一种埋地管道变形监测及预警方法与流程

1.本发明涉及市政工程及岩土工程技术领域，尤其是一种埋地管道变形监测及预警方法。


背景技术：

2.埋地管道的变形是由于在管道自重、管道上方覆土和地面附加荷载作用下，管道与下方的土体产生了竖向变形。均匀变形一般对管道的危害较小，但如果局部变形过大，超过管材的应变极限时，管道破裂，管内物质泄漏，严重时甚至引起土体流失地面塌陷造成事故。
3.近年来很多城市发生过地面塌陷事故，经调查分析，因事故地点周边管道有渗漏，引起流砂的事故占比约为60%。同时，渗漏也影响了管道的正常使用，增加了养护和维修的成本。
4.埋地管道变形规律和理论计算已有大量研究成果，也有多种比较可靠的监测手段，但现有方法侧重于管道已经破裂甚至引起事故后的报警。
5.目前，传统研究方法主要从传统研究方法从受力—变形的因果关系角度出发，提出了不同的管顶土压力计算方法。marston最先根据管土相对位移提出了埋地管道的土压力理论；顾安全根据室内模型试验和大量的现场实测资料提出了上埋式管道垂直土压力的计算方法；安宗文等考虑了主应力和回填土的影响，建立了直槽沟埋式管道垂直土压力计算的新方法；折学森等突破性地考虑了沟谷地形对管道土压力的影响，提出了一种可以适用于各种填埋式管道的土压力计算方法。另外随着abaqus等有限元计算软件的普及，也有很多学者采用有限元方法建模计算管道的理论变形。
6.传统的因果关系研究方法适合在结构设计阶段，缺少实测数据的情况下应用，其局限性在于需要假定许多边界条件，而这些边界条件在管道施工及使用阶段往往有很大的变化，这就导致了理论计算结果与实际结果有很大偏差。
7.机器学习类算法不考虑研究对象的因果关系，仅基于大量监测数据对模型权重进行修正，从而实现预测功能。但其缺点在于需要确定合适的参数组合才能实现较好的预测效果，而最优参数组合的理论还不成熟，大量工程实践中需要通过人工试错调整。


技术实现要素：

8.本发明的目的是根据上述现有技术的不足，提供了一种埋地管道变形监测及预警方法，通过对埋地管道的变形监测数据进行分析，采用神经网络时间序列模型与蒙特卡洛方法结合，进行变形趋势预测的方法和流程；实现在日常监测中及时发现管道因施工、自然灾害等发生的突变破坏，同时对管道的中长期变形趋势进行预测，提前发现不安全状态和具体部位，查找原因采取对策，防患于未然。
9.本发明目的实现由以下技术方案完成：一种埋地管道变形监测及预警方法，其特征在于：所述方法包括以下步骤：
将埋地管道的变形监测历史数据输入神经网络自回归模型，确定所述埋地管道变形最大的管道位置；以该埋地管道变形最大的管道位置相邻的两侧监测点的预测值作为期望值，同时计算所述监测点在变形监测历史数据的标准差，构造两个正态分布随机变量n1、n2，再令两个所述随机变量相减，得到一个正态分布管道变形差随机变量n3，采用蒙特卡洛方法进行模拟计算，得到n的均值、标准差，根据所述埋地管道的重要程度，确定n的置信度，从而得到n的置信区间；根据所述埋地管道的结构形式和材料形式，确定该埋地管道的极限变形阈值，若所述极限变形阈值在所述n的置信区间内，则判断所述埋地管道的该位置因变形而可能发生破坏。
10.所述埋地管道的变形历史检测数据是通过沿所述埋地管道的管道铺设方向间隔布置监测点实现的，每个监测点上均设置有监测设备。
11.所述监测设备埋设在所述预埋管道下方的垫层内，或埋设在所述预埋管道的上方；埋设在所述预埋管道上方的检测设备外围设有保护层。
12.对所述埋地管道进行日常监测，该日常监测是以上一监测周期的变形监测历史数据计算标准差，以前一日的监测数据作为均值，并根据该埋地管道的重要程度确定置信度，从而得到置信区间，作为当天的合理变化范围。
13.所述神经网络自回归模型为神经网络时间序列模型，以所述埋地管道的变形监测历史数据作为所述神经网络时间序列模型的训练集，预测所述埋地管道在n天后的累计变形预测值；将训练集之前各监测点的累计变形与预测值相加得到pn，对各相邻监测点的pn进行一阶差分，得到各相邻监测点在第n天的预测变形差序列，与所述预测变形差序列中的绝对值最大值相关的两个监测点之间的位置即为所述埋地管道变形最大的管道位置。
14.将两个所述监测点在管道变形监测历史数据中的标准差与两者在监测周期之前的累计变形值相加，作为期望值与所述标准差组成两个正态分布随机变量n1、n2。
15.所述管道变形监测历史为以一定时间间隔进行更新的数据集，所述数据集内包含有一个监测周期内的埋地管道变形监测历史数据。
16.本发明的优点是：可以对埋地管道的变形情况进行日常监控，同时预测变形趋势和危险部位，预测准确性高，对后期的维修、维护作业具有显著的指导意义；可根据预测成果，通过查找原因，采取对策，最终消除埋地管道所存在的隐患；不但可以减少由此引起的地面塌陷事故，保障管道的正常使用，还可以节约大量管道维修、养护成本；社会效益和经济效益显著，适于推广。
附图说明
17.图1为本发明中埋地管道监测布置形式ⅰ；图2为图1的a-a向剖面图；图3为本发明中埋地管道监测布置形式ⅱ；图4为图3的b-b向剖视图；图5为本发明的变形预测示意图；图6为本发明中神经网络模型结构图。
具体实施方式
18.以下结合附图通过实施例对本发明特征及其它相关特征作进一步详细说明，以便于同行业技术人员的理解：如图1-6所示，图中各标记分别表示为：埋地管道1、土体2、监测设备3、基座4、垫层5、保护层6、监测点1#、监测点2#、监测点3#、监测点4#。
19.实施例：如图1或图3所示，本实施例中埋地管道变形监测及预警方法，用于对埋设在土体2内的埋地管道1的变形进行监测，并采用神经网络时间序列模型与蒙特卡洛方法结合，根据变形监测数据进行变形趋势预测，从而在埋地管道1因变形而发生破裂前触发预警，以便于查找原因，采取对策，最终消除埋地管道所存在的隐患。
20.首先，本实施例提供了两种埋地管道的变形监测布置形式，可根据实际施工情况及设计要求，采用两者中的任意一者均可对埋地管道的变形情况进行监测。
21.如图1和图2所示，埋地管道1通过架设在基座4上埋设在土体2之中，在基座4的下方设置有垫层5，该垫层5用于向基座4及架设在基座4上方的埋地管道1提供支撑，以尽可能避免埋地管道1发生沉降。
22.在此之中，监测装置3埋设在垫层5之中。沿埋地管道1的铺设方向在垫层5内间隔布置有多个监测装置3，各监测装置3用于对埋地管道1的不同位置进行变形监测。图1所示的仅表示为在埋地管道1的该段管体下方的垫层5内布置了四个监测点，即监测点1#、监测点2#、监测点3#以及监测点4#，但在实际设计及施工时，监测点的数量及相邻监测点之间的间距可根据需要进行变化。例如，为了更进一步精确定位管道发生破坏或最优可能发生破坏的位置，可在埋地管道1下方设置数量更多且间距更小的监测点，但施工成本则会增加；反之同理。
23.如图3和图4所示，另一种埋地管道1的变形监测形式是将监测设备3布置在埋地管道1的顶部位置；而为了对监测设备3进行保护，在其外围设置有保护层6，通过保护层6对监测设备3的保护以避免其受到土体2或土体2内所含地下水、酸腐物质等因素造成的不利影响。
24.通过上述两种埋地管道1的变形监测形式均可对埋地管道1进行变形监测，监测设备3的监测数据可被集中收集并进行相应处理及保存。
25.本实施例中的埋地管道变形监测及预警方法通过采用了神经网络时间序列自回归模型（nar），首先通过输入监测设备3所采集的历史监测数据求解模型各隐层节点和激活函数权值，然后进行多步预测，确定局部变形最大的管道位置，即为埋地管道发生破坏或最有可能发生破坏的位置。
26.为克服神经网络模型多变量、多步预测可能产生的累计误差，采用随机变量形式刻画局部变形预测结果。
27.以之前确定的管道局部变形最大位置相邻的两个监测点的预测值作为期望值，同时计算历史监测数据的标准差，分别构造两个正态分布随机变量n1、n2，再令两个随机变量相减，得到一个正态分布的管道变形差随机变量n3。采用蒙特卡洛方法（统计试验方法）进行大量模拟计算，得到n的均值、标准差。根据管道的重要程度，确定n的置信度，从而得到n的置信区间。
28.根据管道的结构形式和材料性质（如圆管、方管、钢筋混凝土材料、塑料、钢材等），
采用理论计算、工程试验或查阅文献等方式，确定管道破坏的极限变形阈值。如果阈值在预测随机变量n的置信区间内，则管道有可能发生破坏。
29.具体而言，如图5和图6所示，本实施例中的方法包括如下步骤：一、突发变形监控：日常监测：各监测点以上个监测周期的数据计算标准差，前一日的监测数据作为均值，同时根据管道重要程度确定置信度，从而确定置信区间，作为当天的合理变化范围。如当日监测数据超出该范围则报警。
30.二、管道中长期变形预警：阶段一：数据准备1）取得最近一个监测周期（如30天）的管道变形监测历史数据（不包括施工阶段）；2）计算监测周期之前的各监测点累计变形qn。
31.阶段二：确定最大局部变形管道节段位置3）以第1步的数据集作为训练集，利用图6所示的神经网络时间序列模型（nar）预测n天后的累计变形（多次预测取平均值）；4）将训练集之前各监测点的累计变形与第3步得到的预测值相加得到pn；5）对各相邻监测点的pn做一阶差分，得到各相邻监测点的第n天的预测变形差序列；6）筛选第5步得到的变形差序列中的绝对值最大值，与之相关的两个监测点记为jm和jm+1，监测点jm以及监测点jm+1即为相邻于管道局部变形最大位置两侧的两个监测点；（以此确定最大局部变形管道节段位置）。
32.阶段三：预测变形区间7）分别计算jm和jm+1这两个监测点在第1步的数据集中的标准差dm和dm+1；8）以第3步得到的jm和jm+1监测点的预测值与第2步的累计变形相加，作为期望值和第7步得到的标准差，分别组成2个正态分布随机变量n1（jm，dm）、n2（jm+1，dm+1）；9）变形差随机变量n3=n2-n1，采用蒙特卡洛方法进行多次模拟，确定n3的均值和标准差，由于n3也服从正态分布，根据管道的重要性，可人为指定一个置信度，从而确定置信区间（比如对于重要管道，指定置信度为95%，可确定其置信区间为：均值
±
1.96
×
标准差）。
33.阶段四：变形预警10）将该埋地管道的极限变形的阈值（可通过理论计算、工程试验、查阅文献等方法事先确定），与第9步确定的置信区间做比较，若埋地管道的极限变形阈值未进入置信区间，则判断为管道变形安全，不会破裂，反之，若极限变形阈值进入置信区间，则判断该位置管道有可能发生破坏。
34.11）对预测有破坏风险的管道位置进行调查，采取对策。
35.三、更新数据集12）定期更新数据集（如每10天更新一次，数据集仍保持30天的规模，剔除更新日之前30-21天的数据，再添加最新10天的数据），重复第2-第9步，对管道中期变化趋势进行预警。
36.将本实施例中的监测及预警方法应用到某一工程案例中时，具有如下步骤以及应
用效果：1）安装埋地管道变形监测传感器并采集数据；2）该段管道共20个监测点，间距为1m。每个监测周期为30天（以2022年2月22日—2022年3月23日为例），计算每个监测点在本次监测周期之前的累计变形值qn。目标为预测10天后（4月2日）发生最大局部变形的管道是否有破坏风险。
37.3）将本次检测周期的全部监测点数据导入神经网络模型（nar），设定隐藏层数量、时滞等参数，训练神经网络并输出每个监测点10天后（4月2日）的预测值yn。
38.4）各监测点的预测值yn加上第2步得到的历史累计变形值qn得到累计预测结果pn，再对相邻的监测点做差分（p（n+1）—p（n）），得到各监测点之间的差异变形值，其中绝对值最大的即为局部变形最大管道节段（本案例中第14-第15监测点之间的变形差最大为12.36），如下表所示：5）分别计算局部变形最大管节相邻的这两个监测点在监测周期数据集中的标准差dm和dm+1；（本案例分别为d14=0.1233，d15=0.1233）。
39.6）构造14#监测点和15#监测点在4月2日以正态分布随机变量形式表达的预测值：14#监测点为n14（-1.6621，0.1233），15#监测点为n15（-2.2614，0.1233）。
40.7）计算14#监测点和15#监测点之间的管道差异变形值n=n15-n14。采用蒙特卡洛方法进行多次模拟计算，确定正态分布变量n的均值和标准差。本案例进行1000次模拟计算后，确定均值为-0.59，标准差0.17。置信度指定为95%，则置信区间为均值
±
1.96
×
0.17。应用于工程监测时均值应加上本次监测周期之前的累计值-11.7644。最终确定该段管节在10天后（4月2日）的差异变形预测范围为[-12.688，-12.021]。
[0041]
8）经有限元分析，管道最大极限变形值为-20，因此第7步计算出的差异变形预测范围并未超过极限值，没有破坏风险。
[0042]
9）在10天之后，更新第2步的监测数据集，更新为3月4日—4月2日的数据，并预测10天后4月12日的变形数据，重复第2—第8步。同时，在4月2日验证埋地管道的该段管节结构稳定，没有发生破坏。
[0043]
10）日常监测：各监测点以上个周期（本案例为2022年2月22日—2022年3月23日）的数据计算标准差，前一日的监测数据作为均值，同时根据管道重要程度确定置信度，从而确定置信区间，作为当天的合理变化范围。如当日监测数据超出该范围则报警。
[0044]
虽然以上实施例已经参照附图对本发明目的的构思和实施例做了详细说明，但本领域普通技术人员可以认识到，在没有脱离权利要求限定范围的前提条件下，仍然可以对本发明作出各种改进和变换，故在此不一一赘述。