[發明專利]一種基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法

在審

• 申請號: 202110960161.5
• 申請日: 2021-08-20
• 公開（公告）號: CN113762360A
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 杜慶峰;李曉軍;張雙俐;徐錦程
• 申請（專利權）人: 同濟大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 彭瑤

1.一種基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法，其特征在于，包括下列步驟：

1)獲取TBM掘進參數數據和各個樁號的圍巖等級數據；

2)對獲取的TBM掘進參數數據進行數據清洗、特征提取及圍巖等級標注處理，將處理后的數據與各個樁號的圍巖等級數據作為機器學習模型的輸入；

3)對步驟2)處理后的數據進行樣本不均衡處理；

4)利用K折交叉驗證選擇機器學習模型的最優模型參數；

5)進行模型訓練、評估與比對，獲取用于圍巖等級預測的機器學習模型，并設置比對模型對該模型的預測效果進行比對驗證；

6)采用訓練好的模型進行圍巖等級預測并對軟弱圍巖進行預警。

2.根據權利要求1所述的基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法，其特征在于，步驟1)中，獲取的TBM掘進參數數據為TMB3標段數據，數據采集頻率為1HZ。

3.根據權利要求2所述的基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法，其特征在于，所述TMB3標段數據包括TBM掘進過程中各個時刻的所有掘進參數值和各個樁號的圍巖分級信息，兩類數據通過樁號信息進行對應，各個時刻的所有掘進參數值不包括時間戳、運行時間和樁號。

4.根據權利要求3所述的基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法，其特征在于，步驟2)具體包括下列步驟：

21)對于掘進參數數值進行空值處理；

22)將每個掘進段劃分為空推段、上升段和穩定段；

23)對劃分后的掘進段進行特征提取；

24)在時序的穩定段數據中，對各個穩定段進行圍巖等級標注；

25)對步驟23)提取的特征數據進行歸一化處理。

5.根據權利要求4所述的基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法，其特征在于，步驟23)的具體內容為：

采用最小二乘法對一定窗口長度內的刀盤扭矩、總推進力和推進速度值進行直線擬合，通過擬合直線斜率的變化情況對空推段、上升段和穩定段進行劃分，采用均值法計算穩定段一定時間段內各個掘進參數的特征值，取穩定段一定窗口長度內的各個掘進參數的均值作為特征值。

6.根據權利要求5所述的基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法，其特征在于，提取的特征包括穩定段泵1潤滑壓力均值、穩定段刀盤扭矩均值、穩定段推進壓力均值、穩定段撐靴壓力均值、穩定段潤滑泵電機電流均值、穩定段左側護盾位移均值、穩定段鋼拱架泵壓力均值、穩定段控制泵壓力均值、穩定段刀盤功率均值、穩定段撐靴泵壓力均值、穩定段冷水泵壓力均值、穩定段泵4潤滑壓力均值、穩定段EP2外密封壓力均值、穩定段內水泵壓力均值、穩定段齒輪密封壓力均值和穩定段刀盤轉速均值。

7.根據權利要求1所述的基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法，其特征在于，步驟3)中，采用SMOTE算法在數據層面處理樣本不均衡問題。

8.根據權利要求1所述的基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法，其特征在于，步驟4)中利用K折交叉驗證選擇機器學習模型的最優模型參數的具體步驟包括：

41)對步驟3)得到的樣本數據劃分為訓練集樣本和測試集樣本，將訓練集樣本數據隨機打亂順序，等分成K份；

42)選擇其中一份作為驗證集，其余K-1份作為訓練集，在訓練集上訓練模型并用該模型在驗證集上做測試，保存模型的各個評價指標值；

43)重復步驟42)K次，保證每個子集都有一次機會作為驗證集；

44)計算K組得到的各個評價指標的均值作為當前K折交叉驗證下模型的性能指標。