(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210590999.4 (22)申请日 2022.05.27 (71)申请人 天津市地下铁道集团有限公司 地址 300011 天津市河东区华兴道3 6号 申请人 同济大学 (72)发明人 曲腾飞　谢雄耀　张晓斌　林枫　 曾里　牛俊涛　周彪　 (74)专利代理 机构 上海科律专利代理事务所 (特殊普通 合伙) 31290 专利代理师 叶凤 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/13(2020.01) G06Q 10/04(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06K 9/62(2022.01) E21D 9/06(2006.01) E21D 11/10(2006.01) G01S 7/41(2006.01) G01S 13/88(2006.01) G06F 111/10(2020.01) (54)发明名称 基于探地雷达和GA N的盾构隧道 壁后介质分 布预测方法 (57)摘要 本发明是一种基于探地雷达和GAN的盾构隧 道壁后介质分布预测方法。 在盾构隧道中安装使 用探地雷达进行信号和图像的采集； 进行探地雷 达壁后注 浆的模型试验， 采集已知 注浆厚度的盾 构隧道的探地雷达图像并构造对应的壁后介质 分布图； 对数据进行预处理后， 得到数据样本集； 建立基于探地雷达图像的生成式对抗网络GAN的 盾构隧道 壁后介质分布的预测模 型； 对生成式对 抗网络GAN的计算参数进行优化； 优化参数后的 生成式对抗网络GAN预测模型， 实现对 隧道壁后 注浆的检测。 使用预处理后探地雷达时域信号的 数据集构造生成式对抗网络。 最后对盾构隧道壁 后注浆探地雷达采集的探地雷达图像进行预测 和识别。 权利要求书2页 说明书4页 附图2页 CN 114970346 A 2022.08.30 CN 114970346 A 1.一种盾构隧道壁后注浆病害的预测方法， 其特 征在于， 包括以下步骤： S1、 在盾构隧道中安装使用探地雷达进行信号和图像的采集； S2、 进行探地雷达壁后注浆的模型试验， 采集已知注浆厚度的盾构隧道 的探地雷达图 像并构造对应的壁后介质分布图； S3、 对数据进行预处理后， 得到数据样本集； 建立基于探地雷达图像的生成式对抗网络 GAN的盾构隧道壁后介质分布的预测模型； S4、 对生成式对抗网络GAN的计算 参数进行优化； S5、 优化参数后的生成式对抗网络GAN预测模型， 实现对隧道壁后注浆的检测。 2.根据权利要求1所述的一种盾构隧道壁后注浆的预测方法， 其特征在于， 所述的步骤 S1具体包括以下步骤： S11、 使用探地雷达对正在施工的盾构隧道的盾尾的衬砌和壁后注浆进行扫描检测； S12、 记录雷达扫描的位置和扫描路径， 在计算机上采集探地雷达信号并标记每一道信 号在扫描路径上对应的位置； S13、 将采集到的每一道雷达信号从0开始进行编号； S14、 将雷达信号与扫描位置对应， 形成数据集。 3.根据权利要求1所述的一种盾构隧道壁后注浆的预测方法， 其特征在于， 所述的步骤 S2具体包括以下步骤： S21、 选取盾构隧道管片和注浆浆液进行模型试验， 按照管片与注浆的分布1： 1制作模 型， 在同样的土壤中放置管片以及注入同样的浆液； S22、 根据工程地条件和工程经验， 在模型试验中将壁后介质(注浆层、 土)， 分为空洞、 不均匀注浆 等； S23、 使用同样的探地雷达进行模型 试验， 对已知厚度分类的注浆层进行 雷达扫描； S24、 记录雷达扫描的位置和扫描路径， 在计算机上采集探地雷达信号并标记每一道信 号在扫描路径上对应的位置的介质分布。 4.根据权利要求1所述的一种盾构隧道壁后注浆的预测方法， 其特征在于， 所述的步骤 S3具体包括以下步骤： S31、 对S24中雷达数据样本进行 预处理， 最终得到雷达信号 为[‑1,1]之间的数据； S32、 对于多次模型试验采集的雷达数据进行如S31的预处理后， 形成样本集； 所述样本 集包括从探地雷达图像集{z1,z2,z3,...,zm}和从盾构隧道壁后介质分布图{x1,x2,x3,..., xm}数据集； S33、 初始化生成函数G:Rd→Rn和判别函数D(x):Rn→[0,1]， 其中生成函数G:Rd→Rn为卷 积神经网络 CNN， 判别函数D(x):Rn→[0,1]为多层神经网络DN N； S34、 GAN的对抗博弈通过判别函数D(x):Rn→[0,1]和生成函数G:Rd→Rn之间的目标函 数的极大极小值来进行数学化的表示； 迭代开始t＝1,从盾构隧道壁后介质分布图中选择 样本点{x1,x2,x3,...,xm}数据集； 从探地雷达图像集中选择对应的m个图像作为向量{z1, z2,z3,...,zm}； 其中m为超参数； S35、 将S3.4中的z作为输入， 获得m个生成的数据 其中 S36、 按照如下公式1， 对于每个样本{x1,x2,x3,...,xm}优化神经网络变量θd,更新生成权　利　要　求　书 1/2 页 2 CN 114970346 A 2器D(x)的参数来 最大化判别函数的损失函数 其中η也是超参数； S37、 按照如下公式2， 优化神经网络变量θg,更新生成器D(x)的参数来最小化生成函数 的损失函数 其中η也是超参数； S38、 通过轮数为t＝1,2,. ..T的迭代， 建立优化后的生成式对抗网络模型。 5.根据权利要求4所述的一种盾构隧道壁后注浆的预测方法， 其特征在于， 所述判别函 数D(x):Rn→[0,1]是二分类神经网络(设为D2)或者多分类神经网络(设为D1)。 6.根据权利要求1所述的一种盾构隧道壁后注浆的预测方法， 其特征在于， 所述的步骤 S4包括： S41、 将S1中采集的探地雷达数据进行 预处理； 预处理步骤同S31； S42、 输入到S38已建立的优化后的生成式对抗网络模型中， 得到壁后介质分布图像。权　利　要　求　书 2/2 页 3 CN 114970346 A 3