基于深度学习理论的隧道变形监测技术研究

何 军 林广东 申小军 徐卫奖

(1.中交隧道工程有限公司，北京 100102; 2.中交一公局集团有限公司，北京 100020; 3.长安大学公路学院，陕西 西安 710064)

1 概述

近年来，随着科技的进步，尤其是信息领域技术的进步，我国在各个领域都开始了智能建设的探索之旅，有着“基建狂魔”之称的我国在基础建设领域也取得了长足的进展，对基础建设的标准和要求也越来越趋于现代化、智能化，尤其是在中央的第十四个五年规划及2035年远景目标提出的人类社会已经迈入智能化时代之后，更是将隧道领域的智能建造提上了新的日程，新一轮的隧道智能化建造更是迎来了新的机遇和挑战[1,2]。为加速隧道智能化建造的脚步，国内外不少学者分别从隧道的施工、运营等多方面展开了相关研究，卢芳芳、薛亚东等基于深度学习理论展开了有关隧道衬砌病害的研究，并选出合适的yolov2算法[3,4]；柳厚祥等就公路隧道围岩分级，研究并建立了一种基于深度学习技术的隧道围岩自动分级系统，大大加速了围岩的自动分级能力[5]。对于隧道变形方面，早在2014年，周奇才等人就提出了基于Multi-agent的隧道变形监测系统，实现了对隧道变形的在线监测[6-10]，随着神经网络的不断发展，不少学者又基于神经网络展开了对公路隧道的围岩变形的研究，其中张锦等提出的使用改进型遗传算法优化灰色神经网络的隧道变形预测模型，便能很好的对进行隧道拱顶下沉量预测时有着更高的精度，更好的稳定性[11]。目前，采用神经网络研究隧道变形规律的文章较多，但基于深度学习理论研究隧道变形规律的文章略显不足，因此本文基于深度学习理论的LSTM神经网络通过对现场实测的收敛及其沉降等数据加以分析，实现对隧道的变形规律的智能监测。

2 隧道围岩大变形的影响因素

隧道围岩大变形，是指隧道在开挖的过程中，受区域地质条件、地层岩性、地质构造等因素的共同作用的影响下，随着时间的推移，隧道开挖面的推进，隧道围岩变形不断发展的过程[12,13]，影响隧道围岩变形的因素诸多，其中以隧道所处的地质条件及其施工条件和方式为主。

2.1 地质条件

中坪左线隧道，位于河南省南阳市西峡县中坪镇附近，该隧道地临两河口附近，隧道全长457 m，紧邻311国道，爆破作业安全等级要求高，开挖困难较大，施工难度大，隧道变形也不稳定，交通疏导压力较大，被建设者称为最难啃的“硬骨头”、最凶险的“拦路虎”，集中了断层破碎带、隧道岩爆、涌水等诸多不良地质，安全隐患和施工难度极大。此外，隧道洞内常年高温，也给施工带来很大困难。隧道围岩变形主要受到地质条件、地层岩性、地质构造、地应力、施工方法及其支护措施等多方面的综合因素影响，其中隧道所处的地质环境最为突出，其所处的地质环境是隧道地质条件、地层岩性、地质构造、地应力的决定性因素，对于不同的地理位置条件下的隧道，隧道所处的地质环境条件往往决定了隧道的开挖方法和支护形式，对隧道的变形也起着决定性作用。

2.2 施工方法

隧道施工开挖方法与支护措施直接影响隧道围岩的应力释放，对同一隧道而言，不同的开挖方法与支护措施意味着不同的围岩应力和应变[14]，围岩不同的应力和应变往往又决定着隧道的不同的变形和沉降，近年来，随着国内基建的发展，国内新建的隧道也越来越多，隧道的开挖方法也越来越多，基于不同地区的地质环境下的隧道，其施工方法也各有不同，但就目前而言，国内外对于隧道的施工方法主要有全断面开挖法、台阶法、环型开挖留核心土法、中隔壁法(CD法)、双侧壁导坑法、交叉中隔壁法(CRD法)六种形式。

全断面开挖法是按照设计轮廓一次爆破成形，然后修建衬砌的一种隧道施工方法，该方法开挖断面与作业空间较大，受干扰较小，有充分的条件使用机械，能够减少人力的投入，施工作业较安全，工序少，便于施工组织管理，开挖一次成形，对围岩扰动较少，有利于围岩稳定，但只适用于围岩等级较好的隧道开挖，且往往要求隧道长度较长，一般要求隧道总长大于1 km，对于Ⅳ级、Ⅴ级围岩，由于此类围岩在开挖以后，断面很难维持自稳条件，往往不适合该方法开挖。本隧道围岩大都为Ⅳ级、Ⅴ级围岩，故不适合采用全断面法开挖。台阶法作为当今运用最广泛的施工方法之一，凭借该方法灵活多变、适用性强，凡是软弱地层、第四纪沉积地层，均可采用，无论地层变好还是变坏，都能及时更改，变换成其他方法。另外，台阶法开挖具有足够的作业空间和较快的施工速度，台阶有利于开挖面的稳定性，尤其是上部开挖支护后，能够保证下部作业安全且适合Ⅳ级、Ⅴ级围岩开挖等优点而被选为本隧道的施工形式。环型开挖留核心土法、中隔壁法(CD法)、双侧壁导坑法、交叉中隔壁法(CRD法)与台阶法相比，由于环型开挖留核心土法需要预留核心土支承开挖面，其作业面空间大大减小，不利于机械化施工，且对施工工艺要求较高。

3 隧道变形的监测方法

隧道作为一种地下工程结构物，在其开挖支护后，不可避免的会产生一定的变形和沉降，而对于高速公路和高速铁路这一类对变形要求较高的建筑物，严格控制变形显得尤为重要，因此无论在隧道开挖过程中还是在隧道的长期运营阶段，为保证隧道的安全施工和运营，对围岩变形的监测显得无比重要，隧道围岩监测主要是为了了解围岩和建筑物结构内部的变形发展规律，对于公路隧道，其变形监测主要包含隧道的垂直沉降监测以及隧道的水平位移监测两个方面。对于垂直沉降的监测，国内外多采用水准仪及其全站仪等仪器对目标变形区域进行定点定期监测，常用的方法有几何水准测量法以及传感器测量法；对于水平位移监测，一般是对目标区域设置观测基线进行测量，即在隧道纵向上每隔一段距离分布一个基线桩，采用准直线法和测角法来测定目标观测点与预先设置的基线桩之间的距离，并计算出其水平位移。

3.1 几何水准测量法

几何水准测量法作为垂直位移观测方法的一种，它是以起测点高程为基准，引测建筑物变形前后的测点高程，通过该点测量前后高程的变化来监测结构物变形前后的位移的一种方法，这种方法采用三级点位，两级控制，即设置水准点、起测基点、垂直位移标点3种测点，并通过水准基点校测起测基点以及通过起测基点观测垂直位移标点来对垂直位移观测进行控制，该方法具备操作简便，测量设备简易操作，对技术要求含量较低并可广泛推广，但受操控人员以及环境等多方面制约，测量精度往往难以达到测量人员的要求。

3.2 传感器测量法

隧道的竖向沉降监测多采用人工监测，常规仪器多采用水准仪进行，该方法需要测量人员长期现场操作仪器，隧道作为一种地下工程结构物，常常深埋于地下，这种长期监测仪器对地下工作人员的人身安全往往难以保证，且具有工作量大，耗费的人力物力较高，不具备良好的经济效益等缺点，因此，国内外学者基于以上不足提出了静力水准仪自动化监测系统，该方法具有精度高，自动化效果好，能够很好的弥补传统的监测方法的不足，提高经济效益。

目前，对于隧道围岩变形的监测方法多为隧道施工阶段的研究，无论垂直沉降观测还是水平位移观测，就目前研究而言，这些方法的适用性均存在局限性，尽管近年来有不少新的监测手段的提出，例如静力水准检测技术、自动全站仪、摄像监测技术、三维激光测量技术以及电水平尺监测技术等，但例如三维激光测量技术的测量工作依旧较依赖于人工操作，且对操作人员的技术要求较高，普及性较差，且不能够对隧道进行一个长期的智能监测，对隧道的变形规律更是很难做出准确判断，因此该方法的长期经济效益不够良好，但伴随着时代的进步和发展，我国隧道的长度以及施工难度依旧在不断增加，运营时间和里程也逐渐增长，据不完全统计，截至2020年年初，我国公路特长隧道数量增长至1 175座，公路特长隧道长度达到521.75万m；公路长隧道数量达到4 784座，隧道总长度为826.31万m，因此对于长大隧道围岩的变形监测手段亟待研究和发展，本文基于深度学习理论的隧道围岩变形规律智能监测技术研究，通过全站仪测量隧道数据，并利用深度学习理论和隧道的现场实测数据结合，实现对隧道围岩变形规律的智能监测。

4 隧道变形智能监测方法

本文数据收集于河南省郑西高速栾双段中坪隧道左线，该隧道位于两河口附近，隧道全长457 m，紧邻311国道，爆破作业安全等级要求高，开挖困难较大，施工难度大，隧道变形也不稳定，交通疏导压力较大，被建设者称为最难啃的“硬骨头”、最凶险的“拦路虎”。因此，本文原始数据采集于中坪左线隧道21个断面的监控量测数据，该隧道也包含了该地区的常遇的Ⅲ级、Ⅳ级、Ⅴ级三个等级围岩，监控量测间隔也是依据隧道围岩等级布置，分别按围岩等级不同设置10 m，20 m，30 m不同间距布置，对于较好的Ⅲ级围岩区段，其间隔布置在10 m，其次对于Ⅳ级、Ⅴ级围岩，其间隔依次布置在20 m和30 m，其监控对象主要包含隧道拱顶的沉降及其周边收敛等数据，监控起始桩号为ZK109+149，终止桩号为ZK108+799，经整理筛选，最终选出593组数据作为研究对象。并利用深度学习LSTM网络模型进行分析。

4.1 LSTM网络模型原理

LSTM网络又被称为长短期记忆网络，它是为了解决长序列训练过程中的梯度消失和梯度爆炸问题而形成的一种深度学习网络模型，相比于普通的RNN网络，LSTM网络将网络的状态分为内部状态和外部状态两种，能够有效的对长序列模型进行预测，这种网络结构采用的是控制门机制，并由输入门、遗忘门和输出门组成，包含有忘记阶段、选择记忆阶段和输出阶段三个阶段，这种选择性记忆和遗忘能够很好的对实际模型进行模拟训练，尤其对于隧道这种常随着复杂多变的地质环境更改而变动的结构体，这种机制能够很好的避免传统的机器学习出现的过拟合和欠拟合两种状态，其具体架构图如图1所示，原理结构图中的Input Gate为LSTM网络模型的信号控制输入门，也即输入门，主要作用是向内传输数据，原理结构图中的Ouput Gate为LSTM网络模型的信号控制输出门，也即输出门，主要是起着数据的向外传输作用，对于Memory Cell，又被称为LSTM网络的记忆细胞，不同于传统的记忆单元，LSTM网络的记忆细胞对于每个时刻状态的信息不会简单的等同视之，而是具有衡量信息价值的能力，这能够有效的对无用信息进行筛选过滤，对有用信息进行记忆存储，从本质上区别于传统的循环神经网络。对于Forget Gate单元，则是决定对过去状态多少信息的丢失。最终，由输出门决定当前时刻的内部状态有多少信息传递给外部状态。

4.2 LSTM神经网络模型的建立

由于Tensorflow框架具有开源、模块简单、易操作、便携、高效、可扩展等优点，本文LSTM网络选择在Windows操作系统下搭建CPU版本的Tensorflow框架下运行，本次实验中共选择了593组数据，其中400组数据用于模型的训练，100组数据用于模型的测试，93组数据用于模型的验证。初试迭代次数设置为200，初始学习率设置为0.1，选择好损失函数，创建GradientDescentOptimizer优化器，经学习测试，并不断通过调整迭代次数和学习率，直至当改变学习率误差率不再变化时确定最终学习率为0.01[15]。

4.3 数据的预处理

在进行深度学习分析之前，笔者先将数据分为三大类，其中400组数据被划分为训练集，100组数据被划分为测试集，93组数据被划分为验证集，同时为保证数据的划分不受人为干扰的影响，通过代码对数据进行随机划分。其处理代码如图2所示。

为保证数据本身类别的大小不对训练、测试结果产生影响，并对所选的593组数据进行数据降噪，降噪方法采用python中自带的pywt库进行小波降噪处理，然后再对降噪处理后的数据进行归一化，归一化处理数据如图3所示。

4.4 模型训练与预测

基于已知数据，能与隧道沉降建立直接关联的因素有隧道周边收敛的大小、围岩等级以及时间，由图3可知，围岩收敛值以及隧道开挖时间对隧道变形的影响较大，而隧道的围岩等级通常较难判别，就目前研究而言，对于隧道围岩的分级也尚没有一个统一的方式，且大多采用人为主观判别，存在较大的不确定性，因此，本文从隧道周边收敛值以及时间两个角度构建模型。模型假设目标时间段的隧道变形沉降量与当前时间前n天的隧道周边收敛值成正相关，与时间成负相关，并将这两项的归一化处理后的数据值作为输入值，向LSTM神经网络的输入门输入，计算公式为：

Di=f(ti-1,ti-2,…,ti-(i-1),ti-1)

(1)

其中，Di为隧道第i天的变形沉降量；ti为第i天的时间间隔。

模型以中坪隧道左线的593组现场实测数据为原始数据，通过代码随机筛选400组数据为训练集，100组数据为测试集，93组数据为验证集，为较好的测试数据，在模型训练前，除了对已知数据进行小波降噪和归一化处理之外，本次模型还对数据的损失进行控制，在训练开始前，由于本次训练数据较多，首先选择训练迭代次数为200，并设置每迭代10次输出一次训练结果，以记录模型损失的大小，经观测发现，模型在训练50次～100次时效果最佳，且损失值在迭代次数达到30次左右时趋于稳定，最终为了防止训练过拟合以及欠拟合，将训练迭代次数确定在100轮，经训练，得到预测模型如图4所示。

4.5 结果分析

从以上训练结果来看，LSTM神经网络对于长时间的模型预测具有较好的效果，且从预测图4中可以看出，隧道的变形沉降量随着时间的推移逐渐减小，隧道的变形也主要发生在隧道开挖后的20 d以内，对于开挖20 d之后，无论是围岩等级较好还是较差，其隧道变形量随之变化也不大，因此，可以认定对于隧道的变形主要发生在隧道开挖后的20 d左右，以开挖前几天变形为主，若是在开挖20 d之后仍出现较大变形，则应对隧道做出相应处理措施，同时为验证预测模型的准确性，笔者也通过代码随机的预测了两组数据，以验证LSTM模型对数据处理结果的可靠性，通过代码随机抽选到43和255两组数据，两组数据与现场实测数据的误差均控制在允许范围之内，测试结果如图5所示。因此，可以表明，基于深度学习理论的LSTM神经网络模型对隧道的变形智能监测技术具有较大的可靠性。

5 结语

对于公路隧道而言，其每一时刻的变形量的大小，都决定着隧道的整个生命周期的安全，为使得隧道的安全施工和运营，本文通过小波去噪、归一化等手段对现场实测数据进行处理，并利用深度学习网络LSTM神经网络模型对处理后的数据进行分析测试，来对隧道的变形进行智能预测，使得通过已知时间内隧道的变形改变量来预测下一未知时间内隧道的变形改变量，以指导隧道的安全施工和运营。经测试分析得出：

1)LSTM神经网络能够有效的对长时间序列模型进行有效预测，且预测精度较高。

2)相比于其他循环神经网络，LSTM神经网络的学习性和自适应性更高。