Page 37 - 2022年第53卷第9期
P. 37

于施工仿真的最终目的是在计算机虚拟世界中实现对复杂施工过程的实时映射，进而据此实现对施工
              运行系统的实时分析、优化与馈控。因此，如何充分感知实际施工过程，并利用施工过程产生的数据
              提高仿真模型与实际施工的一致性是施工仿真的研究重点。
                  ２１世纪初期，随着基于 ＧＰＳ的实时监控系统                   ［９ － １０］ 、图像感知  ［１１］ 、运动传感器   ［１２］ 等感知技术在土
              方施工领域的成功应用，部分学者尝试基于实际施工数据采用 Ｗｅｉｂｕｌｌ分布                                ［１３］ 、三角分布   ［１４］ 、高斯分
              布  ［１５ － １６］ 、Ｇａｍｍａ分布  ［１７］ 、Ｂｅｔａ分布  ［１８］ 以及一些混合分布   ［１９］ 等方式实现更贴合实际的仿真参数拟合。
              贝叶斯统计推断由于可以采用新获取的实际数据更新假设的先验分布，可以实现实时监控环境下的施
              工仿真参数分布的动态更新建模，因此在隧道掘进（ＴｕｎｎｅｌＢｏｒｉｎｇＭａｃｈｉｎｅ，ＴＢＭ）                             ［２０］ 、沥青道路   ［２１］ 、
              地下洞室群      ［２２］ 、拱坝  ［２３ － ２４］ 、混凝土坝  ［２５］ 、土石坝  ［２６］ 等工程施工仿真参数建模中被广泛使用以实现随
              监控数据动态变化的自适应仿真。由于在每次更新时需要足以反映数据统计特征的大量样本，且后验
              参数分布难以捕捉短时间内的参数波动，所以贝叶斯更新方法适用于数据量大且不具有短时波动的仿
              真参数建模，对于单次更新样本量小或者具有一定时间波动特性的数据，基于机器学习预测进行仿真
              参数建模的方法更受学者青睐              ［２７］ 。储志强   ［２８］ 提出基于混沌差分进化支持向量机的高拱坝施工仿真参
              数实时更新方法。肖尧等            ［２９］ 提出了一种基于自适应混沌差分进化支持向量机的仿真参数预测模型，用
              于更新引水隧洞施工仿真参数。张君等                   ［３０］ 提出基于粒子群优化多层感知机的气温时间序列预测方法，
              用于建立考虑高寒低温影响的高堆石坝施工仿真参数。Ｗａｎｇ等                             ［３１］ 提出了一种基于增强现实（ＡＲ）技术
              和卷积神经网络视觉检测的缆机运输循环时间检测方法，为拱坝仿真参数建模提供了一种新的途径。
              Ｌü等  ［３２］ 提出了一种改进 ＸＧＢｏｏｓｔ方法车速预测模型，用于建模土石坝施工仿真参数。部分研究通过
              各种类传感器实时感知的数据建立施工机械活动识别模型，进而基于活动识别结果建立精细的仿真参
              数。Ａｋｈａｖｉａｎ和 Ｂｅｈｚａｄａｎ   ［３３］ 使用移动智能手机传感器采集的施工机械运动学数据和机器学习方法建立
              了一个施工机械活动识别模型用于仿真输入建模，此外，还建立了一个基于可穿戴传感器与人类活动
              识别结果的数据驱动施工仿真模型                 ［１９，３４］ 。Ｎａｔｈ和 Ｓｈｒｅｓｔｈａ等 ［３５］ 结合移动智能传感器和支持向量机建
              立了一个人类活动识别模型用于提高施工仿真模型的准确性。上述研究证明施工机械?人员的活动识别
              研究可以提供更精细的施工仿真参数，适用于以机械?人员为主体的精细化施工仿真建模。除了运动学
              数据以外，声学和视觉数据也常被用于机械活动识别研究                            ［３６］ 。
                  然而，现有施工仿真研究多依据单一感知模态数据来建立仿真参数，容易导致仿真参数建模鲁棒
              性和准确性不足的问题。例如，运动学传感器的精度可能难以满足新型施工机械驾驶舱不同振动状态
              识别的需求，某些类型的工程机械在操作过程中不会产生明显的声音模式导致基于声学的活动识别精
              度不高等。采用多模态感知数据进行施工活动识别可以很大程度上提高活动识别结果的可靠性和准确
              性。已有少数基于多模态数据的施工机械活动识别方法被提出                              ［３７ － ３８］ 。但是，仍然存在以下局限性：一
              方面多模态数据的采集过程存在一定的滞后性，难以适应仿真参数建模的实时性需求；另一方面，现
              有的活动识别模型需要复杂的手动特征工程，耗时费力且可能引入一定的偏差，限制了识别结果的精
              度。深度学习方法可以自动提取时间序列特征，不仅有助于提高活动识别的分类精度，而且使得模型
              具有更高的普 适性，因此 在活 动 识 别 领 域 获 得 了 广 泛 的 关 注。其 中，深 度 卷 积 循 环 记 忆 网 络 方 法
              （ＤｅｅｐＣｏｎｖＬＳＴＭ）在基于运动学数据的活动识别获得了成功应用                        ［３９ － ４０］ 。但是，由于运动学数据量庞大，
              ＤｅｅｐＣｏｎｖＬＳＴＭ在运动学数据训练中存在收敛速度慢，容易发生梯度爆炸等不足。
                  针对上述问题，本研究提出了多模态感知驱动下高堆石坝施工仿真参数集成深度学习模型。首
              先，在 ＳｐｒｉｎｇＢｏｏｔ框架下开发了基于移动智能手机传感器的运动模态和声音模态数据实时采集云平台，
              并采用低通滤波器和梅尔频谱等方法实现堆石坝施工机械多模态数据的实时采集与预处理；其次，提
              出了堆石坝施工机械活动状态识别集成深度学习模型，该模型能够自动提取多模态特征，克服了现有
              多模态方法通过手动提取特征带来的信息缺失问题，同时，该模型集成了改进深度卷积长短期记忆循
              环神经网络（ ＩｍｐｒｏｖｅｄＤｅｅｐＣｏｎｖＬＳＴＭ，ＩＤｅｅｐＣｏｎｖＬＳＴＭ）精确感知施工机械运动方向以及深度卷积神经
              网络（ ＤｅｅｐＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＤＣＮＮ）从声音模态中感知施工机械振动状态的优势，可以实
              现机械精细活动状态的准确识别；其中，ＩＤｅｅｐＣｏｎｖＬＳＴＭ在卷积层中间加入批量归一化层以提高收敛

                     ５
                —  １ ０ ０ —
   32   33   34   35   36   37   38   39   40   41   42