(1)国家自然科学基金青年项目,盾构隧道结构状态导向维护的检查策略(51808336),2019.01-2021.12,项目负责人
(2)中国博士后科学基金面上项目,盾构隧道结构退化预测的数据-物理融合模型(2017M621474),2017.11-2019.07,项目负责人
(3)上海隧道工程股份有限公司,城市基础设施(隧道)全寿命周期运营管理与技术应用研究,2018.06-2020.12,子课题负责人
(4)国家科技支撑计划项目,地铁运营突发性灾害(火灾、爆炸和地震)防范处置技术与装置研发(2012BAK24B04),2012.01-2014.12,主要参与人
(5)上海市科学技术委员会,基于物联网的轨道交通隧道结构安全监测技术研究及示范(15dz1207702),2015.11-2017.10,主要参与人
(6)上海市科学技术委员会,软土地层运营盾构隧道结构检测、评估及养护技术研究(11231201402),2011.09-2014.08,主要参与人
(7)上海市路政局,隧道运营技术状况检测与评价模型研究,2013.07-2014.12,主要参与人
(1)
提供理论与实践相结合的实践项目,使有能力的学生尽早参与科研训练;
(2)
全程提供学术研究指导,培养和提高学生科研创新能力;
(3)
指导学术写作,培养学生科技论文写作能力;
(4)
提供高质量的地铁隧道三维激光扫描原始数据,不做“无米之炊”;
(5)
报销书籍资料、软件算法培训等费用,为学生未来发展提供助力。
近年来,我国隧道工程快速发展,大量地铁隧道建设并投入运营。由于地质条件或周边建设活动影响,在隧道运营服役期间其结构不可避免地产生渗漏水、剥落、裂缝等结构病害,严重的甚至引发安全事故,对地铁运营安全造成了严重的威胁。因此,对地铁隧道结构表观病害进行高效、智能化的识别至关重要。
传统的人工巡检与病害识别方法耗时费力、主观性强、识别准确率低。研究高效的地铁隧道结构病害智能识别的方法已成为当前科技前沿热点与未来发展趋势。
本研究拟采用隧道内壁三维激光扫描高质量图像,利用计算机科学最前沿的深度学习方法,提出区别于传统手段的隧道病害智能化识别方法。通过提取并建立隧道病害样本库,搭建深度学习框架,利用深度卷积神经网络(Convolutional Neural Network,CNN)训练样本,建立隧道衬砌特征图像分类与识别系统,从而实现隧道高密度数据采集场景下的病害快速智能化识别,全面提升隧道病害识别效率、降低运营安全隐患。