(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210936100.X (22)申请日 2022.08.05 (65)同一申请的已公布的文献号 申请公布号 CN 114997548 A (43)申请公布日 2022.09.02 (73)专利权人 武九铁路客 运专线湖北有限责任 公司 地址 430200 湖北省武汉市江夏区文化大 道特1号 专利权人 中铁四局集团有限公司 　 安徽中铁 工程技术服务有限责任 公司　 中国科学院武汉岩土力学研究所 　 中铁十一局集团有限公司 　 中铁西南科 学研究院有限公司 (72)发明人 高军　杨琪　乔保卫　冯怀平　 薛惠玲　王峰　高宇馨　周斌　 温晓凯　 (74)专利代理 机构 北京华沛德权律师事务所 11302 专利代理师 房德权(51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/08(2012.01) G06Q 50/26(2012.01) G06F 30/13(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) G06F 111/08(2020.01) G06F 113/08(2020.01) (56)对比文件 CN 106501147 A,2017.0 3.15 CN 105139585 A,2015.12.09 CN 105738268 A,2016.07.0 6 WO 2020108319 A1,2020.0 6.04 AU 2021103225 A4,2021.08.19 (续) 审查员 汪见晗 (54)发明名称 一种基于遗传神经网络的动水地质渗流实 时预警方法 (57)摘要 本发明公开了一种基于遗传神经网络的动 水地质渗流实时预 警方法， 包 括： 利用BIM软件创 建监测主体不同部位的构 件， 进行拼接得到三维 模型， 建立所述监测主体的信息数据库， 以存储 所述监测主体的工程管理信息和监测数据； 获取 所述监测主体的历史监测数据， 并基于所述历史 监测数据和渗流损伤原理评估损伤系数， 构建基 于小波神经网络的渗流损伤拟合模 型； 利用遗传 神经网络模型， 构建渗流灾害预警分析模型； 实 时获取各传感器采集到的监测数据， 输入到渗流 损伤拟合模型中， 获得当前损伤系数， 并结合前一时刻的灾害预警等级输入到所述渗流灾害预 警分析模 型中进行渗流灾害预警等级评定， 能够 应用于工程实践， 对渗流灾害进行实时预警分 析。 [转续页] 权利要求书2页 说明书6页 附图2页 CN 114997548 B 2022.10.18 CN 114997548 B (56)对比文件 xin wei等.Machine learn ing for pore- water pres sure time series predicti on: Application of recur rent neural netw orks. 《Geoscience Fro ntiers》 .2021,全 文. 牛新国.基 于物联网技 术的工程 渗水监测系 统设计与实现. 《中国优秀硕士论文 工程科技 辑》 .2022,全文. 张文泉.矿井 （底板） 突水灾害的动态机理及综合判测 和预报软件开发研究. 《中国优秀博士 论文 工程科技 I辑》 .2005,全文. 闫滨等.基 于遗传神经网络的渗 流实时预报 方法研究. 《岩土力学》 .20 06,全文. Reza Taherdangk oo等.Nonlinear Autoregres sive Neural Netw ork to Predict Hydraulic Fracturi ng Fluid Leaka ge into Shallow Groundwater. 《water 2020 》 .2020,全 文.2/2 页 2[接上页] CN 114997548 B1.一种基于 遗传神经网络的动水地质渗 流实时预警方法， 其特 征在于， 包括： 步骤一、 利用BIM软件创建监测主体不同部位的构件， 进行拼接得到三维模型， 建立所 述监测主体的信息数据库， 以存 储所述监测主体的工程管理信息和监测数据； 步骤二、 获取所述监测主体的历史监测数据， 并基于所述历史监测数据和渗流损伤原 理评估损伤系数， 构建基于小 波神经网络的渗 流损伤拟合模型； 步骤三、 利用遗传神经网络模型， 构建渗 流灾害预警分析模型； 步骤四、 实时获取各传感器采集到的监测数据， 输入到所述渗流损伤拟合模型中， 获得 当前损伤系数， 并结合前一时刻的灾害预警等级输入到所述渗流灾害 预警分析模型中进 行 渗流灾害预警等级评 定。 2.如权利要求1所述的基于遗传神经网络的动水地质渗流实时预警方法， 其特征在于， 所述三维模型的创建过程包括： 根据所述 监测主体的工程图纸、 工程文件和地质研究， 划分构件； 构建所述构件的三维数据体， 通过 数据拟合， 评价与修 正得到构件 模型； 拼接所述构件 模型， 得到所述 监测主体的三维模型。 3.如权利要求2所述的基于遗传神经网络的动水地质渗流实时预警方法， 其特征在于， 所述构建所述构件的三维数据体的过程具体包括： 通过地层划分与对比， 获取渗 流范围内地层的分层数据， 确定纵向渗 流屏障分布； 获取渗流范围内断层分布数据； 通过渗流特征分析， 确定渗流场特征， 获取渗流范围内岩性边界分布数据， 并确定静态 描述参数分布； 利用建模软件， 通过构造模型、 地层模型、 属性模型、 流体模型， 构建三维数据体。 4.如权利要求3所述的基于遗传神经网络的动水地质渗流实时预警方法， 其特征在于， 所述三维数据体包括 渗透率、 孔隙度、 岩层厚度、 水头高度、 渗 流速度。 5.如权利要求1或4所述的基于遗传神经网络的动水地质渗流实时预警方法， 其特征在 于， 所述监测数据包括： 电缆温度、 电缆负压、 电磁反射信号、 介电常数和电阻率。 6.如权利要求5所述的基于遗传神经网络的动水地质渗流实时预警方法， 其特征在于， 所述基于小 波神经网络的渗 流损伤拟合模型包括： 以所述历史监测数据中各指定时间间隔内的电缆温度、 电缆负压、 电磁反射信号、 介电 常数和电阻率作为小波神经网络的输入数据， 损伤系 数作为输出数据， 对小波神经网络进 行训练， 获得基于小 波神经网络的渗 流损伤拟合模型； 所述小波神经网络的输入层节点个数为5， 隐含层小波元个数为8， 输出层节点个数为 1， 隐层小 波神经元采用Mexican  Hat小波函数， 输出层节点采用Sigmo id函数； 训练过程中的最大迭代次数设置为10 00， 训练学习率 为0.1， 阈值 为0 .00003。 7.如权利要求6所述的基于遗传神经网络的动水地质渗流实时预警方法， 其特征在于， 所述渗流灾害预警分析模型的构建过程包括： 以所述历史监测数据中的t时刻的损伤系数和t ‑1时刻的灾害预警等级作为输入数据， t时刻的灾害 预警等级作为输出数据， 对遗传神经网络模型进 行训练， 获得基于BP神经网络 的渗流灾害预警分析模型； 所述BP神经网络输入层节点个数为3， 输出层节点个数为1， 训练过程中的最大迭代次权　利　要　求　书 1/2 页 2 CN 114997548 B 3