(1)
北京大学学报(自然科学版) 第61卷 第1期 2025年1月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 61, No. 1 (Jan. 2025)
doi: 10.13209/j.0479-8023.2025.006
广东省交通集团重点研发项目(JT2023YB27)资助
收稿日期: 2024–01–31;
修回日期: 2024–12–01
摘要 提出一种基于噪声数据特征确定预警阈值的方法, 并将该方法应用于分析隧洞单次和总应变监测数据在时间和空间尺度上的潜在风险。首先基于模拟测试, 对小波去噪方法的有效性进行验证; 然后在隧洞现场布设千米级长度的分布式光纤进行应变监测, 并将小波变换应用于监测数据的去噪分析中。结果显示, 小波去噪可以较好地还原有效信号, 基于噪声数据特征确定的预警阈值能够更高效地识别风险监测点位, 在较大程度上降低无效预警发生的概率。人工现场排查发现的两处洞体破坏位置与基于光纤监测数据分析获得的风险点位较为一致, 在一定程度上验证了通过分析得到的风险点位的准确性。同时, 结合隧洞及山体的人工测斜和深部位移监测数据分析结果, 发现所监测隧洞其赋存坡体存在整体持续缓慢蠕变及局部突变的现象, 具有一定的风险性, 建议加强监测, 并进一步采取防范措施, 保证线路运营安全。研究结果可为将小波去噪方法应用于从工程监测的海量数据中提取有效数据以及将分布式光纤应用于各类岩土体的形变监测预警等工作提供参考。
关键词 小波去噪; 分布式光纤; 隧洞变形; 风险点位预警
相较于传统的形变监测方法, 分布式光纤具有造价低、监测连续性和覆盖性好、力学性质稳定以及灵敏度高等优点[1–4], 近年来在各类工程形变监测预警中有着较为广泛的应用。丁勇等[5]将分布式光纤埋入边坡, 通过监测光纤(光缆)的应变情况, 推算边坡的表面变形。张丹等[6]将布里渊光时域反射计(Brillouin Optical Time-Domain Reflectometer, BOTDR)分布式光纤传感技术用于淮南矿区某工作面覆岩变形监测, 揭示覆岩变形与破坏的发育规律。Moffat 等[7]使用基于布里渊光时域反射仪的传感器, 估算隧道边墙位移。柴敬等[8]将分布式光纤传感技术应用于三维立体模型试验监测中, 研究煤矿开采过程中工作面上覆岩层的变形规律, 证明光纤频移平均变化度可以反映工作面上覆岩层变形、来压及其变化情况。杨忠民[9]将分布式光纤应用于监测隧洞衬砌的变形, 结果显示监测数据能很好地反映隧洞变形状态, 监测结果与现场变形迹象有较高的吻合度。钟东等[10]引入先进的分布式光纤传感技术, 建立盾构隧道收敛变形的监测方法。Hu等[11]分别在实验室和工程现场进行分布式光纤监测试验, 得到煤矿顶板岩层破裂及塌陷的规律。侯公羽等[4,12–14]在分布式光纤应用于隧道和巷道沉降监测的研究中做了大量工作, 探究植入式光纤传感器与隧道衬砌的应变传递边界效应[12], 提出基于分布式光纤应变的隧道沉降反演模型[13], 研究光纤预拉对定点布设监测误差的影响[14], 并且系统地总结了各类光纤传感技术的基本原理、优缺点和适用条件等[4]。
区别于点状分布的监测方式[15–18], 连续性和覆盖性较好以及力学性质稳定等优势使得分布式光纤适用于尺度较大且线形分布的隧洞变形监测。但是, 分布式光纤的监测灵敏度较高, 在工程应用中容易受外界因素影响。在铁路工程中, 行驶列车以及其他人为因素均可能给分布式光纤带来较大的噪声干扰。并且, 受信号的偏振特性和光纤色散等因素影响, 接收信号包含大量噪声(如偏振噪声相位噪声和放大自发辐射噪声等)。因此, 与地震波类似, 需要对分布式光纤信号进行去噪处理[19]。这种情况下, 针对隧洞等工程中的变形监测预警, 就需要准确地筛选出有效信号和数据, 避免过多的无效警报, 提高工程监测预警效力。
小波变换[20]是基于傅里叶变换发展起来的时频局部化分析方法, 可通过伸缩平移运算, 对信号逐步进行多尺度的细化, 实现高频处时间的细分以及低频处频率的细分, 具有对信号的自适应性, 较为适合检测并提取正常信号中的反常现象, 目前已应用于既有铁路平面重构[21]、图像处理[22]及地震数据分析[23]等方面。徐洪钟等[24]将小波分析用于单次的布里渊光时域反射光纤传感器的信号处理, 实现噪声消除以及异常点检测。Wang 等[25]在分布式光纤传感器系统中引入小波变换去噪技术, 获得更高信噪比的有效信号, 提高了温度分辨率。Feng 等[26]使用小波变换方法, 检测到光纤的损伤段位置, 提供了一种定量检测损伤位置和定性评估裂缝强度的方法。Fu 等[27]将小波变换用于分布式光纤的温度测量, 提高了测量精度。徐隆等[28]提出一种排列熵优化变分模态分解与小波阈值的联合去噪方法, 获得的信号信噪比更高, 均方误差更小, 并通过试验得到验证。闫剑锋等[29]设计一种分布式光纤测温系统, 在累加平均去噪算法的基础上, 采用小波阈值降噪算法, 有效地提高了系统的性能。
虽然小波变换在诸多行业的信号去噪研究中取得丰富的成果, 但基于该方法对分布式光纤在隧洞变形监测预警中的应用研究较少。因此, 本文将小波变换应用于千米级分布式光纤监测的隧洞变形监测中, 尝试过滤系统性的无效监测数据成分, 有针对性地分析隧洞风险点位的时空分布, 以期为从海量分布式光纤监测数据中快速提取有效信息并进行预警提供参考。同时, 结合对其他类型位移和形变监测数据(隧洞内人工排查、测斜孔及隧洞外自动化深部位移监测孔)的分析, 对风险点位进行验证, 并对隧洞整体及周边围岩体的稳定性做出判断。
按照传感原理, 分布式传感器分为散射型、波长扫描型和干涉型, 其中散射型最具应用价值, 包括瑞利散射、拉曼散射和布里渊散射分布式光纤传感技术。基于布里渊散射的光纤分布式传感技术主要有布里渊时域反射技术和布里渊光时域分析技术两种, 本研究采用布里渊光时域分析技术(Brillouin optical time-domain reflectometer, BOTDR)[1]。
BOTDR 技术的原理如图 1 所示, 光纤的轴向应变与布里渊散射光频率的移动量可表示为
(1)
式中, vB(ε)为形变后的布里渊频率移动量, vB(0)为原始状态下的布里渊频率移动量, 
为常数, ε为轴向应变值。
假定存在一个平方可积的函数 Ψ(t), 且 
, 如果 Ψ(t)能够满足傅里叶变换
(2)
则 Ψ(t)为一个基本小波, 将 Ψ(t)进行平移和伸缩, 即可得到
(3)
其中, a 和 b 分别为伸缩因子和平移因子。函数
的连续小波变换为
(4)
通常, 一维含噪声信号可以表示为真实信号与噪声信号的叠加, 去噪的基本思想可表述为
(5)
其中, si 为采集到的含噪原始信号, fi 为真实的有效信号, ei 为高斯噪声, i 为信号编号。
图1 分布式光纤原理示意图
Fig. 1 Principle of distributed optical fiber
小波去噪的过程主要有以下 3 个步骤。
1)对信号进行小波分解: 选择一个小波, 确定分解的层次, 然后进行分解计算。
2)小波分解高频系数的阈值量化: 对各个分解尺度下的高频系数选择阈值, 进行量化处理。
3)小波重构: 根据小波分解的最底层低频系数和各层高频系数, 进行一维小波重构。
以一组包含 5000 个模拟监测点位的数据为例, 在没有异常的情况下, 各点位的监测数据均匀地分布在−10～10 之间(图 2(a)), 该数据特征与实际工程监测初期的数据特征较为相似。人为地增加 5 处监测点位异常值(图 2(b)中①～⑤), 即随机放大异常点位的监测值, 绝对峰值在 500 以上。
图 2(b)模拟的是正常监测情况下存在异常点位的数据分布情况。在实际工程监测中, 环境噪声的影响不可避免。因此, 在图 2(b)的基础上, 增加一定水平的环境噪声, 以随机分布的高斯噪声为添加对象, 以此模拟真实监测数据的分布情况, 结果如图 2(c)所示。对图 2(c)的数据进行去噪测试, 采用MATLAB 中的 wdenoise 函数, 进行尺度参数为 210的去噪, 图 2(d)展示去噪之后的效果。
由图 2(c)可知, 相较于异常信号, 增加的高斯噪声幅值较高, 异常点位②的信号与噪声水平相近。去噪之后, 5 个异常点位均保留下来, 而其他监测点位的噪声数据都被去除(图 2(d))。因此, 小波去噪的效果较好, 模拟结果可为工程应用提供理论基础。
随机选取一段 100 个监测点位长度的光纤, 在周围增加环境震动, 包括敲击围岩、运输车辆驶过等干扰, 但光纤本身没有任何人为移动或扭曲。对在该段采集的变形数据进行去噪处理, 去噪前后的数据分布如图 3 所示。可以看出, 周围环境噪声对监测数据的影响较大, 但经过去噪处理, 可以获得较为真实、干净的监测数据, 可为将去噪算法大范围应用于监测数据提供依据。
如图 4(a)所示, 某隧道穿过一座巨型坡体, 该坡体为一蠕滑体, 地形起伏大, 自然斜坡向 SN 倾斜, 呈陡缓交错的多级错台地貌。为避免因地下水作用而引起滑坡, 导致隧道破坏, 沿坡体变形方向布设泄水洞和横洞, 泄水洞平行于隧道方向布设, 横洞垂直于隧道方向布设。图 4(b)展示蠕滑体主轴剖面Ⅱ-Ⅱ′的岩土分层及结构单元分布信息: 坡体上层为巨厚层黄土, 上部为风成黄土, 下部为水成黄土; 下伏第四系泥岩夹砂岩和膏岩, 具膨胀性, 受水易软化, 揉皱破碎带发育, 含地下水过湿带。
(a)模拟监测数据正常变化曲线; (b)添加异常监测点位的曲线; (c)添加异常监测点位和环境噪声的曲线; (d)小波去噪处理之后的曲线
图2 小波去噪模拟测试
Fig. 2 Wavelet denoising simulation test
图3 小波去噪现场测试结果
Fig. 3 Results of wavelet denoising on site test
为了监测边坡的稳定性, 在坡体上布设多个深部位移计。同时在渗水洞和横洞衬砌的左侧布设千米长的分布式光纤, 用于评估和预警渗水横洞各点位以及整体的状况, 同时也为监测和预警整体边坡的稳定性提供重要参考。将分布式光纤布设在横洞而非隧道中的原因主要在于, 该隧道为正常使用状态, 在隧道内布设的分布式光纤主要通过监测道床板的变化来对隧道结构进行监测; 横洞中布设的光纤主要监测所赋存边坡体的稳定性状态。
除分布式光纤监测外, 在山体上还布设两个自动化深部位移监测孔 CX-1 和 CX-2, 在横洞内增加人工测斜孔 CX-3, 用于监测隧洞及坡体的滑移情况。隧洞及深部位移监测孔的分布情况见图 4(a)。
基于横洞的设计与施工条件, 将光纤布设在横洞右侧, 距离底板的高度为 1.8m, 隧洞布设点位以及光纤设备结构如图 5 所示。应变光纤点位的间距为 0.1m, 共 10283 个测点。分布式光纤的布设采用全线粘贴方式, 流程如下: 1)划定布线监测位置; 2)隧洞侧边开槽, 并用脱脂棉球蘸丙酮或酒精清洗开槽面; 3)实施光纤预张拉; 4)固定光纤, 并开展监测。光纤的监测周期为 2021 年 6 月 1 日至9 月 30 日, 获得 112 组监测数据, 相邻两组数据的时间间隔不超过 3 天。
(a)中蓝线代表隧道位置, 红线为隧道贯穿蠕滑坡体的周界, 紫线代表渗水洞和横洞, 黑色虚线代表蠕滑坡体的主轴剖面Ⅱ-Ⅱ′; (b)中剖面模型尺寸为2233m×769m(长×高), 青色折线为水位线, 蓝色点线为岩层分界线, 粉红色折线为潜在滑出面(包络的范围为软弱带), 绿色竖直粗线代表人工测斜孔, 红色水平粗线代表横洞
图4 隧洞平面示意图(a)及坡体剖面结构(b)
Fig. 4 Schematic diagram of tunnel plane (a) and profile of the slope (b)
数据分析分成单次测量净增应变量及应变总增量两部分, 前者为相邻两次测量应变值的差值, 对监测应变量突增的情况较为有效, 且可以更好地观察和确定单次净增应变的幅度和分布范围; 后者为某次测量应变数据相较于测量初始值(2021 年 6 月 1日)的增量, 相当于总的应变增量, 更适用于某些形变渐增的点位。通过处理实际数据, 证明两种分析方式均具有必要性。
图 6 展示针对 2021 年 6 月 27 日测量得到的单次净增应变数据进行去噪处理的流程。需要说明的是, 本文中的滤波前应变数据均做了温度校正。从图 6 可已看出, 不同的尺度所过滤的噪声频率不同, 选用的去噪尺度越大(如 210), 噪声频率越低。我们选取最大尺度为 210 进行去噪。经过去噪后, 各点位的应变监测数据十分清晰, 并且过滤掉较多的异常监测点, 使得监测数据的可信度更高, 可以更加有效地进行后续监测预警工作。
图5 分布式光纤监测布设方案及设备结构示意图
Fig. 5 Schematic diagram of distributed fiber optic monitoring scheme
选择预警阈值时, 需要保证在噪声与真实信号之间做出分界, 这是预警的前提条件。在对所有应变监测数据进行小波去噪处理之后, 对所有过滤掉的噪声数据进行特征分析, 从而寻找合理的噪声上限。具体做法如下: 1)将原始单次净增应变数据和总增量数据减去去噪之后所得数据(例如, 将图 6(a)中应变数据减去图 6(g)中应变数据), 得到去噪前后的应变差, 即噪声数据; 2)对这两组(单次增量、总增量)噪声数据分别进行汇总分析, 得到两组接近正态分布的噪声信号(图 7)。
图 7 显示, 单次净增应变数据的噪声最大幅值在 300×10−6 以内, 总增量的噪声最大幅值在 400× 10−6 以内。两项噪声分布的标准差分别是 22.3×10−6和 35.0×10−6。预警阈值可以选择噪声数据中的最大幅值, 但是由于数据量较大, 为了避免个别噪声异常数据对总数据量的影响, 选择将噪声数据的99.99%置信区间作为噪声与信号的分界, 将接近组内所有数据标准差值 4 倍(即图 7 中灰色竖直粗线范围以外的区域)的数据认定为有效信号或异常噪声, 对应的阈值分别约为±90×10−6 和±140×10−6。选择99.99%的置信区间与选择 99.5%和 95%等置信区间没有本质上的区别, 只是对数据特征提取的标准不同。本文选择使用 99.99%的置信区间, 是因为整体监测数据受环境噪声的影响较明显。在其他类似监测数据中, 如果整体信噪比较高, 则可以降低预警阈值, 将 99.5%和 95%等其他置信区间作为环境噪声与真实数据的分界。这类通过分析数据分布的置信区间作为检测异常值依据的方法已应用于井下巷道风量稳定性分析[30]、巷道岩爆实时预警[31]以及滑坡时序监测数据异常值检测[32]等相关研究中。
图6 小波变换去噪流程示意图
Fig. 6 Schematic diagram of wavelet denoising process
图7 噪声信号分布
Fig. 7 Distribution of noise
需要说明的是, 本文仅提供确定预警阈值下限的方法, 在安全级别不同的工程中, 可以根据实际需求提高阈值, 从而可以在保证安全的情况下, 降低预警诱发率。
图 8(a)和(b)分别展示去噪前后所有单次净增应变数据的预警分布情况以及在空间和时间尺度上的预警次数统计结果, 其中应变增量绝对值低于预警阈值 90×10−6 的数据均用白色背景展示, 显示为正常状态, 超出预警值的数据分别用红色和蓝色表征张拉应变和挤压应变。由于该工程侧重对监测点的预警, 不关注监测点位的拉压特性, 因此图 8 中张拉和挤压产生的应变仅用颜色加以区别(图 9 相同)。
图 8(a)和(b)中上侧子图为空间尺度的预警次数统计结果, 纵轴为 111 组监测数据中超出预警值的计数。原始监测数据共有 112 组, 但实际分析的时候, 需要将相邻两次的监测数据做差, 从而获得单次净增的应变数据, 因此图 8 主图中纵坐标的时间起始点为 6 月 2 日, 而非 6 月 1 日(图 9 相同)。
图 8 展示出需要重点关注的监测点位, 如点位2916(B 点)、3770(C 点)、4725(D 点)和 5709(E 点)等附近, 这些点位的 111 次测量数据中, 接近一半或一半以上测量数据超出预设的预警值 90×10−6。需要说明的是, 由于图形尺寸有限, 以上需要关注的点位并非单一点位, 每个点位附近 1～2m 范围内的点位均需重点关注。
图 8(a)和(b)中右侧子图为时间尺度的预警次数统计结果, 横轴为单次测量的所有点位中超出预警值的计数, 可利用该图对横洞整体稳定性进行判断, 如 6 月 18 日(G 点)、8 月 5 日(H 点)、8 月 18 日(I 点)和 9 月 25 日(J 点)等日期测得的超预警点位接近或超过 1000 个, 约占所有监测点位的 10%。
去噪后, 从图 8 可以直观地看出超预警次数大幅度降低, 空间尺度的预警计数显示 B 点至 E 点的峰值特征并未消失, 而时间尺度上的 G 点至 J 点预警计数峰值从去噪前的超过 2000 全部降低至 500 以内, 峰值特征明显削弱。
综合上述分析, B 点至 E 点附近需要重点关注, 防止局部变形和破坏。8 月 5 日(H 点)和 8 月 18 日(I点)的监测数据, 即使去噪后, 峰值特征仍然较强, 这种结果可能是隧洞赋存的坡体存在局部变形造成的, 也可能由其他未知因素造成, 具体原因还需要结合针对应变总增量的分析结果以及其他监测手段的结果进行综合判定。
图 9(a)和(b)分别展示去噪前后所有总增应变数据的预警分布情况以及在空间和时间尺度上的预警次数统计情况, 低于预警阈值 140×10−6 的数据均用白色背景展示, 显示为正常状态。与图 8 相比, 图 9中新增风险监测点 1281 (A 点)和 8847 (F 点)。去噪之后, 在时间和空间尺度上, 总增应变预警次数均明显降低。与单次净增应变数据的去噪效果相比, 总增应变数据的去噪效果更加明显, 在极大程度上过滤了噪声信号, 使得总增应变数据空间和时间尺度上的预警分布特征更加明显。空间尺度上, B 点至 E 点的峰值特征保持不变。时间尺度上, 随着监测时间延长, 总增量的预警数量具有逐渐增加的态势, 在 H 点和 I 点出现突变, 但后续会恢复, 这就排除了隧洞整体形变产生的多风险点位预警。
对比图 8(b)与图 9(b)可以看出, 大部分的预警风险点位是对应一致的, 但也有不同之处, 大致分成两类。1)部分监测点位单次净增应变数据多次出现预警, 但应变总增量并未出现预警或预警次数很少, 如图 8(b)中 B 点与 C 点之间的监测点位, 图9(b)中在该区间基本上没有预警。将总增量的预警值设置成单次净增应变量的预警值 90×10−6 后, 该区域的预警仍然很少, 从而排除了因预警阈值设定不同而导致差别的可能性。造成这种现象的原因可能是该区域监测点位附近存在可恢复性的系统噪声(如横洞内水的流动), 这些可恢复性的预警一般不会对工程造成影响。因此, 结合应变总增量预警分布, 可以排除这类预警点位的风险。2)应变总增量数据中部分点位预警次数较高(如图 9(b)中的 A 点和 F 点), 但单次净增应变数据在图 8(b)中没有体现, 对该类风险点位也应重点关注。产生这类风险点位的原因可能在于, 该点位附近的围岩体在逐渐变形, 但速率很慢, 单次净增应变数据分析结果中几乎没有体现, 但在应变总增量数据分析结果中较为明显, 可能时间越长, 风险越高。
整体而言, 分布式光纤应变监测总增量的预警数量越来越多, 可能意味着横洞洞体存在越来越多点位的形变, 同时各风险点位在空间上的分布相对分散, 而不是集中于某一处附近, 因此横洞整体以及其所处边坡体的不稳定性较高, 可能存在滑移的风险。
图8 去噪前后单次净增应变预警分布及在空间和时间尺度上的预警次数统计结果
Fig. 8 Warning distribution of single net increase strain data before and after filtering, and statistics of warning times on the spatial/temporal scale
图9 去噪前后总增应变预警分布及在空间和时间尺度上的预警次数统计结果
Fig. 9 Warning distribution of sum increase strain data before and after filtering, and statistics of warning times on the spatial/temporal scale
在分布式光纤 2021 年 6 月 1 日—2021 年 9 月 30日的监测周期内, 曾多次进行人工现场排查, 发现横洞发生过两次(处)较明显的破坏, 破坏点位(对应分布式光纤的点位编号)以及对应的发现时间如图10 所示。
结合图 8 和 9 中各风险点位的分布情况, 由图10 可知, 两处较明显的洞体破坏分别对应点位 4725 (D 点)和 5709 点位(E 点)附近, 风险点位 D 的破坏主要在横洞拱顶, 风险点位 E 的破坏主要在横洞侧墙。这两处最明显的洞体破坏情况较好地验证了光纤监测的分析结果, 但其他监测点位并没有明显的破坏。同时, 由于洞体破坏点位附近的光纤位置并没有混凝土块掉落, 只是存在裂纹, 因此光纤本身没有被损坏, 依旧能够正常工作。
图 11 展示使用自动化阵列式柔性位移计进行深部位移监测的点位 CX-1 和 CX-2 以及人工测斜孔CX-3 的深度位移曲线。
CX-1 的监测数据随时间的推移有逐渐增大的趋势(图 11(a)), 说明深部软弱带位移持续地间歇性变化, 呈现蠕动特性。郭延辉等[33]在水电站库区特大型滑坡研究中测得的深部位移曲线与图 11(a)较为相似, 但图 11(a)中的变形速率较小, 每天变化量不超过 2mm。
CX-2 的监测结果(图 11(b))与 CX-1 差别较大, 在经历较长时间的蠕动变形后, 于 2021 年 9 月 1 日在 260m 深度产生约 7mm 的突变, 该时间节点与图9(b)中 H 点(8 月 5 日)及 I 点(8 月 18 日)相吻合。
CX-3 为 2021 年 6 月 1 日在横洞内新布设的人工测斜孔, 监测数据表明, 该位置深部位移岩体存在持续性小幅度变形(图 11(c)), 与其他监测数据吻合。但是, 由于人工测斜的周期较长, 数据量较小, 很难及时发现隧洞及坡体的变形。
人工测斜孔和深部位移的监测结果显示, 隧洞和坡体存在整体上持续性缓慢蠕变和局部小突变的特点[34–35], 这一结果与分布式光纤的分析结果较为一致, 进一步验证了本文方法的有效性。
在第 2 节的小波去噪测试结果中, 确实有个别点位存在未被完全去除的噪声(如图 2 中异常点位①和⑤左侧), 但这些噪声也被极大程度地削弱了, 这种残余噪声对监测数据的整体结果并没有太大的影响, 因此可以忽略。这种情况与图 6(g)中去噪之后存在一些小峰值的应变数据类似, 去除噪声之后, 结合长时间的监测分析结果, 可以发现这些小峰值时有时无, 具有较强的随机性, 不影响风险点位的确定。另外, 对比图 2(b)与(d)可以发现, 小波去噪可能会在一定程度上增大或减小真实信号的绝对值, 增减幅度取决于噪声水平, 但一般情况下噪声水平远低于有效信号的变化幅度, 因此针对不同水平噪声的处理对风险点位的确定影响不大。
(a)点位 4725 附近拱顶, 2021 年 8 月 25 日; (b)点位 5709 附近隧道侧墙, 2021 年 6 月 18 日
图10 横洞洞体破坏情况
Fig. 10 Distribution of horizontal-tunnel damage
图11 深部位移监测数据的分布
Fig. 11 Distribution of deep displacement monitoring data
本文中的预警指超过预先设定的变形标准后发出的信号, 并不意味着一定有洞体的明显破坏, 但在光纤所处位置附近有明显的洞体破坏时, 监测系统应该触发预警。预警次数指监测数据超过制定标准或产生突变的次数, 同一区段可能多次预警。可恢复性的预警主要指监测数据突变或超过设定标准后自身可以逐步恢复正常值的预警, 其触发具有较强的随机性。基于预警情况, 可以了解所监测区域隧洞岩土体整体和局部的稳定情况, 针对频繁触发不可恢复性预警区域, 应做出相应的处治措施, 保障工程的安全性。
图 10 中展示的两处较明显的洞体破坏情况, 在一定程度上验证了通过分布式光纤数据分析得到的风险点位分布。虽然我们没有对所有分析得到的风险点位进行验证, 但并不意味着没有破坏的洞体就一定不是需要重点关注的风险点位。由于分布式光纤的灵敏度较高, 可能在其他风险点位存在肉眼不容易观测到的形变。针对这种现象, 可能需要通过定点式的位移–形变测量进行验证, 后续可在类似的工程中开展相应的研究工作。
深部位移监测的优势在于监测深度较大, 可探知不同深度岩土体的滑移情况, 但由于是一种点状分布的监测, 当滑坡规模较大时, 监测数据仅能代表局部岩体的位移情况, 覆盖程度不足, 这也是采用分布式光纤对隧洞进行长距离监测的重要原因。
1)基于小波变换去除的噪声数据分布特征, 提出一种分布式光纤监测预警阈值的选取办法: 将所有监测点位噪声数据的 99.99%置信区间作为噪声与信号的分界, 即预警阈值。
2)模拟测试以及现场测试结果表明, 通过小波去噪, 可以在保留有效信号的前提下, 较大程度地剔除噪声数据。将小波变换应用于千米级分布式光纤监测数据的去噪分析, 可以获得更加有效的监测 信号。
3)小波变换去噪可使分布式光纤监测数据单次净增应变和总增应变在时间和空间上的预警次数大幅度降低, 并且保持主要的预警峰值特征, 提高预警效率。
4)利用综合分布式光纤(线性分布)监测数据分析结果、现场排查结果以及深部位移(点分布)监测数据分析结果, 判定所监测的横洞及其赋存坡体存在整体上的持续的缓慢蠕变及局部突变, 具有一定的风险性。
参考文献
[1] Horiguchi T, Kurashima T, Tateda M. Tensile strain dependence of brillouin frequency dependency shift in silica optical fibres. IEEE Photonics Technology Letters, 1989, 1(5): 107–108
[2] Kellie B, Anthony W B, Bruce G C. Characterization of optical fibers for optimization of a brillouin scat-tering based fiber optic sensor. Optical Fiber Techno-logy, 2005, 10(11): 131–145
[3] Kishida K, Imai M, Kawabata J, et al. Distributed optical fiber sensors for monitoring of civil enginee-ring structures. Sensors, 2022, 22(12): 1–18
[4] 侯公羽, 胡志宇, 李子祥, 等. 分布式光纤及光纤光栅传感技术在煤矿安全监测中的应用现状及展望. 煤炭学报, 2023, 48(增刊1): 96–110
[5] 丁勇, 施斌, 崔何亮, 等. 光纤传感网络在边坡稳定监测中的应用研究. 岩土工程学报, 2005, 27(3): 338–342
[6] 张丹, 张平松, 施斌, 等. 采场覆岩变形与破坏的分布式光纤监测与分析. 岩土工程学报, 2015, 37 (5): 952–957
[7] Moffat R, Sotomayor J, Beltrán J F. Estimating tunnel wall displacements using a simple sensor based on a brillouin optical time domain reflectometer apparatus. International Journal of Rock Mechanics and Mining Sciences, 2015, 75: 233–243
[8] 柴敬, 霍晓斌, 钱云云, 等. 采场覆岩变形和来压判别的分布式光纤监测模型试验. 煤炭学报, 2018, 43(增刊1): 36–43
[9] 杨忠民. 分布式光纤在隧洞变形监测中的应用. 铁道建筑, 2021, 61(4): 75–78
[10] 钟东, 唐永圣. 分布式光纤传感监测盾构隧道收敛变形研究. 铁道科学与工程学报, 2016, 13(6): 1143–1148
[11] Hu Tao, Hou Gongyu, Li Zixiang. The field monitoring experiment of the roof strata movement in coal mining based on DFOS. Sensors, 2020, 20(5): 1–31
[12] 侯公羽, 李子祥, 胡涛, 等. 植入式光纤传感器在隧道结构中的边界效应研究. 岩土力学, 2020, 41(8): 2839–2850
[13] 侯公羽, 李子祥, 胡涛, 等. 基于分布式光纤应变传感技术的隧道沉降监测研究. 岩土力学, 2020, 41(9): 3148–3158
[14] 侯公羽, 李子祥, 胡涛, 等. 用于隧道变形监测的分布式光纤定点式布设监测误差测定研究. 岩土力学, 2020, 41(10): 3481–3490
[15] 高磊, 刘振奎, 魏晓悦, 等. 铁路隧道二次衬砌敲击检查声音特征分析及智能识别. 铁道科学与工程学报, 2022, 19(7): 1997–2004
[16] 苑敏, 费瑞振, 俞佳. 超浅埋隧道施工变形特征实测研究. 铁道科学与工程学报, 2022, 19(8): 2339–2347
[17] 赵晨, 金浩, 肖军华. 道床–管片界面黏结对隧道变形影响. 铁道科学与工程学报, 2022, 19(11): 3343–3350
[18] 周中, 闫龙宾, 张俊杰, 等. 基于YOLOX-G算法的隧道裂缝实时检测. 铁道科学与工程学报, 2023, 20(7): 2751–2762
[19] 柯天兵, 林琳, 李永倩, 等. 海缆布里渊光时域反射信号的去噪方法研究. 激光技术, 2014, 38(3): 311–315
[20] Antoniadis A, Oppenheim G. Wavelets and statistics. New York: Springer Science & Business Media, 2012
[21] 高鸿剑, 缪鹍. 基于小波去噪的既有铁路平面重构方法. 铁道科学与工程学报, 2022, 19(12): 3600–3611
[22] Tian Chunwei, Zheng Menghua, Zuo Wangmeng, et al. Multi-stage image denoising with the wavelet trans-form. Pattern Recognition, 2023, 134: 1–5
[23] Shokri-Kaveh M, Javan-Doloei G, Mansouri R, et al. A hybrid method based on undecimated discrete wavelet transform and autoregressive model to S-wave automa-tic picking. Geophysical Journal International, 2023, 232(2): 1393–1407
[24] 徐洪钟, 施斌, 张丹, 等. 基于小波分析的BOTDR光纤传感器信号处理方法. 光电子·激光, 2003, 7: 737–740
[25] Wang Yuanyuan, Yang Yuanhong, Yang Mingwei, et al. Wavelet transform de-noising technology for distribu-ted optical fiber sensor // Proc SPIE 7853: Advanced Sensor Systems and Applications IV (Photonics Asia 2010). Beijing, 2010: 785340
[26] Feng Xinan, Zhang Xiaotan, Sun Changsen, et al. Sta-tionary wavelet transform method for distributed de-tection of damage by fiber-optic sensors. Journal of Engineering Mechanics, 2014, 140(4): 04013004
[27] Fu Haiyu, Zhang Ze, Yan Xinyu, et al. Improved wave-let modulus maximum method for distributed optical fiber temperature sensing. Optical Engineering, 2022, 61: 116109
[28] 徐隆, 杨军, 周龙, 等. PE-VMD与小波阈值的干涉型光纤联合去噪方法. 国外电子测量技术, 2022, 41(10): 39–46
[29] 闫剑锋, 刘香莲, 武北松, 等. 瑞利散射辅助的分布式光纤测温系统. 传感技术学报, 2024, 37(2): 360–364
[30] 张磊, 巨能攀, 何朝阳, 等. 滑坡裂缝计时序数据实时异常检测分析. 岩石力学与工程学报, 2024, 43(1): 206–215
[31] 韩耀中, 陈建强, 刘昆轮, 等. 基于区间估计法的井下巷道风量稳定性分析. 山东科技大学学报(自然科学版), 2019, 38(5): 39–45
[32] 张艳博, 杨震, 姚旭龙, 等. 基于红外辐射时空演化的巷道岩爆实时预警方法实验研究. 采矿与安全工程学报, 2018, 35(2): 299–307
[33] 郭延辉, 黄友鹏, 张礼兵, 等, 基于深部位移的滑坡预警预报方法: 以云南某水电站库区特大型滑坡为例. 地质通报, 2025(出版中)
[34] 彭亮, 杜文学, 田浩. 西宁市特大滑坡监测预警示范. 科学技术与工程, 2021, 21(18): 7806–7813
[35] 陈贺, 汤华, 葛修润, 等. 基于深部位移的蠕滑型滑坡预警指标及预警预报研究. 岩石力学与工程学报, 2019, 38(增刊1): 3015–3024
Early Warning Optimization of Distributed Optical Fiber in Deformation Monitoring Based on Wavelet Denoising
Abstract A method for determining alarm thresholds based on noise data characteristics is proposed, and this threshold is applied to analyze the potential alarm distribution of single/total strain monitoring data on temporal and spatial scales. Firstly, simulation tests are conducted to verify the effectiveness of wavelet denoising. Then, distri-buted optical fibers with a length of kilometer are laid at the tunnel for strain monitoring. Wavelet transform is applied in denoising analysis of distributed fiber-optic monitoring data in the tunnel. The results show that wavelet denoising can effectively restore effective signals. The warning threshold determined based on the characteristics of noise data can identify risk monitoring points more efficiently and reduce the probability of invalid alarms to a large extent. Moreover, the two locations of tunnel damage discovered through manual investigation are consistent with the risk points obtained based on fiber optic monitoring data analysis, partially verifying the accuracy of the risk points. At the same time, combined with the analysis results of the monitoring data from the tunnel and slope borehole inclinometers, it is found that the tunnel and the existing slopes have overall continuous slow creep and local sudden changes, which are risky. Strengthening monitoring and taking further preventive measures to ensure the safety of line operations are suggested. This research provides further reference for the application of wavelet denoising to extract effective data from massive data in engineering monitoring and the application of distributed optical fiber in deformation monitoring and early warning of various types of rock and soil engineering.
Key words wavelet denoising; distributed optical fiber; tunnel deformation; risk point warning