[發明專利]基于GA-LSSVM與NSGA-Ⅱ盾構下穿既有隧道施工多目標優化的方法

在審

• 申請號: 202011457041.5
• 申請日: 2020-12-10
• 公開（公告）號: CN112417573A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 吳賢國;陳虹宇;陳彬;馮宗寶;覃亞偉;徐文勝;吳克寶;楊賽;田金科
• 申請（專利權）人: 華中科技大學
• 主分類號: G06F30/13
• 分類號: G06F30/13;G06F30/27;G06F111/06
• 代理公司: 北京盛詢知識產權代理有限公司 11901
• 代理人: 陳巍

1.一種基于GA-LSSVM與NSGA-Ⅱ盾構下穿既有隧道施工多目標優化的方法，其特征在于，包括以下步驟：

S1、搜集數據，選取盾構施工參數作為輸入變量，將既有隧道拱底水平位移和沉降位移分別作為輸出變量，建立原始樣本集；

S2、采用GA改進最小二乘支持向量機GA-LSSVM建立所述既有隧道拱底水平位移和沉降位移的高精度預測模型，獲取兩個非線性回歸預測函數；

S3、將所述兩個非線性回歸預測函數作為適應度函數，聯合各影響因素的約束條件，利用NSGA-Ⅱ進行多目標優化獲取最優配合比。

2.根據權利要求1所述的基于GA-LSSVM與NSGA-Ⅱ盾構下穿既有隧道施工多目標優化的方法，其特征在于，所述步驟S1中盾構施工參數包括：土倉壓力、泡沫量、同步注漿量、掘進速度、刀盤扭矩、及頂推力。

3.根據權利要求1所述的基于GA-LSSVM與NSGA-Ⅱ盾構下穿既有隧道施工多目標優化的方法，其特征在于，所述步驟S2中，采用GA-LSSVM建立既有隧道拱底水平位移和沉降位移的高精度預測模型的具體步驟為：

S2.1、數據預處理：對所述輸入變量和輸出變量歸一化到[-1,1]區間；

S2.2、核函數參數優化：采用高斯核函數作為擬建支持向量機模型的核函數進行研究，確定核函數后，利用遺傳算法將5折交叉驗證意義下的均方根誤差MSE作為優化目標，對核函數寬度參數和懲罰系數進行優化；

S2.3、建立訓練預測模型：將所述原始樣本集隨機分為訓練樣本集和測試樣本集，將得到的參數優化結果輸入模型中，基于matlab支持向量機工具箱建立訓練預測模型,分別獲得訓練集和測試集預測擬合結果。

4.根據權利要求3所述的基于GA-LSSVM與NSGA-Ⅱ盾構下穿既有隧道施工多目標優化的方法，其特征在于，采用式1對訓練模型進行性能評價：

其中：R²為擬合優度；n為樣本數，y^obs表示實際觀測值；表示實際觀測值的平均值；y^pred表示預測值。

5.根據權利要求4所述的基于GA-LSSVM與NSGA-Ⅱ盾構下穿既有隧道施工多目標優化的方法，其特征在于，所述擬合優度R²表示預測值與真實值之間的擬合效果，擬合優度越接近1，說明預測效果越好。

6.根據權利要求1所述的基于GA-LSSVM與NSGA-Ⅱ盾構下穿既有隧道施工多目標優化的方法，其特征在于，所述步驟S3中利用NSGA-Ⅱ進行多目標優化獲取最優配合比的步驟包括：

S3.1、確定目標函數：引入GA-LSSVM隧道拱底位移回歸預測算法替代傳統數學關系式作為多目標遺傳算法中的適應度函數，由GA-LSSVM預測回歸方程確定拱底水平位移和沉降位移的目標函數，分別為f1和f2：

f₁＝min(ga-lssvm-regression(X₁,X₂,X₃,X₄,X₅,X₆))

f₂＝min(ga-lssvm-regression(X₁,X₂,X₃,X₄,X₅,X₆))

其中：X₁,X₂,X₃,X₄,X₅,X₆分別是土倉壓力、泡沫量、同步注漿量、掘進速度、刀盤扭矩、頂推力；

S3.2、確定約束范圍，約束條件為：

b_il≤x_i≤b_iu

其中，x_i代表第i個盾構參數，b_il和b_iu分別表示第i個盾構參數取值的下限和上限；

S3.3、采用NSGA-II算法，進行盾構下穿既有隧道施工多目標優化。