基于图注意力网络的隧道围岩结构面形貌实时预测方法

本发明属于隧道工程，具体涉及一种基于图注意力网络的隧道围岩结构面形貌实时预测方法。

背景技术：

1、近年来，我国的隧道工程建设逐步向围岩地质条件复杂的地区开展。为了降低岩体变形与坍塌等潜在工程事故对隧道施工安全的影响，需要对岩体采取合理的开挖和支护措施。岩体结构面的三维粗糙度是评价岩体强度的关键指标，影响对开挖及支护方案的选择。通过对结构面的三维形貌数据进行预测，工程师能够准确计算待开挖区域的结构面三维粗糙度，从而更精准地评估岩体强度，并制定更加合理的施工及支护方案。因此，对隧道待开挖区域的结构面形貌进行预测进而确定结构面的三维粗糙度，是确定支护方案从而保障施工安全的关键所在。

2、现有的结构面形貌数据预测及可视化方法多基于已开挖的结构面形貌数据进行自动或半自动方法表征，这些方法为结构面三维粗糙度的计算提供了不同的解决方案，但是在数据利用及预测效率方面存在一些不足之处，具体表现在：

3、1、数据利用存在局限性：现有的方法在计算结构面粗糙度时聚焦于已开挖部分的岩体结构面形貌数据而忽略了待开挖部分的形貌数据，从而影响对待开挖区域岩体强度的判断和岩体支护方案的确定。

4、2、模型缺乏实时更新能力：已有方法通常是针对隧道的目标结构面直接进行粗糙度计算。由于现有关于目标结构面粗糙度的计算方法缺乏对已开挖和待开挖区域结构面形貌数据关系的深入考虑，导致单个结构面粗糙度计算的成本过高。因此，动态利用已开挖区域的结构面形貌数据，并将其应用于待开挖区域结构面形貌数据预测具有重要的现实意义。

5、所以，需要研究一种新的能够对隧道围岩结构面形貌进行实时预测从而指导实际工程的方法。

技术实现思路

1、为解决上述问题，本发明公开了一种基于图注意力网络的隧道围岩结构面形貌实时预测方法，基于已开挖区域的结构面点云数据预测生成待开挖区域结构面的完整形貌数据，从而为结构面三维粗糙度预测提供准确依据。

2、为达到上述目的，本发明的技术方案如下：

3、基于图注意力网络的隧道围岩结构面形貌实时预测方法，包括以下步骤：

4、(1)使用三维激光扫描仪对隧道已开挖区域的结构面进行扫描并获得其点云数据；

5、(2)对上述点云数据进行对齐、去噪、平滑处理；

6、(3)将处理后的点云数据转换为图结构，并构建图注意网络从而预测待开挖结构面的形貌数据；

7、(4)对上述形貌数据采用模型集成方法进行优化；

8、采用poisson表面重建方法对优化后的形貌数据进行网格化处理并将其可视化。

9、进一步地，利用拉普拉斯插值方法对步骤(1)获取的点云数据进行三维坐标对齐处理，其目标方程为：

10、lu＝f

11、其中，l为图拉普拉斯矩阵，表示点云中点之间的相似性和连接关系；u是经插值处理后的点云值向量，表示想要求解的值；f是点云原始数据的向量，表示已知值。

12、进一步地，构建拉普拉斯矩阵的构建表达式为：

13、

14、其中，lij表示展现点云中点之间的相似性和连接关系的图拉普拉斯矩阵中第i行第j列的元素。

15、进一步地，使用统计滤波进行点云去噪，其表达式为：

16、di＞μ+ασ

17、其中，di是点云中点坐标矢量pi的平均最近邻距离；μ是所有点的平均最近邻距离；α是一个自定义的阈值参数，用于控制离群点的判定标准，常见取值为1～3；σ为所有点的平均最近邻距离的标准差。

18、进一步地，所述点云中点坐标矢量pi的平均最近邻距离di的计算方法为：

19、

20、其中，pi，pj均为点云中的点坐标矢量，k为最近邻的数量，对于高密度点云可取1～5。

21、进一步地，使用高斯平滑滤波进行点云平滑处理，其表达式为

22、

23、其中，pi′为高斯平滑滤波后的点pi的坐标；wij为权重，表示点pj对点pi的影响程度，n代表点云中的总点数。

24、进一步地，通过构建邻接矩阵来实现点云数据转换为图结构的功能。

25、进一步地，构建图注意力网络图注意力层的输出表示为：

26、

27、其中，hi′为节点i的输出特征；hj为节点j的输入特征；σ为非线性激活函数；为节点i的邻居节点集合，w为可训练的权重矩阵，αij为节点i和节点j之间的注意力权重。

28、进一步地，所述图注意力网络预测的输出层表示为：

29、z＝hwo+bo

30、其中，z为网络的输出；h为图注意力网络的输出特征矩阵；wo为输出层的权重矩阵；bo为输出层的偏置向量。

31、进一步地，基于现有隧道已开挖区域的结构面点云数据及相似工程的结构面点云数据对图注意力网络进行训练与测试并采用模型集成方法进行优化。

32、进一步地，使用possion表面重建方法进行网格化的表达式为：

33、

34、其中，f表示目标函数，是f的拉普拉斯算子，v是法向量场。

35、本发明的有益效果是：

36、1、本发明综合使用拉普拉斯插值方法、统计滤波和高斯平滑滤波对结构面点云进行处理。拉普拉斯插值方法能够实现高精度和连续性的三维坐标对齐，从而更好地处理复杂点云数据并减少计算负担；统计滤波通过邻域分析有效去除噪声，从而保留原始点云数据的有效信息，提高数据质量；高斯平滑滤波通过卷积操作平滑数据曲面，消除高频噪声，达到增强数据的可视化效果。将以上方法进行结合，提高了点云数据的质量、精度和直观性，增强了岩石结构面形貌数据实时性预测的准确性和可靠性，从而增强了结构面粗糙度计算的精确程度，为工程安全保障和施工效率提升提供了坚实基础。

37、2、本发明将处理后的点云数据转换为图结构，并构建图注意网络进行形貌数据预测，相比传统方式具有显著的优势。点云数据转换为图结构能够保留数据的几何和拓扑信息，从而完整地表达三维形貌特征。图注意网络不仅可以自适应分配节点的重要性权重、捕捉局部和全局的结构面形貌数据，从而提高预测的精度和鲁棒性；在适应岩石结构面的复杂性和不规则性的同时具有较好的可扩展性和并行计算能力，满足不同工况及地质情况下对待开挖结构面实时预测的算力要求。同时，通过实时补充已开挖结构面的形貌数据不断更新图注意力网络模型数据库，可以实现对待开挖区域结构面形貌数据的动态预测，随着数据库中样本数量的增加，预测效果则变得更好。综合来看，该方法不仅提升了对岩石结构面特征的识别和预测能力，还增强了数据处理的效率和精度，为工程应用提供了智能解决方案。

38、3、本发明中图注意力网络方法采用模型集成进行结果优化，并使用possion表面重建方法对点云数据进行网格化。由于基于图注意力网络模型可生成多个概率较高的结构面形貌预测结果，通过模型集成方法，获取多种初步预测结果并通过加权计算与投票机制确定最终的预测结果，降低误差。使用possion表面重建方法对点云数据进行网格化，生成连续光滑的网格表面，保留原始点云的细节特征，增强数据的可视化效果，使数据更具备直观性。