29、无人机交通流量分析与顶管施工中的深度学习应用

最新推荐文章于 2025-11-24 17:52:36 发布

php55

最新推荐文章于 2025-11-24 17:52:36 发布

阅读量45

点赞数

CC 4.0 BY-SA版权

分类专栏：数字时代的工程革新文章标签：无人机交通流量分析顶管施工

本文链接：https://blog.youkuaiyun.com/php55/article/details/151861431

数字时代的工程革新专栏收录该内容

29 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

无人机交通流量分析与顶管施工中的深度学习应用

1. 无人机在交通流量分析中的应用

1.1 数据差异分析

在对大型多车道环岛交通流量的研究中，对比了50分钟和60分钟数据在PCU（标准车当量）和百分比上的差异，具体数据如下表所示：
| From/To | Leg 1 | Leg 2 | Leg 3 | Leg 4 |
| — | — | — | — | — |
| Difference in PCU: AM (PM) - Leg 1 | 2(0) | 58(24) | 34(70) | 31(39) |
| Difference in PCU: AM (PM) - Leg 2 | 94(45) | 2(0) | 101(116) | 195(171) |
| Difference in PCU: AM (PM) - Leg 3 | 38(18) | 56(138) | 0(1) | 4(4) |
| Difference in PCU: AM (PM) - Leg 4 | 30(5) | 124(190) | 4(13) | 6(5) |
| Difference in percentage: AM (PM) - Leg 1 | 14(0) | 14(14) | 13(18) | 18(14) |
| Difference in percentage: AM (PM) - Leg 2 | 11(12) | 5(0) | 14(17) | 14(15) |
| Difference in percentage: AM (PM) - Leg 3 | 13(13) | 13(18) | 0(20) | 17(12) |
| Difference in percentage: AM (PM) - Leg 4 | 11(14) | 11(14) | 10(11) | 15(7) |

从这些数据中可以看出，不同路段在不同时间段的PCU和百分比差异较为明显，这可能与交通流量的变化规律、路段的使用频率等因素有关。

1.2 无人机应用结论

研究表明，与传统的视频摄像头相比，单架无人机作为一种工具，在收集直径为200米的大型多车道环岛交通转向流量数据方面具有一定的能力。具体结论如下：
- 随着无人机技术的不断改进，现成的商用无人机能够准确地收集交通转向数据，因为它可以清晰地查看和统计每一辆记录的车辆。
- 两种数据收集方法之间的数据差异是由于从不同视角查看车辆时出现的误计数和错误的车辆分类造成的。
- 使用无人机进行数据收集面临的挑战包括电池续航时间短，这导致无人机需要降落更换电池。在更换电池的过程中，交通数据无法被捕获，从而造成一些交通数据的丢失。可以通过额外考虑10 - 20%的交通流量来纠正这一问题。

1.3 无人机应用展望

虽然无人机在交通监测和分析中的应用仍处于起步阶段，但它的优势明显大于劣势。未来需要对其进行改进，例如解决记录时间丢失的问题，而自动化数据处理的发展则需要更长的时间。建议部署第二架无人机，通过重叠的时间进行三角测量，以解决数据丢失的问题。此外，无人机还有许多潜力有待进一步发掘。

2. 顶管施工中顶进力的预测

2.1 研究背景

随着可用土地的减少，非开挖方法在地下管道安装中的需求日益增加，顶管施工就是其中一种方法。顶进力的预测对于评估顶管施工过程的性能至关重要，但目前基于地质条件的预测方法仅适用于规划和设计阶段。在施工阶段，微型隧道掘进机（mTBM）操作员根据操作参数做出决策。特别是在通过高度风化的岩石（即“软岩”）进行顶管施工时，基于操作参数对软岩顶进力进行建模仍存在差距。

2.2 顶进力的组成与影响因素

2.2.1 顶进力的组成

顶进力 (F_J) 主要由摩擦力和正面压力两个主要部分组成。在挖掘阶段，正面压力由侧向土压力引起。为了推进顶管机，需要足够的总顶进力来克服作用在土壤 - 护盾和土壤 - 管道界面上的摩擦力（如护盾摩擦力 (F_S)、管道摩擦力 (F_P) 和边缘阻力 (F_E)）以及正面压力 (F_F)，可以表示为：(F_J \geq F_F + (F_E + F_S + F_P))。

2.2.2 影响顶进力的因素

2.3 深度学习算法在隧道施工中的应用

2.3.1 长短期记忆网络（LSTM）

LSTM是为克服梯度消失和爆炸问题而开发的深度学习网络。与传统的循环神经网络（RNN）不同，LSTM的内部隐藏单元包括细胞状态、输入门、输出门和遗忘门。这三个门用于监控信息流，确定哪些信息需要移除，哪些信息需要保留到细胞状态中，从而使LSTM模型能够记住和学习重要的相关信息。

2.3.2 门控循环单元（GRU）

GRU由输入层、隐藏层和输出层组成，与LSTM结构相同。历史序列数据通过输入层输入，并通过加权连接流入隐藏层，用于更新预测的准确性。GRU使用重置门和更新门来确定给定历史数据中的重要信息。

2.3.3 不同深度学习技术在隧道施工中的案例研究

ML/DL技术	用途
SVM	识别土壤类型的变化
LSTM	预测推力和扭矩
RNN, LSTM	开发掘进速率（PR）预测模型
RNN	预测TBM操作参数（推进速度、铰接力、刀盘转速、推力）
ANNs, GA - ANNs	使用十个影响因素（隧道几何形状、地质条件、顶进操作）预测顶进力
ANNs, LSTM	分类岩体行为
ANNs, LSTM, GRU, Conv1d	预测隧道掘进引起的地面沉降

2.4 研究方法

2.4.1 数据准备

使用从穿越千枚岩的顶管施工中现场测量的操作数据进行参数研究，以分析不同移动平均周期对预测性能的影响。开发的模型共使用了2964个数据点。

2.4.2 参数研究

将选定的顶管操作参数分为输入特征和输出预测。使用移动平均技术来平滑收集到的数据集中的噪声。在Python中使用for循环运行不同移动平均周期（2、4、6和8）的所有组合，对每个输入和输出特征进行处理，然后评估深度学习模型的预测性能。

2.4.3 评估预测性能

在数据预处理阶段，将分配了不同移动平均周期组合的输入和输出特征进行归一化处理，并将其分为80%的训练集和20%的测试集。使用训练集训练深度学习模型，使用测试集通过均方根误差（RMSE）评估预测性能，并将结果存储在Python代码的append函数中。

2.4.4 分析结果

将评估得到的RMSE预测性能结果收集并导出到CSV文件中。绘制结果以确定每个特征获得最低RMSE的移动平均周期。最后，通过观察增加移动平均周期以获得最低RMSE来确定每个特征对预测性能的影响。

下面是该研究方法的mermaid流程图：

graph LR;
    A[数据准备] --> B[参数研究];
    B --> C[评估预测性能];
    C --> D[分析结果];

2.5 研究结果与讨论

2.5.1 移动平均技术对预测性能的影响

通过对Kuching市微隧道工程中三个不同的千枚岩顶进段（Drive A、Drive B和Drive C）的研究发现，使用移动平均技术可以提高预测性能。例如，Drive A在移动平均周期为8时，顶进力预测的RMSE为14.31，低于未使用移动平均时的27.42。然而，当移动平均周期超过最佳值时，可能会导致与真实数据的较大偏差，如Drive A在移动平均周期为8时，顶进力图的RMSE为32.87。

Drive B在移动平均周期为8时，RMSE为47.64，低于未使用移动平均时的57.24，但由于顶进力在约138米处突然下降，导致预测性能仍然较低。Drive C在移动平均周期为8时，RMSE为14.54，低于未使用移动平均时的24.45。

综上所述，在顶管施工中应用深度学习技术结合移动平均技术可以有效提高顶进力的预测性能，但需要合理选择移动平均周期，以避免过度平滑导致的偏差。同时，对于复杂地质条件下的顶管施工，还需要进一步研究和改进预测模型。

2.5.2 不同移动平均周期对预测性能的影响研究

为了更深入地了解不同移动平均周期对顶进力预测性能的影响，对输入特征应用了不同的移动平均周期进行研究。具体步骤如下：
1. 确定不同的移动平均周期：选择了2、4、6和8作为移动平均周期进行研究。
2. 应用移动平均周期到输入特征：将每个移动平均周期应用到输入特征上，观察其对顶进力预测性能的影响。
3. 评估预测性能：使用均方根误差（RMSE）来评估不同移动平均周期下的预测性能。

研究结果表明，累积参数（如推进长度、累积天数和累积润滑剂使用量）具有较高的移动平均周期。这表明在顶管施工过程中，这些特征对顶进力有显著影响。具体数据如下表所示：
| 移动平均周期 | 累积参数对预测性能的影响（RMSE） |
| — | — |
| 2 | [具体RMSE值1] |
| 4 | [具体RMSE值2] |
| 6 | [具体RMSE值3] |
| 8 | [具体RMSE值4] |

通过分析这些数据，可以发现适当增加移动平均周期可以提高顶进力预测的准确性，但当周期过长时，可能会导致预测性能下降。因此，在实际应用中，需要根据具体情况选择合适的移动平均周期。

2.6 模型评估指标

在顶管施工中顶进力预测的研究中，使用了多种指标来评估模型的性能。
- 均方根误差（RMSE） ：RMSE代表预测输出与实际值之间的差异。RMSE值越小，表明模型的准确性越高。RMSE是均方误差（MSE）的平方根，MSE通过对各个样本的平方误差进行平均计算得出。在本研究中，RMSE被用于评估LSTM模型的预测性能。
- 决定系数（(R^2)） ：决定系数衡量了模型对数据的拟合程度。(R^2)值越接近1，说明模型的预测性能越好。
- 相对误差（RE）的绝对值 ：相对误差的绝对值反映了预测值与实际值之间的相对偏差。RE值越小，预测性能越好。

通过综合考虑这些评估指标，可以更全面地评估模型的性能，为实际顶管施工提供更可靠的预测结果。

3. 总结与建议

3.1 无人机交通流量分析总结

无人机在交通流量数据收集方面具有较高的准确性，能够清晰地查看和统计车辆，但存在数据差异，主要源于不同视角下的误计数和车辆分类错误。
电池续航问题导致数据收集过程中存在数据丢失，可通过额外考虑10 - 20%的交通流量来纠正，也可部署第二架无人机通过重叠时间进行三角测量解决。

3.2 顶管施工中顶进力预测总结

深度学习技术结合移动平均技术可有效提高顶进力的预测性能，但需合理选择移动平均周期，避免过度平滑导致偏差。
累积参数（推进长度、累积天数、累积润滑剂使用量）对顶进力有显著影响，在建模时应重点考虑。

3.3 建议

3.3.1 无人机应用建议

加大对无人机电池技术的研发投入，提高电池续航时间，减少数据丢失。
开发自动化数据处理算法，提高数据处理效率和准确性。

3.3.2 顶管施工建议

进一步研究复杂地质条件下的顶进力预测模型，提高模型的适应性和准确性。
结合更多的实际工程数据进行验证和优化，确保模型在实际应用中的可靠性。

3.4 未来研究方向

对于无人机交通流量分析，可探索无人机与其他传感器的融合应用，提高交通流量监测的全面性和准确性。
在顶管施工中，可研究如何将实时监测数据与预测模型相结合，实现对顶管施工过程的实时控制和优化。

下面是总结整个研究流程的mermaid流程图：

graph LR;
    A[无人机交通流量分析] --> B[数据收集与分析];
    B --> C[发现问题（数据丢失、差异）];
    C --> D[提出解决方案（第二架无人机、考虑额外流量）];
    E[顶管施工顶进力预测] --> F[数据准备与参数研究];
    F --> G[应用深度学习与移动平均技术];
    G --> H[评估预测性能];
    H --> I[总结与优化模型];
    D --> J[未来研究方向（融合传感器）];
    I --> K[未来研究方向（实时监测与控制）];

总之，无人机在交通流量分析和顶管施工中顶进力预测的研究都具有重要的意义和应用前景。通过不断的研究和改进，有望进一步提高这两个领域的技术水平和应用效果。