CN120257096A 一种隧道掘进爆破对地表建筑物振动影响的预测方法 （山东省路桥集团有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120257096A(43)申请公布日2025.07.04

(21)申请号202510703222.8

(22)申请日2025.05.29

GO6F18/25(2023.01)

GO6F18/21(2023.01)

GO6N3/045(2023.01)

(71)申请人山东省路桥集团有限公司

地址250014山东省济南市历下区经十路

14677号

(72)发明人安彬房君君毕华超汪虎张中莲龙福中郑晓琴

(74)专利代理机构山东知圣律师事务所37262

GO6N3/0464(2023.01)

GO6N3/0442(2023.01)

GO6N3/084(2023.01)

GO6N3/092(2023.01)

G01H17/00(2006.01)

G06N3/048(2023.01)

专利代理师张露露

(51)Int.CI.

GO6F18/2415(2023.01)

GO6F18/2431(2023.01)

GO6F18/23213(2023.01)

GO6F18/15(2023.01)

GO6F18/2131(2023.01)

权利要求书4页说明书15页附图4页

(54)发明名称

一种隧道掘进爆破对地表建筑物振动影响的预测方法

(57)摘要

CN120257096A本发明涉及人工智能与数据处理技术领域，具体涉及一种隧道掘进爆破对地表建筑物振动影响的预测方法，具体如下：采集隧道掘进过程中爆破作业产生的振动信号并去噪，作为样本；根据信号的能量分布特性，采用谱聚类算法生成元任务；通过神经网络模型对每个元任务中的样本进行特征提取；采用层级化注意力机制捕捉振动信号在不同时间长度上的时间响应特性，得到各阶段的关键特征并进行融合，得到分类特征向量，进而根据分类特征向量确定爆破对地表建筑物振动影响的分类预测结果；对分类预测过程进行优化。本发明基于改进元学习策略的神经网络模型对隧道掘进爆破振动数据进行处理，可以提

CN120257096A

特征提取

特征提取

对神经网络模

任务划分

初始化

时、频双通路特征提取和

蓝

特征融合

基于振动能量衰减曲线进行

采用层级化注意力分类预测

采用谱聚类算法生成元任务

分类预酒结果

采集的

矩所

对分类预测过程进行优化，包括：对元任务进行泛化验证与动态调整对闭环、反馈控制与参数进行优化、

通过强化学习策略在线优化爆破参数策略

CN120257096A权利要求书1/4页

2

1.一种隧道掘进爆破对地表建筑物振动影响的预测方法，其特征是，包括以下步骤：

S1、通过振动传感器采集隧道掘进过程中爆破作业产生的振动信号，然后对采集的振动信号进行去噪操作，将去噪后的振动信号作为样本；

S2、对去噪后的振动信号进行任务划分，根据振动信号的能量分布特性，采用谱聚类算法生成元任务，每个元任务为一个样本集合；

S3、通过神经网络模型对每个元任务中的样本进行特征提取，特征提取过程包括对神经网络模型的参数进行初始化、进行时域和频域的双通路特征提取后将提取的特征融合以及基于振动能量衰减曲线进行元学习来优化元任务中的元参数；

S4、采用层级化注意力机制捕捉振动信号在不同时间长度上的时间响应特性，得到各阶段的关键特征，然后将各阶段的关键特征进行融合，得到分类特征向量，进而根据分类特征向量确定爆破对地表建筑物振动影响的分类预测结果；

S5、对分类预测过程进行优化，包括对元任务进行泛化验证与动态调整、对闭环反馈控制与参数进行优化、通过强化学习策略在线优化爆破参数策略。

2.根据权利要求1所述的一种隧道掘进爆破对地表建筑物振动影响的预测方法，其特征是，去噪操作采用动态小波包分解与局部信噪比加权策略，去噪操作具体如下：

采集的振动信号为非平稳、多频段混杂和强噪声干扰的信号，对采集的振动信号采用动态小波包分解与局部信噪比加权策略进行去噪操作；

具体的，先对采集的振动信号进行动态小波包分解，得到各层小波包系数，然后通过滑动时窗计算每层系数的局部频带能量，并提取采集的振动信号前段无爆破时段的噪声基底能量，最后根据局部频带能量与噪声基底的比值动态加权各层小波包系数，重构去噪后的