变化，以预设的形式输出预警信息。
作为本发明的进一步优化方案，所述监测数据与所述新的监测数据均通过光纤传感信号实时获取；其中，获得监测数据的方法，包括：
将带干扰的光纤信号代入小波包内积空间基函数系进行线性叠加，表示为：；式中，f（t）为有用光纤特征信号，cλ为干扰信号处理系数，A为空间基函数系阈值，以去除冗余干扰光纤信号；
将有用信号特征分解为低频与高频部分，并通过多层小波包分解得到分解系数，且对各组分解系数设定阈值，分别包含：平均值Ei，方差σi以及综合值Ti；
根据设定的各组分解系数阈值分别对多个小波包分解层逐一筛选，以获取时域特征和频域特征；
根据获取的所述时域特征和频域特征，以得到光纤增强特征信号；
使得获取的时域和频率特征信息集中于模值大的系数中，通过时域特征和频域特征获取对应规律统计差别，并利用统计差别特征量来区分光纤增强特征信号中的振动段与无振动段，根据不同振动波段信号识别振动行为类型，由此获取隧道环境数据Xenv.、结构健康数据Xstruct、地铁运营数据Xoper以及历史数据Xhist。
作为本发明的进一步优化方案，其中，获得结构风险敏感因子的方法，包括：
基于预处理后的隧道环境数据Xenv.、结构健康数据Xstruct、地铁运营数据Xoper以及历史数据Xhist，通过：，获得各项监测数据与各项监测数据对应的特征标签的相关系数；
式中，Xj表示预处理后的各项监测数据，Yi表示各项监测数据的特征标签，ρ（Xj，Yi）表示数据Xj与标签Yi的相关系数，Cov（Xj，Yi）表示数据Xj与标签Yi的协方差，σXj表示特征Xj的标准差，σYi表示标签Yi的标准差；
基于各项监测数据与各项监测数据对应的特征标签的相关系数，通过：，获得各项监测数据中的特征标签的敏感性；
式中，IXj表示预处理后的各项监测数据敏感性系数，T表示总监测数据数量，ImpXj，t表示第t个监测数据中的特征敏感性；
所述特征标签的敏感性即为结构风险特征敏感性系数；
所述预设阈值为设定的相关系数，获得相关系数绝对值大于预设阈值的特征标签，获得该特征标签对应的结构风险特征敏感性系数，基于结构风险特征敏感性系数的大小，获得结构风险敏感因子；
将获取的结构风险敏感因子进行交互组合，获得综合结构风险影响度。
作为本发明的进一步优化方案，获得综合结构风险影响度的方法，包括：
将结构风险敏感因子编码为{A1 i，A2 i，A3 i，…，Az i}，其中，i={1，2，…，m}表示为监测次数；Az表示第z个结构风险敏感因子的编码；
通过：；式中，IAB，quadratic表示各敏感因子之间的非线性交互，2≤n≤6，且n为整数，Un表示为第n个结构风险敏感因子，U1，U2，U3，U4，U5，U6分别与{gi，Ni，KOi，Vi，Ei，Hi}相对应，由此得到多种交互组合结果；其中，gi为隧道土层应力变化的编码向量、Ni为裂纹基数的编码向量、KOi为隧道载重受压系数的编码向量、Vi为隧道土层泊松比的编码向量、Ei为压缩模量的编码向量和Hi为渗水率的编码向量；
根据所述多种交互结果，通过：，式中，R为综合结构风险度系数，β0为影响度截距指数，β1敏感因子交互组合结果系数，所述综合结构风险度系数即为综合结构风险影响度。
作为本发明的进一步优化方案，其中，获取结构风险等级的方法，包括：
对所述综合结构风险影响度R划分风险区间，具体包含：根据不同风险敏感因子交互项存在个数将R划分成多个风险区间，分别为区间一：N≤k1；区间二：k1＜N≤k2；区间三：k2＜N≤k3，其中，N为敏感因子交互项存在个数，k1、k2以及k3分别为预设敏感因子交互项阈值，且k1＜k2＜k3；
根据多个风险区间，通过：；式中，F为安全风险分级指标，Rlow为低影响度区间，Rmed.为中影响度区间，Rhigh为高影响度区间，由此获取安全风险分级指标；
根据获取的安全风险分级指标结合结构风险责任参数a，以获取结构风险等级。
作为本发明的进一步优化方案，所述获取结构风险等级的方法，还包括：
选取n个结构风险敏感因子随机组合成N个交互项，形成敏感因子参数数据；
将敏感因子参数数据结合隧道竖向和横向附加荷载、位移以及相对变形曲率的最大值，以得到结构风险责任参数a；
根据结构风险责任参数权重a与安全风险分级指标，通过：G=a·F；得到结构风险权重G，并根据结构风险权重G对结构风险程度进行划分，以获取结构风险等级，分别为低风险等级、中风险等级和高风险等级。
作为本发明的进一步优化方案，根据结构风险等级构建预测模型预测结构风险趋势的方法，包括：
将监测数据与结构风险等级构建数据集，数据集即为训练矩阵K，当训练矩阵K中包含g个不同时间状态Vt，由此训练矩阵为；
将Vt在tj时间点上观测到n个风险变换值视作观测矢量；将观测矢量输入预测模型中，具体包含：；以得到监测数据的风险等级类别；
式中，H为编码后的低维表示，f为激活函数，Wenc编码权重矩阵，benc编码器偏置向量，Vt（tj）输入数据，X为重构后的数据，e为激活函数，Wdec为解码权重矩阵，bdec为解码偏置向量，L为损失函数值，D为数据点数量；
再将新的监测数据输入预测模型中，输出新的监测数据风险等级类别，并与监测数据的风险等级类别进行比对，以获取结构风险趋势。
作为本发明的进一步优化方案，根据结构风险等级构建预测模型预测结构风险趋势，还包括：
通过梯度下降优化预测模型参数：，式中，η为学习率，L为梯度长度，为偏微分求导符号。
作为本发明的进一步优化方案，所述以预设的形式输出预警信息的方法，包括：
根据预测模型输出监测数据的风险等级类别，设定风险预警阈值，以生成预警信息；
基于监测数据的风险等级类别，达到预设的风险预警阈值时，发出第一次预警警报；
基于结构风险趋势得到监测数据与新的监测数据的结构风险等级变化，触发预警信息，并发出二次预警警报。
第二方面，该系统设置一种电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地铁隧道结构安全风险动态预测方法程序，所述地铁隧道结构安全风险动态预测方法程序被所述处理器执行时实现地铁隧道结构安全风险动态预测方法的步骤，该系统包括：
数据采集模块201：其用于获得监测数据；基于监测数据，获取结构风险敏感因子；其中，基于监测数据类型设定相应的特征标签；获得监测数据与特征标签的相关系数；获得预设阈值；基于相关系数与预设阈值，获得敏感性高的特征标签；敏感性高的特征标签即为结构风险敏感因子；
数据分析模块202：其用于基于所述结构风险敏感因子，获得综合结构风险影响度，并设定安全风险分级指标；基于结构风险敏感因子与隧道数据，获得结构风险责任参数；基于安全风险分级指标与结构风险责任参数获取结构风险等级；
风险预测模块203：其用于基于监测数据与所述结构风险等级构建数据集，训练并获得预测模型；获得新的监测数据，基于新的所述监测数据与预测模型，获得结构风险趋势；
预警模块204：其用于根据所述结构风险趋势获取结构风险等级变化，以预设的形式输出预警信息。
本发明至少存在以下有益效果：本发明通过光纤传感实时获取监测数据，并对监测数据进行预处理；利用光纤传感技术能够获取高精度监测结果，来检测到微小的结构变化，且对光纤干扰信号进行无损降噪处理，从而得到更加准确的光纤信号特征；
基于监测数据，获取结构风险敏感因子；其中，基于监测数据类型设定相应的特征标签；获得监测数据与特征标签的相关系数；获得预设阈值；基于相关系数与预设阈值，获得敏感性高的特征标签；敏感性高的特征标签即为结构风险敏感因子；
基于所述结构风险敏感因子，获得综合结构风险影响度，并设定安全风险分级指标；基于结构风险敏感因子与隧道数据，获得结构风险责任参数；基于安全风险分级指标与结构风险责任参数获取结构风险等级；获得敏感性高的特征标签作为结构风险敏感因子，可以提高预警系统的准确性。这意味着预警系统能够在风险发生前更早地发出信号，为决策者提供更多的时间来制定应对策略，从而提高了隧道结构风险管理的效率，更为保障隧道的安全运行提供了可靠的技术支持；
基于监测数据与所述结构风险等级构建数据集，训练并获得预测模型；获得新的监测数据，基于新的所述监测数据与预测模型，获得结构风险趋势；从而根据预测模型对获取的多种风险敏感因子进行综合性预测结构风险等级，提高预测风险的准确性和全面性；通过对结构风险的细致分析和等级划分，组织能够更有效地制定和实施风险应对策略，提高应对突发风险的能力；
再根据所述结构风险趋势获取结构风险等级变化，以预设的形式输出预警信息，进一步根据预测风险的结果对工作人员进行两次预警提示，避免风险扩大拖延而威胁到乘客的生命安全。
附图说明
图1是本发明的实施例提供的一种地铁隧道结构安全风险动态预测方法流程示意图；
图2是本发明的实施例提供的一种地铁隧道结构安全风险动态预测系统示意图。
具体实施方式
下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
本实施例提供的一种地铁隧道结构安全风险动态预测方法及系统，具体实施方式如下：
如图1所示，一种地铁隧道结构安全风险动态预测方法，包括：
获得监测数据；基于监测数据，获取结构风险敏感因子；
其中，基于监测数据类型设定相应的特征标签；
获得监测数据与特征标签的相关系数；获得预设阈值；
基于相关系数与预设阈值，获得敏感性高的特征标签；
敏感性高的特征标签即为结构风险敏感因子；
基于所述结构风险敏感因子，获得综合结构风险影响度，并设定安全风险分级指标；基于结构风险敏感因子与隧道数据，获得结构风险责任参数；基于安全风险分级指标与结构风险责任参数获取结构风险等级；
基于监测数据与所述结构风险等级构建数据集，训练并获得预测模型；
获得新的监测数据，基于新的所述监测数据与预测模型，获得结构风险趋势；
根据所述结构风险趋势获取结构风险等级变化，以预设的形式输出预警信息；
在本实施例中需要具体说明，本实施例获得监测数据的方式为通过光纤传感信号实时获取监测数据；在其他实施例中，也可以采用直接录入隧道结构监测数据集或其他监测数据设备对隧道结构数据进行监测获取；本实施例采用的光纤传感信号实时获取的方式，其具有光纤传感技术提供高精度的监测结果，能够检测到微小的结构变化，这对于早期识别潜在问题至关重要，同时光纤传感器具有出色的耐化学腐蚀和物理磨损特性，非常适合用于恶劣环境下长期监测，不受电磁干扰影响，由于光纤传感器低维护需求和长期的耐用性，使得光纤传感技术在生命周期成本分析中通常显示出较高的经济效益，光纤传感网络可以根据隧道的具体需求进行定制，易于扩展，能够适应不同长度和形态的隧道结构；
在本实施例中，获得监测数据，首先需要从各类监测系统中获取地铁隧道的监测数据。这些数据可能包括多种形式，如温度、湿度、应变、加速度、渗水以及地质信息等。这些数据通过安装在隧道中的各种传感器实时采集并传输到中央数据库，从而提供全面的环境、结构和运营数据，有助于全面分析隧道结构的健康状况，实时监测数据能够及时发现异常，提高隧道运营的安全性；
基于监测数据，获取隧道结构过去一个月的结构风险监测数据，通过利用监测数据来提取出对结构风险有显著影响的敏感因子。根据不同类型的监测数据，设定相应的特征标签，包括但不限于：
设定隧道环境数据Xenv.的温度、湿度、水位、气压和渗水率为第一特征标签；
设定结构健康数据Xstruct中位移、应力应变、竖向和横向附加荷载、隧道土层应力变化、裂纹基数、隧道载重受压系数、隧道土层泊松比、变形曲率和压缩模量为第二特征标签；
设定地铁运营数据Xoper的列车速率、载重和频率为第三特征标签，
设定历史数据Xhist过往故障记录、维护记录为第四特征标签；
通过提取敏感因子，聚焦对结构健康影响最大的变量，提高分析的精确度，确定关键特征标签可简化数据处理过程，并且有效降低计算资源的消耗；
基于监测数据类型设定相应的特征标签，根据不同类型的监测数据，将特征标签可以看作是对监测数据进行分类与标记，用于后续的特征提取与分析，利用系统化方式管理监测数据，有助于后续的数据分析和处理，清晰的标签有助于机器学习模型理解和处理数据，提高模型的性能和准确性；
获得监测数据与特征标签的相关系数，计算监测数据与不同特征标签之间的相关系数。选取一个阈值（设定相关系数为0.9）来确定特征标签与目标变量即为监测数据之间的相关性较强；通过相关性分析，可以筛选出对结构风险影响较大的特征，提高模型的精度和计算效率，仅保留相关性强的特征即为风险敏感性因子进行进一步分析；
获得预设阈值，通过预设相关系数为0.9，用于判定相关系数是否足够显著。当某个特征标签与监测数据的相关系数大于0.9，则认为该特征敏感性高，从而提高特征筛选过程的标准性和统一性，确保选出的特征在结构风险评估中具有实际意义；
基于相关系数与预设阈值，获得敏感性高的特征标签，将实际计算得到的相关系数与预设阈值进行比较，筛选出相关系数高于阈值的特征标签，即敏感性高的特征标签，准确筛选出对结构风险评估至关重要的特征，提高模型的有效性，更加聚焦于关键变量，减少冗余信息干扰；
将敏感性高的特征标签定义为结构风险敏感因子，作为后续风险评估的输入，精简后的敏感因子作为输入，有助于提高分析结果的可靠性与可解释性，便于进行综合结构风险影响度评估；
基于结构风险敏感因子，获得综合结构风险影响度，并设定安全风险分级指标，基于结构风险敏感因子，获得综合结构风险影响度，并设定安全风险分级指标，通过综合影响度评价可以更直观地展示结构的健康状态，从而提供明确的风险等级指标，有助于制定相应的风险管理策略；
基于结构风险敏感因子与隧道数据，获得结构风险责任参数，再通过多个敏感因子随机组合多个敏感因子交互项，再通过计算得到结构风险责任参数，结构风险责任参数能够反映结构中的风险源及其重要度，利用提供具体的参数值，便于详细分析和评估，可以帮助识别高风险区域，实施针对性的修复措施；
基于安全风险分级指标与结构风险责任参数获取结构风险等级，通过结合安全风险分级指标和结构风险责任参数，确定历史数据获取的结构风险等级符合分别为低风险等级、中风险等级或高风险等级，当获取到中或高风险等级时需要进行预警警示，确保准确评估整体结构风险，便于决策者掌握结构健康状态，提供分级风险结果，有助于制定优先级的修复方案；
基于监测数据与结构风险等级构建数据集，训练并获得预测模型，利用历史监测数据和结构风险等级，构建机器学习数据集。训练预测模型，用于预测未来的结构风险趋势，通过历史数据训练模型，提升预测精度，提供未来趋势的预测结果，便于提前做好预防措施。
获得新的监测数据，基于新的监测数据与预测模型，获得结构风险趋势，通过新的监测数据输入到训练好的预测模型中，基于历史监测数据获得的结构风险等级，通过预测模型得到未来一个月的结构风险等级，将历史监测数据的结构风险等级与新的监测数据的结构风险等级进行比较获取结构风险趋势，实时更新预测结果，提供动态的结构风险评估，以帮助运维人员及时响应可能的结构风险变化，基于历史检测数据获取的风险等级，根据风险趋势进行二次警报：当历史监测数据为低风险或高风险等级时，新的监测数据预测得到中或高风险等级时，风险趋势处于上升状态，则需要进行二次预警警示，反之，风险趋势下降则不需要进行预警警示。
根据结构风险趋势获取结构风险等级变化，以预设的形式输出预警信息，基于结构风险趋势，判断结构风险等级的变化，并通过预设的形式（如报警、报告等）输出预警信息，提供及时的风险预警，提高响应速度，减少潜在的风险隐患，保障隧道的长期安全运营。
在本发明另一优选实施例中，还可以包括以下步骤：
步骤1，通过光纤传感信号实时获取监测数据，并对监测数据进行预处理，具体包含：将光纤信号监测数据的干扰信号进行小波包分解处理，以获取光纤增强特征信号，根据不同光纤增强特征信号的波段信号变化特征采集隧道环境数据Xenv.、结构健康数据Xstruct、地铁运营数据Xoper以及历史数据Xhist；对采集的监测数据进行预处理，以获取统一尺度数据；
步骤2，对预处理后的监测数据进行分析，以获取结构风险敏感因子，具体包含：将预处理后的各监测数据与各监测数据的特征标签相关系数与预设阈值进行比较，基于比较结果将结构风险特征敏感性系数进行排序，以保留敏感性高的结构风险特征；
步骤3，根据所述结构风险敏感因子设定安全风险分级指标，并通过结构风险责任参数，以获取结构风险等级；
步骤4，根据结构风险等级构建预测模型预测结构风险趋势；
步骤5，根据所述结构风险趋势通过可视化动态展示安全风险变化，并制定预警机制。
在本发明实施例中，通过步骤1利用光纤传感器通过光纤信号实时获取和处理数据可以确保决策的信息是最新最准确的，通过标准化处理，可以消除不同数据特征之间的差异，使得后续分析过程更加稳定和可靠；
再通过对数据清理来处理缺失值和异常值，同时再通过计算每个特征的均值μj和标准差σj来对数据进行标准化处理：；式中，其中zij为标准化后的数据点，xij为原始数据点，第i行，第j列的值，再将标准化后的数据用矩阵Z表示为:；式中，N和M为正整数。
根据步骤1获取的监测数据通过步骤2获取对结构风险影响较大的特征，再利用结构风险因素特征敏感性判断来选择敏感因子，从而识别和提取对结构风险变化最敏感的因子，可以提高后续风险分析和预测的准确性，通过减少无关或冗余特征，简化数据模型，提升计算效率；根据步骤2采集的结构风险敏感因子的交互项设定风险分级指标，再获取风险责任参数，对结构风险划分等级，清晰的风险等级划分，使得对不同等级的风险可以采取不同的应对措施，通过赋予各敏感因子合理的权重，可以更科学地评估综合风险；基于步骤3获取的结构风险等级来构建预测模型，通过预测模型预测结构风险趋势，通过有效的预测模型，可以提前识别风险趋势，为采取预防性措施争取更多时间，动态监测和实时更新模型能提高预测的灵敏度和准确性；再根据步骤4的预测模型获取的结构风险预测趋势数据利用可视化工具动态展示风险等级的变化趋势，并根据风险等级阈值设定预警机制，当实时预测风险等级超过预设阈值时，触发预警，并采取维护或修补措施来规避风险；从而利用可视化动态展示使得决策者可以直观了解风险变化趋势，便于实时监控，并且通过预警机制，可以及时有效地响应潜在风险，降低事故发生概率，提高隧道结构的安全性。
在本发明一优选实施例中，上述步骤1还包括：
步骤11，将带干扰的光纤信号代入小波包内积空间基函数系进行线性叠加，表示为：；式中，f（t）为有用光纤特征信号，cλ为干扰信号处理系数，A为空间基函数系阈值，以去除冗余干扰光纤信号；
步骤12，将有用信号特征分解为低频与高频部分，并通过多层小波包分解得到分解系数，且对各组分解系数设定阈值，分别包含：平均值Ei，方差σi以及综合值Ti；
步骤13，根据设定的各组分解系数阈值分别对多个小波包分解层逐一筛选，以获取时域特征和频域特征；
步骤14，根据获取的所述时域特征和频域特征，以得到光纤增强特征信号；
步骤15，使得获取的时域和频率特征信息集中于模值大的系数中，通过时域特征和频域特征获取对应规律统计差别，并利用统计差别特征量来区分光纤增强特征信号中的振动段与无振动段，根据不同振动波段信号识别振动行为类型，由此获取隧道环境数据Xenv.、结构健康数据Xstruct、地铁运营数据Xoper以及历史数据Xhist。
在本发明实施例中，步骤12中获取平均值Ei为；式中，S3，i为小波分解系，N为组数，j为小波包分解第j层；方差σi为；式中，S（j）为分解系的期望值；综合值Ti为，通过信号去噪过程描述式：；F（t）为去噪后的光纤信号，根据获取的去噪后的光纤信号通过：进行分层小波包分解；式中，W为分解结果，WPT为小波变；换函数，c为分解次数；
根据步骤12获取的平均值Ei，方差σi以及综合值Ti，在步骤13中通过不同分量的平均值Ei可以表示信号在不同频带上的平均水平。得到时域特征为：；通过方差σi可以表示信号在不同频带上的变化情况，得到时域特征：；式中，t为时域特征，L为去噪后的光纤信号长度，v为去噪后光纤信号的传播速度，为点积；通过小波包分解系数及其综合值Ti可以表征信号在各频带上的能量分布和主要频率成分，得到频域特征为：；式中，δ（f−fi）表示第i个频带的频域位置。
根据步骤13在步骤14中通过：提取的时域和频域特征进行组合，形成增强特征信号：；F（t）z为光纤增强特征信号，T为时域特征，为频域特征，α和β为信号增强权重系数；
最后通过步骤15利用布里渊散射频移：；式中，ΔvB为布里渊频移，CT、Cϵ为常数系数，T为温度数据，为应变系数；通过光纤内的光信号进行温度分布测量，布里渊散射频移随温度和应变系数变化而变化，通过测量频移可以推算温度；再利用布里渊散射，通过光纤长度的布里渊频移分布测量变化，布里渊散射不仅对温度敏感，也对应变系数所敏感。通过布里渊频移的变化，还可以测量应变分布，再利用；来感知光纤沿线的振动，通过分析频移信号振动分布监测隧道结构的健康状态，如裂缝和变形，式中，v0为散射光的频率，P为光纤的压强，c为光速，T 0 为温度，E为弹性模量，ΔT为温度变化，Δσ为应力变化；再通过光纤传感器结合光纤声波获取隧道列车运行信号，通过：实时监测列车通过时引起的隧道应变，由此获取因列车运行导致的结构弯曲和位移，式中，λ B 为光纤反射波长，λ 0为初始波长，Δλ为波长偏移与温度T和应变系数的变化相关；利用数据库中原数据结合光纤传感器，连续记录环境、结构健康和地铁运营数据，数据存储在中央数据库中：可随时调取进行历史趋势分析，历史数据包括温度、应变、振动等参数的长期记录，式中，Ti为第i个时刻的温度参数、为第i个时刻应变系数和Vi为第i个时刻振动数据，ti为时间戳，由此获取隧道环境数据Xenv.、结构健康数据Xstruct、地铁运营数据Xoper以及历史数据Xhist。
在本发明一优选实施例中，上述步骤2可以包括：
步骤21，基于预处理后的隧道环境数据Xenv.、结构健康数据Xstruct、地铁运营数据Xoper以及历史数据Xhist，通过：，获得各项监测数据与各项监测数据对应的特征标签的相关系数；
式中，Xj表示预处理后的各项监测数据，Yi表示各项监测数据的特征标签，ρ（Xj，Yi）表示数据Xj与标签Yi的相关系数，Cov（Xj，Yi）表示数据Xj与标签Yi的协方差，σXj表示特征Xj的标准差，σYi表示标签Yi的标准差；
步骤22，基于各项监测数据与各项监测数据对应的特征标签的相关系数，通过：，获得各项监测数据中的特征标签的敏感性；
式中，IXj表示预处理后的各项监测数据敏感性系数，T表示总监测数据数量，ImpXj，t表示第t个监测数据中的特征敏感性；
步骤23，所述特征标签的敏感性即为结构风险特征敏感性系数；
步骤24，所述预设阈值为设定的相关系数，获得相关系数绝对值大于预设阈值的特征标签，获得该特征标签对应的结构风险特征敏感性系数，基于结构风险特征敏感性系数的大小，获得结构风险敏感因子；
步骤25，将获取的结构风险敏感因子进行交互组合，获得综合结构风险影响度。
在本实施例中，步骤21通过计算各个数据项与其特征标签之间的相关系数，可以揭示它们之间的关系和依赖性，有助于理解不同监测数据项在结构健康和风险评估中的作用，分析相关系数可以帮助识别冗余特征。把高度相关的特征合并或剔除冗余特征，减少数据维度，提高计算效率，精简后的特征集可以减少模型复杂度，提升模型的泛化能力，利用相关性系数筛选出重要特征，可以提高机器学习模型的预测性能，提高数据集的质量和标注效果，使得模型训练和评估更加精确，可以根据相关性结果构建特征交互、组合特征或衍生特征，为后续的建模和分析步骤提供数据支持，有助于提升整体分析效果；再利用步骤22通过评估特征的敏感性，识别对结构风险变化最敏感的特征，有助于进一步筛选和加权各特征在风险评估中的作用；然后通过步骤23基于隧道环境数据Xenv.、结构健康数据Xstruct、地铁运营数据Xoper以及历史数据Xhist各监测数据与各监测数据的特征标签之间的相关系数与预设阈值0.9进行比较，获取比较结果，根据步骤23的比较结果通过步骤24将特征敏感性结构风险评估结果进行排序，选择最敏感的特征，作为结构风险敏感因子，从而保留对结构风险影响最大的特征，提高模型的预测效果和准确性，使得风险预测更加聚焦于关键因素，最后通过步骤25考虑特征间的交互作用，获取结构风险的综合影响度，进一步提升预测模型的准确性，生成的综合特征可以捕捉复杂的非线性关系，为风险预测提供更多信息。
在本发明一优选实施例中，上述步骤25具体还包括：
步骤251，将结构风险敏感因子编码为{A1 i，A2 i，A3 i，…，Az i}，其中，i={1，2，…，m}表示为监测次数；Az表示第z个结构风险敏感因子的编码；
步骤252，通过：；式中，IAB，quadratic表示各敏感因子之间的非线性交互，Un表示为第n个结构风险敏感因子，且n为整数，由此得到多种交互组合结果；其中，gi为隧道土层应力变化的编码向量、Ni为裂纹基数的编码向量、KOi为隧道载重受压系数的编码向量、Vi为隧道土层泊松比的编码向量、Ei为压缩模量的编码向量和Hi为渗水率的编码向量；
步骤253，根据所述多种交互结果，通过：，式中，R为综合结构风险度系数，β0为影响度截距指数，β1敏感因子交互组合结果系数，所述综合结构风险度系数即为综合结构风险影响度。
在本实施例中，通过隧道土层应力变化g、裂纹基数N、隧道载重受压系数KO、隧道土层泊松比V、压缩模量E和渗水率H的编码为{gi，Ni，KOi，Vi，Ei，Hi}，使得每两个风险敏感因子进行交互通过：可以得到15种交互结果，每三个风险敏感因子进行交互通过：可以得到10种交互结果，每四个风险敏感因子进行交互通过：可以得到15种交互结果，每五个风险敏感因子进行交互通过：可以得到6种交互结果，六个因子组成可以得到一组交互结果。
在本发明一优选实施例中，上述步骤3可以包括：
步骤31，对所述综合结构风险影响度R划分风险区间，具体包含：根据不同风险敏感因子交互项存在个数将R划分成多个风险区间，分别为区间一：N≤k1；区间二：k1＜N≤k2；区间三：k2＜N≤k3，其中，N为敏感因子交互项存在个数，k1、k2以及k3分别为预设敏感因子交互项阈值，且k1＜k2＜k3；
步骤32，根据多个风险区间，通过：；式中，F为安全风险分级指标，Rlow为低影响度区间，Rmed.为中影响度区间，Rhigh为高影响度区间，由此获取安全风险分级指标；
步骤33，根据获取的安全风险分级指标结合结构风险责任参数a，以获取结构风险等级。
在本实施例中，步骤31使用敏感因子交互项个数划分风险区间，可以明确界定各风险等级，帮助更好地理解和监控结构风险，这种基于数量阈值的划分方式，可以灵活适应不同情境下的风险评估需求，并且具有较强的可操作性，再根据步骤32通过引入F作为安全风险分级指标，用于表达综合结构风险影响度的高低，并且利用通过划分低、中、高影响度区间，可以清晰地定义综合结构风险的不同等级，为后续决策提供明确依据，分级指标F为结构风险管理提供了一个标准化和明确的参考系；然后通过步骤33综合风险评分结合结构风险责任参数，使得风险评估更具科学性和权威性。通过设定结构风险等级，便于风险管理和控制，为预警机制和响应措施提供依据。
在本发明另一优选实施例中，上述步骤33可以包括：
步骤331，选取n个结构风险敏感因子随机组合成N个交互项，形成敏感因子交互数据；
步骤332，将敏感因子交互数据通过：，来得到结构风险责任参数a，式中，N为敏感因子交互项个数，wi为敏感因子责任参数权重，Fi为敏感因子交互数据；
步骤333，根据结构风险责任参数a与安全风险分级指标，通过：G=a·F；得到结构风险权重G，并根据结构风险权重G对结构风险程度通过：进行多层次划分，以获取结构风险等级，分别为低风险等级、中风险等级和高风险等级，式中，RiskLevel为风险等级，Rtotal为总的风险结构风险敏感因子。
在本实施例中，通过步骤2可以得到53种风险敏感因子交互项，其中一种风险因子的有6个，两种风险因子的交互项为15个，三种风险因子的交互项为10个，四种风险因子的交互项为15个，五种风险因子的交互项为6个，六种风险因子的交互项为1个，因此风险责任参数a为一种和两种风险因子交互项时共有21种结果为低影响区间，通过G=a·F划分为低风险等级，占比为39.6%；风险责任参数a为三种种和四种风险因子交互项时共25种结果为中影响区间，通过划分为中风险等级，占比为47.2%；风险责任参数a为五种和六种风险因子交互项时共7种结果为高影响区间，通过G=a·F划分为高风险等级，占比为13.2%，从而构成结构风险等级体系。
在本发明一优选实施例中，上述步骤4可以包括：
步骤41，将监测数据与结构风险等级构建数据集，数据集即为训练矩阵K，当训练矩阵K中包含g个不同时间状态Vt，由此训练矩阵为；
步骤42，将Vt在tj时间点上观测到n个风险变换值视作观测矢量；将观测矢量输入预测模型中，具体包含：；以得到监测数据的风险等级类别；
式中，H为编码后的低维表示，f为激活函数，Wenc编码权重矩阵，benc编码器偏置向量，Vt（tj）输入数据，X为重构后的数据，e为激活函数，Wdec为解码权重矩阵，bdec为解码偏置向量，L为损失函数值，D为数据点数量；
步骤43，再将新的监测数据输入预测模型中，输出新的监测数据风险等级类别，并与监测数据的风险等级类别进行比较，以获取结构风险趋势。
在本实施例中，上述实现步骤通过比较历史和当前的风险等级，可以洞察结构风险变化趋势，提早预测潜在的结构问题；结构风险趋势分析可以为决策者提供科学依据，帮助其更合理地制定维护和修复策略，结合风险趋势与预测模型，可以构建更准确的预警系统，有助于预防和减少潜在的灾难性事件，通过精准监测和分析结构风险，能够优化维护和修复资源的分配，提高运营效率。
在本发明另一优选实施例中，上述步骤42包括：
步骤421，通过梯度下降优化预测模型参数：，式中，
η为学习率，L为梯度长度，为偏微分求导符号。
在本发明一优选实施例中，上述步骤5包括：
步骤51，根据预测模型输出监测数据的风险等级类别，设定风险预警阈值，以生成预警信息；
步骤52，基于监测数据的风险等级类别，达到预设的风险预警阈值时，发出第一次预警警报；
步骤53，基于结构风险趋势得到监测数据与新的监测数据的结构风险等级变化，触发预警信息，并发出二次预警警报。
在本实施例中，根据风险等级设定预警阈值，识别重构误差较大的数据点为异常：；式中，Dg为风险阈值，Ag为第i个数据点预警机制即为预警信息，1表示一个月的历史监测数据的Risklever风险等级异常值与预设风险阈值进行比较，使得异常值等于或大于风险阈值，则触发预警机制发出警报，0表示正常，警示工作人员历史数据获取的隧道区段结构风险等级情况；
再通过将新的监测数据输入到预测模型中，获得新的监测数据的风险等级，通过：；通过历史监测数据和新的监测数据进行比较，式中，Rhistorical为历史风险等级数据，R’future为未来风险预测结果，b为比对权重，Rb为比较机制。根据历史监测数据与新的监测数据的风险等级变化预测结构风险趋势，当R’future＞Rhistorical则结构风险趋势处于上升状态则触发二次警报，进一步警示工作人员后期需要着重关注的隧道结构，避免风险升级。
如图2所示，一种地铁隧道结构安全风险动态预测系统，包括：
数据采集模块201：其用于获得监测数据；基于监测数据，获取结构风险敏感因子；其中，基于监测数据类型设定相应的特征标签；获得监测数据与特征标签的相关系数；获得预设阈值；基于相关系数与预设阈值，获得敏感性高的特征标签；敏感性高的特征标签即为结构风险敏感因子；
数据分析模块202：其用于基于所述结构风险敏感因子，获得综合结构风险影响度，并设定安全风险分级指标；基于结构风险敏感因子与隧道数据，获得结构风险责任参数；基于安全风险分级指标与结构风险责任参数获取结构风险等级；
风险预测模块203：其用于基于监测数据与所述结构风险等级构建数据集，训练并获得预测模型；获得新的监测数据，基于新的所述监测数据与预测模型，获得结构风险趋势；
预警模块204：其用于根据所述结构风险趋势获取结构风险等级变化，以预设的形式输出预警信息。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。

Claims (6)

1.一种地铁隧道结构安全风险动态预测方法，其特征在于，包括以下步骤：
获得监测数据；基于监测数据，获取结构风险敏感因子；
其中，基于监测数据类型设定相应的特征标签；
获得监测数据与特征标签的相关系数；获得预设阈值；
基于相关系数与预设阈值，获得敏感性高的特征标签；
敏感性高的特征标签即为结构风险敏感因子；
基于所述结构风险敏感因子，获得综合结构风险影响度，并设定安全风险分级指标；基于结构风险敏感因子与隧道数据，获得结构风险责任参数；基于安全风险分级指标与结构风险责任参数获取结构风险等级；
基于监测数据与所述结构风险等级构建数据集，训练并获得预测模型；
获得新的监测数据，基于新的所述监测数据与预测模型，获得结构风险趋势；
根据所述结构风险趋势获取结构风险等级变化，以预设的形式输出预警信息；
其中，所述监测数据与所述新的监测数据均通过光纤传感信号实时获取；其中，获得监测数据的方法，包括：
将带干扰的光纤信号代入小波包内积空间基函数系进行线性叠加，
表示为：；式中，f（t）为有用光纤特征信号，cλ为干扰信号处理系数，A为空间基函数系阈值，以去除冗余干扰光纤信号；
将有用信号特征分解为低频与高频部分，并通过多层小波包分解得到分解系数，且对各组分解系数设定阈值，分别包含：平均值Ei，方差σi以及综合值Ti；
根据设定的各组分解系数阈值分别对多个小波包分解层逐一筛选，以获取时域特征和频域特征；
根据获取的所述时域特征和频域特征，以得到光纤增强特征信号；
使得获取的时域和频率特征信息集中于模值大的系数中，通过时域特征和频域特征获取对应规律统计差别，并利用统计差别特征量来区分光纤增强特征信号中的振动段与无振动段；根据不同振动波段信号识别振动行为类型，通过所述振动行为类型，由此获取隧道环境数据Xenv.、结构健康数据Xstruct、地铁运营数据Xoper以及历史数据Xhist；
其中，获得结构风险敏感因子的方法，包括：
基于预处理后的隧道环境数据Xenv.、结构健康数据Xstruct、地铁运营数据Xoper以及历史数据Xhist，通过：，获得各项监测数据与各项监测数据对应的特征标签的相关系数；
式中，Xj表示预处理后的各项监测数据，Yi表示各项监测数据的特征标签，ρ（Xj，Yi）表示数据Xj与标签Yi的相关系数，Cov（Xj，Yi）表示数据Xj与标签Yi的协方差，σXj表示特征Xj的标准差，σYi表示标签Yi的标准差；
基于各项监测数据与各项监测数据对应的特征标签的相关系数，通过：，获得各项监测数据中的特征标签的敏感性；
式中，IXj表示预处理后的各项监测数据敏感性系数，T表示总监测数据数量，ImpXj，t表示第t个监测数据中的特征敏感性；
所述特征标签的敏感性即为结构风险特征敏感性系数；
所述预设阈值为设定的相关系数阈值，获得相关系数绝对值大于预设阈值的特征标签，获得该特征标签对应的结构风险特征敏感性系数，基于结构风险特征敏感性系数的大小，获得结构风险敏感因子；
将获取的结构风险敏感因子进行交互组合，获得综合结构风险影响度；
其中，获得综合结构风险影响度的方法，包括：
将结构风险敏感因子编码为{A1 i，A2 i，A3 i，…，Az i}，其中，i={1，2，…，m}表示为监测次数；Az表示第z个结构风险敏感因子的编码；
通过：；式中，IAB，quadratic表示各敏感因子之间的非线性交互，2≤n≤6，且n为整数，Un表示为第n个结构风险敏感因子，U1，U2，U3，U4，U5，U6分别与{gi，Ni，KOi，Vi，Ei，Hi}相对应，由此得到多种交互组合结果；其中，gi为隧道土层应力变化的编码向量、Ni为裂纹基数的编码向量、KOi为隧道载重受压系数的编码向量、Vi为隧道土层泊松比的编码向量、Ei为压缩模量的编码向量和Hi为渗水率的编码向量；
根据所述多种交互结果，通过：，式中，R为综合结构风险度系数，β0为影响度截距指数，β1敏感因子交互组合结果系数，所述综合结构风险度系数即为综合结构风险影响度；
其中，获取结构风险等级的方法，包括：
对所述综合结构风险影响度R划分风险区间，具体包含：根据不同风险敏感因子交互项存在个数将R划分成多个风险区间，分别为区间一：N≤k1；区间二：k1＜N≤k2；区间三：k2＜N≤k3，其中，N为敏感因子交互项存在个数，k1、k2以及k3分别为预设敏感因子交互项阈值，且k1＜k2＜k3；
根据多个风险区间，通过：；式中，F为安全风险分级指标，Rlow为低影响度区间，Rmed.为中影响度区间，Rhigh为高影响度区间，由此获取安全风险分级指标；
根据获取的安全风险分级指标结合结构风险责任参数a，以获取结构风险等级。
2.根据权利要求1所述的一种地铁隧道结构安全风险动态预测方法，其特征在于，所述获取结构风险等级的方法，还包括：
选取n个结构风险敏感因子随机组合成N个交互项，形成敏感因子参数数据；
将敏感因子参数数据结合隧道竖向和横向附加荷载、位移以及相对变形曲率的最大值，以得到结构风险责任参数a；
根据结构风险责任参数a与安全风险分级指标，通过：G=a·F；得到结构风险权重G，并根据结构风险权重G对结构风险程度进行划分，以获取结构风险等级，分别为低风险等级、中风险等级和高风险等级。
3.根据权利要求2所述的一种地铁隧道结构安全风险动态预测方法，其特征在于，根据结构风险等级构建预测模型预测结构风险趋势的方法，包括：
将监测数据与结构风险等级构建数据集，数据集即为训练矩阵K，当训练矩阵K中包含g个不同时间状态Vt，由此训练矩阵为；
将Vt在tj时间点上观测到n个风险变换值视作观测矢量；将观测矢量输入预测模型中，具体包含：；以得到监测数据的风险等级类别；
式中，H为编码后的低维表示，f为激活函数，Wenc编码权重矩阵，benc编码器偏置向量，Vt（tj）输入数据，X为重构后的数据，e为激活函数，Wdec为解码权重矩阵，bdec为解码偏置向量，L为损失函数值，D为数据点数量；
再将新的监测数据输入预测模型中，输出新的监测数据风险等级类别，并与监测数据的风险等级类别进行比较，以获取结构风险趋势。
4.根据权利要求3所述的一种地铁隧道结构安全风险动态预测方法，其特征在于，根据结构风险等级构建预测模型预测结构风险趋势，还包括：
通过梯度下降优化预测模型参数：，式中，η为学习率，L为梯度长度，为偏微分求导符号。
5.根据权利要求4所述的一种地铁隧道结构安全风险动态预测方法，其特征在于，所述以预设的形式输出预警信息的方法，包括：
根据预测模型输出监测数据的风险等级类别，设定风险预警阈值，以生成预警信息；
基于监测数据的风险等级类别，达到预设的风险预警阈值时，发出第一次预警警报；
基于结构风险趋势得到监测数据与新的监测数据的结构风险等级变化，触发预警信息，并发出二次预警警报。
6.一种地铁隧道结构安全风险动态预测系统，其特征在于，该系统设置一种电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地铁隧道结构安全风险动态预测方法程序，所述地铁隧道结构安全风险动态预测方法程序被所述处理器执行时实现如权利要求1-5任一所述的地铁隧道结构安全风险动态预测方法的步骤，该系统包括：
数据采集模块：其用于获得监测数据；基于监测数据，获取结构风险敏感因子；其中，基于监测数据类型设定相应的特征标签；获得监测数据与特征标签的相关系数；获得预设阈值；基于相关系数与预设阈值，获得敏感性高的特征标签；敏感性高的特征标签即为结构风险敏感因子；
数据分析模块：其用于基于所述结构风险敏感因子，获得综合结构风险影响度，并设定安全风险分级指标；基于结构风险敏感因子与隧道数据，获得结构风险责任参数；基于安全风险分级指标与结构风险责任参数获取结构风险等级；
风险预测模块：其用于基于监测数据与所述结构风险等级构建数据集，训练并获得预测模型；获得新的监测数据，基于新的所述监测数据与预测模型，获得结构风险趋势；
预警模块：其用于根据所述结构风险趋势获取结构风险等级变化，以预设的形式输出预警信息。
CN202411413137.XA 2024-10-11 2024-10-11 一种地铁隧道结构安全风险动态预测方法及系统 Active CN118940193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411413137.XA CN118940193B (zh) 2024-10-11 2024-10-11 一种地铁隧道结构安全风险动态预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411413137.XA CN118940193B (zh) 2024-10-11 2024-10-11 一种地铁隧道结构安全风险动态预测方法及系统

Publications (2)

Publication Number Publication Date
CN118940193A CN118940193A (zh) 2024-11-12
CN118940193B true CN118940193B (zh) 2024-12-27

Family

ID=93358913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411413137.XA Active CN118940193B (zh) 2024-10-11 2024-10-11 一种地铁隧道结构安全风险动态预测方法及系统

Country Status (1)

Country Link
CN (1) CN118940193B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119359053B (zh) * 2024-12-25 2025-04-01 北京交通大学 一种海外高铁城区隧道建设风险评估方法及系统
CN119624146A (zh) * 2025-02-14 2025-03-14 中铁水利信息科技有限公司 一种基于数字孪生的大坝安全监测系统及方法
CN119740179B (zh) * 2025-03-04 2025-07-11 中国铁塔股份有限公司浙江省分公司 一种基于物联网的铁路隧道环境监测系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779296A (zh) * 2016-11-22 2017-05-31 华中科技大学 一种基于多传感器的隧道施工周围建筑物安全预警方法
CN117035172A (zh) * 2023-08-03 2023-11-10 北京城建设计发展集团股份有限公司 一种海底地铁隧道结构运营安全风险动态预测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004086183A2 (en) * 2003-03-19 2004-10-07 Ge Financial Assurance Holdings, Inc. Methods and systems for analytical-based multifactor multiobjective portfolio risk optimization
US11985128B2 (en) * 2021-08-19 2024-05-14 International Business Machines Corporation Device step-up authentication system
CN114118677B (zh) * 2021-10-13 2024-08-02 中通服和信科技有限公司 基于物联网的尾矿库风险监测预警系统
CN117846706A (zh) * 2024-02-18 2024-04-09 北京市市政一建设工程有限责任公司 一种地下隧道结构有害气体的监测报警方法和控制装置
CN118548114B (zh) * 2024-07-30 2024-11-19 中铁一局集团第五工程有限公司 一种隧道监测数据应急响应预警方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779296A (zh) * 2016-11-22 2017-05-31 华中科技大学 一种基于多传感器的隧道施工周围建筑物安全预警方法
CN117035172A (zh) * 2023-08-03 2023-11-10 北京城建设计发展集团股份有限公司 一种海底地铁隧道结构运营安全风险动态预测方法及系统

Also Published As

Publication number Publication date
CN118940193A (zh) 2024-11-12

Similar Documents

Publication Publication Date Title
CN118940193B (zh) 一种地铁隧道结构安全风险动态预测方法及系统
Eftekhar Azam et al. Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition
CN112083244B (zh) 综合化航空电子设备故障智能诊断系统
Yi et al. Development of sensor validation methodologies for structural health monitoring: A comprehensive review
Dervilis et al. On robust regression analysis as a means of exploring environmental and operational conditions for SHM data
CN118037047B (zh) 基于ai的矿山安全监控系统
Smarsly et al. Machine learning techniques for structural health monitoring
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
Cheung et al. The application of statistical pattern recognition methods for damage detection to fielddata
CN109581871A (zh) 免疫对抗样本的工业控制系统入侵检测方法
CN119322915B (zh) 一种用于个性化设备运维的预测模型构建方法及系统
Gao et al. Detection of multi-type data anomaly for structural health monitoring using pattern recognition neural network
CN118229036B (zh) 一种用于智慧城市的运维管理系统及其方法
Catbas Structural health monitoring: applications and data analysis
Zhang et al. Structural Vibration Data Anomaly Detection Based on Multiple Feature Information Using CNN‐LSTM Model
CN119005533B (zh) 一种海底隧道运行期间结构安全智能评价方法及系统
CN119312205B (zh) 一种智慧消防设备故障识别方法及系统
Li et al. Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks
CN112418529B (zh) 基于lstm神经网络的户外广告在线倒塌预测方法
US20230195101A1 (en) Method and system for detecting and characterizing weak signals of risk exposure in an industrial system
Nguyen et al. A remaining useful lifetime prediction model for concrete structures using Mann-Whitney U test state indicator and deep learning
Pham‐Bao et al. Energy dissipation‐based material deterioration assessment using random decrement technique and convolutional neural network: A case study of Saigon bridge in Ho Chi Minh City, Vietnam
CN117574303B (zh) 施工状况的监测预警方法、装置、设备及存储介质
Honarjoo et al. SigBERT: vibration-based steel frame structural damage detection through fine-tuning BERT
Krukenfellner et al. Predicting condition states, based on displacement data, generated by acceleration sensors on industrial linear vibrating screens through neural networks

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