重要建筑的NPR錨索加固及G2-MBLSTM監(jiān)測(cè)預(yù)警方法

摘 要：近年來，自然災(zāi)害和人為災(zāi)害頻發(fā)致使重要建筑受損，嚴(yán)重威脅到人身財(cái)產(chǎn)安全。為提高重要建筑的抗災(zāi)性能和保障人身財(cái)產(chǎn)安全，創(chuàng)新性地提出將NPR錨索加固技術(shù)應(yīng)用在重要建筑結(jié)構(gòu)中，從而有效減輕災(zāi)害造成的破壞。同時(shí)設(shè)計(jì)了一套全面的監(jiān)測(cè)系統(tǒng)，在重要建筑墻體內(nèi)部和地下安裝無(wú)線傳感器進(jìn)行數(shù)據(jù)采集，并利用能量收集技術(shù)，解決了無(wú)線傳感器自供電問題，延長(zhǎng)了無(wú)線傳感器的使用時(shí)間，確保了對(duì)建筑物的結(jié)構(gòu)變化和各種災(zāi)害信息數(shù)據(jù)的實(shí)時(shí)準(zhǔn)確監(jiān)測(cè)。在此基礎(chǔ)上提出一種基于長(zhǎng)短時(shí)間序列記憶網(wǎng)絡(luò)架構(gòu)的G2-MBLSTM網(wǎng)絡(luò)模型，能夠從采集的數(shù)據(jù)中捕捉和分析時(shí)間序列的復(fù)雜關(guān)系，從而實(shí)現(xiàn)對(duì)重要建筑災(zāi)害風(fēng)險(xiǎn)的可靠預(yù)警。重要建筑的NPR錨索加固及G2-MBLSTM監(jiān)測(cè)預(yù)警方法實(shí)現(xiàn)了對(duì)重要建筑的有效監(jiān)測(cè)和預(yù)警，為應(yīng)對(duì)緊急情況提供了有力的支撐。

關(guān)鍵詞：建筑物加固；監(jiān)測(cè)預(yù)警；NPR錨索；傳感器自供電；長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)；G2-MBLSTM

中圖分類號(hào)：TP389.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2025）07-000-04

0 引 言

地震、泥石流、滑坡等自然災(zāi)害以及戰(zhàn)爭(zhēng)、工業(yè)事故等人為災(zāi)害會(huì)造成重要建筑的損害，嚴(yán)重威脅到人們的生命財(cái)產(chǎn)安全。在這種背景下，如何提高重要建筑的抗災(zāi)性能顯得尤為關(guān)鍵。

對(duì)建筑物進(jìn)行加固是提高重要建筑抗災(zāi)性能的常用方法。目前，國(guó)內(nèi)外對(duì)建筑加固的研究已取得顯著成果，例如利用玻璃纖維加固[1]、纖維加固建筑物混凝土[2]、阻尼器加固建筑物[3]、捆綁式鋼筋法[4]、采用鋼筋混凝土墻和鋼柱[5]、粘貼鋼板加固[6]、地基隔離[7]、能量消散等。但這些研究大多是通過外部加固方式，仍存在加固不到位、需多次加固的問題。針對(duì)建筑物外部加固存在的弊端，引入內(nèi)部NPR錨索加固技術(shù)，在建造過程中將新型的NPR錨索材料[8]與鋼筋一同安裝在重要建筑的地基和樓層的關(guān)鍵點(diǎn)，從而提高建筑物的整體抗災(zāi)性能。

雖然對(duì)重要建筑進(jìn)行物理加固可以有效穩(wěn)定建筑物，但當(dāng)災(zāi)害規(guī)模較大時(shí)，重要建筑的穩(wěn)定性仍可能超過臨界值，會(huì)對(duì)建筑物內(nèi)人員的生命和財(cái)產(chǎn)安全構(gòu)成威脅。因此監(jiān)測(cè)建筑物狀態(tài)和預(yù)測(cè)災(zāi)害抵達(dá)時(shí)間是非常必要的。目前，常用的監(jiān)測(cè)方法是部署傳感器，然而大部分都是通過有線傳感器收集信號(hào)數(shù)據(jù)，對(duì)于重要建筑墻體內(nèi)部和地下地質(zhì)數(shù)據(jù)的采集若使用有線傳感器，會(huì)面臨大面積部署排線、維護(hù)艱難等問題。針對(duì)這些問題，本文提出在重要建筑墻體內(nèi)部和地下部分使用無(wú)線傳感器，同時(shí)創(chuàng)新性地提出能量收集系統(tǒng)，解決了傳感器自供電問題[9]，延長(zhǎng)了設(shè)備的使用壽命，而且安裝便捷、維護(hù)簡(jiǎn)單。

監(jiān)測(cè)系統(tǒng)所收集到的數(shù)據(jù)，一方面可以用于評(píng)估建筑物的狀態(tài)；另一方面可以輸入預(yù)測(cè)模型中，用于預(yù)測(cè)災(zāi)害抵達(dá)的時(shí)間，進(jìn)而做出預(yù)警反應(yīng)。但現(xiàn)階段，以BP網(wǎng)絡(luò)[10]、ConvNetQuake卷積神經(jīng)網(wǎng)絡(luò)[11]、LSTM網(wǎng)絡(luò)[12-13]等為代表的人工智能預(yù)測(cè)模型需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，而且不能準(zhǔn)確預(yù)測(cè)時(shí)間維度。針對(duì)上述問題，本文提出G2-MBLSTM（GAN2-Multi Bidirectional LSTM）網(wǎng)絡(luò)模型，以彌補(bǔ)數(shù)據(jù)不足的缺陷，從而準(zhǔn)確預(yù)測(cè)災(zāi)害時(shí)間信息。

綜上，針對(duì)重要建筑的三點(diǎn)加固、監(jiān)測(cè)、預(yù)警，本文提出了NPR錨索加固及G2-MBLSTM監(jiān)測(cè)預(yù)警方法。

1 方法流程

本文提出的重要建筑的NPR錨索加固及G2-MBLSTM監(jiān)測(cè)預(yù)警方法框架包括：NPR錨索加固模塊、監(jiān)測(cè)系統(tǒng)模塊、G2-MBLSTM預(yù)測(cè)模塊，如圖1所示。

NPR錨索加固模塊：在建筑物建造時(shí)與鋼筋一同安裝，輔助鋼筋加固，有效抗擊外力，進(jìn)而增強(qiáng)建筑物的結(jié)構(gòu)穩(wěn)定性，有效減輕災(zāi)害發(fā)生時(shí)可能造成的破壞。

監(jiān)測(cè)系統(tǒng)模塊：在建筑物樓層墻體中安裝監(jiān)測(cè)建筑物結(jié)構(gòu)受力情況的無(wú)線傳感器。在地下部署采集地質(zhì)和災(zāi)害信息的無(wú)線傳感器。

G2-MBLSTM預(yù)測(cè)模塊分為兩部分：改進(jìn)的生成對(duì)抗網(wǎng)絡(luò)模型（GAN2）和多層雙向時(shí)間序列模型（MBLSTM）。GAN2模型可解決地區(qū)災(zāi)害數(shù)據(jù)信息稀少的問題，產(chǎn)生接近真實(shí)災(zāi)害數(shù)據(jù)的虛擬數(shù)據(jù)，用于MBLSTM預(yù)測(cè)模型訓(xùn)練。將無(wú)線傳感器采集到的數(shù)據(jù)經(jīng)過預(yù)處理，輸入到訓(xùn)練好的MBLSTM預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，最終輸出災(zāi)害預(yù)警信息。

2 方法結(jié)構(gòu)與原理

2.1 NPR錨索加固模塊

本文提出了NPR錨索輔助鋼筋加固建筑結(jié)構(gòu)的方法，在建造時(shí)將NPR錨索和鋼筋一同安裝固定。NPR錨索是由負(fù)泊松比材料制作的復(fù)合裝置。NPR錨索示意圖[8]如圖2所示。

NPR錨索具有高恒阻力、高強(qiáng)度特性及吸能作用。當(dāng)NPR錨索被安裝至地下后，NPR錨索與其加固支護(hù)范圍內(nèi)的地下結(jié)構(gòu)可看作一個(gè)整體，當(dāng)建筑物地下結(jié)構(gòu)發(fā)生形變或受到破壞時(shí)，此時(shí)其總勢(shì)能保持恒定，并且這一勢(shì)能與破壞所釋放的能量及NPR錨索吸收的能量之和是相等的。因此，NPR錨索吸收的能量越多，建筑物地下結(jié)構(gòu)受破壞的程度越小，結(jié)構(gòu)也就越穩(wěn)定。NPR錨索在吸收形變或破壞釋放的能量的同時(shí)可以通過自身結(jié)構(gòu)的形變特性，有效地抵御和控制整體結(jié)構(gòu)形變，使建筑結(jié)構(gòu)趨于穩(wěn)定，從而使建筑物具有更高的抗沖擊性。

2.2 監(jiān)測(cè)系統(tǒng)模塊

監(jiān)測(cè)系統(tǒng)模塊負(fù)責(zé)通過無(wú)線傳感器采集建筑物狀態(tài)信息和地下地質(zhì)信息。針對(duì)無(wú)線傳感器的供電續(xù)航問題，本文提出了混合能量收集系統(tǒng)，如圖3所示，包括對(duì)射頻電磁波能量、振動(dòng)能量和土壤溫差能量的收集。射頻能量、機(jī)械振動(dòng)能和土壤溫差能是環(huán)境中很常見的能量形式。射頻電磁波能量收集是通過接收天線接收對(duì)應(yīng)頻段的射頻電磁波能量；振動(dòng)能量收集是通過壓電片將振動(dòng)能量轉(zhuǎn)換成電能。壓電片由壓電陶瓷材料制作，壓電陶瓷具備正壓電效應(yīng)，在受到外部機(jī)械力的作用時(shí)，其內(nèi)部的正負(fù)電荷會(huì)發(fā)生相對(duì)位移，進(jìn)而產(chǎn)生電的極化現(xiàn)象。這會(huì)導(dǎo)致壓電陶瓷的上下表面分別帶有正負(fù)電荷。在此過程中，機(jī)械振動(dòng)能會(huì)被有效地轉(zhuǎn)化為電能。土壤在太陽(yáng)輻射和地?zé)嶙饔孟履軌虼鎯?chǔ)巨大的熱能，利用溫差發(fā)電片及集熱管，可以將土壤的溫差能轉(zhuǎn)換成電能[9]。

2.3 G2-MBLSTM預(yù)測(cè)模塊

該網(wǎng)絡(luò)模型主要針對(duì)訓(xùn)練數(shù)據(jù)少的問題，并專注于時(shí)間維度的預(yù)測(cè)。其由兩部分組成：改進(jìn)的生成對(duì)抗網(wǎng)絡(luò)模型（GAN2）和多層雙向時(shí)間序列模型（MBLSTM）。下面以地震災(zāi)害為例介紹該模型。

（1）改進(jìn)的生成對(duì)抗網(wǎng)絡(luò)模型

本文對(duì)GAN進(jìn)行了適當(dāng)?shù)母倪M(jìn)，使其能更有效地提取地震波數(shù)據(jù)。GAN2中的生成器和鑒別器模型都是由卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成的，包含了卷積層、下采樣層、反卷積層與全連接層。生成器由1層全連接層和2層反卷積層組成；鑒別器由5層網(wǎng)絡(luò)組成，分別為1層全連接層、2層卷積層和2層下采樣層。生成器會(huì)根據(jù)鑒別器學(xué)習(xí)到的數(shù)據(jù)特征，通過調(diào)整其網(wǎng)絡(luò)參數(shù)來生成新的虛擬數(shù)據(jù)。同時(shí)，鑒別器也會(huì)根據(jù)生成器生成的數(shù)據(jù)不斷地調(diào)整其自身的網(wǎng)絡(luò)參數(shù)。改進(jìn)的生成對(duì)抗網(wǎng)絡(luò)模型結(jié)構(gòu)[14]如圖4所示。

在GAN2的訓(xùn)練過程中，每次迭代都要將真實(shí)的地震波數(shù)據(jù)和生成器生成的虛擬數(shù)據(jù)按一定比例混合，然后輸入到鑒別器模型中。首先，通過卷積層對(duì)數(shù)據(jù)進(jìn)行特征提取。然后通過下采樣層對(duì)數(shù)據(jù)進(jìn)行降維處理，以防止過擬合現(xiàn)象的發(fā)生。最后，輸出特征圖集。鑒別器使用這些特征圖集作為鑒別依據(jù)。對(duì)于真實(shí)的地震波數(shù)據(jù)，其特征被標(biāo)記為1；而對(duì)于生成的虛擬數(shù)據(jù)，通過損失函數(shù)誤差判斷，其特征標(biāo)記為0和1的中間值。如果鑒別器的判定結(jié)果大于0.5，則認(rèn)為生成的虛擬數(shù)據(jù)符合真實(shí)數(shù)據(jù)特征，將其視為真實(shí)地震波數(shù)據(jù)。

（2）多層雙向時(shí)間序列模型

圖5為MBLSTM結(jié)構(gòu)圖。在模型中，地震波數(shù)據(jù)信息通過Embedding層轉(zhuǎn)化為向量，輸入到對(duì)應(yīng)的LSTM節(jié)點(diǎn)中，再經(jīng)過多層LSTM節(jié)點(diǎn)。在LSTM層是雙向傳遞，每個(gè)節(jié)點(diǎn)的LSTM不僅可以接收到前面節(jié)點(diǎn)傳遞的信息，還可以獲取到后面節(jié)點(diǎn)傳遞的信息，而且還有輔助的特征輸入，使更有用的信息被篩選出來。信息經(jīng)過雙層CRF層形成最優(yōu)預(yù)測(cè)結(jié)果，進(jìn)而輸出災(zāi)害抵達(dá)時(shí)間并做出預(yù)警。

Embedding層：將輸入數(shù)據(jù)轉(zhuǎn)換為向量，如式（1）所示：

式中：Xw b， e表示轉(zhuǎn)換后的向量；cb， cb+1， ...， ce表示輸入到LSTM節(jié)點(diǎn)的地震信息數(shù)據(jù)；ew表示查Embedding表的函數(shù)，對(duì)于地震數(shù)據(jù)信息，模型都會(huì)隨機(jī)生成一張Embedding表，用一系列隨機(jī)向量來表示不同大小的數(shù)據(jù)信息，然后通過查表的方式將地震數(shù)據(jù)信息轉(zhuǎn)換為對(duì)應(yīng)的向量。

LSTM層：在單向LSTM傳播的基礎(chǔ)上，再加一次反向傳播，將信息向前面的LSTM節(jié)點(diǎn)再傳遞一遍，那么每個(gè)LSTM節(jié)點(diǎn)都可以接收到前面節(jié)點(diǎn)和后面節(jié)點(diǎn)傳遞過來的信息，然后進(jìn)行綜合篩選過濾。此外，還向模型中添加了輔助特征。添加輔助特征的運(yùn)算過程如圖6所示。其中，Ct代表LSTM節(jié)點(diǎn)間信息傳遞的記憶信息，它是一個(gè)中間狀態(tài)，需要與其他特征融合后才能傳遞到后續(xù)節(jié)點(diǎn)。圖6中由左向右分別是遺忘門和輸入門。遺忘門決定Ct信息應(yīng)保留多少，而輸入門則決定地震特征信息的輸入量。遺忘門經(jīng)過計(jì)算得到的保留矩陣與輸入門參數(shù)矩陣相加，形成新的融合矩陣傳遞至下一節(jié)點(diǎn)，如式（2）所示：

式中：Gt代表Ct與地震特征信息融合后形成新的記憶信息矩陣，它會(huì)代替Ct作為記憶信息傳遞至下一節(jié)點(diǎn)。

式中：fla代表緯度特征信息；flo代表經(jīng)度特征信息；fma代表震級(jí)特征信息。遺忘門部分由乘積參數(shù)矩陣Wm_f和偏置參數(shù)矩陣bm_f組成，其參數(shù)保留矩陣表示為ft。而輸入門部分則由乘積參數(shù)矩陣Wm_i和WM以及偏置參數(shù)矩陣bm_i和bM組成，其參數(shù)保留矩陣表示為it。此外，還有一個(gè)輸入數(shù)據(jù)矩陣gt。

通過上述方式添加特征信息到模型中。在模型中，地震波作為初始輸入，被賦予了最高的權(quán)重，不會(huì)受其他信息的影響。而其他特征信息在傳遞過程中能夠與記憶信息Ct融合到一起，再傳遞輸入到后面的節(jié)點(diǎn)中。這樣其他特征信息對(duì)模型的影響較小，僅作為輔助信息，幫助模型進(jìn)行更準(zhǔn)確的預(yù)測(cè)。

雙層CRF層：在每層LSTM網(wǎng)絡(luò)的多個(gè)結(jié)果輸出后，引入條件隨機(jī)場(chǎng)（CRF）層，根據(jù)數(shù)據(jù)之間的關(guān)系進(jìn)行分析，選出總得分最高的數(shù)據(jù)。第一層CRF對(duì)每層多個(gè)LSTM結(jié)果數(shù)據(jù)進(jìn)行分析得出每層最優(yōu)輸出；同理，第二層CRF對(duì)上層CRF的結(jié)果數(shù)據(jù)進(jìn)行分析，選出最終最優(yōu)結(jié)果作為模型預(yù)測(cè)結(jié)果。

3 工程應(yīng)用

重要建筑的NPR錨索加固及G2-MBLSTM監(jiān)測(cè)預(yù)警方法被廣泛應(yīng)用在岷縣隧道、川藏鐵路的色季拉山隧道、深圳的昌保高速的昌寧隧道、麗香鐵路的哈巴雪山隧道、成蘭鐵路的云屯堡隧道和木寨嶺隧道等工程中。因隧道會(huì)穿越高山和地質(zhì)復(fù)雜的地區(qū)，采用NPR錨索加固能夠保證隧道的穩(wěn)定性和安全性。同時(shí)，結(jié)合G2-MBLSTM監(jiān)測(cè)預(yù)警方法能夠?qū)崟r(shí)監(jiān)測(cè)隧道的整體情況并及時(shí)發(fā)出預(yù)警，以降低隧道受損的風(fēng)險(xiǎn)，從而保障人身財(cái)產(chǎn)安全。

4 結(jié) 語(yǔ)

在面對(duì)自然災(zāi)害和人為災(zāi)害時(shí)，重要建筑的安全性成為社會(huì)廣泛關(guān)注的焦點(diǎn)。對(duì)重要建筑進(jìn)行保護(hù)加固和監(jiān)測(cè)預(yù)警是至關(guān)重要的。本文提出的方法有效提升了重要建筑的整體抗災(zāi)性能，并能準(zhǔn)確進(jìn)行監(jiān)測(cè)與預(yù)警，為應(yīng)對(duì)緊急情況提供了有力的支撐。該方法可應(yīng)用在醫(yī)院、學(xué)校、工廠、隧道、防空洞、避難所等重要建筑中，旨在保護(hù)重要建筑和人員的生命財(cái)產(chǎn)安全。

參考文獻(xiàn)

[1]裴波，王寅，鄭志梟，等.玻璃纖維增強(qiáng)混凝土板胎膜施工方法研究[J].安裝，2023（z2）：156-158.

[2]劉澤平，張騰騰，王傳林.碳纖維布與玄武巖纖維布加固混凝土圓形短柱軸壓試驗(yàn)對(duì)比研究[J].工程抗震與加固改造，2021，43（4）：65-70.

[3]陳慶軍，李冰州，陳奕年，等.雀替型阻尼器加固箍頭榫木框架結(jié)構(gòu)的抗震性能[J].華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，51（4）：9-20.

[4]孫晨俠.徐州市某住宅地庫(kù)結(jié)構(gòu)的安全性鑒定及加固方法研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2022.

[5]佚名.陜鋼集團(tuán)成功研發(fā)630 MPa級(jí)高強(qiáng)抗震鋼筋[J].軋鋼，2020，37（4）：28.

[6]鄧翔.粘貼鋼板加固后預(yù)應(yīng)力混凝土空心板梁承載能力計(jì)算方法及評(píng)估研究[J].價(jià)值工程，2023，42（27）：81-84.

[7]李緒勇，楊忠平，劉綱，等.隔離式螺旋樁抗壓承載與抗地基凍融特性[J].巖土工程學(xué)報(bào)，2024，46（6）：1187-1196.

[8]何滿潮，李晨，宮偉力，等. NPR錨桿/索支護(hù)原理及大變形控制技術(shù)[J].巖石力學(xué)與工程學(xué)報(bào)，2016，35（8）：1513-1529.

[9]張燠詩(shī)，韓瑞瑞，趙洲，等.農(nóng)用無(wú)線傳感器節(jié)點(diǎn)基于混合能量收集和利用的自供電系統(tǒng)設(shè)計(jì)[J].物聯(lián)網(wǎng)技術(shù)，2022，12（3）：34-37.

[10]邢晁瑞，李磊，王立彬，等.華北型煤田底板破壞深度BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型研究[J].礦業(yè)科學(xué)學(xué)報(bào)，2023，8（5）：688-694.

[11] PEROL T，GHARBI M，DENOLLE M，et al.用于地震檢測(cè)與定位的卷積神經(jīng)網(wǎng)絡(luò)[J].世界地震譯叢，2020，51（3）：236-247.

[12] FANG Z， WANG Y， PENG L， et al. Predicting flood susceptibility using LSTM neural networks [J]. Journal of hydrology， 2021， 594： 125734.

[13] VAN HOUDT G， MOSQUERA C， NPOLES G. A review on the long short-term memory model [J]. Artificial intelligence review， 2020， 53： 5929-5955.

[14]韓浩宇，戴永壽，宋建國(guó)，等.基于生成對(duì)抗網(wǎng)絡(luò)的塔里木深層超深層疊前地震子波提取[J].地球物理學(xué)報(bào)，2022，65（2）：763-772.

收稿日期：2024-04-24 修回日期：2024-05-28

基金項(xiàng)目：深地空間科學(xué)與工程研究院基金（XD2021021）；教育部產(chǎn)學(xué)合作協(xié)同育人項(xiàng)目（221001576090901）；北京建筑大學(xué)研究生教育教學(xué)質(zhì)量提升項(xiàng)目（J2022003）

作者簡(jiǎn)介：張 昱（1979—），男，博士，副教授，研究方向?yàn)槿斯ぶ悄?、智能家居、?zāi)害預(yù)測(cè)。

王俊超（1998—），男，在讀碩士研究生，研究方向?yàn)槿斯ぶ悄堋⒅悄芗揖?、?zāi)害預(yù)測(cè)。

丁千惠（1999—），女，在讀碩士研究生，研究方向?yàn)槿斯ぶ悄堋⒅悄芗揖?、?zāi)害預(yù)測(cè)。