基于CNN-Transformer混合模型的大型复杂构筑形变监测研究

摘要

大型复杂构筑物的形变监测是保障其安全运营的核心难题，传统方法在捕捉复杂非线性形变和融合多源异质数据等方面面临挑战。本文提出一种物理动机驱动的CNN-Transformer混合深度学习模型。该模型通过双分支并联架构，分别捕捉形变场中应力集中导致的局部非线性特征与结构整体协调变形引发的全局长程时空依赖，并设计了基于注意力机制的多源特征融合模块，实现了地面传感器与InSAR数据的特征层面的优势互补。以西安奥体中心主体育场馆为例，利用其施工与运营期监测数据开展实验。结果表明：CNN-Transformer模型形变监测RMSE为0.82 mm，平均绝对误差（MAE）为0.63 mm，决定系数R2=0.981，其性能在统计显著性水平上（p<0.01）显著优于测量平差、SBAS-InSAR、单一CNN/Transformer及CNN-LSTM等对比模型（p<0.01）。本研究为大型基础设施的智能、高精度形变监测提供了一种行之有效的范式借鉴。

关键词

形变监测 / 混合深度学习模型 / CNN-Transformer / 多源数据融合