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

摘要

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。

说明书

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：

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

根据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，将RSSI数据通过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并输出，其中，渗漏水状况重建模型的训练过程为，首先通过对RSSI数据正问题进行仿真计算并通过归一化处理得到RSSI数据集以及损耗因子图像数据集，然后设置深度学习网络的模型架构以及初始化参数，基于该RSSI数据集以及损耗因子图像数据集经由预先设定的训练学习算法来确定深度学习网络的最终模型，训练过程中训练中采用损失误差最小原则训练得到渗漏水状况重建模型。

另外，还由于通过利用深度机器学习方法学习到RSSI数据与损耗因子分布图像之间的映射关系，从而能够更好地根据实际的RSSI数据测得重建空间区域的渗漏水状况。

同时，还由于本发明的渗漏水监测方法是基于无线电波传播路径损耗原理，并基于RSSI数据进行，从而能够在较大面积、较大规模尺度上更及时的实现大型土木的渗漏水监测重建，较传统以温湿度监测为主的方法能够极大拓展监测的空间范围，能够更有效的感知一个区域的变化，并减少渗漏水灾害所带来的经济损失与人员伤亡。

通过这种着重于对初始化参数的优化以及RSSI数据集以及损耗因子图像数据集的生成能够在将渗漏水状况重建模型投入使用时提高根据RSSI数据来进行空间区域渗水状况预测的效率，从而能够在较大面积、较大规模、更及时实现大型土木的渗漏水监测重建，极大地减少渗漏水灾害所带来的经济损失与人员伤亡。

此外，本发明的渗漏水状态重建方法采用深度神经网络模型，较传统逆问题的迭代正则化求解方案，复杂性显著降低，且能够较好的解决该类逆问题的病态性和不适定性并得到更加稳定可靠的重建结果。

附图说明

图1是本发明实施例中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的流程图；

图2是本发明实施例中渗漏水状况重建模型的架构图；以及

图3是本发明实施例中渗漏水状况重建模型的重建原理图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明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作具体阐述。

<实施例>

本实施例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，其原理为：由于大型土木结构渗漏水改变了电磁特性并由此影响到空间电磁波的传播，这种情况的出现使无线传感器通信的接受信号强度指示RSSI值发生了相应的变化。本实施例中，RSSI数据为一串RSSI序列。

图1是本发明实施例中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的流程图。

如图1所示，大型土木工程结构的渗漏水状况重建方法包括步骤1-1至步骤1-3，具体如下：

步骤1-1，由无线传感器测量得到的RSSI序列，然后进入步骤1-2；

步骤1-2，将RSSI序列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，然后进入步骤1-3；

步骤1-3，输出损耗因子分布图像，而该损耗因子图像与空间中的渗漏水严重程度呈显著正相关，这是由无线电波传播特性受水的影响较大所决定的，因此该分布图像可作为渗漏水严重程度的参考估计值。至此结束流程。

图2是本发明实施例中渗漏水状况重建模型的架构图。

如图2所示，渗漏水状况重建模型为通过将输入的RSSI序列通过单元重组层(神经元重组卷积运算层)以及三个卷积层(隐含层)输出路径损耗因子分布图像。

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层以及输出层，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。

在本实施例中，输入渗漏水状况重建模型的RSSI序列的长度为120(即n

其中，渗漏水状况重建模型训练过程包括步骤2-1至步骤2-6。

图3是本发明实施例中渗漏水状况重建模型的重建原理图。

如图3所示，该图表示了通过无线传感器网络获得RSSI数据通过数据归一化预处理并通过深度网络重建模型计算可得到损耗因子分布图像并将其作为渗漏水严重程度的表征。

步骤2-1，利用无线电波随传播距离增加而衰减的物理规律对4*4的传感器网络中的无线信号传播进行模拟，模拟时假定这16个无线传感器以4*4网格状纵横分布且发射功率都相同，并在空间中随机生成一些渗漏水区域(也即损耗因子分布图像)，此模拟过程也即正问题数值计算过程，由此每个无线传感器都可以得到其它15个无线传感器无线信号传输到自己位置的信号强度(即RSSI值)，据此得到训练用的一个原始RSSI序列以及对应的原始损耗因子分布图像，它们合在一起构成一个训练样本。对深度模型而言，RSSI序列就是输入，损耗因子分布图像就是输出。用随机生成数据的方法如此反复多次，得到包含多个训练样本的训练集，然后进入步骤2-2。

在本实施例中，通过16个空间无线传感器两两通信并受环境渗漏水状况的影响，得到长度为120的RSSI序列，该序列中每个数都代表了一组发射传感器和接收传感器之间的RSSI值，16个无线传感器最终会产生120个数据。

步骤2-2，对训练用原始RSSI序列和训练用原始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序列组成的RSSI序列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，然后进入步骤2-3。

其中，RSSI序列数据集设置为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，n

归一化处理通过Z-score方法实行，通过将训练用RSSI序列和训练用损耗因子分布图像的数据保持在[0,1]区间内，归一化公式为：

式中，X是处理前的原始RSSI序列值或空间路径损耗因子分布图像像素值，X

在本实施例中，经过对60000组数据完成数据归一化预处理之后，得到由归一化训练用RSSI序列组成的RSSI序列数据集S(S∈R

步骤2-3，基于RSSI序列数据集以及损耗因子图像数据集确定基本参数，包括正问题规模(示例中为4*4)、RSSI序列维数(示例中为120)、损耗因子图像维度(示例中为28*28)。这些参数影响到下一环节网络参数设置。当网络输出和训练集中的图像足够相似时训练算法中止。

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，然后进入步骤2-5。

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。如图2所示，网络结构和每层结构符合U-net网络结构。

在本实施例中，采用的损失函数为结构相似性指标SSMI(StructuralSimilarity)。训练优化算法为Adam算法，学习率为∈＝0.3。

步骤2-5，根据2-2环节构造的训练集和2-3环节的初始化参数设置对深度学习网络进行初始化得到初始模型，然后进入步骤2-6。

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待训练渗漏水状况重建模型作为渗漏水状况重建模型，在本实施例中，采用的损失函数为结构相似性指标SSMI(Structural Similarity)。训练优化算法为Adam算法，学习率为∈＝0.3，并且通过批量训练算法的方式以100为一次得数据规模共完成600次批量学习并监控在训练过程中的损失函数变化。

步骤2-7，在得到用于渗漏水状况重建的深度网络模型后，即可在实际中直接应用。模型的应用无需前述训练环节。只需要讲传感器网络输出的RSSI数值送入模型，即可在模型输出端得出一个重建图像，该图像即为能够检测出大型土木工程结构出现渗漏水状况的损耗因子分布图像。

实施例作用与效果

根据本实施例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，基于RSSI序列并通过深度神经网络模型可以很好的重建损耗因子分布图像作为渗漏水图像，其中，模型训练过程为，首先对RSSI序列正问题仿真求解并归一化得到RSSI序列数据集以及路径损耗因子图像数据集，并经由训练学习算法得正问题规模、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，进一步训练得到渗漏水状况重建模型。

另外，在上述实施例中，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。实验表明重建的有效性。该方法通过易获得得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。深度学习方法减小了传统逆问题求解过程中由病态性和不适定性带来得挑战，较复杂的迭代正则化方法可以输出更好得重建结果。

上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。