基于MEMS的智能传感方法，用于预测沿海环境中路基塌陷变形 吴迪（Di Wu）、 易超雄（Chaoxiong Yi）、 冯永哲（Yongzhe Feng）、 宋华林（Hualin Song）和 吴建建（Jianjian Wu）

《Coatings》：MEMS-Based Intelligent Sensing Method for Roadbed Collapse Deformation Prediction in Coastal Environments Di Wu, Chaoxiong Yi, Yongzhe Feng, Hualin Song and Jianjian Wu

　　摘要：在恶劣环境下，路基坍塌威胁着沿海基础设施，这种情况下，材料的老化会加速变形和失效的风险。准确的预测至关重要，然而传统的监测方法存在信息化程度低和响应延迟的问题。因此，本文提出了一种基于微机电系统（MEMS）的智能感知驱动方法，用于预测路基坍塌变形，以提高路基坍塌监测和预测的智能水平。首先，根据路基变形监测场景建立了一个分层预测框架，包括智能感知层、坍塌变形预测层和功能应用层，并系统地定义了各层的功能。其次，识别了该框架中涉及的两项关键技术，即MEMS数据清洗和时间序列特征提取，以及变形预测模型，并开发了相应的解决方案。最后，通过线性滑轨实验和路基坍塌模型测试验证了所提出方法的可行性和有效性。结果表明，通过留一法编码（LOOE）、缺失值插补和标准化实现了有效的MEMS数据清洗。结合地震参数提取和滑动窗口策略获得了准确的时间序列特征表示。改进的长短期记忆网络-反向传播（LSTM-BP）模型实现了95.56%的坍塌位移准确预测。所提出的基于MEMS的智能感知方法准确捕捉了路基坍塌变形的演变趋势和空间异质性，其结果可用于支持和指导路基坍塌的早期预警，为恶劣环境条件下的沿海和海上基础设施的安全和耐久性管理提供技术支持。

1. 引言
路基是交通运输基础设施中的关键承重结构，特别是在沿海和海上环境中，其运行安全对设施的使用寿命至关重要[1]。然而，随着服务期的延长，各种因素（如地下管道的泄漏和空化、渗流侵蚀、回填不足以及地下工程的干扰）会导致不同程度的路基坍塌和变形[2,3]。在沿海地区，高湿度、盐分暴露和循环加载等额外的环境影响进一步加速了材料的恶化和结构退化。这些问题加剧了结构失效，威胁到了交通设施的安全。值得注意的是，路基坍塌具有高度隐蔽性且发生突然[4]，因此早期识别变形对于减轻灾害风险至关重要[5]。因此，研究路基变形的监测和预测方法对于确保交通基础设施的安全具有重要的实际意义。

路基坍塌与变形的连续表征密切相关。路基坍塌不是瞬间发生的，而是通过内部结构状态的连续演变逐步发展的[6]。其宏观响应体现在位移的累积增长上[7]。与孤立时间点的离散观测相比，变形时间序列数据不仅反映了路基从稳态到不稳定状态的动态转变[8]，还为识别坍塌的不同阶段特征（即缓慢发展、加速增长和稳定或不稳定）提供了依据[9]。特别是对于在复杂环境中运行并在缺陷演变过程中表现出明显过渡特征的工程对象（如路基），连续获取和分析沉降变形数据对于准确揭示沉降形成过程中的关键演变模式至关重要[11]。

分析坍塌引起的变形时间序列数据的机制对于实现路基失效的早期预警至关重要。作为主要的监测工具，水平仪、卫星遥感、地面穿透雷达（GPR）和分布式光纤维等传感器可以获取多源信息，包括坍塌位移、空间变形和振动响应[12,13,14]。这些数据通常通过时域分析、频域分析和统计特征提取来进行分析，以识别和评估路基状况。然而，传统分析方法难以表征坍塌酝酿阶段的小幅度、缓慢变化和非平稳变形特征。这一局限性源于长期连续监测能力的不足以及对复杂环境的适应能力有限。最近的研究进一步表明，影响基础设施和复杂斜坡的不稳定过程通常需要使用多种监测和表征方法进行综合研究，以便更好地识别变形机制、评估风险演变并支持工程决策[15]。高频、智能连续传感机制的引入已成为增强坍塌和失效分析能力的有效方法[16]，而微机电系统（MEMS）的高频特性符合连续路基变形监测的要求。作者之前开发了一种MEMS监测设备[17]，用于实现对复杂斜坡中土壤变形的协作监测。不幸的是，MEMS时间序列信号经常受到强噪声、局部漂移和数据丢失的影响。具体来说，基于MEMS加速度信号的位移分析通常依赖于时域积分，这会导致积分误差随时间的累积[18]，从而降低路基坍塌早期预警的准确性。因此，在噪声、漂移和数据缺失的复杂条件下实现MEMS时间序列数据的智能解析和准确的坍塌变形预测对于实现路基坍塌的早期预警至关重要。

近年来，可持续发展战略和基础设施治理计划越来越重视交通运输基础设施的韧性、数字化和长期耐久性，特别是在面临恶劣服务条件的沿海和海上环境中。在这种背景下，智能监测和早期预警技术越来越受到重视，以支持风险预防、基于状态的维护和路基系统的可持续资产管理。因此，开发基于微机电系统（MEMS）传感的可靠变形监测和预测方法不仅是一个技术问题，也是提高基础设施安全、适用性和可持续性的重要工程方法。本文的目的是提出一种基于MEMS的智能感知方法来预测路基坍塌变形，并验证其在支持路基坍塌早期预警方面的有效性。本文的其余部分组织如下：第1节介绍了路基坍塌变形预测的方法论；第2节验证并分析了所提出的预测模型；第3节介绍了沙子模型箱坍塌的案例研究；最后，第4节总结了一些结论性意见。

2. 路基坍塌变形预测的方法论
本研究采用的方法论以问题为导向，整合了已建立的技术。具体来说，数据预处理、缺失值插补、基于滑动窗口的时间序列组织、LSTM、BP神经网络和基于遗传算法的优化都来源于现有的方法论基础。因此，本研究的新颖之处不在于提出一个新的独立算法，而在于开发了一个集成的基于MEMS的智能感知和变形预测框架，用于路基坍塌和沉降监测，其中数据清洗、物理意义特征构建和优化的LSTM-BP模型被结合成一个统一的工程导向的工作流程。

2.1 路基坍塌变形预测模型框架
基于路基工程的运行和维护背景，建立了一个基于MEMS的智能感知框架，用于路基沉降预测，如图1所示。该框架由三层组成：智能感知层、沉降预测层和应用层，适用于包括沿海环境在内的复杂条件下的路基系统。值得注意的是，智能感知层是沉降预测层和应用层的基础。它专注于在复杂条件下获取和解析MEMS时间序列数据。这一层揭示了在噪声干扰、漂移误差和数据缺失情况下沉降信息的表示机制。沉降预测层和应用层扩展了智能感知层的功能。具体来说，沉降预测层旨在实现基于MEMS数据的沉降预测，而应用层则实施了所提出的基于MEMS的智能感知方法来进行路基沉降预测。该框架的实现技术在以下部分进行了描述。

2.2 基于MEMS的智能感知方法
基于MEMS的智能感知方法是路基坍塌早期预警的基础。该方法的关键在于连续获取和可靠解析沉降时间序列数据。智能感知过程包括三个部分：数据获取、数据清洗和时间序列特征表示，如图2所示。

2.2.1 数据获取
MEMS数据获取基于微机电惯性器件对目标介质动态行为的感知和转换机制，将连续的物理响应转换为数字时间序列信号。以加速度测量为例，MEMS加速度计内的证明质量在外加加速度作用下产生相对位移，从而导致电容等传感元件的变化。经过信号处理和模数转换后，可以获得离散的加速度序列。同时，MEMS还可以同时获取角速度、磁场和姿态信息。这些数据用于安装姿态校准和重力分量校正，从而提高多点测量的一致性和可比性。

2.2.2 数据清洗
为了确保MEMS加速度数据满足后续特征构建和模型训练的要求，开发了数据清洗和标准化的工作流程。首先，采用LOOE编码将离散标识符转换为数值表示，从而提高多点数据的一致性和可比性，为后续模型训练做好准备[19]。其次，使用常用的基于机器学习的方法（包括随机森林、K最近邻居和LightGBM）进行缺失值插补，以提高数据的完整性和可靠性[20]。最终选择插补方案时考虑了时间趋势一致性、幅度合理性及其对验证集预测性能的贡献。通过时间趋势一致性和幅度约束进一步验证插补结果，以避免非物理波动。最后，通过均值去除和方差标准化来标准化数据，消除不同测量点和特征之间的尺度差异和维度偏差，从而提高模型的收敛性和泛化性能。在本研究中，原始MEMS记录按以下顺序处理：标识符编码、缺失值插补、均值去除和方差标准化、特征提取以及基于滑动窗口的样本构建。

2.2.3 时间序列特征分析
时间序列特征解析旨在从清洗后的时间序列数据中提取表征沉降位移演变的特点，将高维、噪声和非平稳信号转换为模型可学习的输入。该过程包括特征提取和时间组织。对于特征提取，引入了八种描述信号强度、能量和频率特性的地震参数，如表1所示。进行特征重要性分析，以识别一组物理意义上的特征。对于时间组织，采用滑动窗口策略对MEMS加速度序列进行分割，这是从连续信号构建局部时间序列样本的常用方法[21]。具体来说，使用固定窗口长度从原始加速度序列中提取子序列，并以预定义的步长进行更新，其中引入新数据并移除旧数据以实现动态特征更新。在每个窗口内计算特征参数，并在窗口结束时对齐，以构建连续的特征时间序列。通过将步长设置得小于窗口长度，实现了重叠分割，从而扩大样本大小并提高时间一致性，同时避免信息丢失。

2.3 基于MEMS数据的坍塌变形预测模型
位移通常通过在时间域中对MEMS加速度信号进行双积分来获得。然而，由于加速度信号中存在直流分量、偏差和基线漂移，这些误差在积分过程中会逐渐放大。在长期监测和噪声干扰下，传统方法难以实现可靠的沉降演变预测。相比之下，机器学习方法建立了加速度特征和位移响应之间的非线性映射，从而可以在不进行显式积分的情况下直接预测位移，提高了对复杂非平稳响应的预测能力。因此，基于解析的MEMS数据开发机器学习模型对于沉降位移预测至关重要。

MEMS处理后的时间序列数据并不代表单个时间点的原始加速度，而是由八个加速度特征组成的样本，这些特征使用滑动窗口提取，即（1），其中表示在时间t内窗口内提取的八维加速度特征向量，表示时间窗口的长度。应当注意的是，某一时刻的位移不仅与当前窗口内的加速度特征有关，还与多个先前窗口所反映的累积响应、变化率和阶段转换特性密切相关。长短期记忆（LSTM）网络通过记忆单元捕捉特征序列的时间演化，这些单元不断更新先前特征对当前位移的影响。更新机制表示如下：

其中， 表示时间 t 的记忆状态， 表示隐藏状态表示。变量 ， 和 ot 分别对应于遗忘门、输入门和输出门。具体来说， 可以视为来自多个先前窗口的加速度特征的累积表示，从而增强了模型从多样化特征序列中学习历史信息的能力。需要指出的是，基于 LSTM 构建的微机电系统（MEMS）特征与位移之间的映射关系不仅涉及时间依赖性，还涉及由传感器响应、运动速度变化和特征组合效应共同引起的复杂非线性关系。换句话说，尽管 LSTM 在提取时间信息方面表现出色，但其表达能力在将这些变化映射到特定位移增量方面是有限的。因此，在 LSTM 模型中引入了一个反向传播（BP）网络作为非线性回归层。该层进一步将 LSTM 提取的隐藏状态映射为预测的位移值，表示为

由于超参数 θ 是未知的，因此引入了一种遗传算法来全局优化 LSTM–BP 模型参数，以确定它们的最优值。通过种群演化机制，适应性搜索隐藏层节点的数量、学习率和网络结构参数，从而提高模型的预测准确性和稳定性。

3. MEMS 数据驱动的沉降变形预测模型的验证与分析
为了验证所提出的基于 MEMS 的智能传感方法和沉降预测模型的可行性和有效性，进行了一个线性滑动导轨实验作为案例研究。分析了他 MEMS 数据驱动的沉降预测方法的结果。

3.1. MEMS 数据集的构建
基于线性滑动导轨实验构建了一个用于 LSTM–BP 模型训练的数据集。图 3 展示了滑动导轨测试平台，它由一个运动控制系统和一个测量子系统组成。运动控制系统生成可控的加速度输入，并能在不同的波形条件下实现精确的加载。测量子系统同步地从 MEMS 传感器获取加速度时间序列数据，提供稳定和连续的动态响应信息。在实验过程中，滑块的运动被精确控制以跟随预定义的加速度波形。与随机干扰不同，本研究中采用的加速度输入是一个可控的波形，其变化可以通过函数形式唯一确定，从而确保输入的一致性。线性滑动导轨测试的实验条件和数据集规模总结在表 2 中。

图 3. 线性滑动导轨实验系统。
表 2. 线性滑动导轨测试的实验条件和数据规模。
收集的数据用于构建数据集样本。根据第 2.2.2 节描述的数据清洗方法和第 2.2.3 节描述的特征提取方法，处理 MEMS 时间序列数据以获得相应的八维加速度特征向量 xt。此外，应用滑动窗口方法将连续的特征序列转换为模型输入样本。同时，滑动导轨系统测量的位移被用作每个时间步的地面真实位移数据，作为监督学习标签。因此，构建了数据集样本 xt st。

为了确定合适的滑动窗口参数，基于测量的 MEMS 加速度数据进行了初步的比较分析。评估了不同窗口长度（4 秒、6 秒、8 秒和 10 秒）和步长（对应窗口长度的 25%、50% 和 75%）的组合。使用 R2、RMSE 和 MAE 来比较模型性能。图 4 展示了不同参数组合下的评估结果。随着窗口长度从 4 秒增加到 8 秒，模型性能提高，R2 增加，RMSE 和 MAE 减少。然而，当窗口长度增加到 10 秒时，性能达到平台期并略有下降，表明过长的窗口引入了冗余信息并降低了特征敏感度。对于步长，50% 的重叠度下获得了最佳性能，这平衡了样本大小和时间连续性。最终根据预测模型的验证性能选择了窗口配置。在所有候选组合中，选择了在验证集上具有最高 R2 值和最低 RMSE 与 MAE 的配置。当性能差异较小时，选择了具有更好时间连续性和较低计算冗余度的配置。因此，选择了 8 秒的窗口长度和 2 秒的步长（50% 的重叠度）作为最优参数。

3.2. MEMS 智能传感
基于第 2.1 节构建的数据集，首先进行了数据清洗，以控制缺失部分、噪声干扰和 MEMS 加速度序列中的尺度差异。然后，使用皮尔逊相关系数分析八个地震参数与最大位移之间的关系，以识别主导位移响应的关键特征参数，并据此完成特征构建。最后，应用滑动窗口对特征序列进行分割，生成用于后续 LSTM–BP 模型训练和预测的时间序列输入样本。

图 5 展示了数据清洗前后 MEMS 数据的比较。清洗后 MEMS 加速度序列的连续性显著提高，未观察到非物理波动。统计结果表明，信号标准差从 5.94 × 10?4 减少到 1.90 × 10?4，减少了 68%，而相邻时间步之间的平均差异减少了 60.1%，表明高频噪声和局部异常波动被有效抑制。同时，清洗前后信号均值的变化小于 2%，整体趋势保持一致，表明没有引入显著的系统性偏差。在此基础上，信噪比增加了大约 6–10 分贝，表明所提出的方法在噪声抑制和信号保真度之间取得了良好的平衡。

图 6 显示了每个参数的相关系数雷达图。CAV、Ia 和 NRR 与最大位移显示出强烈的正相关，表明累积效应和频率特性主导了位移响应。PGA 也显示出显著的正相关，反映了动态输入强度对位移幅度的直接影响。相比之下， 和 SI 显示出较弱的相关性，对位移变化的解释能力有限。 显示出一定的负相关，表明持续时间对位移响应具有抑制作用。基于相关分析和参数的物理意义，选择了 CAV、 、NRR 和 PGA 作为模型的输入特征。

3.3. 沉降变形预测模型
3.3.1. 模型参数设置
为了确保稳定的训练和高的预测准确性，适当地配置了模型结构和训练参数。使用了特征重要性分析确定的四个地震特征作为输入，相应时间的位移作为输出。使用均方误差（MSE）作为损失函数，并采用了初始学习率为 0.001 的 Adam 优化器。批量大小设置为 32，训练周期的最大数量设置为 200。在 LSTM 层之后引入了dropout 机制，并应用了基于验证损失的早停策略以防止过拟合。在网络结构方面，LSTM 子网用于提取时间特征，初始隐藏大小为 64。BP 子网用于非线性映射，初始隐藏大小为 32，隐藏层使用 ReLU 激活函数，输出层使用线性函数。此外，引入了一种遗传算法来全局优化模型超参数。遗传算法使用实值编码，种群大小为 20，最大迭代次数为 30，交叉概率为 0.8，变异概率为 0.1。在优化过程中，遗传算法搜索适合的网络相关超参数组合，包括隐藏层大小和学习相关参数，目标是最小化验证损失。最终模型根据其在 R2、RMSE 和 MAE 方面的整体验证性能进行选择，然后在独立测试集上进行评估。数据集分为训练集、验证集和独立测试集，分别占 70%、15% 和 15%。训练集用于参数学习，验证集用于超参数调整和模型选择，独立测试集仅用于最终性能评估。这种分离方法避免了模型选择的偏倚，并提高了可重复性。

3.3.2. 预测结果分析
图 7 展示了三种不同模型预测的时间历史位移和最终位移的比较。对于时间历史结果，LSTM–BP 模型将 RMSE 和 MAE 分别降低了 2.80% 和 2.73%，与 BP 模型相比。LSTM–BP 模型将 RMSE 和 MAE 分别降低了 4.43% 和 5.21%，与 LSTM 模型相比。对于最终位移预测，LSTM–BP 模型将 RMSE 和 MAE 分别降低了 5.14% 和 27.24%，与 BP 模型相比。LSTM–BP 模型将 RMSE 和 MAE 分别降低了 8.48% 和 11.64%，与 LSTM 模型相比。这些结果表明，所提出的模型整体性能更好，尽管在最终位移预测方面的改进更为明显。这可能归因于以下两个方面。一方面，LSTM 通过其门控机制有效地捕获了 MEMS 加速度特征序列中的长期依赖性和阶段性演化信息，从而增强了位移演化的表示。另一方面，BP 网络对隐藏状态进行非线性映射，提高了对加速度特征与位移幅度之间复杂关系的建模能力。此外，滑动窗口引入的历史信息积累和使用遗传算法对模型超参数进行全局优化进一步增强了模型的适应性和预测稳定性，使得在复杂非稳态条件下能够更准确地进行位移预测。这一结果与先前的研究一致，这些研究表明数据驱动或基于监测数据的预测方法可以有效捕获路基沉降的演化并提高复杂条件下的预测准确性 [8,14]。

3.3.3. 可解释性分析
图 8 展示了模型的可解释性分析结果。在圆形图中，节点大小和颜色强度表示每个因素的重要性，而连接线的宽度和颜色表示因素之间的相互作用强度。在 SHAP 结果中，箭头的方向和长度表示每个因素对预测的贡献方向和幅度，提供了模型行为的可解释表示。Sa 和 CAV 被确定为主导因素。具体来说，Sa 的贡献分别比 CAV 和 PGA 高出 51.2% 和 55.4%。这可以通过频谱强度在位移演化中的主导作用来解释。同时，CAV 的贡献比 PGA 高出 3.2%，表明累积能量对位移增长具有持续的影响。相比之下，PGA 的贡献比 Sa 低 36.6%，表明它主要影响瞬时响应并触发位移变化，但对整体演化的影响有限。此外，NRR的重要性最低，其绝对贡献比Sa低44.7%，并且表现出负面影响。这表明NRR主要通过反映信号噪声水平和响应复杂性来调节预测结果。图8显示了特征重要性、交互强度和SHAP分析的结果。4. 沙箱模型坍塌的案例研究实验场景旨在模拟在复杂环境干扰下路基的变形特性，并进一步验证所提出方法的准确性和有效性。4.1 路基坍塌模型测试概述图9显示了模型箱的布局。实验系统由一个模型箱、一个坍塌模拟机制和一个多源监测系统组成。模型箱使用U形钢槽制造，尺寸为1500毫米×600毫米×1500毫米。模型箱的底部分为一个稳定区、一个坍塌区和另一个稳定区，坍塌区的宽度约为300毫米。坍塌模拟机制包括一个螺杆驱动的沉降板。该板仅沿垂直方向移动，并装有防止侧向偏移的限位装置，最大沉降量为80毫米。通过控制螺杆进行加载和卸载来模拟坍塌，从而诱导上覆土壤的渐进性破坏和变形。共有九个MEMS传感器嵌入模型箱中，分布在三层中。第一层埋设在200毫米深处，传感器位于坍塌区域的中心、边界和稳定区，间距为150毫米。第二层和第三层分别埋设在350毫米和500毫米深处，布局与第一层相同。回填至650毫米后，整个结构完成。模型箱中使用的测试土壤是一种级配较差的沙子。在测试之前，材料先自然风干，然后在室内进一步干燥，并通过2毫米的筛网进行筛选，以确保粒径的一致性。粒径分布表明沙子的组成相对均匀但级配较差。土壤的主要物理和机械性能为干密度1.84克/立方厘米、含水量1.04%、内摩擦角33.00°以及粘聚力1.00千帕。土壤采用灌沙法分层填充并逐层压实。填充后，系统保持不动60分钟以消除初始干扰。在正式测试之前，MEMS传感器在静态条件下进行校准，以修正初始偏差并检查三轴输出的一致性。传感器安装后，再次进行零水平初始化，以减少安装引起的偏差。模型箱的边界由刚性钢侧壁约束，而坍塌区外的底部边界保持固定；只有坍塌区内的沉降板被允许垂直移动，侧向偏移受到导向装置的限制。在实验过程中，MEMS传感器、位移传感器和PIV系统使用统一的采集程序同步触发，以便在相同的时间尺度上比较加速度、位移和基于图像的变形数据。为了确保可比性，所有对比测试中的加载路径保持一致，沉降板在每次运行中都遵循相同的位移控制程序。在坍塌板下方安装了一个高精度位移传感器（精度0.01毫米，范围55毫米），用于记录沉降过程。建立了一个PIV监测系统，利用CCD成像和互相关算法获取位移场。加载过程中，螺杆驱动沉降板，MEMS传感器、位移传感器和PIV系统同步触发，以实现多源数据采集。当底板的累计沉降达到80毫米时，测试终止。图9. 模型箱的结构尺寸和传感器布局。4.2 实验结果分析图10显示了LSTM–BP模型预测的累计沉降位移。总体而言，预测曲线与所有测量点的实验结果非常吻合，有效再现了沉降的阶段性演变，即缓慢发展、加速增长和稳定化。特别是在中间和后期的快速增长阶段，模型准确跟踪了位移变化，表明其能够捕捉到坍塌扰动传播过程中的非平稳时间特征。从空间角度来看，模型正确反映了坍塌中心、边界和稳定区之间测量点的响应差异。具体来说，坍塌中心的位移最大，其次是边界区，稳定区的位移最小。这表明所提出的模型能够有效捕捉从核心区域到周围区域的沉降空间衰减。就深度而言，预测结果还显示，较深的测量点表现出比较浅的测量点更强的响应。这表明模型不仅可以描述沉降的时间演变，还可以反映深度依赖的响应特性。图10. 监测点处累计垂直位移的比较。此外，与传统的时域积分方法[17]相比，所提出的LSTM–BP方法整体表现更好。具体选择了深度为200毫米、350毫米和500毫米的九个测量点进行分析。表3展示了不同方法获得的结果。LSTM–BP模型的平均绝对误差为0.54毫米，平均相对误差为4.44%（针对A1-A9点）。相比之下，时域积分方法的平均绝对误差为1.63毫米，平均相对误差为15.21%。因此，LSTM–BP模型在两个指标上都提供了更低的误差。这可以解释为时域积分依赖于加速度信号的双重数值积分，对偏差、低频漂移和噪声积累敏感，导致中间和后期阶段的误差放大，降低了区分测量点之间真实差异的能力。在坍塌中心和较深的点上，这个问题更加明显，因为位移变化更大，响应更强，导致时间历史失真和端点偏差。相比之下，所提出的方法结合了时间依赖性学习和非线性映射，避免了直接积分引起的漂移积累，在复杂的沉降演变条件下显示出更好的稳定性和适用性。此外，观察到的阶段性变形演变和空间异质性也与先前关于沉降监测的研究结果一致，这些研究强调了变形的渐进发展以及路基系统中存在的空间差异响应[5,13,14]。表3. 测试条件。还应注意的是，实验不确定性可能通过当前工作流程的多个阶段传播。参考位移测量的误差或多源同步的误差可能会影响输入特征和目标响应之间的对齐，而PIV或位移传感器测量的不确定性可能会影响用于模型验证的比较。因此，报告的预测准确性应在模型性能和实验测量本身的不确定性背景下进行解释。尽管采用的校准、同步采集和多源比较程序有助于提高可靠性，但更系统的不确定性量化仍然是未来工作的课题。5. 讨论本研究表明，基于MEMS的智能传感可以作为将连续加速度测量转化为与变形相关的信息的有效手段，用于路基监测。从方法论角度来看，所提出的框架将数据清洗、特征构建和数据驱动预测集成到一个统一的工作流程中，从而减少了在噪声和易漂移条件下传统时域积分的一些限制。这些结果表明，当与适当的数据处理和学习模型结合使用时，MEMS传感在岩土系统的连续内部响应监测方面具有巨大潜力。从应用角度来看，所提出的方法可能适用于在复杂服务环境下运行的路基系统的变形监测、早期预警和状况评估。在其潜在价值方面，特别是在难以连续部署传统位移监测的情况下，或者内部土壤响应比仅表面观测提供更多信息的情况下，这种方法尤为重要。通过将MEMS测量与时间序列特征表示和位移预测联系起来，所提出的方法为更智能和数据驱动的岩土监测提供了一条可行途径。同时，目前的验证是在受控的实验室模型箱配置下进行的，在评估该方法更广泛的适用性时应考虑这一点。现场规模的路基系统可能涉及更复杂的土壤异质性、环境耦合、加载变异性和边界效应。因此，虽然当前结果支持了所提出方法的可行性，但在更多样化的实验和原位监测条件下仍需进一步验证，才能在更广泛的工程应用中应用。6. 结论本研究旨在开发一种基于MEMS的智能传感方法用于沉降预测，并研究其关键技术，以解决传统预防性监测的局限性，包括信息化水平低和预测延迟等问题。通过线性滑轨实验和沙箱模型案例验证了所提出方法的可行性和有效性。根据分析，可以得出以下结论：(1) 基于路基服役条件和坍塌演变情景，建立了一个三层模型框架，包括智能感知层、沉降预测层和应用层。智能感知层实现MEMS时间序列数据的稳定采集和解析。沉降预测层建立了加速度特征和位移响应之间的数据驱动映射。应用层实现了土壤沉降的准确预测。(2) 提出了一种基于MEMS数据的时间序列特征解析方法。通过编码变换、缺失数据插补和归一化提高了数据质量。使用地震特征参数提取和滑动窗口组织构建了时间序列输入特征。相邻加速度差异的波动减少了60.1%，使原始加速度信号能够转换为可学习的特征空间。(3) 开发了一种改进的LSTM–BP沉降预测模型。LSTM提取时间依赖特征，BP网络执行非线性映射，遗传算法用于优化模型参数。与基线模型相比，所提出的模型分别在准确性和稳定性上提高了8.7%和27.2%，为路基沉降预测提供了技术支持。(4) 实验结果表明，所提出的沉降预测方法具有良好的鲁棒性和有效性。它准确捕捉了沉降的阶段性演变，即缓慢发展、加速增长和稳定化，并反映了沉降的空间和深度依赖变化。此外，与时域积分方法相比，预测准确性提高了11.69%。应当注意的是，目前的结论基于有限的受控实验室测试。尽管所提出的基于MEMS的智能传感方法在路基沉降预测和早期预警方面显示出良好的潜力，但在更复杂条件下的可靠性和适用性仍需进一步验证。特别是，当前的实验计划没有明确模拟代表真实海岸环境的因素，如湿度、盐度和循环加载。此外，更多样化的土壤属性、重复加载路径、环境耦合和长期现场监测条件的影响尚未得到充分研究。因此，未来的工作应侧重于更多样化的实验场景、长期原位验证和更广泛的工程规模应用，以进一步提高所提出方法的鲁棒性、可转移性和通用性。