基于TCN-自適應的地下洞室圍巖變形異常數據識別

摘要：水電站地下洞室圍巖變形數據具有變化不確定、序列樣本短等特點，傳統的異常識別方法漏識率、誤判率較高。隨著智能技術的發展，通過神經網絡建立更加可靠的異常識別方法是目前研究的熱點，而傳統的神經網絡存在時序關聯性不強和計算模型龐雜等問題。為此，提出了基于時域卷積神經網絡（TCN）及標準自適應的地下洞室異常數據識別算法，該算法利用TCN技術，考慮序列的前后關系，建立了更為可靠的序列模型；同時針對地下洞室監測數據特征，通過考慮誤差中位數、數據波動和儀器精度3個方面，突現自適應匹配最優識別準則。將該算法應用在葉巴灘水電站地下洞室圍巖變形的異常數據識別中，證明了其可有效避免梯度爆炸、消失，模型耗時較長等問題，極大地提高了異常值分析效率和識別率。相關經驗可供類似工程異常監測數據識別時借鑒。

關 鍵 詞：異常數據識別；地下洞室；深度學習；時域卷積神經網絡；標準自適應

中圖法分類號：TV698.1

文獻標志碼：ADOI：10.16232/j.cnki.1001-4179.2024.08.029

0 引 言

在地下洞室圍巖施工過程中，安全監測儀器為洞室安全穩定分析提供了基礎數據，基于該數據調整設計和指導施工的一般方法為：先使用監測數據通過反演分析獲得圍巖參數，然后利用圍巖參數進行數值模擬分析，進而預測其結構變形發展趨勢和穩定狀態^［1-2］。然而，異常數據會污染分析樣本，對地下洞室安全狀態決策評估的精準性和可靠性造成影響^［3-4］，因此及時識別異常數據是地下洞室安全監測的首要工作。

由于地下洞室結構的復雜性，其變形數據具有非線性、不確定性、序列樣本短等特征，這會導致準確識別異常值較為困難。傳統針對地下洞室監測時序數據的異常識別方法主要基于統計學理論和數學模型^［5-6］發展而來，如基于統計學方法的控制圖^［7］、基于時間序列分析的ARIMA模型^［8］、基于密度或距離的方法^［9］等。這些方法已經在實際工程中得到了廣泛應用，但更適用于單一數據類型，在處理具有高維非線性特征的地下洞室變形數據方面存在一定的局限性，精度和泛化能力有待提高。為了解決數據的非線性問題，有學者提出采用回歸分析法^［10-11］來進行預測分析，即對數據不進行特性分析，只分析變量間的關系^［12］。然而，該方法并未充分考慮數據之間的相關性，且當引起結構變形的元素不可測時^［13］，會對預測結果產生一定的影響。

隨著計算機技術和數據挖掘技術的發展，基于機器學習的地下洞室異常數據識別方法逐漸受到研究者的關注^［14-16］，主要包括基于支持向量機、隨機森林、神經網絡等模型的方法。相應的研究成果也表明機器學習在地下洞室異常數據識別中的應用較傳統方法而言具有高精度、強泛化能力和較好自適應性^［17-18］等優點，能夠更好地適應地下洞室變形數據的高維非線性特征。但同時，這些模型針對序列預測空間的準確性有待提高。

近年來循環神經網絡（RNN）在序列問題上有著良好表現，但RNN在內部設計上存在一個嚴重問題^［19-20］：由于網絡一次只能處理一個時間步長，后一步必須等前一步處理完才能進行運算，這意味著RNN不能像CNN那樣進行大規模并行處理。2016年Lea等^［21］提出了時域卷積神經網絡（TCN）算法，與以往的時間序列預測模型相比，其并行能力提升顯著且計算復雜度相對較低^［22］，因此使用TCN算法進行建模能夠更好地對具有不確定性的地下洞室序列變形數據進行預測。

針對具有高維非線性特征的地下洞室變形數據、序列預測空間的準確性以及模型計算復雜程度，本文引入TCN算法建立地下洞室圍巖變形的預測模型，同時針對異常值識別中存在的崩潰點高、時間間隔不一致、識別范圍過窄等問題，提出考慮了誤差中位數、數據波動、儀器精度自適應的最優異常識別準則，并通過在葉巴灘地下洞室圍巖變形異常數據識別中的應用，驗證其效果和優越性。

1 算法原理

1.1 地下洞室監測時域卷積神經網絡原理

TCN由相同輸入和輸出長度的擴張、因果一維卷積層組成^［23］。和傳統的時間序列預測模型相比，輸入目標序列將其各自輸入序列的最后一個元素作為第一個元素，位于輸入序列最后一個條目之后的輸出長度元素作為它的最后一個元素。這使其能預測的最大預測視界等于輸出長度，許多重疊的輸入和目標序列可以創建出一個時間序列，具備更好的并行能力且計算復雜度相對較低。地下洞室監測數據是時間的函數，設時間序列為X=x₀，x₁，…，x_t-1，x_t，Y為對應的地下洞室輸出效應量，Y=y₀，y₁，…，y_t－1，y_t，根據TCN原理把時間序列作為訓練輸入層，把測值序列作為輸出層，并建立因果卷積和膨脹卷積。

1.1.1 因果卷積

因果卷積與傳統卷積神經網絡的不同之處在于，因果卷積不能看到未來的數據，它是單向的結構。這種輸入輸出上的響應關系被稱為因果約束，它是一種嚴格的時間約束模型，因此被稱為因果卷積。地下洞室巖體結構復雜，具有瞬變和持續流變特征，為此可根據巖體結構特征采用式（1）所列的直線型、對數型、指數型函數將時間序列修正為G（X）。將G（X）作為洞室模型的時間輸入，根據數據序列的長度設置3層隱藏層，每層隱藏層根據輸入序列長度進行卷積，最后輸出對應預測值y_t，結構形式如圖1所示。

式中：c_i為時效因子回歸系數；θ為觀測日至始測日的累計天數t除以100；θ₀為建模所用資料序列第一個測值日至始測日的累計天數t₀除以100；c為系數，取0.005。

1.1.2 膨脹卷積

雖然TCN網絡中的因果卷積模塊擁有強大的時序序列處理能力，但其仍然存在傳統卷積神經網絡的缺點，即建模時間的長短受到卷積核大小的限制。如果想獲得更長的依賴關系，需要線性堆疊更多層。為了解決此問題，設置膨脹卷積，如圖2所示。根據地下洞室數據長短不同，膨脹卷積對輸入時間序列G（X）進行間隔采樣，并且采樣率由圖中的d控制。底層的d=1表示在輸入的過程中對每個點進行采樣，中間層的d=2表示在輸入過程中對每2個點采樣一次作為輸入。一般來說，層級越高，d的數值越大。因此，膨脹卷積使有效窗口的大小隨著層數呈指數型增長。通過這種方法，卷積網絡可以僅使用較少的層就獲得大的感受野。

假設過濾器為F=（f₁，f₂，…，f_k），對于一個輸入序列s，將其時間序列修正為GX∈R_n后，在G（x_t）處膨脹系數等于d的膨脹卷積計算公式為

式中：s為輸入序列；G（X）為輸入時間序列；d為膨脹系數，d=1，2，4；K為卷積核大小，K=3。

1.1.3 殘差連接

當給定一個地下洞室圍巖變形數據序列，TCN可以并行處理序列數據，并不需要像RNN那樣順序處理。TCN其感受野的大小由層數、卷積核大小、擴張系數確定，可以根據不同的任務、不同的特點進行靈活定制。為了避免隨著網絡結構加深出現梯度消失和梯度爆炸等問題，TCN網絡設計了殘差模塊。殘差連接被證明是訓練深度網絡的有效方法，它允許網絡以跨層方式傳輸信息。假設因果卷積經過一系列卷積操作后輸出為F（x），模塊輸入為x，則每個殘差塊中都引入跨層連接，允許網絡以跨層方式傳輸信息，其數學表達式為

y=F（x）+x（3）

1.2 標準自適應

地下洞室圍巖變形異常數據識別準則通常采用殘差3σ作為評判標準^［24］，該準則認為測值服從正態分布^［25］，然而洞室環境復雜，異常點往往嚴重偏離正態分布，而標準差由于崩潰點為0，容易導致評判標準3σ偏離或崩潰，進而造成誤判和漏判。為此采用殘差四分位間距IQR（σ）代替σ，IQR（σ）為上四分位Q₃與下四分位Q₁的差，同時根據定義，四分位間距是σ的1.349 0倍，因此用IQR（σ）/1.349 0代替σ。由于四分位間距IQR（σ）崩潰率為0.5，因此具有更好的魯棒性。

歷史測值的波動范圍代表測值可能的波動程度，建模預測是通過對現有時間序列與因變量關系的概化，再根據已知時間點對因變量進行預測，這種預測具有不確定性。從數據變化的角度來看，當預測值與實際值之差在歷史波動范圍之內，測值也應是合理的，為此引入離散度四分位差作為標準。計算步驟如下：

（1）首先獲取測值的日波動序列Δyt_i：

式中：d_ti－ti－1為測值間的間隔天數，y（t_i）為監測日至起測日累計天數t_i對應的測值，y（t_i-1）為監測日至起測日累計天數t_i-1對應的測值。

（2）計算日波動四分位間距IQR（f），為了尺度統一，同前文以IQR（f）/1.349 0為標準。

（3）根據評判數據距上一個數據的間隔天數d_tm－tm－1，計算yt_i評判準則，計算式為IQRf·d_tm－tm－1/1.349 0。

測量精度是儀器本身可能造成的測量偏差，控制標準小于儀器測量精度顯然是不合理的，因此同時取測量精度d作為標準。

最后選三者最大值作為評判標準C，公式如下：

C=max［IQR（σ），IQR（f），d］（5）

2 識別效果驗證

2.1 驗證數據樣本

將本文提出的算法應用在葉巴灘地下廠房施工期圍巖變形異常數據識別。葉巴灘地下廠房位于河道右岸，地下廠房水平埋深270～540 m，主廠房從山里至山外依次布置安裝間、主機間及副廠房。主機間長183.80 m，安裝間長59.20 m，副廠房長25.00 m。地下洞室共設有995個監測點，包含多點位移計、錨桿應力計、錨索測力計、測縫計。本文選取測點80%的監測數據作為訓練集，訓練并構建模型，然后用剩余20%的監測數據作為測試集，驗證訓練好的模型的適用性。

2.2 模擬效果

為了分析擬合效果，本文選用決定系數（R²）、均方誤差（MSE）、均方根誤差（RMSE）、平均絕對誤差（MAE）等4個指標對模型應用于實測值的模擬效果進行評價。從葉巴灘地下洞室圍巖變形監測數據的模擬結果來看，時域卷積網絡具有較穩定的效果，R²在0.80以上，MSE值除R2rZB4-02測點外均小于1、RMSE值和MAE值也較小，說明該模型能夠較好地擬合地下洞室數據。典型測點的擬合結果見表1，擬合效果最好和最差的兩個測點的擬合圖形見圖3～4。

從典型測點結果可以看出：時域卷積網絡（TCN）回歸對于趨勢性增長的M4CF4-03測點數據的擬合效果最好，且預測準確度最高，R²高達0.960，MSE值為0.813，RMSE值為0.902，MAE值為0.790；其次為先平緩變化后趨勢性增長的M4ZB2-01測點數據，R²為0.929，MSE值為0.327，RMSE值為0.571，MAE值為0.405；對于呈緩慢上升趨勢的R2rZB4-02測點數據擬合效果最低，R²為0.811，MSE值卻為6.313，RMSE值為2.513，MAE值為2.058，但整體均滿足地下洞室模型擬合預測需求。

為了驗證該方法的優越性，將其與循環神經網絡（RNN）、長短期記憶神經網絡（LSTM）進行了比較，結果見圖5～6。從結果來看，對于同一測點的數據，TCN算法的擬合效果最優，LSTM算法次之，均明顯優于RNN算法。同時TCN、LSTM模擬結果均較為穩定，有效避免了模型梯度爆炸、消失問題，而RNN存在陷入局部最優問題。TCN相較于LSTM花費時間更短，可以達到秒級，滿足工程實時評價需求。

2.3 異常值識別驗證

將3σ準則和自適應標準同時應用于葉巴灘地下洞室安全監測數據可靠性的評估，對比分析其適用性，典型測點異常數據識別結果如圖7～10所示。

可以看出，正常類型的數據采用這兩種方法設置的閾值上下限接近，均可以準確識別異常突變數據，如圖7～8所示。震蕩型數據采用3σ準則無法準確識別異常數據，而使用本文提出的自適應標準可以準確識別出，如圖9～10所示。這主要是因為：雖然通過TCN回歸得到了較為理想的模型，然而大量異常值的存在使得剩余標準差偏離實際值，測點的殘差序列并不服從正態分布，采用3σ準則獲得的閾值控制限較寬，在-3.93～3.93 mm之間，以至于無法識別某些突跳值。相比之下，標準自適應的閾值可以減小由歷史異常值引起的擴大的預警控制限，在-3～3 mm之間，降低震蕩型數據的漏判率，得到更好的識別效果。

3 結 論

本文提出了一種基于時域卷積神經網絡及標準自適應的水電地下洞室圍巖變形異常數據識別算法。該算法利用時域卷積神經網絡（TCN）對水電圍巖數據進行序列模型的學習，提高了模型的分析效率和準確性，同時采用標準自適應方法進行自適應識別，避免了誤識別和漏識別的問題，主要得到如下結論：

（1）引入時域卷積神經網絡對圍巖變形數據進行序列模型的學習，提高了模型的分析效率和準確性，通過葉巴灘地下廠房監測數據建模擬合，時域卷積神經網絡的決定系數（R²）均可達到0.8以上，MSE除R2rZB4-02測點外均小于1，RMSE、MAE也較小。相較于循環神經網絡（RNN）、長短期記憶神經網絡（LSTM），TCN不僅有更好的穩定性，可避免梯度爆炸、消失等問題，還有更好的計算效果。

（2）由于地下洞室的數據殘差不符合3σ準則，且異常點容易導致模型崩潰，因此識別效果不佳，而本文針對地下洞室提出的標準自適應方法，綜合考慮了誤差中位數、數據波動和儀器精度，能夠更好地獲取最佳識別區間，保障標準的穩健性，極大地改善了誤識別和漏識別的問題。

參考文獻：

［1］傅志浩，呂彬.地下工程安全監測數據預處理技術研究［C］∥中國大壩工程學會水庫大壩智慧化建設與高質量發展論文集，2023.

［2］甘文娟.地下工程結構變形預測及安全評估模型研究［D］.西安：長安大學，2021.

［3］王晨陽，張子新，黃昕，等.地下工程多時間序列監測數據異常檢測算法［J］.現代隧道技術，2022，59（增1）：171-179.

［4］李曉軍，洪弼宸，楊志豪.盾構隧道結構健康監測系統設計及若干關鍵問題的探討［J］.現代隧道技術，2017，54（1）：17-23.

［5］胡珉，白雪，徐偉，等.多維時間序列異常檢測算法綜述［J］.計算機應用，2020，40（6）：1553-1564.

［6］鄧乙丁，李艷玲，徐穎，等.大壩安全監測數據異常識別模型簇研究［J］.人民長江，2024，55（4）：230-238.

［7］楊關平，李登華，丁勇.深度學習法檢測大壩安全監測異常數據［J］.水利水運工程學報，2024（10）：87-93.

［8］張磊，巨能攀，何朝陽，等.滑坡裂縫計時序數據實時異常檢測分析［J］.巖石力學與工程學報，2024，43（1）：206-215.

［9］趙建龍，曲樺，趙季紅.基于k-近鄰域中心偏移的魯棒性異常檢測算法［J］.北京郵電大學學報，2017，40（4）：54-59.

［10］STOJANOVIC B，MILIVOJEVIC M，IVANOVIC M，et al.Adaptive system for dam behavior modeling based on linear regression and genetic algorithms［J］.Advances in Engineering Software，2013，65：182-190.

［11］吳亞蘭，顧華梁，郭健寶.回歸線性預測模型在結構健康監測中的應用研究［J］.中國水運，2013，13（10）：86-87.

［12］ARMSTRONG J S，GREEN K C，GRAEFE A.Golden rule of forecasting：Be conservative［J］.Journal of Business Research，2015，68（8）：1717-1731.

［13］XUE Y G，ZHANG X L，LI S C，et al.Analysis of factors influencing tunnel deformation in loess deposits by data mining：a deformation prediction model［J］.Engineering Geology，2018，232：94-103.

［14］LI J B，PEDRYCZ W，JAMAL I.Multivariate time series anomaly detection：a framework of hidden markov models［J］.Applied Soft Computing，2017，60：229-240.

［15］GUO J，DING L Y，LUO H B，et al.Wavelet prediction method for ground deformation induced by tunneling［J］.Tunnelling and Underground Space Technology，2014，41：137-151.

［16］LI R Y，RUAN Y F，LI S S，et al.Study on deformation prediction of landslide based on grey theory and BP neural network［J］.Applied Mechanics and Materials，2012，204-208：520-525.

［17］李川洲.基于關聯規則和機器學習的大壩監測異常數據自適應識別方法研究［D］.重慶：重慶交通大學，2023.

［18］LAI J X，QIU J L，FENG Z H，et al.Prediction of soil deformation in tunnelling using artificial neural networks［J］.Computational Intelligence and Neuroscience，2016，42：169452.

［19］ZHANG S Z，WU Y H，CHE T，et al.Architectural complexity measures of recurrent neural networks［J］.Advances in Neural Information Processing Systems，2016，29：1412-1426.

［20］YIN W，KANN K，YU M，et al.Comparative study of CNN and RNN for natural language processing［J］.preprint arXiv：1702.01923，2017.

［21］LEA C，FLYNN M D，VIDAL R，et al.Temporal convolutional networks for action segmentation and detection［C］∥IEEE Conference on Computer Vision and Pattern Recognition，Honolulu，2017：1003-1012.

［22］胡晨彬.基于時域卷積神經網絡的短期風電場功率預測研究［D］.成都：電子科技大學，2023.

［23］BAI S，KOLTER J Z，KOLTUN V.An empirical evaluationof generic convolutional and recurrent networks for sequence modeling［J］.preprint arXiv：1803.01271，2018.

［24］周元春，甘孝清，李端有.大壩安全監測數據粗差識別技術研究［J］.長江科學院院報，2011，28（2）：16-20.

［25］朱斯楊，李艷玲，盧祥，等.基于隸屬云的安全監測異常數據識別方法研究［J］.人民長江，2021，52（2）：197-200.

（編輯：胡旭東）

Abnormal data recognition for surrounding rock deformation of underground caverns

based on TCN and criterion adaptation

WU Zhongming¹，LI Tianshu²，ZHANG Bo²，ZHOU Ming²，ZHANG Han^3，4，ZHOU Jingren^3，4

（1.Zhejiang Huadong Surveying，Mapping and Engineering Safety Technology Co.，Ltd.，Hangzhou 311122，China; 2.PowerChina Huadong Engineering Corporation，Hangzhou 311122，China; 3.China State Key Laboratory of Hydraulics and Mountain River Engineering，Sichuan University，Chengdu 610065，China; 4.College of Water resource and Hydropower，Sichuan University，Chengdu 610065，China）

Abstract：The deformation data of surrounding rock in underground caverns of hydropower stations have the characteristics of uncertain changes and short sequence samples，the traditional abnormal data recognition method has high missed recognition rate and misjudgment rate.With the development of intelligent technology，it is a hot topic to establish a more reliable abnormal data recognition method through neural network.However，the traditional neural network has some problems，such as weak temporal correlation and complex calculation.Therefore，an abnormal data recognition algorithm for surrounding rock deformation of underground caverns based on time-domain convolutional neural network （TCN） and criterion adaptation was proposed in this paper.The algorithm considered the relationship between the front and back of the monitoring data sequence，and used TCN technology to establish a more reliable sequence model.At the same time，according to the characteristics of monitoring data of underground caverns，the optimal recognition criterion of adaptive matching was realized by considering three aspects of error median，data fluctuation and instrument accuracy.The algorithm was applied to recognition of abnormal data of surrounding rock deformation of underground cavern in Yebatan Hydropower Station.It was proved that the algorithm can effectively avoid the problems of gradient explosion，disappearance and time-consuming，which greatly improved the efficiency and recognition rate of abnormal value analysis.Relevant experiences can be used as reference in the recognition of abnormal monitoring data of similar projects.

Key words：abnormal data recognition; underground cavern; deep learning; temporal convolutional network （TCN）; criterion adaptation