[发明专利]基于深度学习的大型土木工程结构的渗漏水状况重建方法

说明书

本发明提供一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，可根据无线电波传播路径损耗原理测量得到接收信号强度指示RSSI数据，并经渗漏水状况重建模型得到损耗因子分布图像，其中，模型训练过程为，首先对RSSI序列正问题仿真数值求解并归一化得到RSSI序列数据集以及路径损耗因子图像数据集，并由数据得出正问题规模、属性维数以及标签图像维度来确定模型架构以及初始化参数，然后经由训练学习算法得到渗漏水状况重建模型。该方法通过易获得RSSI数据与损耗因子分布图像之间的相关映射关系可以在较大面积、较大规模尺度上更及时实现大型土木工程结构的渗漏水状态重建，可减少渗漏水灾害导致的结构损坏、经济损失与人员伤亡。

技术领域

本发明涉及一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，涉及大型土木结构渗漏水无线监测领域。

背景技术

在基础设施建设过程中，盾构隧道的结构安全是管廊、隧道建设能够正常运行的重要保障，那么渗漏水是最常见也是最典型的一种盾构隧道结构灾害，因此实现渗漏水检测和实时监控尤为重要。目前常见的隧道管廊渗漏水检测的方案有人工目测或量测、红外热成像检测、激光扫描无损检测、地质雷达检测、超声波检测以及无线传感器网络数据检测。通过基于无线传感器网络数据重建一片区域的渗漏水状况在数学上可以抽象成逆问题求解，而经典逆问题多采用迭代正则化求解逆问题，正则化虽然在一定程度上能改善逆问题的不适定性，但依赖较多的先验知识，在面对复杂数据时仍然效果有限，需要进一步改善。

发明内容

为解决上述问题，提供一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，本发明采用了如下技术方案：

本发明提供了一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，根据输入的无线通信信号的接收信号强度指示(RSSI)数据，通过训练好的渗漏水状况重建模型得出空间区域路径的损耗因子分布图像用于指示空间渗漏水情况：，其特征在于，包括：步骤1-1，由无线传感器网络测量得到RSSI数据；步骤1-2，将RSSI数据送入预先训练得到的渗漏水状况重建模型得到损耗因子分布图像；步骤1-3，输出损耗因子分布图像；其中，渗漏水状况重建模型的训练过程包括以下子步骤：步骤2-1，通过对无线信号传播过程正问题进行数值仿真计算得到训练用RSSI数据以及训练用损耗因子分布图像；步骤2-2，对训练用RSSI数据和训练用损耗因子分布图像，分别进行归一化的处理从而得到由训练用RSSI数据组成的RSSI数据集以及由训练用损耗因子分布图像组成的损耗因子图像数据集，步骤2-3，针对RSSI数据集以及损耗因子图像数据集设置参数，预先设定的训练学习算法得到正问题规模、RSSI数据的属性维数以及损耗因子分布图像的标签图像维度；步骤2-4，根据正问题规模、属性维数、标签图像维度确定深度学习网络的模型架构以及初始化参数；步骤2-5，根据初始化参数对深度学习网络进行初始化得到待训练渗漏水状况重建模型；步骤2-6，根据损失误差最小原则对待训练渗漏水状况重建模型进行模型参数训练，并将训练得到的模型作为渗漏水状况重建模型。

本发明提供的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，还可以具有这样的技术特征，其中，记RSSI数据集设置为S，损耗因子图像数据集设置为N，S以及N表示的含义分别为：式中，m是表示训练样本数目，n₁是训练集样本的RSSI数据的数目，n₂×n₂是训练集样本标签图像的像素规模。

本发明提供的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，还可以具有这样的技术特征，其中，渗漏水状况重建模型包括输入层、全连接运算、神经元重组卷积运算以及输出层，除了输出层无激活函数，输入层、全连接运算、神经元重组卷积运算均具有激活函数。

本发明提供的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，还可以具有这样的技术特征，其中，初始化参数包括权重、学习率、损失函数、学习优化算法、最大迭代次数。

发明作用与效果