基于小波降噪的隧道围岩监测数据分析

基于小波降噪的隧道围岩监测数据分析

张鹏¹，李献勇²，陈剑平¹

1.吉林大学建设工程学院，长春 130026;2.台州市诸永高速公路建设指挥部，浙江台州 318000

收稿日期:2008-01-08 修回日期:1900-01-01 出版日期:2008-11-26 发布日期:2008-11-26
通讯作者: 张鹏

Monitoring Data Analysis of Tunnel Surrounding Rock Based on Wavelet Denoising

ZHANG Peng¹, LI Xian-yong²,CHEN Jian-ping¹

1.College of Construction Engineering, Jilin University, Changchun 130026, China;2.Zhuyong Expressway Construction Headquarters of Taizhou Municipal, Taizhou，Zhejiang 318000, China

Received:2008-01-08 Revised:1900-01-01 Online:2008-11-26 Published:2008-11-26
Contact: ZHANG Peng

摘要/Abstract

摘要： 隧道围岩监测数据中含有大量的随机误差，为了消除或削弱随机误差的干扰，通常对观测数据进行降噪处理。基于小波分析理论，利用小波降噪技术，以某隧道的围岩监测数据为例，选择了db3小波函数和heursure软阈值对围岩接触压力进行降噪处理，并用5-15-1BP神经网络对降噪前后的结果进行了预测比较，训练步数分别为2 448步和450步，未降噪的围岩压力预测的误差总体上要比降噪后的误差大。实际计算结果表明，小波去噪合理有效，能够敏感识别观测噪声和有用信息，适合于隧道围岩监测的数据分析。

关键词: 围岩监测, 小波分解, 去噪, Mallat算法

Abstract: There are many random errors in the monitoring data of tunnel surrounding rock. The monitoring data is usually denoised for reducing or eliminating the disturbance of the random errors. Based on the theory of wavelet transform, as an example, the monitoring data of a tunnel surrounding rock is processed by a technique of wavelet denoising with db3 wavelet function and heursure soft threshold. The result of pressure prediction is given by using 5-15-1 BP neural network for the original data and the de-noised data, and the training steps are 2 448 and 450 respectively. The error of the pressure prediction for the original data is larger than that for the de-noised data. The results show that the method of wavelet denoising is efficient and reliable, is sensitive to distinguish noise and useful information, is particularly suitable to analyze monitoring data of surrounding rock.

Key words: monitoring of surrounding rock, wavelet transform, noise reduction, Mallat algorithm

中图分类号:

P642

张鹏，李献勇，陈剑平. 基于小波降噪的隧道围岩监测数据分析[J]. J4, 2008, 38(6): 1010-1014.

ZHANG Peng, LI Xian-yong,CHEN Jian-ping. Monitoring Data Analysis of Tunnel Surrounding Rock Based on Wavelet Denoising[J]. J4, 2008, 38(6): 1010-1014.

参考文献

相关文章 13

[1]	刘财, 商耀达, 鹿琪, 徐杨杨. GPR信号去噪的变分模态分解[J]. 吉林大学学报(地球科学版), 2024, 54(3): 1042-1053.
[2]	刘霞, 孙英杰. 基于融合残差注意力机制的卷积神经网络地震信号去噪[J]. 吉林大学学报(地球科学版), 2023, 53(2): 609-.
[3]	戴前伟, , 丁浩, , 张华, , 张豪, . 基于变分模态分解和奇异谱分析的GPR信号去噪 [J]. 吉林大学学报(地球科学版), 2022, 52(3): 701-712.
[4]	代丽艳, 董宏丽, 李学贵. 微地震数据去噪方法综述[J]. 吉林大学学报(地球科学版), 2019, 49(4): 1145-1159.
[5]	蔡剑华, 肖晓. 基于组合滤波的矿集区大地电磁信号去噪[J]. 吉林大学学报(地球科学版), 2017, 47(3): 874-883.
[6]	朱凯光, 李玥, 孟洋, 王凌群, 谢宾, 程宇奇. 最小噪声分离在航空电磁数据噪声压制中的应用[J]. 吉林大学学报(地球科学版), 2016, 46(3): 876-883.
[7]	崔永福, 李国发, 吴国忱, 尚帅, 赵锐锐, 罗莉莉. 基于面波模拟和曲波变换的去噪技术[J]. 吉林大学学报(地球科学版), 2016, 46(3): 911-919.
[8]	刘财, 崔芳姿, 刘洋, 王典, 刘殿秘, 张鹏. 基于低信噪比条件下新型Seislet变换的阈值去噪方法[J]. 吉林大学学报(地球科学版), 2015, 45(1): 293-301.
[9]	董烈乾, 李振春, 刘磊, 李志娜, 桑运云. 基于经验模态分解的曲波阈值去噪方法[J]. J4, 2012, 42(3): 838-844.
[10]	李海山, 吴国忱, 印兴耀. 形态分量分析在去除地震资料随机噪声中的应用[J]. J4, 2012, 42(2): 554-561.
[11]	郑百功, 佴磊, 汪茜, 陆威. 公路隧道围岩稳定性评价软件开发与应用[J]. J4, 2010, 40(5): 1133-1139.
[12]	巩向博，韩立国，王恩利，杜立志. 压制噪声的高分辨率Radon变换法[J]. J4, 2009, 39(1): 152-0157.
[13]	查显杰，傅容珊，戴志阳，刘斌，邵志刚，薛霆虓. 基于小波包变换的SAR干涉图去噪研究[J]. J4, 2008, 38(3): 489-0494.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

本文评价

推荐阅读 10

[1]	初凤友，孙国胜，李晓敏，马维林，赵宏樵. 中太平洋海山富钴结壳生长习性及控制因素[J]. J4, 2005, 35(03): 320 -0325 .
[2]	周丽萍, 申向东, 李学斌, 白忠强. 天然浮石粉水泥土力学性质的试验研究[J]. J4, 2009, 39(3): 492 -497 .
[3]	黄玉龙, 王璞珺, 邵锐. 火山碎屑岩的储层物性--以松辽盆地营城组为例[J]. J4, 2010, 40(2): 227 -236 .
[4]	潘殿琦,张祖培,潘殿彩,陈义民,徐瑞. 人工冻土纵波波速与温度和含水率的关系[J]. J4, 2006, 36(04): 588 -591 .
[5]	付哲，周云轩，刘殿伟，刘万崧. 基于特征的面向对象虚拟GIS数据模型设计与原型系统实现[J]. J4, 2006, 36(04): 647 -652 .
[6]	滕吉文, 刘财, 韩立国, 阮小敏, 闫雅芬, 张永谦. 汶川—映秀M_S8.0地震的介质破裂与深部物质运移的动力机制[J]. J4, 2009, 39(4): 559 -583 .
[7]	卢进才，李玉宏，魏仙样，魏建设. 鄂尔多斯盆地三叠系延长组长7油层组油页岩沉积环境与资源潜力研究[J]. J4, 2006, 36(6): 928 -0932 .
[8]	黄继国，黄国鑫，聂广正，魏海娟，吕爱民,王雪松. 中温UBF与UASB两相厌氧系统处理垃圾渗滤液的实验研究[J]. J4, 2007, 37(1): 144 -0147 .
[9]	孙才志,刘玉兰,杨俊. 下辽河平原地下水生态水位与可持续开发调控研究[J]. J4, 2007, 37(2): 249 -254 .
[10]	舒萍,曲延明,王国军,丁日新,艾兴波,纪学雁,唐华风,边伟华,王璞珺. 松辽盆地火山岩储层裂缝地质特征与地球物理识别[J]. J4, 2007, 37(4): 726 -0733 .