基于分布式光纤传感技术的二维变形监测试验研究

汪璋淳; 罗启迅; 孔洋; 何宁; 杜三林; 蒋炳楠; 周彦章

doi:10.11779/CJGE2023S10025

基于分布式光纤传感技术的二维变形监测试验研究 English Version

汪璋淳^{1, 2,},
罗启迅³,
孔洋^1, ,,
何宁^{1, 2},
杜三林⁴,
蒋炳楠³,
周彦章^{1, 2}

1.
南京水利科学研究院岩土工程研究所, 江苏南京 210024
2.
水利部水库大坝安全重点实验室, 江苏南京 210029
3.
中国电建集团成都勘测设计研究院有限公司, 四川成都 610072
4.
西藏自治区水风光储能源技术创新中心, 四川成都 610072

基金项目:

国家重点研发计划项目 2021YFC3000103

西藏自治区“十四五”时期清洁能源科技重大专项 XZ202201ZD0003G

江苏省水利科技项目 2020015

详细信息

作者简介:
汪璋淳(1976—)，男，江苏南京人，本科，高级工程师，主要从事岩土工程安全监测技术研究。E-mail：zcwang@nhri.com

通讯作者:
孔洋, E-mail: ykong@nhri.cn

中图分类号: TU413
计量
- 文章访问数: 183
- HTML全文浏览量: 21
- PDF下载量: 60
出版历程
- 收稿日期: 2023-07-04
- 网络出版日期: 2023-11-23
- 刊出日期: 2023-10-31

Experimental research on two-dimensional deformation monitoring based on distributed optical fiber sensing technology

WANG Zhangchun^{1, 2,},
LUO Qixun³,
KONG Yang^1, ,,
HE Ning^{1, 2},
DU Sanlin⁴,
JIANG Bingnan³,
ZHOU Yanzhang^{1, 2}

1.
Geotechnical Engineering Department, Nanjing Hydraulic Research Institute, Nanjing 210024, China
2.
Key Laboratory of Ministry of Water Resources, Nanjing 210029, China
3.
PowerChina Chengdu Engineering Corporation Limited, Chengdu 610072, China
4.
Water and Landscape Energy Storage Technology Innovation Center of Tibet Autonomous Region, Chengdu 610072, China

摘要

摘要: 科学合理的岩土体变形监测是岩土工程稳定性和安全性评价的重要指标，充分发挥分布式传感光纤测量技术特点，基于特殊设计的光纤变形试验装置，提出了一种基于分布式光纤传感技术的二维变形监测方法，开展了5类水平位移与沉降调节工况的传感光纤室内二维变形试验与2组堆石坝工程内部变形实测数据的模拟验证。研究结果表明5类试验工况下40组试验测得其水平位移和沉降绝对误差均小于1 mm，该二维变形监测方法的变形监测性能优越。基于200 m级坝高堆石坝实测水平位移、沉降数据开展的室内模拟试验，试验结果在曲线形式及量值上均与实测结果吻合度均较高，406 m长的测量断面以测点间距为3.3 m的准分布式监测，测点沉降测量误差为cm级，水平位移测量误差mm级；说明基于分布式传感光纤技术的二维变形监测方法，可满足岩土体变形监测需要，具备良好的应用前景。
- 变形监测 /
- 分布式光纤传感技术 /
- 室内试验 /
- 误差分析 /
- 堆石坝 /
- 内部变形
Abstract: The scientific and reasonable deformation monitoring of rock and soil masses is an important index for the evaluation of stability and safety of geotechnical engineering. Given full play to the characteristics of distributed optical fiber sensing measurement technology, based on the specially designed optical fiber deformation test devices, a two-dimensional deformation monitoring method based on the distributed optical fiber sensing technology is proposed. The indoor two-dimensional deformation tests of sensing optical fiber under five kinds of horizontal displacement and settlement adjustment conditions and two sets of simulation and verification of the measured internal deformation of rockfill dam project are carried out. The research results show that the absolute errors of horizontal displacement and settlement measured by 40 groups of tests are less than 1 mm under the five kinds of test conditions. The two-dimensional deformation monitoring method has excellent performance. Based on the measured horizontal displacement and settlement data of a 200 m-high rockfill dam, the indoor simulation tests are carried out. The test results are in good agreement with the measured ones in terms of the curve form and measuring value. The 406 m-long measuring section is subjected to quasi-distributed monitoring with the spacing of measuring points of 3.3 m. The settlement measurement error of the measuring points is cm-level, and the horizontal displacement measurement error is mm-level. It is shown that the two-dimensional deformation monitoring method based on the distributed optical fiber sensing technology can meet the needs of deformation monitoring of rock and soil and has good application prospects.
- Deformation monitoring /
- distributed optical fiber sensing technology /
- indoor test /
- error analysis /
- rock-fill dam /
- internal deformation

HTML全文

0. 引言

随着中国软土地区城市地下空间工程的大规模建设，基坑工程朝着更大、更深、更复杂的趋势发展。基坑开挖卸荷作用会打破土体原有平衡状态，引起基坑周边土体应力重分布，进而导致地层产生位移和变形，最终对邻近既有建筑产生不利影响^[1-2]。而软土由于物理力学特性差和结构性强等特点，受扰动后极易发生性能劣化，产生较大应力变化和变形^[3]。因此，预测基坑开挖引起地表位移对确保既有建筑物的风险预警具有重要意义。

学者们对基坑开挖引起地表位移预测开展了深入研究，研究方法主要包括数值模拟^[4]、解析解法^[5]等。这些方法在一定程度上反映了土体本构关系和基坑开挖与土体之间的力学响应，但存在本构关系确定困难、计算成本高、推导过程复杂和效率较低等缺点。机器学习作为一种高效的代理模型，成为基坑开挖引起地表位移的一种高效方法^[6]。赵华菁等^[7]基于实测数据，对比反向传播算法BP和长短期记忆神经网络LSTM预测结果，得出LSTM模型具有较好的稳定性。张生杰等^[8]基于LSTM模型对地下连续墙的变形预测，并与传统神经网络模型相比，证明了该模型的稳定性和可靠性。徐长节等^[9]通过支持向量机SVM、多层感知器模型ANN、长短期记忆模型LSTM模型及门循环单元模型GRU模型对支护结构最大侧移预测，得出GRU模型总体预测效果最好。单一神经网络预测模型有较好的准确性和可靠性，但受限于数据特征提取能力，并不能很好的处理非线性和非平稳序列^[10]。

综上所述，本文结合CNN模型和单一时序神经网络LSTM模型、GRU模型，建立混合神经网络CNN-LSTM模型、CNN-GRU模型。基于基坑开挖引起邻近地表位移实测数据，对比单一时序神经网络LSTM模型、GRU模型和混合时序神经网络CNN-LSTM模型、CNN-GRU模型的预测精度，并将混合时序神经网络CNN-LSTM模型、CNN-GRU模型的优化效果进行比较，为基坑开挖引起邻近地表位移预测提供参考。

1. 时序预测模型建立

1.1 卷积神经网络CNN模型

卷积神经网络CNN模型具有局部连接和权值共享特性，可高效实现输入特征的提取。其结构特征可分为输入层、卷积层、池化层、全连接层和输出层，如图 1所示。其中，卷积层通过卷积运算对数据特征提取，池化层通过去除数据进行特征降维，最后通过全连接层特征加权，提高数据特征质量。

图 1 CNN神经网络

Figure 1. CNN neural network

下载: 全尺寸图片幻灯片

1.2 长短期记忆神经网络LSTM模型

长短期记忆神经网络LSTM模型具有长效记忆能力和在必要时更新信息的特性，实现考虑时序性输入参数。其结构特征可分为遗忘门、输入门和传输门，如图 2所示。其中，输入门通过激活函数，决定输入信息，遗忘门选择信息保留，输出门控制信息输出，通过反向传播算法进行训练，以此适应数据特征。LSTM模型中参数计算公式为

${f_t} = \sigma \left( {{{\boldsymbol{W}}_{\mathrm{f}x}}{x_t} + {{\boldsymbol{W}}_{\mathrm{f}h}}{y_{t - 1}} + {b_\mathrm{f}}} \right) \text{，}$

(1)

${i_t} = \sigma \left( {{{\boldsymbol{W}}_{ix}}{x_t} + {{\boldsymbol{W}}_{ih}}{y_{t - 1}} + {b_i}} \right) \text{，}$

(2)

$\tilde{S}_t=\tanh \left(\boldsymbol{W}_{\mathrm{c}x} x_t+\boldsymbol{W}_{\mathrm{c}h} y_{t-1}+b_{\mathrm{c}}\right),$

(3)

${S_t} = {f_t} \otimes {S_{t - 1}} + {i_i} \otimes {S_t} \text{，}$

(4)

${O_t} = \sigma \left( {{{\boldsymbol{W}}_{\mathrm{o}x}}{x_t} + {{\boldsymbol{W}}_{\mathrm{o}h}}{h_{t - 1}} + {b_\mathrm{o}}} \right) \text{，}$

(5)

${h_t} = {O_t} \otimes \tanh {S_t} 。$

(6)

图 2 LSTM单元结构图

Figure 2. Structure of LSTM cell

下载: 全尺寸图片幻灯片

式中：x_t为输入特征；S_t，S_t-1为记忆单元中的状态向量；W为输出门的权重；b为输入门的偏置项；σ与tanh为激活函数； $\otimes$ 为矩阵元素相乘。

1.3 门控循环单元GRU模型

门控循环单元GRU模型是LSTM模型的改进模型，实现少于LSTM模型输入参数，取得与LSTM模型相同效果。其结构特征可分为更新门和重置门，如图 3所示。其中，更新门控制保留多少前一时刻状态信息到当前状态程度。重置门控制当前状态与先前信息结合程度。GRU模型中各参数的计算公式为

${z_t} = \sigma \left( {{{\boldsymbol{W}}_z} \cdot \left[ {{s_{t - 1}},{x_t}} \right]} \right) \text{，}$

(7)

${r_1} = \sigma \left( {{{\boldsymbol{W}}_r} \cdot \left[ {{s_{t - 1}},{x_t}} \right]} \right) \text{，}$

(8)

$\tilde{S}_t=\tanh \left(\boldsymbol{W} \cdot\left[s_{t-1} \cdot r_1, x_t\right]\right) \quad,$

(9)

$s_t=\left(1-z_t\right) s_{t-1}+z_t \tilde{S}_t 。$

(10)

图 3 GRU模型结构

Figure 3. Structure of GRU model

下载: 全尺寸图片幻灯片

1.4 混合时序神经网络CNN-LSTM模型和CNN- GRU模型

混合时序神经网络CNN-LSTM模型是基于CNN模型的空间特征提取能力，将数据进行多次重复卷积和池化后，有效提取强化后的特征信息，通过LSTM模型中门的控制机制，对CNN模型提取的特征值进行长短期记忆训练。混合时序神经网络模型CNN-GRU模型是在CNN模型提取特征信息基础上，引入GRU模型中重置门和更新门，捕捉数据中的时序关系，实现对未来数据的预测，其结构特征如图 4所示。

图 4 CNN-LSTM和CNN-GRU结构

Figure 4. Structure of CNN-LSTM and CNN-GRU

下载: 全尺寸图片幻灯片

2. 地表位移预测框架搭建

2.1 工程概况

本文选取杭州某邻近既有车站基坑开挖工程为依托。基坑开挖工程平面尺寸约为210 m×85 m，深度约为15 m。南、北基坑工程的正中间是地铁1号线从打铁关站至西湖文化站隧道运营段，地铁1号线车站主体结构紧邻基坑东侧，在车站主体结构中设有多个监测断面，站台两侧各设置两组监测棱镜，如图 5所示。

图 5 杭州某邻近既有隧道基坑开挖工程概况

Figure 5. Overview of project adjacent to excavation of existing tunnel in Hangzhou

下载: 全尺寸图片幻灯片

2.2 数据集建立

通过棱镜采集DM33断面中车站主体结构段地表位移数据，共计186组。为提高模型收敛速度，对数据集进行如下归一化处理：

$x^*=\frac{x-x_{\min }}{x_{\max }-x_{\min }} 。$

(11)

式中： ${x^*}$ 为归一化后数据；x为归一化前数据；x_max为样本最大值；x_min为样本最小值。

将归一化后的数据集采用滚动预测方法，得到180组数据，滚动预测方法具体步骤如下：

（1）设置滚动窗口为7，输入层神经元数量为6，输出层为神经元数量为1。

（2）进行地表位移滚动预测，将k_y-k_y+6时刻实测数据作为k_y+7时刻的数据的输入特征，k_y+7时刻数据为输出层。

（3）重复上述步骤，进行滚动迭代，最终建立所有时刻的地表位移数据集，如图 6所示。

图 6 滚动预测法

Figure 6. Rolling forecasting method

下载: 全尺寸图片幻灯片

2.3 预测模型结构设计

将数据集以8︰1︰1比例分为训练集、验证集和测试集，分别输入到单一时序神经网络预测模型LSTM模型、GRU模型和混合时序神经网络预测模型CNN-GRU模型、CNN-LSTM模型中进行预测。

单一神经网络主要取决于神经元数目与层数对预测模型结果的影响。GRU模型网络模块：初始参数设置为1层GRU，神经元数目为32，随机失活系数为0.01。LSTM网络模块：设置为1层LSTM，神经元数目为32，随机失活系数为0.01。

混合神经网络中主要设置CNN模型卷积层数和时序预测中神经元目数对预测模型结果的影响^[11]。混合时序神经网络预测模块初始设置如下：CNN模型特征提取模块为一层Conv1 D层，卷积核数为16，大小为2；LSTM模型模块：神经元目数为32，随机失活系数为0.01。GRU模型模块，神经元数目为32，随机失活系数为0.01。

2.4 模型预测精度

为检验模型预测精度，通过平均绝对误差MAE、平均相对误差MAPE和均方根误差RMSE对模型预测结果进行评价，计算公式为

$\text{RMSE} = \sqrt {\frac{1}{N}\sum\limits_{i = 1}^N {{{\left( {{{\hat y}_i} - {y_i}} \right)}^2}} } \text{，}$

(12)

$\text{MAPE} = \frac{1}{N}\sum\limits_{i = 1}^N {\left| {\frac{{{{\hat y}_i} - {y_i}}}{{{y_i}}}} \right|} \text{，}$

(13)

$\text{MAE} = \frac{1}{N}\sum\limits_{i = 1}^N {\left| {{{\hat y}_i} - {y_i}} \right|} 。$

(14)

式中：N为样本个数； ${\hat y_i}$ 为输出预测值； ${y_i}$ 为真实值。

3. 模型预测结果

3.1 模型预测结果分析

以180组实测地表位移数据为基础，分别通过LSTM模型、GRU模型、CNN-LSTM模型和CNN-GRU模型对数据集进行训练预测，4种模型预测结果如图 7所示。

图 7 地表位移预测值对比

Figure 7. Comparison of predicted surface displacements

下载: 全尺寸图片幻灯片

由图 7可知，4种模型预测结果均能捕捉到地表位移实测数据的变化趋势。对于单一神经网络模型，LSTM模型和GRU模型均未能预测到地表由沉降到隆起的变化，且LSTM模型整体拟合度较差，这可能是预测误差随着时间序列长度增加而累积，引起LSTM模型预测值明显偏离实测值^[12]。此外，地表由沉降到隆起的过程存在复杂的非线性关系，LSTM模型和GRU模型虽然能够处理非线性问题，但是在小样本数据情况下仍可能无法准确地捕捉到复杂的非线性变化，忽略了由沉降变为隆起的相关性特征。对于混合神经网络模型，CNN-LSTM模型和CNN-GRU模型预测效果均优于单一神经网络模型，且对于地表由沉降到隆起的变化也有较好的预测效果。这可能是在CNN模型数据空间特征提取作用下，LSTM模型^[13]和GRU模型能够更好地捕捉数据中的空间特征和序列依赖关系。

3.2 预测精度及优化效果

图 8是4种模型预测结果的平均绝对误差MAE、平均相对误差MAPE和均方根误差RMSE对比。从图 8中可以看出，对于平均绝对误差MAE，4种模型预测结果均在0.1以下，即4种模型预测偏差较小。对于均方根误差RMSE，4种模型预测结果均处于0.1左右，即4种模型均有较好的拟合能力。对于平均相对误差MAPE，CNN-GRU最小，其次是CNN-LSTM模型，然后是GRU模型，最后是LSTM模型，即CNN-GRU模型具有最优的预测准确性。表 1是单一时序神经网络预测模型和混合时序神经网络预测模型预测精度对比。由表 1可知，相较于单一时序神经网络预测模型LSTM模型和GRU模型，混合时序神经网络预测模型CNN-LSTM模型和CNN-GRU模型具有较好优化效果。对于平均绝对误差MAE、平均相对误差MAPE和均方根误差RMSE，CNN-LSTM模型较LSTM模型分别降低了24.4%，53.8%，4.1%，CNN-GRU模型较GRU模型分别降低了13.9%，49.1%，1%。由此可见，特征提取后的LSTM模型和GRU模型均表现出较好的预测效果。

图 8 地表位移预测精度对比

Figure 8. Comparison of prediction accuracies of surface displacement

下载: 全尺寸图片幻灯片

表 1 预测模型评价指标

Table 1. Evaluation indexes of prediction models

评判指标	LSTM	CNN-LSTM	优化效果/%	GRU	CNN-GRU	优化效果/%
MAE	0.1019	0.0819	24.4	0.0902	0.0782	13.9
MAPE	1.2779	0.5909	53.8	1.0970	0.5581	49.1
RMSE	0.1251	0.1199	4.1	0.1185	0.1174	1.0

下载: 导出CSV

| 显示表格

4. 结论

以杭州某邻近既有车站基坑开挖工程为研究对象，分别建立LSTM模型、GRU模型、、CNN-LSTM模型以及CNN-GRU模型预测邻近基坑开挖引起地表位移实测数据，分析模型预测效果和预测精度。得到2点结论。

（1）模型预测效果中CNN-GRU模型预测效果最优，CNN-LSTM模型次之，其次是GRU模型，最后是LSTM模型。在CNN模型的数据空间特征提取作用下，LSTM模型和GRU模型能够更好地捕捉数据中的空间特征和序列依赖关系。

（2）CNN-LSTM模型和CNN-GRU模型相较于LSTM模型和GRU模型有较好的优化效果，对于平均绝对误差MAE、平均相对误差MAPE和均方根误差RMSE，CNN-LSTM模型较LSTM模型分别降低了24.4%，53.8%，4.1%，CNN-GRU模型较GRU模型分别降低了13.9%，49.1%和1%。

图 1 基于分布式光纤传感的二维变形监测试验装置示意图

Figure 1. Schematic diagram of two-dimensional deformation monitoring test devices based on distributed optical fiber sensoring technology

下载: 全尺寸图片幻灯片

图 2 典型试验阶段BOTDA测量光纤应变曲线

Figure 2. Curves of optical fiber strain measured by BOTDA at typical test stage

下载: 全尺寸图片幻灯片

图 3 40组试验数据不同差值计算方法绝对误差统计分析结果

Figure 3. Statistical results of absolute error by using different difference methods for 40 groups of test data

下载: 全尺寸图片幻灯片

图 4 实测水平位移、沉降与室内二维变形试验模拟结果对比分析曲线

Figure 4. Comparative curves of measured horizontal displacement and settlement with simulated results of indoor two- dimensional deformation tests

下载: 全尺寸图片幻灯片

表 1 试验操作调节距离与测试位置统计表

Table 1 Statistical table of test operation distances and test positions (单位: mm)

编号	调节距离	测试点位	编号	调节距离	测试点位
1	—	(0, 0)	21	—	(8, 30)
2	右1	(1, 0)	22	左-2上-5	(6, 25)
3	右1	(2, 0)	23	左-1.2上-5	(4.8, 20)
4	右1	(3, 0)	24	左-1.2上-5	(3.6, 15)
5	右1	(4, 0)	25	左-1.2上-5	(2.4, 10)
6	右1	(5, 0)	26	左-1.2上-5	(1.2, 5)
7	右1	(6, 0)	27	左-1.2上-5	(0, 0)
8	右1	(7, 0)	27	—	(0, 0)
9	右1	(8, 0)	28	右1上-5	(1, -5)
9	—	(8, 0)	29	右1上-5	(2, -10)
10	下2	(8, 2)	30	右1上0	(3, -10)
11	下2	(8, 4)	31	右1上-5	(4, -15)
12	下2	(8, 6)	32	右1上-5	(5, -20)
13	下2	(8, 8)	33	右1上-5	(6, -25)
14	下2	(8, 10)	34	右1上-5	(7, -30)
15	下3	(8, 13)	35	右1上-5	(8, -35)
16	下3	(8, 16)	35	—	(8, -35)
17	下4	(8, 20)	36	左-1下5	(7, -30)
18	下5	(8, 25)	37	左-1下5	(6, -25)
19	下5	(8, 30)	38	左-2下5	(4, -20)
20	下10	(8, 40)	39	左-2下10	(2, -10)
21	上-10	(8, 30)	40	左-2下10	(0, 0)
注：本次试验以向下移动为正，向右移动为正；以向下移动为负，向左移动为负。

下载: 导出CSV

参考文献(11)

[1]	莫伟樑, 杨雨冰, 林越翔, 等. 基于OFDR技术的盾构隧道管片错台变形测量与计算方法[J]. 现代隧道技术, 2022, 59(5): 179-187. https://www.cnki.com.cn/Article/CJFDTOTAL-XDSD202205022.htm MO Weiliang, YANG Yubing, LIN Yuexiang, et al. Measurement and calculation method for shield tunnel segment dislocation deformation based on OFDR technology[J]. Modern Tunnelling Technology, 2022, 59(5): 179-187. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-XDSD202205022.htm
[2]	随意, 程晓辉, 李官勇, 等. 基于分布式光纤监测的盾构隧道管片变形受力反演分析[J]. 工程力学, 2022, 39(增刊1): 158-163. https://www.cnki.com.cn/Article/CJFDTOTAL-GCLX2022S1023.htm SUI Yi, CHENG Xiaohui, LI Guanyong, et al. Inversion analysis of deformation and force of shield tunnel segments based on distributed optical-fibre monitoring[J]. Engineering Mechanics, 2022, 39(S1): 158-163. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-GCLX2022S1023.htm
[3]	侯公羽, 李子祥, 胡涛, 等. 基于分布式光纤应变传感技术的隧道沉降监测研究[J]. 岩土力学, 2020, 41(9): 3148-3158. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX202009033.htm HOU Gongyu, LI Zixiang, HU Tao, et al. Study of tunnel settlement monitoring based on distributed optic fiber strain sensing technology[J]. Rock and Soil Mechanics, 2020, 41(9): 3148-3158. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX202009033.htm
[4]	何斌, 徐剑飞, 何宁, 等. 分布式光纤传感技术在高面板堆石坝内部变形监测中的应用[J]. 岩土工程学报, 2023, 45(3): 627-633. doi: 10.11779/CJGE20220089 HE Bin, XU Jianfei, HE Ning, et al. Application of inner deformation monitoring of concrete face rockfill dams based on distributed optical fiber technology[J]. Chinese Journal of Geotechnical Engineering, 2023, 45(3): 627-633. (in Chinese) doi: 10.11779/CJGE20220089
[5]	何宁, 何斌, 张宗亮, 等. 蓄水初期红石岩堰塞坝混凝土防渗墙变形与受力分析[J]. 岩土工程学报, 2021, 43(6): 1125-1130. doi: 10.11779/CJGE202106016 HE Ning, HE Bin, ZHANG Zongliang, et al. Deformation and stress of concrete cut-off wall of Hongshiyan dammed body at initial stage of water storage[J]. Chinese Journal of Geotechnical Engineering, 2021, 43(6): 1125-1130. (in Chinese) doi: 10.11779/CJGE202106016
[6]	何斌, 何宁, 许滨华, 等. 混凝土面板堆石坝面板挠度分布式监测试验[J]. 岩土工程学报, 2020, 42(5): 837-844. doi: 10.11779/CJGE202005005 HE Bin, HE Ning, XU Binhua, et al. Tests on distributed monitoring of deflection of concrete faces of CFRDs[J]. Chinese Journal of Geotechnical Engineering, 2020, 42(5): 837-844. (in Chinese) doi: 10.11779/CJGE202005005
[7]	燕东源, 李长作, 郝海龙, 等. 基于分布式光纤传感技术的边坡岩土体变形智能监测[J]. 自动化与仪器仪表, 2022(12): 176-180, 185. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDYY202212036.htm YAN Dongyuan, LI Changzuo, HAO Hailong, et al. Intelligent monitoring of slope rock and soil deformation based on distributed optical fiber sensing technology[J]. Automation & Instrumentation, 2022(12): 176-180, 185. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZDYY202212036.htm
[8]	毛学军, 张鸿, 旷小林, 等. 边坡岩土体变形监测的光纤光栅测斜仪研发与工程应用[J]. 公路工程, 2015, 40(5): 231-235. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNGL201505052.htm MAO Xuejun, ZHANG Hong, KUANG Xiaolin, et al. Development and application of A fibre grating inclinometer for monitoring the rock and soil slope deformation[J]. Highway Engineering, 2015, 40(5): 231-235. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZNGL201505052.htm
[9]	施斌, 顾凯, 魏广庆, 等. 地面沉降钻孔全断面分布式光纤监测技术[J]. 工程地质学报, 2018, 26(2): 356-364. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201802010.htm SHI Bin, GU Kai, WEI Guangqing, et al. Full section monitoring of land subsidence borehole using distributed fiber optic sensing techniques[J]. Journal of Engineering Geology, 2018, 26(2): 356-364. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201802010.htm
[10]	卢毅, 施斌, 于军, 等. 地面变形分布式光纤监测模型试验研究[J]. 工程地质学报, 2015, 23(5): 896-901. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201505012.htm LU Yi, SHI Bin, YU Jun, et al. Model test on distributed optical fiber monitoring of land subsidence and ground fissures[J]. Journal of Engineering Geology, 2015, 23(5): 896-901. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201505012.htm
[11]	程刚, 王振雪, 朱鸿鹄, 等. 基于分布式光纤感测的岩土体变形监测研究综述[J]. 激光与光电子学进展, 2022, 59(19): 51-70. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202219003.htm CHENG Gang, WANG Zhenxue, ZHU Honghu, et al. Research review of rock and soil deformation monitoring based on distributed fiber optic sensing[J]. Laser & Optoelectronics Progress, 2022, 59(19): 51-70. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202219003.htm