(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211091997.7 (22)申请日 2022.09.07 (65)同一申请的已公布的文献号 申请公布号 CN 115238365 A (43)申请公布日 2022.10.25 (73)专利权人 西南交通大 学 地址 610031 四川省成 都市金牛区二环路 北一段111号 (72)发明人 高军　刘凯文　邱睿哲　汪世玉　 宁玻　林晓　周斌　赵仓龙　 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)(56)对比文件 CN 114611193 A,202 2.06.10 CN 114818363 A,2022.07.29 JP 2006318290 A,2006.11.24 CN 113011645 A,2021.0 6.22 安永林等.可拓法评估隧道衬砌损伤与实 证. 《采矿技术》 .2008,(第03期), 李清.隧道火灾后结构物快速 检测评估及处 治设计分析. 《广东公路交通》 .2012,(第0 3期), 乔怀玉.隧道衬砌结构火灾损伤评 定方法. 《公路隧道》 .20 07,(第01期), 审查员 梁倩 (54)发明名称 一种基于动态深度学习的隧道灾后损伤预 警方法及系统 (57)摘要 本发明提供一种基于动态深度学习的隧道 灾后损伤预警方法及系统， 包括以下步骤： 步骤 1： 收集既有隧道样本灾后信息； 步骤2： 训练评估 隧道灾后损伤级别的softmax分类器； 步骤3： 采 集关键指标数据， 训练并实时更新预测灾后关键 指标发展趋势的LS TM深度学习模型； 步骤4： 采用 LSTM模型预测灾后关键指标发展趋势， 并采用 softmax分类器根据未来时刻关键指标数值和隧 道结构设计参数评估未来时刻隧道系统损伤级 别； 步骤5： 若任一关键指标超 过某级阈值或隧道 系统达到某损伤级别， 则输出对应报警信息和剩 余救援时间， 否则退出。 本发明对灾后隧道系统 损伤发展趋势进行超前预测， 为隧道 灾后高效救 援提供指导。 权利要求书1页 说明书4页 附图2页 CN 115238365 B 2022.12.16 CN 115238365 B 1.一种基于动态深度学习的隧道灾后损伤预警方法， 其特 征在于， 包括以下步骤： 步骤1： 收集既有隧道样本灾后信 息， 信息包括隧道结构设计参数和灾后影响隧道风险 的关键指标， 隧道结构设计参数和灾后影响隧道风险的关键指标如下： 隧道结构设计参数包括隧道断面几何尺寸、 衬砌厚度和衬砌材 料参数； 灾后影响隧道风险的关键指标包括隧道沉降、 隧道断面变形、 温度、 二氧化碳浓度、 甲 烷浓度、 硫化氢浓度和氮气浓度； 步骤2： 对关键指标设定多级阈值， 对灾后隧道系统损伤程度设定多损伤级别， 选择步 骤1中隧道样本灾后信息， 通过专 家评估将灾后各隧道系统归类于对应的损伤级别； 步骤3： 将隧道样本灾后信息及对应损伤级别作为数据集， 训练能够基于隧道灾后信 息 确定损伤级别的softmax分类器， softmax分类器包含一个输入层、 一个隐藏层和一个输出 层， 输入层输入参数为灾前隧道结构参数和灾后影响隧道风险的关键指标， 隐藏层单元个 数由grid  search法确定， 输出层单 元个数为四个， 分别代 表四个损伤级别； 步骤4： 在隧道特定断面位置安装采集关键指标的传感器， 当隧道受灾后， 进行数据采 集， 并将采集得到的数据作为数据集， 训练用于预测 灾后各关键指标未来发展趋势的动态 LSTM深度学习模型， 其过程如下： 当隧道受灾后， 对关键指标i等时间间距高频采集数据作为数据集， 以n个连续时刻的 数据作为输入参数， n<数据集中数据个数， 以下一时刻数据作为输出参数训练关键指标i的 LSTM深度学习模 型， 随时间不断增加， 采集得到的新数据集不断扩大， 从而不断以新数据集 实时更新 LSTM深度学习模型， 得到动态LSTM深度学习模型； 步骤5： 采用步骤4获得的各关键指标的动态LSTM深度学习模型预测未来时刻关键指标 数值； 步骤6： 将步骤5预测得到的未来时刻关键指标数值和隧道结构设计参数传递给 softmax分类器， 进行损伤级别评估； 当任一关键指标超过某级阈值 或隧道系统损伤达到某 级别时， 发出该级报警信息及达到该级别剩余救援时间， 根据剩余救援时间， 制定救援方案 并采取对应 抢险措施。 2.如权利要求1所述的一种基于动态深度学习的隧道灾后损伤预警方法， 其特征在于， 所述步骤2中多损伤级别包括四个等级： 轻微级别、 中等级别、 严重级别、 损毁级别。 3.采用权利要求1~2所述任一种基于动态深度学习的隧道灾后损伤预警方法的系统其 特征在于， 包括信息采集模块、 处 理模块和预警模块； 信息采集模块用于采集既有隧道样本灾后信息以及被监测隧道灾后信息； 处理模块用于根据信 息采集模块采集的信 息对既有隧道样本进行损伤级别评估， 训练 softmax模型； 根据被监测隧道灾后信息， 训练动态LSTM深度学习模型； 加载并实时更新 LSTM模型， 预测灾后未来时刻隧道关键指标数值； 加载softmax模型， 计算未来时刻隧道系 统损伤级别； 预警模块用于判断关键指标是否超过设定 阈值以及隧道系统损伤级别， 当任一关键指 标超过某级阈值或隧道系统损伤达到某级别时， 发出该级报警信息及达到该级别剩余救援 时间， 根据剩余救援时间， 制定救援方案并采取对应 抢险措施。权　利　要　求　书 1/1 页 2 CN 115238365 B 2一种基于动态 深度学习的隧道灾后损伤预警方 法及系统 技术领域 [0001]本发明涉及铁路工程隧道服役安全领域， 特别是一种基于动态深度学习的隧道灾 后损伤预警方法及系统。 背景技术 [0002]当隧道穿越活动断裂带时， 受地震灾害影响， 隧道易发生纵向变形、 衬砌变形等问 题。 此外， 岩体在地震力作用下裂隙快速增大， 为地层中积存的有害气体提供通道， 加之震 后通风设备断电等 故障， 使得隧道中有害气体迅速积聚， 造成二次灾害。 这些隧道灾后问题 的发生和发展严重影响了 铁路运营安全， 造成重大 经济损失。 [0003]目前， 现有手段无法实现对隧道灾后损伤状态的发展进行预测， 导致灾后错失最 佳救援时机， 已成为国内铁路工程隧道服役安全领域一个亟待解决的问题， 因此急需一种 基于动态深度学习的隧道灾后损伤预警方法及系统。 发明内容 [0004]本发明解决的技术问题是： 克服现有技术无法预测隧道灾后损伤状态发展趋势以 及难以及时开展隧道灾后精准抢险救援的问题。 [0005]本发明的技术解决方案是： 一种基于动态深度学习的隧道灾后损伤预警方法， 包 括以下步骤： [0006]步骤1： 收集既有隧道样本灾后信息， 信息包括隧道结构设计参数和灾后影响隧道 风险的关键指标。 [0007]步骤2： 对关键指标设定多级阈值， 对灾后隧道系统损伤程度设定多损伤级别， 选 择步骤1中隧道样本灾后信息， 通过专 家评估将灾后各隧道系统归类于对应的损伤级别。 [0008]步骤3： 将隧道样本灾后信息及对应损伤级别作为数据集， 训练能够 基于隧道灾后 信息确定损伤级别的softmax分类 器。 [0009]步骤4： 在隧道特定断面位置安装采集关键指标的传感器， 当隧道受灾后， 进行数 据采集， 并将采集得到的数据作为数据集， 训练用于预测 灾后各关键指标未来发展趋势的 动态LSTM深度学习模型。 [0010]步骤5： 采用步骤4获得的各关键指标的动态LSTM深度学习模型预测灾后未来时刻 关键指标 数值。 [0011]步骤6： 将步骤5预测得到的未来时刻关键指标数值和隧道结构设计参数传递给 softmax分类器， 进行损伤级别评估。 当任一关键指标超过某级阈值 或隧道系统损伤达到某 级别时， 发出该级报警信息及达到该级别剩余救援时间， 根据剩余救援时间， 制定救援方案 并采取对应 抢险措施。 [0012]进一步的， 所述 步骤1中隧道结构设计参数和灾后影响隧道风险的关键指标如下： [0013]隧道结构设计参数包括隧道断面几何尺寸、 衬砌厚度和衬砌材 料参数； [0014]灾后影响隧道风险的关键指标包括隧道沉降、 隧道断面变形、 温度、 二氧化碳浓说　明　书 1/4 页 3 CN 115238365 B 3