基于深度學習理論的隧道變形監測技術研究

何 軍 林廣東 申小軍 徐衛獎

(1.中交隧道工程有限公司，北京 100102; 2.中交一公局集團有限公司，北京 100020; 3.長安大學公路學院，陜西 西安 710064)

1 概述

近年來，隨著科技的進步，尤其是信息領域技術的進步，我國在各個領域都開始了智能建設的探索之旅，有著“基建狂魔”之稱的我國在基礎建設領域也取得了長足的進展，對基礎建設的標準和要求也越來越趨于現代化、智能化，尤其是在中央的第十四個五年規劃及2035年遠景目標提出的人類社會已經邁入智能化時代之后，更是將隧道領域的智能建造提上了新的日程，新一輪的隧道智能化建造更是迎來了新的機遇和挑戰[1,2]。為加速隧道智能化建造的腳步，國內外不少學者分別從隧道的施工、運營等多方面展開了相關研究，盧芳芳、薛亞東等基于深度學習理論展開了有關隧道襯砌病害的研究，并選出合適的yolov2算法[3,4]；柳厚祥等就公路隧道圍巖分級，研究并建立了一種基于深度學習技術的隧道圍巖自動分級系統，大大加速了圍巖的自動分級能力[5]。對于隧道變形方面，早在2014年，周奇才等人就提出了基于Multi-agent的隧道變形監測系統，實現了對隧道變形的在線監測[6-10]，隨著神經網絡的不斷發展，不少學者又基于神經網絡展開了對公路隧道的圍巖變形的研究，其中張錦等提出的使用改進型遺傳算法優化灰色神經網絡的隧道變形預測模型，便能很好的對進行隧道拱頂下沉量預測時有著更高的精度，更好的穩定性[11]。目前，采用神經網絡研究隧道變形規律的文章較多，但基于深度學習理論研究隧道變形規律的文章略顯不足，因此本文基于深度學習理論的LSTM神經網絡通過對現場實測的收斂及其沉降等數據加以分析，實現對隧道的變形規律的智能監測。

2 隧道圍巖大變形的影響因素

隧道圍巖大變形，是指隧道在開挖的過程中，受區域地質條件、地層巖性、地質構造等因素的共同作用的影響下，隨著時間的推移，隧道開挖面的推進，隧道圍巖變形不斷發展的過程[12,13]，影響隧道圍巖變形的因素諸多，其中以隧道所處的地質條件及其施工條件和方式為主。

2.1 地質條件

中坪左線隧道，位于河南省南陽市西峽縣中坪鎮附近，該隧道地臨兩河口附近，隧道全長457 m，緊鄰311國道，爆破作業安全等級要求高，開挖困難較大，施工難度大，隧道變形也不穩定，交通疏導壓力較大，被建設者稱為最難啃的“硬骨頭”、最兇險的“攔路虎”，集中了斷層破碎帶、隧道巖爆、涌水等諸多不良地質，安全隱患和施工難度極大。此外，隧道洞內常年高溫，也給施工帶來很大困難。隧道圍巖變形主要受到地質條件、地層巖性、地質構造、地應力、施工方法及其支護措施等多方面的綜合因素影響，其中隧道所處的地質環境最為突出，其所處的地質環境是隧道地質條件、地層巖性、地質構造、地應力的決定性因素，對于不同的地理位置條件下的隧道，隧道所處的地質環境條件往往決定了隧道的開挖方法和支護形式，對隧道的變形也起著決定性作用。

2.2 施工方法

隧道施工開挖方法與支護措施直接影響隧道圍巖的應力釋放，對同一隧道而言，不同的開挖方法與支護措施意味著不同的圍巖應力和應變[14]，圍巖不同的應力和應變往往又決定著隧道的不同的變形和沉降，近年來，隨著國內基建的發展，國內新建的隧道也越來越多，隧道的開挖方法也越來越多，基于不同地區的地質環境下的隧道，其施工方法也各有不同，但就目前而言，國內外對于隧道的施工方法主要有全斷面開挖法、臺階法、環型開挖留核心土法、中隔壁法(CD法)、雙側壁導坑法、交叉中隔壁法(CRD法)六種形式。

全斷面開挖法是按照設計輪廓一次爆破成形，然后修建襯砌的一種隧道施工方法，該方法開挖斷面與作業空間較大，受干擾較小，有充分的條件使用機械，能夠減少人力的投入，施工作業較安全，工序少，便于施工組織管理，開挖一次成形，對圍巖擾動較少，有利于圍巖穩定，但只適用于圍巖等級較好的隧道開挖，且往往要求隧道長度較長，一般要求隧道總長大于1 km，對于Ⅳ級、Ⅴ級圍巖，由于此類圍巖在開挖以后，斷面很難維持自穩條件，往往不適合該方法開挖。本隧道圍巖大都為Ⅳ級、Ⅴ級圍巖，故不適合采用全斷面法開挖。臺階法作為當今運用最廣泛的施工方法之一，憑借該方法靈活多變、適用性強，凡是軟弱地層、第四紀沉積地層，均可采用，無論地層變好還是變壞，都能及時更改，變換成其他方法。另外，臺階法開挖具有足夠的作業空間和較快的施工速度，臺階有利于開挖面的穩定性，尤其是上部開挖支護后，能夠保證下部作業安全且適合Ⅳ級、Ⅴ級圍巖開挖等優點而被選為本隧道的施工形式。環型開挖留核心土法、中隔壁法(CD法)、雙側壁導坑法、交叉中隔壁法(CRD法)與臺階法相比，由于環型開挖留核心土法需要預留核心土支承開挖面，其作業面空間大大減小，不利于機械化施工，且對施工工藝要求較高。

3 隧道變形的監測方法

隧道作為一種地下工程結構物，在其開挖支護后，不可避免的會產生一定的變形和沉降，而對于高速公路和高速鐵路這一類對變形要求較高的建筑物，嚴格控制變形顯得尤為重要，因此無論在隧道開挖過程中還是在隧道的長期運營階段，為保證隧道的安全施工和運營，對圍巖變形的監測顯得無比重要，隧道圍巖監測主要是為了了解圍巖和建筑物結構內部的變形發展規律，對于公路隧道，其變形監測主要包含隧道的垂直沉降監測以及隧道的水平位移監測兩個方面。對于垂直沉降的監測，國內外多采用水準儀及其全站儀等儀器對目標變形區域進行定點定期監測，常用的方法有幾何水準測量法以及傳感器測量法；對于水平位移監測，一般是對目標區域設置觀測基線進行測量，即在隧道縱向上每隔一段距離分布一個基線樁，采用準直線法和測角法來測定目標觀測點與預先設置的基線樁之間的距離，并計算出其水平位移。

3.1 幾何水準測量法

幾何水準測量法作為垂直位移觀測方法的一種，它是以起測點高程為基準，引測建筑物變形前后的測點高程，通過該點測量前后高程的變化來監測結構物變形前后的位移的一種方法，這種方法采用三級點位，兩級控制，即設置水準點、起測基點、垂直位移標點3種測點，并通過水準基點校測起測基點以及通過起測基點觀測垂直位移標點來對垂直位移觀測進行控制，該方法具備操作簡便，測量設備簡易操作，對技術要求含量較低并可廣泛推廣，但受操控人員以及環境等多方面制約，測量精度往往難以達到測量人員的要求。

3.2 傳感器測量法

隧道的豎向沉降監測多采用人工監測，常規儀器多采用水準儀進行，該方法需要測量人員長期現場操作儀器，隧道作為一種地下工程結構物，常常深埋于地下，這種長期監測儀器對地下工作人員的人身安全往往難以保證，且具有工作量大，耗費的人力物力較高，不具備良好的經濟效益等缺點，因此，國內外學者基于以上不足提出了靜力水準儀自動化監測系統，該方法具有精度高，自動化效果好，能夠很好的彌補傳統的監測方法的不足，提高經濟效益。

目前，對于隧道圍巖變形的監測方法多為隧道施工階段的研究，無論垂直沉降觀測還是水平位移觀測，就目前研究而言，這些方法的適用性均存在局限性，盡管近年來有不少新的監測手段的提出，例如靜力水準檢測技術、自動全站儀、攝像監測技術、三維激光測量技術以及電水平尺監測技術等，但例如三維激光測量技術的測量工作依舊較依賴于人工操作，且對操作人員的技術要求較高，普及性較差，且不能夠對隧道進行一個長期的智能監測，對隧道的變形規律更是很難做出準確判斷，因此該方法的長期經濟效益不夠良好，但伴隨著時代的進步和發展，我國隧道的長度以及施工難度依舊在不斷增加，運營時間和里程也逐漸增長，據不完全統計，截至2020年年初，我國公路特長隧道數量增長至1 175座，公路特長隧道長度達到521.75萬m；公路長隧道數量達到4 784座，隧道總長度為826.31萬m，因此對于長大隧道圍巖的變形監測手段亟待研究和發展，本文基于深度學習理論的隧道圍巖變形規律智能監測技術研究，通過全站儀測量隧道數據，并利用深度學習理論和隧道的現場實測數據結合，實現對隧道圍巖變形規律的智能監測。

4 隧道變形智能監測方法

本文數據收集于河南省鄭西高速欒雙段中坪隧道左線，該隧道位于兩河口附近，隧道全長457 m，緊鄰311國道，爆破作業安全等級要求高，開挖困難較大，施工難度大，隧道變形也不穩定，交通疏導壓力較大，被建設者稱為最難啃的“硬骨頭”、最兇險的“攔路虎”。因此，本文原始數據采集于中坪左線隧道21個斷面的監控量測數據，該隧道也包含了該地區的常遇的Ⅲ級、Ⅳ級、Ⅴ級三個等級圍巖，監控量測間隔也是依據隧道圍巖等級布置，分別按圍巖等級不同設置10 m，20 m，30 m不同間距布置，對于較好的Ⅲ級圍巖區段，其間隔布置在10 m，其次對于Ⅳ級、Ⅴ級圍巖，其間隔依次布置在20 m和30 m，其監控對象主要包含隧道拱頂的沉降及其周邊收斂等數據，監控起始樁號為ZK109+149，終止樁號為ZK108+799，經整理篩選，最終選出593組數據作為研究對象。并利用深度學習LSTM網絡模型進行分析。

4.1 LSTM網絡模型原理

LSTM網絡又被稱為長短期記憶網絡，它是為了解決長序列訓練過程中的梯度消失和梯度爆炸問題而形成的一種深度學習網絡模型，相比于普通的RNN網絡，LSTM網絡將網絡的狀態分為內部狀態和外部狀態兩種，能夠有效的對長序列模型進行預測，這種網絡結構采用的是控制門機制，并由輸入門、遺忘門和輸出門組成，包含有忘記階段、選擇記憶階段和輸出階段三個階段，這種選擇性記憶和遺忘能夠很好的對實際模型進行模擬訓練，尤其對于隧道這種常隨著復雜多變的地質環境更改而變動的結構體，這種機制能夠很好的避免傳統的機器學習出現的過擬合和欠擬合兩種狀態，其具體架構圖如圖1所示，原理結構圖中的Input Gate為LSTM網絡模型的信號控制輸入門，也即輸入門，主要作用是向內傳輸數據，原理結構圖中的Ouput Gate為LSTM網絡模型的信號控制輸出門，也即輸出門，主要是起著數據的向外傳輸作用，對于Memory Cell，又被稱為LSTM網絡的記憶細胞，不同于傳統的記憶單元，LSTM網絡的記憶細胞對于每個時刻狀態的信息不會簡單的等同視之，而是具有衡量信息價值的能力，這能夠有效的對無用信息進行篩選過濾，對有用信息進行記憶存儲，從本質上區別于傳統的循環神經網絡。對于Forget Gate單元，則是決定對過去狀態多少信息的丟失。最終，由輸出門決定當前時刻的內部狀態有多少信息傳遞給外部狀態。

4.2 LSTM神經網絡模型的建立

由于Tensorflow框架具有開源、模塊簡單、易操作、便攜、高效、可擴展等優點，本文LSTM網絡選擇在Windows操作系統下搭建CPU版本的Tensorflow框架下運行，本次實驗中共選擇了593組數據，其中400組數據用于模型的訓練，100組數據用于模型的測試，93組數據用于模型的驗證。初試迭代次數設置為200，初始學習率設置為0.1，選擇好損失函數，創建GradientDescentOptimizer優化器，經學習測試，并不斷通過調整迭代次數和學習率，直至當改變學習率誤差率不再變化時確定最終學習率為0.01[15]。

4.3 數據的預處理

在進行深度學習分析之前，筆者先將數據分為三大類，其中400組數據被劃分為訓練集，100組數據被劃分為測試集，93組數據被劃分為驗證集，同時為保證數據的劃分不受人為干擾的影響，通過代碼對數據進行隨機劃分。其處理代碼如圖2所示。

為保證數據本身類別的大小不對訓練、測試結果產生影響，并對所選的593組數據進行數據降噪，降噪方法采用python中自帶的pywt庫進行小波降噪處理，然后再對降噪處理后的數據進行歸一化，歸一化處理數據如圖3所示。

4.4 模型訓練與預測

基于已知數據，能與隧道沉降建立直接關聯的因素有隧道周邊收斂的大小、圍巖等級以及時間，由圖3可知，圍巖收斂值以及隧道開挖時間對隧道變形的影響較大，而隧道的圍巖等級通常較難判別，就目前研究而言，對于隧道圍巖的分級也尚沒有一個統一的方式，且大多采用人為主觀判別，存在較大的不確定性，因此，本文從隧道周邊收斂值以及時間兩個角度構建模型。模型假設目標時間段的隧道變形沉降量與當前時間前n天的隧道周邊收斂值成正相關，與時間成負相關，并將這兩項的歸一化處理后的數據值作為輸入值，向LSTM神經網絡的輸入門輸入，計算公式為：

Di=f(ti-1,ti-2,…,ti-(i-1),ti-1)

(1)

其中，Di為隧道第i天的變形沉降量；ti為第i天的時間間隔。

模型以中坪隧道左線的593組現場實測數據為原始數據，通過代碼隨機篩選400組數據為訓練集，100組數據為測試集，93組數據為驗證集，為較好的測試數據，在模型訓練前，除了對已知數據進行小波降噪和歸一化處理之外，本次模型還對數據的損失進行控制，在訓練開始前，由于本次訓練數據較多，首先選擇訓練迭代次數為200，并設置每迭代10次輸出一次訓練結果，以記錄模型損失的大小，經觀測發現，模型在訓練50次～100次時效果最佳，且損失值在迭代次數達到30次左右時趨于穩定，最終為了防止訓練過擬合以及欠擬合，將訓練迭代次數確定在100輪，經訓練，得到預測模型如圖4所示。

4.5 結果分析

從以上訓練結果來看，LSTM神經網絡對于長時間的模型預測具有較好的效果，且從預測圖4中可以看出，隧道的變形沉降量隨著時間的推移逐漸減小，隧道的變形也主要發生在隧道開挖后的20 d以內，對于開挖20 d之后，無論是圍巖等級較好還是較差，其隧道變形量隨之變化也不大，因此，可以認定對于隧道的變形主要發生在隧道開挖后的20 d左右，以開挖前幾天變形為主，若是在開挖20 d之后仍出現較大變形，則應對隧道做出相應處理措施，同時為驗證預測模型的準確性，筆者也通過代碼隨機的預測了兩組數據，以驗證LSTM模型對數據處理結果的可靠性，通過代碼隨機抽選到43和255兩組數據，兩組數據與現場實測數據的誤差均控制在允許范圍之內，測試結果如圖5所示。因此，可以表明，基于深度學習理論的LSTM神經網絡模型對隧道的變形智能監測技術具有較大的可靠性。

5 結語

對于公路隧道而言，其每一時刻的變形量的大小，都決定著隧道的整個生命周期的安全，為使得隧道的安全施工和運營，本文通過小波去噪、歸一化等手段對現場實測數據進行處理，并利用深度學習網絡LSTM神經網絡模型對處理后的數據進行分析測試，來對隧道的變形進行智能預測，使得通過已知時間內隧道的變形改變量來預測下一未知時間內隧道的變形改變量，以指導隧道的安全施工和運營。經測試分析得出：

1)LSTM神經網絡能夠有效的對長時間序列模型進行有效預測，且預測精度較高。

2)相比于其他循環神經網絡，LSTM神經網絡的學習性和自適應性更高。