一种基于冻融循环周期性特征的石窟寺稳定性检测方法

1.本发明涉及岩土工程中岩体稳定性检测领域，尤其涉及一种基于冻融循环周期性特征的石窟寺稳定性检测方法，通过对过去一段时间内采集到的外部环境数据和石窟寺裂隙宽度数据的处理和学习，分析出未来较长时间内石窟寺的裂隙发育趋势，进而提前发出预警信息，以此对石窟寺进行有效保护。


背景技术：

2.石窟寺是将建筑艺术与宗教文化进行完美结合的产物，其蕴含着深厚历史底蕴、文化背景和艺术价值。在数千年的历史长河中，石窟寺遭到了来自自然或人为的严重损坏，出现了裂隙、失稳、渗水等现象。经研究发现，石窟寺破损主要源于风化作用，而温差交替、干湿循环、冻融循环都是影响风化作用的主要因素。干湿循环通过对岩石内部矿物颗粒进行浸润作用削弱其之间的联系，显著影响岩体结构使得岩体内黏土矿物交替膨胀，出现劣化效应。冻融循环是指由于气温的变化导致岩石内部的水分处于冻结和融化频繁交替的现象。冻融循环的过程可能会导致岩石内部结构发生破坏，对岩石造成损伤。对石窟寺的保护工作在建国初期我国就已经开展了，最初是对它进行简易型支护，随着社会经济科学的发展，开始利用工程学方法对其进行加固保护，时至今日已经能够采用与其他学科合作的方式对石窟寺进行保护，由此可见，已经有越来越多的领域提高了对文物保护的重视。然而现在缺少一个可以综合利用各种先验知识，采用合理手段对石窟寺裂隙未来发育趋势进行预测的方法。
3.时间序列是指将统计的数值按时间顺序进行排列所形成的一组观测值集合，时间序列通常可以描述为由长期趋势、循环变动、季节变动、和不规则变动四部分构成。长期趋势是指受某种因素较长一段时期的影响下而形成的总体变动趋势的现象。循环变动是指在数年时间中数据呈现周期性变动的现象。季节变动是指在一年时间中由于季节更替而形成周期性变动的现象。不规则变动则是指无规律可循进行变动的现象。时间序列预测可以描述为通过分析历史数据的动态变化挖掘数据的潜在规律，基于此规律对未来时刻的数值进行预测。现如今，时间序列预测已经被广泛应用于多类领域，如金融领域，可以进行市场销量预测，农业领域可以对农作物年产量进行预测，能源领域，可以对工厂的各类能耗进行预测评估，环境领域，可以进行天气预报，pm2.5预警等。时间序列预测作为获取未来趋势的重要课题之一，备受国内外研究人员关注。其预测方法通常可以分为传统的统计学方法和深度学习方法，统计学模型有朴素估计模型、整合移动平均自回归模型(arima)、指数平滑模型、多元回归模型等。这些模型也曾在解决时间序列预测问题时取得了较大进步，然而随着应用领域的逐步拓宽，时序数据变得更为复杂，面临着数据非线性，数据稀疏，数据之间存在更多潜在依赖关系的缺陷，这使得传统的统计学方法无法轻易提取数据特征，也难以得到稳定准确的预测结果。因此引入了机器学习方法，利用rnn、lstm、gru、auto-encoder等模型去解决更为复杂的时序预测问题，autoformer将深度学习方法与统计学方法进行结合，通过将序列分解单元嵌入深度模型，实现渐进式预测，提取趋势项隐变量的趋势信息得到
了更具鲁棒性的模型，提高了长期时间序列预测的效果。但是上述方法对时序数据周期之间的相似性、各数据变量之间关联性还未充分发掘，同时目前的模型缺乏合理的解释性。


技术实现要素：

4.本发明提供了一种基于冻融循环周期性特征的石窟寺稳定性检测方法，本发明对未来一段时间内石窟寺局部裂隙发育趋势和整体稳定性进行预测，便于相关工作人员提前研究应对方案，采取保护措施，提高了石窟寺的稳定安全性，详见下文描述：
5.一种基于冻融循环周期性特征的石窟寺稳定性检测方法，所述方法包括：
6.从微观角度入手构建石窟寺微观结构劣化模型，用于探究冻融循环、干湿循环对微观粒子的影响；
7.从局部角度，利用局部关键裂隙裂化模型提取周期间子序列的相似性，并设计时间序列分解模块，使用多层卷积操作捕获数据间的短期时间依赖，使用rnn操作捕获数据间的长期时间依赖关系，考虑不同变量的作用强度使用自注意力模块；
8.根据受损极限状态方程，结合周期、作用年限、材质和地理位置对石窟寺进行整体稳定性预测，提高了石窟寺的安全性。
9.其中，所述石窟寺微观结构劣化模型包括：
10.将来源于不同石窟寺的数据进行预处理操作，通过数据增强、标准差去噪声，缺失值参数化的方式创建新的数据集；
11.对地理位置特征进行聚类、外部环境特征进行聚类，通过查看不同聚类条件下石窟寺的破损情况，作证外界物理作用对岩体内布微观粒子影响的结论。
12.进一步地，所述时间序列分解模块表示为：
13.y
t
＝s
t
+t
t
+r
t t＝1,...,t
14.其中，s
t
为时序数据中的周期成分，t
t
为时序数据中的趋势成分，r
t
为时序数据中的残差成分。
15.其中，所述自注意力模块为：对不同环境变量数据添加特征权重进行加权操作得到不同时序数据间的依赖关系，将同一个时序数据在时间维度上的依赖关系和不同时序数据间变量的依赖关系进行结合，得到外界环境对于局部稳定性的综合影响作用。
16.进一步地，所述受损极限状态方程为：
[0017][0018]
其中，δ代表临界疲劳损伤，nd代表冻融循环周期的循环作用次数，n为外部作用年限，e代表材质因子系数，k代表地理位置因子根据此方程去预测局部裂隙变化，s
eq
为外界环境对于局部稳定性的综合影响作用，d为石窟寺整体受损情况。
[0019]
本发明提供的技术方案的有益效果是：利用岩土力学领域的先验知识设计网络架构，增强模型的可解释性，提升模型性能，对未来一段时间内石窟寺的稳定性进行预测，便于相关领域专家及时对石窟寺采取预防性保护措施，此方案不仅在石窟寺保护领域取得一定的理论突破，而且作为一种新的思路，可以为我国其他文物保护工作提供帮助。
附图说明
[0020]
图1为一种基于冻融循环周期性特征的石窟寺稳定性检测方法的示意图；
[0021]
图2为关键网络模型结构图；
[0022]
图3为单变量时序数据分解图；
[0023]
图4为多元时序数据分解图；
[0024]
图5为数据采集环境图；
[0025]
图6为模型预测结果可视化图；
[0026]
图7为石窟寺材质位置对比折线图；
[0027]
图8为石窟寺材质位置对比柱状图。
具体实施方式
[0028]
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
[0029]
时序预测已经被广泛应用于许多领域均取得良好效果，然而却在岩土工程领域的应用接近空白，这是由于石窟寺外部环境复杂，采集到的数据变化细微又多异常，难以提取数据特征发掘数据规律，基于此考虑影响石窟寺稳定性的因素很大程度来源于外部环境，其中外部环境中的温度，湿度，降雨量等数据可以被表示为时间序列，那么借助于深度学习中时间序列预测的知识，就可以对石窟寺未来遭受到的风化作用强度、岩石劣化裂隙发育情况进行预测，从而在整体上对石窟寺的稳定性进行分析。
[0030]
基于此，本发明实施例在甘肃北石窟寺设采集点，将采集到的数据进行去噪处理，制作自己的数据集，同时创新性的将岩土工程领域的冻融循环、干湿循环知识与深度学习知识相结合，尝试借助先验理论知识，为模型提供依据，设计可解释的网络架构模型。最终提出基于冻融循环周期性特征的石窟寺稳定性预测模型，这有助于对未来一段时间内石窟寺局部裂隙发育趋势和整体稳定性进行预测，便于相关工作人员提前研究应对方案，采取保护措施。
[0031]
本发明实施例主要描述了一种基于冻融循环周期性特征的用于对石窟寺岩体稳定性进行长期预测的网络模型。所提方法整体框架如图1所示，网络模型如图2所示。
[0032]
整个模型是由石窟寺微观结构劣化模型、局部关键裂隙劣化模型、整体劣化模型构成。首先从微观角度入手，通过石窟寺微观结构劣化模型探究冻融循环、干湿循环等物理作用对微观粒子的影响，发掘其长期规律，为后续工作提供理论依据，在得知冻融循环对岩石微观结构的影响规律后，从局部角度考虑，利用局部关键裂隙裂化模型提取周期间子序列的相似性，在此过程中设计了时间序列分解模块，将时序数据分解为几种潜在的数据模式，接着使用多层卷积操作捕获数据间的短期时间依赖，使用rnn操作捕获数据间的长期时间依赖关系，与此同时为了考虑不同变量的作用强度使用了自注意力模块，最终借助本发明实施例提出的受损极限状态方程在整体劣化模型中对石窟寺进行整体稳定性预测。
[0033]
一、石窟寺微观结构劣化模型
[0034]
考虑到石窟寺受损原因主要是由于风化作用，其中冻融循环、干湿循环是造成风化作用的主要因素，这实质上是由于冻融循环和干湿循环过程中岩石内部水分不断发生变化，使得岩石内部颗粒结构不断收缩膨胀，呈现出来的外部表现就是岩体表面出现裂纹，剥
落腐蚀现象。因此为了探究这种微观的退化影响，本发明实施例首先将来源于不同石窟寺的数据进行预处理操作，通过数据增强、标准差去噪声，缺失值参数化的方式创建新的数据集，之后对不同样本进行聚类分析，包含：地理位置特征聚类、外部环境特征聚类，通过查看不同聚类条件下石窟寺的破损情况，作证外界物理作用对岩体内布微观粒子影响的结论，这一部分为本发明实施例之后的实验提供了良好的理论依据。
[0035]
二、石窟寺局部关键裂隙劣化模型
[0036]
针对石窟寺外部环境复杂，数据间依赖关系繁多的情况，本发明实施例设计了时间序列分解模块采用stl(以鲁棒局部加权回归作为平滑方法)的时间序列分解方法，将原来的时间序列分解为几类潜在的模式，包含周期因素，趋势因素，余项三部分，之后分别对各潜在模式的影响进行针对性分析，最终整合得到更完整的数据信息，其中，时间序列可以表示为：
[0037]yt
＝s
t
+t
t
+r
t
t＝1,...,t(1)
[0038]
通过时间序列分解模块结果发现，数据是具有明显的周期特征的，分解结果如图2图3所示，考虑到冻融循环作为石窟寺受损的重要影响因素，也是具有周期特性的，因此借助于冻融循环的周期规律可以帮助本发明实施例很好的发掘石窟寺裂隙数据的变化规律。因此本发明实施例在设计捕获数据短期时间依赖特征和长期时间依赖特征时，均以冻融循环的周期作为重要参考因子。例如：本发明实施例在使用卷积(cnn)操作捕获短周期时间维度内的局部依赖关系时，由于卷积核的大小k反映了一个单元状态由周围多大范围状态引起，因此第一层卷积的卷积核大小的选取，参考了一天内发生冻融循环现象的周期，第二层卷积的卷积核大小的选取，参考了一周内发生冻融循环现象的周期。
[0039]
利用循环神经网络(rnn)捕获长周期时间维度的依赖关系时，想要预测t时刻的石窟寺稳定性，可以利用历史周期内t时刻的数据记录，而非t相邻时刻的数据记录，因此本发明实施例使用了lstm这个特殊的rnn，并且设计了周期值period，考虑在一个时间窗口下，属于不同周期的相同时刻的数据点，也就是只考虑t时刻与t-period时刻的单元状态，跳过中间的period个隐藏单元，其中period值的选取则是基于本发明实施例已知的较长时间内发生的冻融循环现象的周期(一季度)，这样的方法使得神经网络的参数选择具有良好的可解释性。之后将短期时间依赖和长期时间依赖进行整合，获得数据在时间维度上完整的依赖关系。
[0040]
除此之外，多项研究表明温度变化对于岩石风化影响与湿度变化对于岩石风化的影响不同，因此本发明实施例引入了自注意力机制(self-attention)，考虑不同外界环境因素对石窟寺造成的损害影响因子，对不同环境变量数据添加特征权重进行加权操作得到不同时序数据间的依赖关系，最终将同一个时序数据在时间维度上的依赖关系和不同时序数据间变量的依赖关系进行结合，就得到了外界环境对于局部稳定性的综合影响作用。
[0041]
三、石窟寺整体劣化模型
[0042]
将局部模型中得到的外界环境对于局部稳定性的综合影响作用描述为s
eq
，本发明实施例总结了石窟寺整体稳定性的受损极限状态方程为：
[0043][0044]
其中，δ代表临界疲劳损伤，nd代表冻融循环周期的循环作用次数，n为外部作用
年限，e代表材质因子系数，k代表地理位置因子根据此方程去预测局部裂隙变化，对局部稳定性进行分析，可以发现处于不同地理位置、属于不同材质的石窟寺，其函数曲线不同，也就代表它们受冻融循环作用影响不同，导致裂隙的发育情况，石窟寺的破损情况有差异，同时我们考虑到当对多个局部产生作用时就会上升到对整体的作用，因此将所得局部信息进行整合并加以合理推断得出石窟寺的整体稳定性预测模型。
[0045]
实验设置
[0046]
本发明实施例的实验代码模型基于python3.6和pytorch框架搭建，使用adam优化器，将初始学习率设置为0.01，batch_size大小设置为32，预测时间窗口设置为12*0.5、12*1、12*2、12*15、12*30也就是将单次预测的长度从短期的半天逐步拉长至长期的一个月，在本发明实施例的局部裂隙预测模块中，有一个短周期时间序列预测模块，其中卷积核选取为12*1，一个长周期时间序列预测模块，其中period选取为12*30*3，一个变量贡献因子分析模块。
[0047]
1、数据集及评价指标
[0048]
(1)数据集：将甘肃省庆阳市北石窟寺作为数据采集地点，对石窟寺的外部环境以及岩体裂隙进行数据监测。外部环境数据的采样频率为20分钟采集一次，裂隙宽度数据采样频率为2小时采集一次，最终经过数据清洗，去噪处理，创建了一套新的完整数据集，该数据集包含了从2020年10月份到2022年2月份的石窟寺洞窟内部的温度、湿度、霜点以及石窟寺外部的裂隙宽度。
[0049]
在实验过程中，将数据集按照训练集(60％)、验证集(20％)、测试集(20％)的比例划分。
[0050]
评价指标：本发明实施例采用了常见的两个评价指标来评估模型的效果：均方根误差(rmse)、平均绝对误差(mae)，其中rmse、mae的值越低，代表模型预测效果越准确。
[0051]
2、实验性能比较
[0052]
本发明实施例对提出的模型进行了评估，并与先进的时序数据预测方法进行了比较，其中包括卷积神经网络(cnn)、长短期记忆网络(lstm)、长短期神经网络的变体convlstm、基于深度神经网络的长短期时间模式建模(lstnet)。表1为5种方法的对比实验结果，可以看出本发明实施例提出的基于冻融循环周期性特征的石窟寺稳定性预测模型(ftcp)在自建数据集上表现均优于其它的模型，取得了良好的数据预测效果，模型的预测结果可视化如图5所示。
[0053]
表1 5种方法在不同预测窗口下的对比实验结果
[0054][0055]
为了确保本发明实施例提出的网络架构中的每个模块均可以对模型预测性能产生积极影响，进行了消融实验，在网络框架中每次删除一个组件模块，包含：完整网络模块去掉数据分解组件(ftcp/decompose)，完整网络模块去掉卷积组件(ftcp/cnn)，完整网络模块去掉含周期值的lstm组件(ftcp/lstm-p)，完整网络模块去掉含self-attention组件。实验结果如表2所示。
[0056]
表2消融实验结果
[0057][0058][0059]
使用本发明实施例提出的公式评估石窟寺的裂隙裂化情况，发现石窟寺受损情况与其地理位置(k)，所属材质(e)均有关系，如图7图8所示。
[0060]
根据表1、表2、图7、图8可以得出以下结论：
[0061]
本发明实施例的模型与所有对比方法相比具有最优的预测性能，特别是在进行长期的数据预测时，与对比方法相比，本发明实施例的模型稳定性更高，性能并未发生大幅度降低，这说明本发明实施例的模型不仅仅可以捕获短期时序数据依赖，在捕获长期时序数据依赖时也表现出了巨大的潜力，可以满足本发明实施例在只拥有较短时间范围内的数据
值前提下进行长期预测的目的。
[0062]
经过消融实验证明了本发明实施例的模型中每个组件都是极其重要的，各组件共同作用才使得模型具有良好的鲁棒性，其中可以发现当去掉带有周期值period的lstm组件时，模型效果下降最为明显，说明在进行较长时间序列预测时，捕获长周期范围内时间序列数据的相似性在本发明实施例的模型中至关重要。
[0063]
本发明实施例提出的公式证明了石窟寺受冻融循环等外部环境的影响程度还与石窟寺的材质，所处的地理位置有很大关系，也应当考虑进去，得到更全面的结果。
[0064]
本发明实施例通过实验证明了神经网络可以在具有先验知识的基础上进行设计，神经网络的可解释性一直是诸多研究学者关注的问题，本发明实施例的模型提供了一个解决思路，即借助于已有的理论知识，探索数据规律，将理论知识与神经网络知识相结合，更具逻辑性的去设计网络架构。
[0065]
总的来说，本发明实例提出了一个基于冻融循环周期性特征的石窟寺稳定性预测模型，该模型充分利用了已有的先验知识，通过将神经网络中时序预测的知识与岩土工程中岩土稳定性理论相结合实现对石窟寺整体稳定性的预测，便于相关工作人员提前研究应对方案，采取保护措施。本发明模型(ftcp)的核心在于分别对长短周期时序数据子序列相似性的捕获，依据冻融循环知识设计了短期时间依赖捕获模块，长期时间依赖捕获模块，提取时间维度上的数据特征，同时结合自注意力模块捕获到的变量依赖关系显著提高了多元时序数据预测的准确率，提升了多元时序数据在进行较长范围内预测的稳定性。综合实验结果表明，该方法可以对石窟寺稳定性趋势进行准确预测，可以说本发明实施例的模型达到了最先进的水平。
[0066]
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
[0067]
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0068]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。