中圖分類號：TQ014，TP212 文獻標(biāo)志碼：A文章編號：1001-5922（2025）05-0077-04

Abstract：Multi-sensordatafusiontechnologyisextremelyimportantinthefieldofgeomaterials，whichcanenhance the comprehensivenessand accuracy of material performance assessment，optimize the engineering design and construction process，and improve the safety，reliabilityand economic eficiencyof the project.Real-time monitoring and performance evaluation of soil，rocks and geosynthetics can be integrated with multi-sensor data. Despite the many benefits offred bydata fusion technologies，implementation challenges such asdata heterogeneityandbig data processing are stillpresent.In viewofthis，future research directions should focus ondeveloping more eficient data fusionalgorithms，improving data processng capabilities，and exploring the integration of new sensor technologies and Internetof Thingsapplications，soas to give fullplaytothe application potentialofmulti-sensordata fusion technology in civil engineering

Key words： geotechnical materials ；multi-sensor technology ；data fusion algorithms；application performance

當(dāng)今土工材料研究中，多傳感器數(shù)據(jù)融合技術(shù)已成為不可或缺的工具。隨著土木工程領(lǐng)域?qū)Y(jié)構(gòu)安全性、耐久性和環(huán)境適應(yīng)性要求的提高，土工材料性能監(jiān)測尤為重要。多傳感器數(shù)據(jù)融合方法使得對王工材料在復(fù)雜環(huán)境下評估更加全面，不僅有助于優(yōu)化材料選擇和工程設(shè)計，也為預(yù)測材料長期性能、提前識別潛在風(fēng)險提供了可能，可以保障工程結(jié)構(gòu)安全和穩(wěn)定。

1多傳感器數(shù)據(jù)融合基本概念

數(shù)據(jù)融合整合多源信息技術(shù)和過程，增強決策和分析準確性與效率，減少不確定性，提供更全面信息，在土木工程、基礎(chǔ)設(shè)施監(jiān)測等與土工材料相關(guān)領(lǐng)域中發(fā)揮關(guān)鍵作用[1]。數(shù)據(jù)融合分3個主要層次：數(shù)據(jù)級融合、特征級融合、決策級融合[2-3]。涵蓋了卡爾曼濾波、神經(jīng)網(wǎng)絡(luò)、粒子濾波及貝葉斯方法等多種信息融合技術(shù)。這些方法根據(jù)具體場景和數(shù)據(jù)特性選擇，以提高信息準確性和處理效率。

1.1卡爾曼濾波算法

卡爾曼濾波是一種理想統(tǒng)計算法，通過周期性觀測連續(xù)更新狀態(tài)估計值，闡述狀態(tài)如何隨時間演變并與觀測數(shù)據(jù) z（t） 相關(guān)聯(lián)[4-5]。卡爾曼濾波算法的實現(xiàn)流程如圖1所示?？柭鼮V波能在標(biāo)準時空中精確估計狀態(tài)：

式中： x（t） 是狀態(tài)向量； 是轉(zhuǎn)移矩陣； 是控制矩陣； u（t） 是已知控制輸人。標(biāo)準時空模型定義觀測方程：

z（t）=H（t）x（t）+v（t）

式中： z（t） 為觀測向量； 為測量矩陣； n（t），v（t） 是狀態(tài)演變不確定性高斯變量；協(xié)方差矩陣為 和 ，卡爾曼濾波遞歸分預(yù)測和更新2階段[6]

預(yù)測 時刻狀態(tài)：

協(xié)方差 P（k∣ k-1） 計算為：

在時刻 k ，觀測 z（k） ，估計狀態(tài) x（k） 更新。結(jié)合更新后狀態(tài)估計協(xié)方差矩陣 ，由狀態(tài)預(yù)測和觀測計算得到：

是卡爾曼增益矩陣衡量過去估計值和最新觀測值相對置信度。

卡爾曼濾波計算效率高，更新狀態(tài)估計不需重復(fù)處理全部歷史數(shù)據(jù)，但僅適用于線性系統(tǒng)[7-8]擴展卡爾曼濾波在時間間隔過大時線性化不穩(wěn)定，需高頻次計算。分布式卡爾曼濾波提供了一種在移動傳感器網(wǎng)絡(luò)中實現(xiàn)可擴展傳感器融合方法，展現(xiàn)了更佳的移動性[9-10]。無跡卡爾曼濾波是一種近似處理已知統(tǒng)計分布算法，相對簡單[]

1.2 貝葉斯推理技術(shù)

貝葉斯分析方法提供一種基于先驗概率、不同數(shù)據(jù)觀測概率及觀測數(shù)據(jù)本身計算假設(shè)概率途徑[12]。確定對象 x 和觀測值 z 作離散或連續(xù)變量，聯(lián)合概率分布 P（x，z） 通過條件概率鏈式法則計算得到：

貝葉斯推理依據(jù)貝葉斯定理統(tǒng)計數(shù)據(jù)融合方法，采用遞歸預(yù)測-更新流程。

給定 所有觀測值， x 后驗概率與各傳感器所有單個可能性乘積成正比。貝葉斯法則遞歸形式是：

包括在 k-1 瞬間前過去數(shù)據(jù)總和，下一個瞬間 k ，有下一信息 ，之前的后驗作為當(dāng)前先驗信息，提供新的后驗，計算要求低很多。

1.3 人工神經(jīng)網(wǎng)絡(luò)（ANN）

人工神經(jīng)網(wǎng)絡(luò)（ANN）是模仿人腦結(jié)構(gòu)和功能設(shè)計的數(shù)學(xué)模型。能模擬復(fù)雜信息處理，有并行處理能力、高容錯性、自我學(xué)習(xí)和智能化等特點，信息處理與存儲功能較好，可利用眾多簡單單元構(gòu)成的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，執(zhí)行復(fù)雜邏輯操作和識別非線性關(guān)系。其通過互聯(lián)多節(jié)點計算模型實現(xiàn)功能，各節(jié)點運行激活函數(shù)決定輸出[13-14]。節(jié)點間連接模擬人類記憶工作原理，可通過學(xué)習(xí)和調(diào)整權(quán)重適應(yīng)各系統(tǒng)行為，增強其魯棒性[15]

1.4 支持向量機（SVM）

支持向量機是一種學(xué)習(xí)模型，分析數(shù)據(jù)并提取用于分類和回歸分析模型[16]。選取一組訓(xùn)練樣本，各樣本屬于兩類別中一個，支持向量機將新樣本分配到其中一類別，支持向量機是一個非概率二元線性分類器，優(yōu)化后的超平面應(yīng)使結(jié)構(gòu)誤差最小化，并使超平面與最近點間邊距最大化[17] 。

以一個 m 維特征空間中二分類問題 為例，考慮一組點 作訓(xùn)練數(shù)據(jù)，其中 ， i= 1，2，…和 是對應(yīng)類標(biāo)簽。支持向量機目標(biāo)是構(gòu)造一個超平面，通過線性分類器函數(shù)將任何新點分配到任意一類中：

式中： w 和 b 分別是法向量和偏置。對標(biāo)記點排序，支持向量位于兩超平面上：

它們平行于最優(yōu)線性分離超平面，為使 最小化。數(shù)據(jù)是非線性時，必須使用函數(shù)將其映射到高維特征空間 Φ ，然后進行線性分離。

支持向量機尋找一個超平面對樣本分割，以間隔最大化為原則，轉(zhuǎn)化為一個凸二次規(guī)劃問題求解，既能解決線性可分又能解決線性不可分，既能解決分類問題又能完成回歸問題[18]

2多傳感器數(shù)據(jù)融合在土工材料中的應(yīng)用

在土工材料研究和應(yīng)用中，多傳感器用于監(jiān)測材料性能和工程結(jié)構(gòu)表現(xiàn)，各有獨特優(yōu)勢，也存在局限性。合理選擇和應(yīng)用多傳感器對獲取材料性能狀況和保障結(jié)構(gòu)安全至關(guān)重要。

2.1土壤和巖石的力學(xué)性能評估

土壤和巖石是構(gòu)建基礎(chǔ)設(shè)施的工程基本材料，對其性能評估中，多傳感器數(shù)據(jù)融合技術(shù)發(fā)揮著至關(guān)重要作用，通過綜合利用來自不同傳感器數(shù)據(jù)，提高了對土壤和巖石力學(xué)性質(zhì)理解和預(yù)測準確性。

2.1.1關(guān)鍵傳感器和數(shù)據(jù)類型

應(yīng)變計：測量土壤或巖石在受力時形變，提供應(yīng)力應(yīng)變關(guān)系直接數(shù)據(jù)。

壓力傳感器：監(jiān)測土壤或巖體中應(yīng)力狀態(tài)。

電阻率儀：評估土壤和巖石電阻率變化，反映其水分含量、孔隙度和密實度等屬性。

2.1.2 數(shù)據(jù)融合技術(shù)的應(yīng)用

預(yù)處理：對數(shù)據(jù)預(yù)處理如去噪聲、時間同步，確保數(shù)據(jù)質(zhì)量和一致性。

數(shù)據(jù)整合：采用統(tǒng)計學(xué)方法、機器學(xué)習(xí)算法或深度學(xué)習(xí)模型將不同傳感器數(shù)據(jù)綜合在一起，提取關(guān)鍵特征和信息。

模型建立：利用整合后數(shù)據(jù)建立力學(xué)性能預(yù)測模型。

驗證和優(yōu)化：通過與現(xiàn)場試驗對比驗證數(shù)據(jù)融合模型準確性，調(diào)整模型參數(shù)或融合策略優(yōu)化。

2.1.3 應(yīng)用示例

土壤力學(xué)性能評估項目中，通過結(jié)合應(yīng)變計形變數(shù)據(jù)和地震波傳感器波速數(shù)據(jù)，準確估計土壤彈性模量和剪切模量。同時，電阻率儀提供土壤電阻率數(shù)據(jù)，了解土壤含水率和孔隙結(jié)構(gòu)，這些信息對于評估土壤壓縮性和承載力至關(guān)重要。

2.2土工合成材料性能監(jiān)測

土工合成材料，如土工布、土工網(wǎng)、土工膜等，廣

泛應(yīng)用于工程項目中，包括路基加固、邊坡保護和防滲系統(tǒng)[19]。為確保工程安全可靠，對這些材料監(jiān)測至關(guān)重要。

2.2.1 關(guān)鍵傳感器和監(jiān)測目標(biāo)

拉伸傳感器：測量土工材料受力過程中伸長率和強度，關(guān)注材料拉伸性能和可能疲勞破壞。

溫度傳感器：監(jiān)測材料溫度變化，評估環(huán)境溫度對材料性能影響。

壓力傳感器：評估土工材料承受壓力，尤其是在土工膜和土工格室中用于承載能力監(jiān)測。

2.2.2 數(shù)據(jù)融合應(yīng)用

通過融合傳感器數(shù)據(jù)，綜合評估土工合成材料特定環(huán)境和負載條件下表現(xiàn)，增加了監(jiān)測數(shù)據(jù)準確性，提高了對材料行為理解，可實時調(diào)整工程設(shè)計和施工策略。

數(shù)據(jù)集成和分析：使用算法分析不同傳感器數(shù)據(jù)，預(yù)測材料長期行為。

性能評估：基于綜合數(shù)據(jù)，評估材料力學(xué)性能、耐久性和適應(yīng)性。

預(yù)警系統(tǒng)：建立基于數(shù)據(jù)融合預(yù)警系統(tǒng)，通過實時監(jiān)測數(shù)據(jù)變化，提前預(yù)警可能性能退化或失敗，為及時采取修復(fù)措施提供依據(jù)。

2.2.3 應(yīng)用示例

路基加固工程項目中，通過集成拉伸傳感器和壓力傳感器，實時監(jiān)測材料在施工和運營過程中應(yīng)力狀態(tài)和變形情況。同時，溫度和濕度傳感器評估環(huán)境條件對材料影響。能夠全面評估材料實際性能，根據(jù)監(jiān)測結(jié)果調(diào)整工程設(shè)計，確保結(jié)構(gòu)長期穩(wěn)定性和安全性。

2.3地基和基礎(chǔ)工程監(jiān)測

在地基和基礎(chǔ)工程監(jiān)測中，多傳感器數(shù)據(jù)融合技術(shù)為確保結(jié)構(gòu)穩(wěn)定性和安全性提供了關(guān)鍵支持[20-21]。通過整合多傳感器數(shù)據(jù)，可實現(xiàn)對地基和基礎(chǔ)結(jié)構(gòu)全面監(jiān)測，及時發(fā)現(xiàn)潛在問題。

2.3.1關(guān)鍵傳感器和監(jiān)測目標(biāo)

傾斜傳感器：監(jiān)測建筑物或結(jié)構(gòu)傾斜度，檢測結(jié)構(gòu)移動或變形。

GPS傳感器：提供結(jié)構(gòu)精確位置信息，追蹤地面或結(jié)構(gòu)移動和變形。

地下雷達：探測地下結(jié)構(gòu)和地質(zhì)條件，識別潛在裂縫或不連續(xù)面。

水位傳感器：監(jiān)測地下水位變化，分析對地基穩(wěn)定性和結(jié)構(gòu)安全影響。

2.3.2 數(shù)據(jù)融合應(yīng)用

利用多傳感器數(shù)據(jù)融合技術(shù)提高監(jiān)測數(shù)據(jù)準確性和可靠性，更好地評估和管理地基和基礎(chǔ)結(jié)構(gòu)風(fēng)險[22]

綜合分析：通過數(shù)據(jù)融合技術(shù)綜合分析各類數(shù)據(jù)以獲取結(jié)構(gòu)穩(wěn)定性和安全狀況全面視圖。

趨勢識別和預(yù)測：運用統(tǒng)計和機器學(xué)習(xí)算法分析融合后數(shù)據(jù)，識別潛在風(fēng)險跡象，預(yù)測未來變化趨勢。

實時監(jiān)控和報警：建立實時監(jiān)控系統(tǒng)評估結(jié)構(gòu)狀態(tài)，監(jiān)測異常立即發(fā)出警報。

2.3.3 應(yīng)用案例

高層建筑地基工程項目中，在地基中安裝傾斜傳感器和振動傳感器，利用GPS監(jiān)測地面移動，全面監(jiān)控建筑物穩(wěn)定性[23]。地下雷達進一步提供地下結(jié)構(gòu)和土壤條件信息，水位傳感器評估地下水位變化對地基穩(wěn)定性影響。實時監(jiān)測和評估結(jié)構(gòu)健康狀況，及時采取必要維護或加固措施。

3發(fā)展趨勢與未來前景

未來的研究方向?qū)⒅赜谶M一步集成新興技術(shù)，如物聯(lián)網(wǎng)、人工智能和大數(shù)據(jù)分析，提升數(shù)據(jù)融合技術(shù)自動化和智能化程度。開發(fā)更高效算法處理和分析數(shù)據(jù)，探索新傳感器技術(shù)以提高數(shù)據(jù)收集質(zhì)量。此外，研究將致力于提高數(shù)據(jù)融合技術(shù)可靠性和魯棒性，確保各種環(huán)境條件下都能提供準確監(jiān)測數(shù)據(jù)。

未來應(yīng)用方向和發(fā)展趨勢主要體現(xiàn)在以下3個方面：

3.1 自適應(yīng)和預(yù)測性維護

利用AI和大數(shù)據(jù)分析，多傳感器數(shù)據(jù)融合技術(shù)將能實現(xiàn)對土工材料和結(jié)構(gòu)健康狀況實時監(jiān)測，預(yù)測未來性能變化，實現(xiàn)自適應(yīng)和預(yù)測性維護。

3.2智能化工程決策支持

綜合利用IoT、AI和大數(shù)據(jù)技術(shù)，多傳感器數(shù)據(jù)融合系統(tǒng)提供更智能化工程決策支持，幫助工程師做出更準確、高效決策[24]

3.3可持續(xù)性和環(huán)境監(jiān)測

隨著對可持續(xù)發(fā)展和環(huán)境保護的重視，多傳感器數(shù)據(jù)融合技術(shù)將應(yīng)用于評估土工材料和工程項目對環(huán)境的影響，監(jiān)測和管理環(huán)境風(fēng)險。

4結(jié)語

多傳感器數(shù)據(jù)融合技術(shù)在土工材料領(lǐng)域應(yīng)用已經(jīng)取得了顯著成果，極大地提高了對土工材料性能監(jiān)測的準確性、效率和智能化水平。通過綜合利用不同傳感器數(shù)據(jù)，能夠提供關(guān)于土壤、巖石以及土工合成材料如土工布和土工網(wǎng)等的全面性能評估，不僅有助于實時監(jiān)測材料在工程應(yīng)用中的表現(xiàn)，還能預(yù)測材料長期行為，從而優(yōu)化設(shè)計和施工過程，提高工程結(jié)構(gòu)的安全性和穩(wěn)定性。

【參考文獻】

[1］王立鋒，唐松.多源傳感器監(jiān)測及數(shù)據(jù)融合方法研究[J].河北省科學(xué)院學(xué)報，2023，40（3）：10-16.

［2]郭惠勇.多傳感器信息融合技術(shù)的研究與進展[J].中國科學(xué)基金，2005，（1）：19-23.

[3]WEI HH，LU XC.A review of data fusion techniques[J].ScientificWorldJournal，2013，17（4） ：45-49.

[4]侯曉秋，陳志學(xué).一類非線性隨機系統(tǒng)的自適應(yīng)預(yù)測控制[J].電氣傳動自動化，2012，34（1）：14-18.

[5]YOO SK，NAHM K. Visual navigation of forest road basedon pose state[J].Annual Reviews in Control，2002，6（1） ：203-228.

[6］范文兵，張璐璐.基于核相關(guān)濾波和卡爾曼濾波預(yù)測的混合跟蹤方法[J].鄭州大學(xué)學(xué)報，2024，45（2）：20-26.

[7]WANG C Q，XU A G，SUI X，et al. A non-divergent esti-mation algorithm in the presence of unknown correlations[J].American Control Conference，1997，4（23） ：69-73.

[8］史軍杰，岑舒清.多傳感器采樣系統(tǒng)的分布式容錯估計[J].計算機測量與控制，2014，22（11）：3840-3842.

[9]王寧，李銀伢，戚國慶等.不完全量測下基于信息一致性的分布式容積卡爾曼濾波算法[J].兵工學(xué)報，2021，42（11） ：2396-2408.

[10]LI ZK，WANGR，GAOJX，et al.A new extension ofthe kalman filter to nonlinear systems[J].Proceedings ofthe adaptive systems for signal processing，communica-tions，and control symposium，2000，71（3）153-158.

[11］馬國豐，陳志琴.基于BP神經(jīng)網(wǎng)絡(luò)的軌道交通車站工程項目估價研究[J].項目管理技術(shù)，2011，9（7）：55-60.

[12]黃漫國，樊尚春等.多傳感器數(shù)據(jù)融合技術(shù)研究進展[J].傳感器與微系統(tǒng)，201029（3）：5-8.

[13］黃衍標(biāo)，羅廣岳.B神經(jīng)網(wǎng)絡(luò)在巡邏機器人多傳感器數(shù)據(jù)融合中的應(yīng)用［J].傳感技術(shù)學(xué)報，2016，29（12） ：1936-1940.

[14］張黎，王振全.基于小波分析與支持向量機控制圖混合模式識別[J].鄭州航空工業(yè)管理學(xué)院學(xué)報，2023，41（4） ：64-72.

[15]嚴曉東.策略極限理論與策略統(tǒng)計學(xué)習(xí)[J].山東大學(xué)學(xué)報（理學(xué)版），2024，59（1）：1-10.

［16］周艷芳.基于計算機視覺的機器人路徑識別與目標(biāo)跟蹤系統(tǒng)[J].信息技術(shù)與信息化，2021，7（4）：246-248.

[17] 李智軍，呂恬生.遺傳算法在自主移動機器人局部路徑規(guī)劃中的應(yīng)用[J].機械設(shè)計，2000，43（7）：26-29.

[18] 朱祥亮，郭振華.基于改進支持向量機的住宅建筑工程造價預(yù)測方法[J].居舍，2024，10（7）：146-150.

[19] 劉凱琳，趙永霞.土工合成材料的發(fā)展現(xiàn)狀及趨勢展望[J].紡織導(dǎo)報，2019，28（19）：6-28.

[20] 張茹，呂游.深地工程多維信息感知與智能建造的發(fā)展與展望.煤炭學(xué)報，2021，9（3）：17-23.

［21］楊遠，王尉軍等.城市地下綜合管廊管線的數(shù)據(jù)采集及故障診斷研究[J].粘接，2020，42（6）：184-188.

[22]游正軍，李彥錦.某城市地鐵近接工程服役結(jié)構(gòu)風(fēng)險分析與控制[J].施工技術(shù)，2023，52（13）：65-71.

［23］趙帥，王勝，楊淑娟，等.基于GNSS 技術(shù)的結(jié)構(gòu)位移監(jiān)測應(yīng)用研究進展[J].施工技術(shù)，2022，51（21）：6-10.

［24］舒忠平.基于物聯(lián)網(wǎng)技術(shù)的智慧校園分布式雙活數(shù)據(jù)采集系統(tǒng)[I].粘接202145（2）.106-110

（責(zé)任編輯：蘇慢）