盾构隧道管片裂缝严重程度评估的深度学习辅助分布式光纤传感技术研究

作者及机构
本研究由西南交通大学智能岩土与隧道工程国家重点实验室的Xiaolong Liao、Qixiang Yan（通讯作者）、Chenyang Xiang、Minjie Qiao、Binjia Li（共同通讯作者）及Chuan Zhang团队完成，合作单位包括中冶成都勘察研究总院有限公司。研究成果发表于《Measurement》期刊2025年第256卷，论文标题为《Crack severity assessment of shield tunnel segments based on DFOS strain measurements assisted by deep learning》。

学术背景
盾构隧道（shield tunnel）因其施工安全性高、自动化程度强，已成为城市隧道建设的首选方法。然而，管片衬砌在施工期（如千斤顶推力）和运营期（地质应力、地下水压力等）长期承受机械应力，易产生结构性裂缝。若未及时监测，裂缝扩展可能导致渗水、钢筋腐蚀甚至局部坍塌，威胁隧道完整性和运营安全。传统无损检测技术（如机器视觉、地质雷达、声发射等）各具局限性，而分布式光纤传感技术（Distributed Fiber Optic Sensing, DFOS）凭借其全分布式、实时性、抗腐蚀等优势，成为隧道结构健康监测的新兴手段。但DFOS产生的海量数据依赖人工处理，效率低下且主观性强。近年来，深度学习（Deep Learning, DL）在DFOS数据分析中展现出潜力，但面临训练数据稀缺和噪声干扰的挑战。本研究旨在提出一种基于DFOS应变数据和深度学习的盾构管片裂缝严重程度自动评估方法，解决数据不足和特征提取鲁棒性问题。

研究流程
1. 数据采集与数据集构建
- 研究对象：通过简化双肢梁试件（segment-A/B/C）模拟实际盾构管片在偏心荷载下的行为，试件设计考虑不同截面尺寸和配筋率，混凝土材料掺入铜包钢纤维增强耐久性。
- 实验方法：采用表面粘贴式单模光纤（G.652B）和高精度光学背向反射仪（OBR 4600，空间分辨率±1 cm，应变精度±1 με）采集应变数据。通过液压千斤顶分7级加载（最大荷载1020 kN），每级稳定15分钟，同步记录裂缝宽度（精度0.01 mm）和应变分布。
- 数据预处理：采用滑动窗口法（窗口12 mm，步长6 mm）分割应变数据，根据ACI 224R-01标准标记为4类裂缝严重程度（完好、轻微、中度、严重），最终构建包含2469个样本的原始数据集。

1. CGAN数据增强

   • 方法创新：首次引入条件生成对抗网络（Conditional GAN, CGAN）生成合成应变数据。生成器由4层全连接层（64-128-256-512神经元）构成，判别器包含真实性分类和裂缝状态预测双分支。
     
   • 训练细节：添加随机噪声增强多样性，训练500轮后生成信号与真实数据特征匹配（平均绝对误差1%-10%），每类扩充至1500样本，缓解类别不平衡问题。

2. RCDGR-Net模型开发

   • 核心结构：
     
     • 残差卷积去噪块（RCD Block）：集成软阈值化（soft thresholding）自适应抑制噪声，通过全局平均池化和全连接层学习通道级阈值。
       
     • 门控循环单元块（GRU Block）：双向GRU捕捉应变序列的长期依赖，跳层连接优化梯度传播。
       
   • 参数优化：网格搜索确定超参数（学习率0.001，批量大小32，Dropout率0.2），采用交叉熵损失函数和Adam优化器。

3. 性能验证

   • 对比模型：CNN、ResNet、RCDN、GRU、CNN-GRU。
     
   • 噪声鲁棒性测试：注入信噪比15-35 dB的高斯白噪声，评估模型抗干扰能力。
     
   • 泛化实验：在实际盾构管片（荷载2308 kN）上验证模型迁移性能。

主要结果
1. 数据增强效果：CGAN生成的合成数据显著提升模型训练效果，RCDGR-Net在增强数据集上的测试准确率达97.6%（原始数据集89.9%），各类别F1-score均超过0.97。
2. 模型性能：RCDGR-Net在噪声环境（SNR=15 dB）下仍保持87.7%准确率，优于对比模型（CNN-GRU下降22.2%）。T-SNE可视化显示，其特征提取层能将四类裂缝清晰分离。
3. 工程验证：实际管片测试中，模型对中度和严重裂缝的识别准确率分别达86.2%和96.0%，综合准确率88.6%，证实其现场适用性。

结论与价值
1. 科学价值：
- 首次将CGAN应用于DFOS应变数据生成，解决了DL模型训练的数据稀缺问题。
- 提出RCDGR-Net融合空间-时序特征提取能力，为结构健康监测提供新范式。
2. 应用价值：
- 实现盾构管片裂缝的毫米级定位和严重程度量化评估，准确率超97%，支持隧道运维的智能化决策。
- 分布式光纤与深度学习的结合，为长距离基础设施监测提供高效解决方案。

研究亮点
1. 方法创新：CGAN数据增强与RCDGR-Net的联合框架，兼具数据生成和特征提取的双重优势。
2. 技术突破：RCD块的软阈值化机制显著提升模型抗噪性，GRU模块优化长序列建模。
3. 工程意义：实验室至实际场景的泛化验证，推动技术从理论走向工程应用。

其他价值
研究指出未来需模拟温湿度变化、循环荷载等复杂环境，并优化多管片同步监测策略，进一步贴合实际隧道运维需求。数据集将根据请求公开，促进学术共同体协作。