重要建筑的NPR錨索加固及G2-MBLSTM監測預警方法

摘 要：近年來，自然災害和人為災害頻發致使重要建筑受損，嚴重威脅到人身財產安全。為提高重要建筑的抗災性能和保障人身財產安全，創新性地提出將NPR錨索加固技術應用在重要建筑結構中，從而有效減輕災害造成的破壞。同時設計了一套全面的監測系統，在重要建筑墻體內部和地下安裝無線傳感器進行數據采集，并利用能量收集技術，解決了無線傳感器自供電問題，延長了無線傳感器的使用時間，確保了對建筑物的結構變化和各種災害信息數據的實時準確監測。在此基礎上提出一種基于長短時間序列記憶網絡架構的G2-MBLSTM網絡模型，能夠從采集的數據中捕捉和分析時間序列的復雜關系，從而實現對重要建筑災害風險的可靠預警。重要建筑的NPR錨索加固及G2-MBLSTM監測預警方法實現了對重要建筑的有效監測和預警，為應對緊急情況提供了有力的支撐。

關鍵詞：建筑物加固；監測預警；NPR錨索；傳感器自供電；長短時記憶網絡；G2-MBLSTM

中圖分類號：TP389.1 文獻標識碼：A 文章編號：2095-1302（2025）07-000-04

0 引 言

地震、泥石流、滑坡等自然災害以及戰爭、工業事故等人為災害會造成重要建筑的損害，嚴重威脅到人們的生命財產安全。在這種背景下，如何提高重要建筑的抗災性能顯得尤為關鍵。

對建筑物進行加固是提高重要建筑抗災性能的常用方法。目前，國內外對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。針對建筑物外部加固存在的弊端，引入內部NPR錨索加固技術，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鍵點，從而提高建筑物的整體抗災性能。

雖然對重要建筑進行物理加固可以有效穩定建筑物，但當災害規模較大時，重要建筑的穩定性仍可能超過臨界值，會對建筑物內人員的生命和財產安全構成威脅。因此監測建筑物狀態和預測災害抵達時間是非常必要的。目前，常用的監測方法是部署傳感器，然而大部分都是通過有線傳感器收集信號數據，對于重要建筑墻體內部和地下地質數據的采集若使用有線傳感器，會面臨大面積部署排線、維護艱難等問題。針對這些問題，本文提出在重要建筑墻體內部和地下部分使用無線傳感器，同時創新性地提出能量收集系統，解決了傳感器自供電問題[9]，延長了設備的使用壽命，而且安裝便捷、維護簡單。

監測系統所收集到的數據，一方面可以用于評估建筑物的狀態；另一方面可以輸入預測模型中，用于預測災害抵達的時間，進而做出預警反應。但現階段，以BP網絡[10]、ConvNetQuake卷積神經網絡[11]、LSTM網絡[12-13]等為代表的人工智能預測模型需要大量的數據進行訓練，而且不能準確預測時間維度。針對上述問題，本文提出G2-MBLSTM（GAN2-Multi Bidirectional LSTM）網絡模型，以彌補數據不足的缺陷，從而準確預測災害時間信息。

綜上，針對重要建筑的三點加固、監測、預警，本文提出了NPR錨索加固及G2-MBLSTM監測預警方法。

1 方法流程

本文提出的重要建筑的NPR錨索加固及G2-MBLSTM監測預警方法框架包括：NPR錨索加固模塊、監測系統模塊、G2-MBLSTM預測模塊，如圖1所示。

NPR錨索加固模塊：在建筑物建造時與鋼筋一同安裝，輔助鋼筋加固，有效抗擊外力，進而增強建筑物的結構穩定性，有效減輕災害發生時可能造成的破壞。

監測系統模塊：在建筑物樓層墻體中安裝監測建筑物結構受力情況的無線傳感器。在地下部署采集地質和災害信息的無線傳感器。

G2-MBLSTM預測模塊分為兩部分：改進的生成對抗網絡模型（GAN2）和多層雙向時間序列模型（MBLSTM）。GAN2模型可解決地區災害數據信息稀少的問題，產生接近真實災害數據的虛擬數據，用于MBLSTM預測模型訓練。將無線傳感器采集到的數據經過預處理，輸入到訓練好的MBLSTM預測模型中進行預測，最終輸出災害預警信息。

2 方法結構與原理

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構的方法，在建造時將NPR錨索和鋼筋一同安裝固定。NPR錨索是由負泊松比材料制作的復合裝置。NPR錨索示意圖[8]如圖2所示。

NPR錨索具有高恒阻力、高強度特性及吸能作用。當NPR錨索被安裝至地下后，NPR錨索與其加固支護范圍內的地下結構可看作一個整體，當建筑物地下結構發生形變或受到破壞時，此時其總勢能保持恒定，并且這一勢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，建筑物地下結構受破壞的程度越小，結構也就越穩定。NPR錨索在吸收形變或破壞釋放的能量的同時可以通過自身結構的形變特性，有效地抵御和控制整體結構形變，使建筑結構趨于穩定，從而使建筑物具有更高的抗沖擊性。

2.2 監測系統模塊

監測系統模塊負責通過無線傳感器采集建筑物狀態信息和地下地質信息。針對無線傳感器的供電續航問題，本文提出了混合能量收集系統，如圖3所示，包括對射頻電磁波能量、振動能量和土壤溫差能量的收集。射頻能量、機械振動能和土壤溫差能是環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應頻段的射頻電磁波能量；振動能量收集是通過壓電片將振動能量轉換成電能。壓電片由壓電陶瓷材料制作，壓電陶瓷具備正壓電效應，在受到外部機械力的作用時，其內部的正負電荷會發生相對位移，進而產生電的極化現象。這會導致壓電陶瓷的上下表面分別帶有正負電荷。在此過程中，機械振動能會被有效地轉化為電能。土壤在太陽輻射和地熱作用下能夠存儲巨大的熱能，利用溫差發電片及集熱管，可以將土壤的溫差能轉換成電能[9]。

2.3 G2-MBLSTM預測模塊

該網絡模型主要針對訓練數據少的問題，并專注于時間維度的預測。其由兩部分組成：改進的生成對抗網絡模型（GAN2）和多層雙向時間序列模型（MBLSTM）。下面以地震災害為例介紹該模型。

（1）改進的生成對抗網絡模型

本文對GAN進行了適當的改進，使其能更有效地提取地震波數據。GAN2中的生成器和鑒別器模型都是由卷積神經網絡構成的，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層網絡組成，分別為1層全連接層、2層卷積層和2層下采樣層。生成器會根據鑒別器學習到的數據特征，通過調整其網絡參數來生成新的虛擬數據。同時，鑒別器也會根據生成器生成的數據不斷地調整其自身的網絡參數。改進的生成對抗網絡模型結構[14]如圖4所示。

在GAN2的訓練過程中，每次迭代都要將真實的地震波數據和生成器生成的虛擬數據按一定比例混合，然后輸入到鑒別器模型中。首先，通過卷積層對數據進行特征提取。然后通過下采樣層對數據進行降維處理，以防止過擬合現象的發生。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。對于真實的地震波數據，其特征被標記為1；而對于生成的虛擬數據，通過損失函數誤差判斷，其特征標記為0和1的中間值。如果鑒別器的判定結果大于0.5，則認為生成的虛擬數據符合真實數據特征，將其視為真實地震波數據。

（2）多層雙向時間序列模型

圖5為MBLSTM結構圖。在模型中，地震波數據信息通過Embedding層轉化為向量，輸入到對應的LSTM節點中，再經過多層LSTM節點。在LSTM層是雙向傳遞，每個節點的LSTM不僅可以接收到前面節點傳遞的信息，還可以獲取到后面節點傳遞的信息，而且還有輔助的特征輸入，使更有用的信息被篩選出來。信息經過雙層CRF層形成最優預測結果，進而輸出災害抵達時間并做出預警。

Embedding層：將輸入數據轉換為向量，如式（1）所示：

式中：Xw b， e表示轉換后的向量；cb， cb+1， ...， ce表示輸入到LSTM節點的地震信息數據；ew表示查Embedding表的函數，對于地震數據信息，模型都會隨機生成一張Embedding表，用一系列隨機向量來表示不同大小的數據信息，然后通過查表的方式將地震數據信息轉換為對應的向量。

LSTM層：在單向LSTM傳播的基礎上，再加一次反向傳播，將信息向前面的LSTM節點再傳遞一遍，那么每個LSTM節點都可以接收到前面節點和后面節點傳遞過來的信息，然后進行綜合篩選過濾。此外，還向模型中添加了輔助特征。添加輔助特征的運算過程如圖6所示。其中，Ct代表LSTM節點間信息傳遞的記憶信息，它是一個中間狀態，需要與其他特征融合后才能傳遞到后續節點。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。遺忘門經過計算得到的保留矩陣與輸入門參數矩陣相加，形成新的融合矩陣傳遞至下一節點，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，它會代替Ct作為記憶信息傳遞至下一節點。

式中：fla代表緯度特征信息；flo代表經度特征信息；fma代表震級特征信息。遺忘門部分由乘積參數矩陣Wm_f和偏置參數矩陣bm_f組成，其參數保留矩陣表示為ft。而輸入門部分則由乘積參數矩陣Wm_i和WM以及偏置參數矩陣bm_i和bM組成，其參數保留矩陣表示為it。此外，還有一個輸入數據矩陣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，被賦予了最高的權重，不會受其他信息的影響。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點中。這樣其他特征信息對模型的影響較小，僅作為輔助信息，幫助模型進行更準確的預測。

雙層CRF層：在每層LSTM網絡的多個結果輸出后，引入條件隨機場（CRF）層，根據數據之間的關系進行分析，選出總得分最高的數據。第一層CRF對每層多個LSTM結果數據進行分析得出每層最優輸出；同理，第二層CRF對上層CRF的結果數據進行分析，選出最終最優結果作為模型預測結果。

3 工程應用

重要建筑的NPR錨索加固及G2-MBLSTM監測預警方法被廣泛應用在岷縣隧道、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。因隧道會穿越高山和地質復雜的地區，采用NPR錨索加固能夠保證隧道的穩定性和安全性。同時，結合G2-MBLSTM監測預警方法能夠實時監測隧道的整體情況并及時發出預警，以降低隧道受損的風險，從而保障人身財產安全。

4 結 語

在面對自然災害和人為災害時，重要建筑的安全性成為社會廣泛關注的焦點。對重要建筑進行保護加固和監測預警是至關重要的。本文提出的方法有效提升了重要建筑的整體抗災性能，并能準確進行監測與預警，為應對緊急情況提供了有力的支撐。該方法可應用在醫院、學校、工廠、隧道、防空洞、避難所等重要建筑中，旨在保護重要建筑和人員的生命財產安全。

參考文獻

[1]裴波，王寅，鄭志梟，等.玻璃纖維增強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對比研究[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構的抗震性能[J].華南理工大學學報（自然科學版），2023，51（4）：9-20.

[4]孫晨俠.徐州市某住宅地庫結構的安全性鑒定及加固方法研究[D].徐州：中國礦業大學，2022.

[5]佚名.陜鋼集團成功研發630 MPa級高強抗震鋼筋[J].軋鋼，2020，37（4）：28.

[6]鄧翔.粘貼鋼板加固后預應力混凝土空心板梁承載能力計算方法及評估研究[J].價值工程，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].巖土工程學報，2024，46（6）：1187-1196.

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

[9]張燠詩，韓瑞瑞，趙洲，等.農用無線傳感器節點基于混合能量收集和利用的自供電系統設計[J].物聯網技術，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神經網絡預測模型研究[J].礦業科學學報，2023，8（5）：688-694.

[11] PEROL T，GHARBI M，DENOLLE M，et al.用于地震檢測與定位的卷積神經網絡[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，等.基于生成對抗網絡的塔里木深層超深層疊前地震子波提取[J].地球物理學報，2022，65（2）：763-772.

收稿日期：2024-04-24 修回日期：2024-05-28

基金項目：深地空間科學與工程研究院基金（XD2021021）；教育部產學合作協同育人項目（221001576090901）；北京建筑大學研究生教育教學質量提升項目（J2022003）

作者簡介：張 昱（1979—），男，博士，副教授，研究方向為人工智能、智能家居、災害預測。

王俊超（1998—），男，在讀碩士研究生，研究方向為人工智能、智能家居、災害預測。

丁千惠（1999—），女，在讀碩士研究生，研究方向為人工智能、智能家居、災害預測。