一种基于SVM和DS理论的渗漏水风险监测方法与流程

本发明涉及渗漏水监测技术领域，特别是涉及一种基于svm和ds理论的渗漏水风险监测方法。

背景技术：

由于盾构隧道的特殊结构，在隧道运营过程中，在隧道自身及外部使用的影响下，其结构会出现各种病害，进而产生功能降低、威胁运营安全的风险。盾构隧道在服役期间存在的主要病害有渗漏水、裂缝、不均匀沉降、混凝土裂化、错台、螺栓失效等，在这些病害的相互作用下，各种病害会继续发展，进而对隧道的运营安全、服役寿命等产生重大影响。而在盾构隧道运营期的这些常见的病害中，渗漏水是发生概率最高和后果较严重的病害之一。据统计，因渗漏水原因导致危害的案例占所有类型危害的70％，其中渗漏水致使隧道无法正常使用占总的渗漏水危害案例的30％。且大多数的病害，如材质劣化、不均匀沉降会造成隧道结构的变形、破坏，最终产生渗漏水，严重的造成突水。因此应在确定各种不同病害的发生、发展机理及相互影响关系的基础上，实时监测运营期渗漏水风险，从而能够更好地控制风险，保证地铁安全运营。

现阶段，我国的隧道渗漏水风险多集中于公路、铁路隧道中，且现有的风险监测方法定性成分较多，多依赖专家经验，主观性较强，监测数据不准确，且多采用单传感器所得证据进行风险监测，造成实际风险监测准确率低、误差大。

因此，亟需一种客观、准确的渗漏水风险监测方法。

技术实现要素：

本发明的目的是提供一种基于svm和ds理论的渗漏水风险监测方法，以解决现有技术中存在的问题，能够客观、准确地进行隧道渗漏水监测。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于svm和ds理论的渗漏水风险监测方法，包括如下步骤：

构建盾构隧道渗漏水三级风险监测参数体系，并获取风险监测参数所对应的实时监测数据；

构建并训练支持向量机svm分类模型，基于实时监测数据，通过svm分类模型获取二级风险监测参数的基本概率赋值bpa；

基于d-s证据理论对二级风险监测参数的bpa进行证据融合，得到二级风险监测参数的风险等级隶属度；

根据二级风险监测参数的风险等级隶属度获取盾构隧道渗漏水风险等级，并逆向计算相应的风险监测参数，完成盾构隧道渗漏水风险监测。

优选地，构建并训练svm分类模型的具体方法包括：

获取带有类别标签的训练样本集和测试样本集，并对训练样本集和测试样本集进行归一化预处理；

进行svm核函数选取，并采用网格搜索法进行核函数的参数选取，完成svm分类模型的训练；

通过训练样本集对svm分类模型进行训练，将测试样本集输入训练好的svm分类模型，通过svm分类模型的输出结果与实际类别标签值计算svm分类模型的分类误差，通过分类误差与预设阈值进行比较，在所述分类误差大于预设阈值时，重新进行核函数的选取以及核函数参数的选取。

优选地，svm分类模型的分类误差通过均方误差mse来定量化表示。

优选地，二级风险监测参数的bpa获取方法包括：

基于svm分类模型获取二级风险监测参数所对应实时监测数据的类别标签；

基于svm分类模型所输出的实时监测数据的类别标签计算级风险监测参数的bpa，如式3所示：

其中，m(j)是二级风险监测参数对风险等级j的bpa分配值，m(θ)是二级风险监测参数对全集的bpa分配值，et表示svm分类模型的输出误差，pj表示svm分类模型的输出结果，sj表示二级风险监测参数所对应实时监测数据实际的类别标签值，t表示风险监测参数的风险等级数量。

本发明公开了以下技术效果：

本发明通过构建三级渗漏水风险监测参数体系，并建立基于svm和d-s证据理论的运营隧道渗漏水风险监测系统，基于监测数据集，采用svm分类模型获取二级风险监测参数的基本概率分配，并进行ds融合，确定监测点的渗漏水风险等级，有效提高了隧道渗漏水风险监测的客观性和准确性。

本发明根据渗漏水风险等级进行逆向计算，获取对应的风险监测参数，从而能够有针对性地进行风险控制，降低渗漏风险，保证地铁隧道安全运营。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于svm和ds理论的渗漏水风险监测方法流程图；

图2为本发明实施例所构建的渗漏水风险监测参数体系结构图；

图3为本发明实施例svm分类模型参数优化结果示意图；

图4为本发明实施例svm分类模型对训练集的预测结果；

图5为本发明实施例svm分类模型对测试集的预测结果；

图6为本发明实施例对测试样本进行分类的mes；

图7为本发明实施例风险监测参数的风险融合结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1所示，本实施例提供一种基于svm和ds理论的渗漏水风险监测方法，包括如下步骤：

步骤s1、构建盾构隧道渗漏水三级风险监测参数体系，并获取风险监测参数所对应的实时监测数据。具体包括：

步骤s11、构建盾构隧道渗漏水三级风险监测参数体系：风险监测参数决定了风险监测的准确性，为了对盾构隧道运营期渗漏水风险进行准确监测，本发明渗漏水风险监测参数满足以下准则：可监测性、完整性、代表性、相对独立性、客观性。同时，在盾构隧道中，通常同时存在几种或者全部病害，其病害之间相互影响。一般情况下，材料的劣化、外部荷载作用会造成隧道结构的变形、破坏，最终产生渗漏水，严重的造成突水。

因此，本发明三级风险监测参数体系包括4个二级风险监测参数bb(b＝1,2,3,4)、11个三级风险监测参数vi(i＝1,2,3,…,11)；二级风险监测参数包括：接头渗漏水(b1)、裂缝渗漏水(b2)、衬砌材料劣化程度(b3)、其他因素(b4)；其中，接头渗漏水(b1)所对应的三级风险监测参数包括：接缝宽度(v1)、管片错台量(v2)、封垫破损及老化率(v3)、螺栓失效率(v4)；裂缝渗漏水(b2)所对应的三级风险监测参数包括：裂缝面积(v5)，其中裂缝面积(v5)包括裂缝长度(v51)、裂缝宽度(v52)；衬砌材料劣化程度(b3)所对应的三级风险监测参数包括：管片剥落面积(v6)、衬砌强度降低比值(v7)、钢筋截面损失率(v8)；其他因素(b4)所对应的三级风险监测参数包括：土层含水率(v9)、管片差异沉降(v10)、拱顶土压力增大系数(v11)。

步骤s12、盾构隧道渗漏水风险监测参数，进行相应监测数据的获取。

步骤s2、构建并训练支持向量机svm分类模型，基于实时监测数据，通过svm分类模型获取二级风险监测参数的bpa(基本概率赋值，basicprobabilityassignment)，具体包括：

步骤s21、构建并训练svm分类模型；

首先，获取带有类别标签的训练样本集和测试样本集，并对训练样本集和测试样本集进行预处理：

基于所获取的风险监测参数实测值集合，将一部分风险监测参数实测值定义为学习训练样本集合，用于svm分类模型对于实测值数据特征的学习，另外一部分风险监测参数实测值定义为测试样本集合，用于检验svm分类模型分类结果的准确性高低。在获取的样本集中，为了降低分类结果受异常值、量纲及数据变化较小的风险监测参数的影响，利用mapminmax函数将获取样本集中各参数实测值进行归一化处理，使svm分类模型能够充分学习样本特征，从而建立起输入与输出间准确的函数关系。

其次，进行svm核函数选取：

目前性能较好、使用频率较高的核函数包括：项式核函数、高斯核函数、sigmoid核函数，本发明svm核函数采用工具包内置的高斯核函数即rbf(radialbasisfunction，径向基函数)核函数；

再次，核函数参数的选择：

核函数的参数是决定svm分类模型的优劣的关键因素，也是影响分类结果准确性的重要环节，理想的模型参数不仅能使svm分类模型具有良好的学习性能，也能使svm分类模型具有较好的泛化性能。在rbf核函数中应该选择的参数为惩罚因子c和rbf核宽度σ，使得在此参数组合(c,σ)确定的rbf函数，能够更准确地将非线性相关关系转化为线性相关关系。现有的确定rbf函数的最优参数组合(c,σ)的工具包括粒子群优化算法、枚举法、网格搜索法、遗传算法等，本发明选择性能较好的网格搜索法进行核函数参数的选择。

最后，svm分类模型训练及准确度验证：

在核函数参数选择完成后，通过cv(crossvalidation，交叉验证)法对所选择的参数进行学习能力、拟合能力的验证，保证svm分类模型的输出准确性最佳，本实施例选择k-cv的验证法进行最佳参数组合的验证，具体包括：通过训练样本集对svm分类模型进行训练；将测试样本集输入训练好的svm分类模型，通过svm分类模型的输出结果与实际类别标签值计算svm分类模型的分类误差，将分类误差与预设阈值进行比较，若小于误差阈值，则svm分类模型精确度可被接受，反之，对svm分类模型进行调整，包括：调整核函数、重新进行核函数参数的选取，以提高svm的学习能力，降低分类误差，保证训练好的svm分类模型对于风险监测参数实测值具有恰当的学习程度，即能够最大程度减轻过度学习、欠学习对于svm分类模型的准确性带来的影响。

本实施例选用均方误差mse来定量化svm分类模型的分类误差，如式(1)所示：

其中，n表示样本个数；yi表示样本i实际类别标签值；表示对于样本i，svm分类模型输出结果。

步骤s22、基于实时监测数据，通过svm分类模型获取二级风险监测参数的基本概率赋值bpa，具体包括：

首先，基于svm分类模型获取二级风险监测参数所对应实时监测数据的类别标签：

svm分类模型在对样本集中的自变量(三级风险监测参数实测值)和因变量(二级风险监测参数指标类别标签值)进行学习后，建立了输入变量即三级风险监测参数实测值与输出变量即二级风险监测参数指标类别标签值间的连续函数关系，从而对于需分类的二级风险监测参数实测值的类别标签进行多分类输出。而标准svm的判决输出属于硬判决输出，实用中人们更需要一个具有软判决输出的svm分类模型，现多采用sigmoid函数实现svm分类模型的输出结果f(x)至区间[0，1]的一一映射，将映射至[0，1]的sigmoid函数值作为相应的后验概率结果，如式(2)所示：

其中，as、bs表示支持svm分类模型的后验概率；g表示svm分类模型的输出结果。

其次，基于svm分类模型所输出的实时监测数据的类别标签计算bpa：

d-s融合是以研究对象的bpa为证据的融合，故在融合前，应利用函数进行识别框架中各个状态下的bpa获取，在运用d-s理论的过程中，结合工程实际及其他理论来构造基本概率分配函数。本发明将svm分类模型输出的二级风险监测参数所对应实时监测数据的类别标签值转化为d-s理论的信任度分配，模型的不确定性使用支持向量机预测误差衡量，bpa获取过程如式(3)所示：

其中，m(j)是二级风险监测参数对风险等级j的bpa分配值，m(θ)是二级风险监测参数对全集的bpa分配值，et表示svm分类模型的输出误差，pj表示svm分类模型的输出结果，sj表示二级风险监测参数所对应实时监测数据实际的类别标签值，t表示风险监测参数的风险等级数量，在本实施例中为t＝5。

步骤s3、基于d-s证据理论对二级风险监测参数的bpa进行证据融合，得到二级风险监测参数的风险等级隶属度。具体包括：

步骤s31、证据冲突检测：

若mi,mj分别表示两个风险监测参数所得到证据的bpa计算结果，x1,x2,...,xn表示mi所对应的焦元，y1,y2,...,yn表示mj所对应的焦元，则mi,mj间的冲突系数k可由式(4)计算：

当0≤k＜1时，表明两个风险监测参数对应证据之间不冲突；当k＝1时，表明两个风险监测参数对应证据完全冲突。

步骤s32、证据修正：

在两个风险监测参数对应证据冲突的情况下，计算mi和mj之间的距离dij和相似测度simij，计算风险监测参数对应证据mi的支持度sup(mi)，如式(5)所示：

将sup(mi)经过归一化处理可得证据mi的权重w(mi)，对证据mi进行替换，得到替换后风险监测参数所对应的证据如式(6)所示：

重复步骤s31和s32，直到所有证据均不存在冲突。

步骤s33、证据融合：

对各风险监测参数所对应的证据进行融合，如式(7)所示：

其中，a＝x1∩y2。

步骤s4、根据二级风险监测参数的风险等级隶属度获取盾构隧道渗漏水风险等级，并逆向计算相应的风险监测参数，完成盾构隧道渗漏水风险监测：

步骤s41、确定渗漏水风险等级判定原则；

本实施例采用以下4条原则获取盾构隧道渗漏水风险等级：

原则一：隶属度最大原则；对于渗漏水的5个风险等级中，bpa值最大的风险等级为渗漏水当前的风险等级；

原则二：与其他各等级隶属度差值大于某一门限原则；风险等级w的bpa值与其他4个风险等级中任一等级的bpa值的差值大于预设门限值，即表示每个二级风险监测参数的证据对各个风险等级的支持程度应保持足够大的差异，来保证对于风险等级w的足够大的支持度；

原则三：与全集隶属度差值大于某一门限原则；风险等级w的bpa值与证据融合全集即识别框架θ的bpa值的差值大于预设门限值，即表示每个二级风险监测参数的证据对风险等级w与对识别框架θ的支持程度保持足够大的差异，来保证对于风险等级w的足够大的支持度；

原则四：不确定性隶属度小于边界门限原则；识别框架θ的bpa值下雨预设门限值，即表示渗漏水风险的证据对风险等级w的不确定性不能太大，从而再次控制支持svm分类模型分类的误差与证据融合过程的不确定性，保证证据对于风险等级w的支持程度足够大。

步骤s42、根据渗漏水风险等级逆向计算渗漏水风险监测参数，具体包括：

当风险等级满足原则一，则逆向计算使风险过高的二级风险监测参数、三级风险监测参数；

当风险等级不满足原则二，但满足其他三条原则时，同样逆向计算使风险过高的二级风险监测参数、三级风险监测参数。

为了进一步验证本发明渗漏水监测方法的有效性和准确性，本实施例以武汉地铁三号线王宗区间为例，对本发明渗漏水监测方法进行了验证。

本实施例所构建的渗漏水风险监测参数体系如图2所示；

本实施例svm分类模型参数优化结果如图3所示。基于实测数据进行二级监测参数接缝渗漏水、裂缝渗漏水、衬砌材料劣化程度、其他因素的参数寻优。以接缝渗漏水为例，通过svm分类模型参数选择与优化的过程，确定bestc＝64，bestg＝0.0078125，cvmse＝0.038571，即对于本组监测数据，为了使预测精度最高，最优的惩罚系数c取64，最优的核宽度σ²取0.0078125。由此参数组合确定的核函数能使学习出的支持向量机能够最好地建立输入与输出的关系，即计算结果的均方误差的平均值最小，为0.038571。

通过svm分类模型对训练集的预测结果如图4所示。svm分类模型在设定的参数搜索范围中确定了最优参数值后，利用最优参数构建相应的学习模型，分别对于训练样本进行预测。接缝渗漏水、裂缝渗漏水、衬砌材料劣化程度、其他因素四个二级风险指标类别标签的预测结果如图4所示，训练样本的mse<0.05，说明本发明svm分类模型预测准确度较高，使训练样本的预测结果与实际结果的误差较小，且不存在欠拟合现象。

通过svm分类模型对测试集的预测结果如图5所示。利用训练好的svm分类模型，对于数据组26-30的风险类别标签的值进行预测，接缝渗漏水、裂缝渗漏水、衬砌材料劣化程度、其他因素四个二级风险指标的预测结果如图5所示。svm分类模型预测值、测试样本预测的mse如图6所示。测试样本的mse<0.05，即不存在过拟合现象，说明本实施例利用现有的监测数据训练的模型具有很高的预测准确性。

一级风险监测参数的风险融合结果如图7所示。将图6中接缝渗漏水、裂缝渗漏水、衬砌材料劣化程度、其他因素四个二级风险监测参数对于等级1、2、3、4、5及全集θ的bpa进行证据融合后，得到各个监测点的渗漏水风险状态对于5个风险等级及全集θ的隶属度分配结果如图7所示，加粗数字为对各个等级的最大隶属度。

结合图6与图7中证据对于全集θ的隶属度分配值结果，发现经过二级风险监测参数证据融合，证据对于全集θ的隶属度m'(θ)不断降低，故在获取顶层风险监测参数渗漏水病害对于5个风险等级及全集的bpa值的同时，降低了svm分类模型预测误差带来的bpa分配过程的不确定性。

通过逆向计算致使风险过高的二级风险监测参数、三级风险监测参数，完成对渗漏水的风险监测。从而维护人员能够根据风险等级及风险参数，有针对性地采取风险控制措施，降低渗漏风险，保证地铁隧道安全运营。例如，对于26号监测点，裂缝渗漏水较严重，根据工程实际和相关规范，可采用表面补贴法来控制管片裂缝，从而缓解裂缝渗漏现象。对于29号监测点，其接缝渗漏水较严重，十分危险，故应采用钻孔截水及堵漏剂压注的方法缓解接缝渗漏水现象；29号监测点的衬砌材料劣化也较严重，十分危险，故应选择在29号监测点附近的钢筋混凝土保护层表面涂刷涂料来保护钢筋混凝土保护层，并防治钢筋混凝土材料继续劣化。对于30号监测点，其裂缝渗漏水和衬砌材料劣化较严重，十分危险，应分别采取表面补贴法和在监测点附近钢筋混凝土保护层表面涂刷涂料。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。