铁路隧道检测、监测现状及状态感知体系探讨

韩自力，安哲立，马荣田

（1.中国铁道科学研究院集团有限公司 铁道建筑研究所，北京100081；2.中国铁道科学研究院 研究生部，北京100081）

0 引言

隧道工程结构状态直接影响隧道服役性能和使用年限，隧道检测、监测是获取隧道工程结构状态最主要的方法。截至2019年底，我国投入运营的铁路隧道达到16 084座，总长18 041 km；在建隧道2 950座，总长6 419 km；规划中的隧道6 395座，总长16 326 km［1］。在铁路隧道大规模运营、建设、规划的形势下，有必要研究并构建基于隧道新型检测、监测方法以及人工智能技术的铁路隧道状态综合感知技术体系，以快速而全面地获取隧道状态表征信息，强化风险预警和预测能力，提升异常情况下的应急响应速度，降低隧道检查人工需求和综合经济成本，为铁路隧道全生命周期更安全、高效、经济地服役提供技术保障。

1 检测、监测现状

1.1 检测现状

1.1.1 常规检测项目

目前铁路隧道常规检测项目主要有衬砌混凝土强度、衬砌空洞、衬砌混凝土厚度、衬砌背后回填密实度、钢架及钢筋分布情况、衬砌渗漏水、衬砌表面裂缝、隧道衬砌内轮廓等［2-5］，此外还有钢筋混凝土保护层厚度、衬砌表面混凝土碳化深度等。常用检测方法、原理及适用范围或特点见表1。

表1 铁路隧道常规检测项目

1.1.2 检测新技术

（1）图像识别。图像识别检测技术日趋成熟，能代替人工巡检完成隧道表面状态检查的大部分项目，随着人工智能技术发展，图像识别检测技术在隧道检测中占比日益增大。

中国铁道科学研究院集团有限公司（简称铁科院集团公司）开发的衬砌表观质量检测技术，利用8台一体化线阵相机以50 km/h检测速度采集图像，具备识别宽度1 mm裂缝的能力［6］。同时搭载净空检测模块、车体运动补偿模块、里程同步模块等，解决快速、大断面清晰成像的技术困难，实现对铁路隧道衬砌表观高清图像、断面轮廓数据的快速采集。软件处理部分采用人工智能算法可有效排除电缆、施工缝、污渍、阴影等干扰项，同时还具备识别渗漏水、剥落、掉块的功能，裂缝及渗漏水识别效果见图1。

同济大学研制了利用线阵CCD相机及光源组成的检测平台，发展成为目前的MTI-200A检测平台（见图2），可检测裂缝、渗漏水、掉块等缺陷及病害，其检测速度为0～10 km/h，裂缝识别精度为0.2 mm［7］。

铁科院集团公司开发了隧道巡检机器人（见图3），能够以1.2 m/s的速度进行检测，定位精度为1 mm，扫描速率≥1 000 000点/s，具备检测裂缝、掉块、异物侵限等异常的功能，填补了车载设备周期检测和固定设备定点检测的空白。

（2）综合检测。不同单位研制的各种检测车具有不同的检测功能。

图1 裂缝及渗漏水识别

图2 MTI-200A检测平台

图3 隧道巡检机器人

铁科院集团公司研制的轮胎式隧道衬砌质量检测车（见图4），由衬砌限界检测系统、衬砌内部缺陷检测系统、衬砌表观质量检测系统组成。适用于铁路隧道贯通、衬砌与填充层施工作业完成后对隧道轮廓、衬砌厚度、钢筋分布、钢架间距以及仰拱缺陷、衬砌空洞、衬砌表面裂缝、掉块、渗水情况等进行快速自动化检测。可满足隧道拱顶和边墙9条测线、仰拱4条测线的全面检测，检测作业速度3～10 km/h［8］。相对于目前新线检测采用人工手持天线且1次只能检测1条测线，检测效率显著提高。

图4 轮胎式隧道衬砌质量检测车

同济大学研制的检测车能够以5～10 km/h的速度完成裂缝、渗漏水和空洞的检测，能够识别宽度大于0.3 mm的裂缝、尺寸大于4.5 cm×4.5 cm的渗漏水以及尺寸大于12 cm×12 cm的空洞。

武大卓越科技股份有限公司研制的ZOYON-TFS检测车［9-10］（见图5）以中型卡车作为车载平台，搭载线阵相机、GPS、激光扫描仪、红外热成像仪和CO浓度检测仪等设备，能够检测剥落、裂缝、断面轮廓、渗漏水、CO浓度等。

图5 ZOYON-TFS检测车

1.2 监测现状

1.2.1 常规监测项目

铁路隧道常规监测项目分为必测项及选测项，主要根据地质条件、周边环境、隧道埋深、断面尺寸、开挖方法和设计要求综合选定［11-12］，具体监测项目见表2。

1.2.2 监测新技术

隧道监测新技术目前主要集中在测量技术发展、数据管理平台建设方面［13-14］。

（1）测量技术。自1989年光纤光栅传感器开始研究以来，其以高精度、准分布、抗干扰及耐腐蚀等突出特点占领了部分振弦式传感器的市场。但是在施工条件复杂、作业环境恶劣的隧道施工监测中，其保护方面仍然存在诸多困难［15-16］。目前，光纤光栅传感器在隧道沉降监测中应用较为广泛。

在隧道变形监测中，三维激光扫描越来越多的取代传统监测方式。三维激光扫描系统由三维激光扫描仪和配套软件组成。通过接收激光脉冲被物体漫反射后的部分能量，并根据扫描点激光反射强度进行颜色赋值，将扫描点绘制在屏幕上，形成点云。三维激光扫描技术主要用于隧道内轮廓及净空变化监测（见图6 ）、隧道侵限情况监测等，具有精度高、成像质量好的特点。

表2 铁路隧道常规监测项目

图6 隧道净空监测

（2）数据管理平台。不同单位开发的监测系统具有不同功能。

铁科院集团公司基于深度学习、数据挖掘和云计算技术开发的铁路隧道工务检测、监测管理系统（见图7），实现了数据实时分析、隧道风险识别、紧急情况实时报警、隧道状态智能评估、监测数据归档管理、信息可视化。

图7 铁路隧道工务检测、监测管理系统

鲍榴等［17-18］对海底隧道监测系统架构进行分析，开发海底隧道全寿命安全监测系统。系统由施工阶段监测子系统和运营时期监测子系统组成，施工阶段监测子系统主要包括量测数据录入、处理分析和围岩稳定性判定3个模块；运营时期监测子系统包括服务器端和客户端PC机两部分，服务器端负责数据的输入存储、计算、统计、分析和处理等，客户端通过同步服务器端数据实现数据实时显示、查询和报警提示等。

1.3 存在问题

随着我国铁路隧道向长大、复杂结构的方向发展，特别是京张八达岭地下车站等工程的建设，标志着我国铁路隧道建造进入了新发展阶段，隧道建设整体技术实力取得了巨大进步，现有隧道检测、监测技术远远不能满足隧道建设的快速发展需求。

1.3.1 检测、监测数据传递慢

检测、监测由于设备本身不具备数据上传功能、后处理平台没有统一的标准以及隧道内信号覆盖不佳等原因，导致检测、监测数据传递不畅。

1.3.2 检测数据处理、解释依赖判识人员经验

检测数据解释、判识缺乏统一标准，严重依赖判识人员专业经验及主观判断，不同判识人员判识结果往往差别很大。

1.3.3 各项监测数据之间缺乏有效的协同分析机制

铁路隧道检测、监测主要以变形数据为主要判识依据，通过应力、应变监测数据异常进行辅助判识，缺乏有效协同分析机制，其原因主要是应力、应变监测数据异常波动时往往无法确定其原因，导致数据可靠性无法判断。

2 检测、监测发展趋势

铁路隧道检测、监测依托新技术发展特别是人工智能技术飞跃式进步，其发展趋势具有以下特点：

（1）检测设备集成化。铁路隧道检测由过去单功能检测转变为集成多检测功能的移动平台式检测，能够同时对隧道衬砌内部状态、表面状态及结构变形进行检测，大大减少了人工依赖程度，提升了检测效率。

（2）处理、判识智能化。铁路隧道检测、监测越来越多使用人工智能技术进行判识，通过建立及完善标准库、专家库等，不断强化机器判识能力，目前已经实现隧道衬砌表面状态自动判识、内部状态辅助性处理以及监测数据自动处理及分析识别等。

（3）检测、监测数据协同化。检测数据侧重发现病害及了解病害程度，监测数据侧重掌握结构本身状态及其变化。目前，部分平台已经将检测、监测数据进行一体化管理，并进行综合协同分析，以更准确地确定隧道衬砌真实状态。

3 状态综合感知技术体系构建

为解决检测、监测存在的问题，对铁路隧道状态综合感知技术体系进行设计，依托集成化检测设备、同步开发数据传输模块、建立统一的数据管理及分析平台以解决数据传递慢的问题。通过专家库及机器学习，不断完善评判标准，并实现风险自动识别、隧道定级及预警通知，以解决依赖判识人员经验的问题。通过验收检测、日常检测及周期检测确定风险隧道，对风险隧道专项问题专项监测，避免各项监测数据之间缺乏有效协同分析的问题。铁路隧道状态综合感知技术体系框架见图8，数据管理及分析平台流程见图9。验收检测利用轮胎式隧道衬砌质量检测车快速、高效完成隧道验收检测工作，获得隧道结构初始状态信息；利用组合验证技术（主要为单点检测方法）对检测结果进行验证，确保数据可靠性。通过日常检测、周期检测获得隧道动态数据；并根据检测结果确定风险隧道，对其结构及环境进行重点监测。所有检测、监测数据上传至铁路隧道检测、监测数据管理系统，该系统具备数据采集、统计、查询以及数据展示功能。铁路隧道检测、监测数据管理系统的数据同步上传至隧道服役能力智能评判系统，并建立专家库，通过机器学习及不断扩大的样本数据库逐步实现由辅助评判向智能评判过渡。

图8 铁路隧道状态综合感知技术体系框架

图9 数据管理及分析平台流程

4 结束语

简要介绍我国隧道检测、监测发展情况，总结检测、监测存在的主要问题，分析检测、监测发展趋势。在此基础上，依托既有设备及平台，设计铁路隧道状态综合感知技术体系基本框架，明确数据管理平台对接的数据源、处理功能项、用户类及其关系，以期为铁路隧道检测、监测发展提供新思路，为保障铁路隧道工程安全、提升铁路隧道运营效率提供技术支撑。