[發(fā)明專利]基于隨機森林和BP神經(jīng)網(wǎng)絡(luò)的盾構(gòu)掘進參數(shù)預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202110987641.0
• 申請日: 2021-08-26
• 公開（公告）號: CN113673059A
• 公開（公告）日: 2021-11-19
• 發(fā)明（設(shè)計）人: 王伯芝;李虎;劉學(xué)增;宋樹祥;劉新根;陳瑩瑩;門燕青;王亮;邢慧堂;黃永亮;劉浩
• 申請（專利權(quán)）人: 濟南軌道交通集團有限公司;上海同巖土木工程科技股份有限公司;山東軌道交通研究院有限公司
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F119/02
• 代理公司: 上海浦東良風(fēng)專利代理有限責(zé)任公司 31113
• 代理人: 張勁風(fēng)

1.基于隨機森林和BP神經(jīng)網(wǎng)絡(luò)的盾構(gòu)掘進參數(shù)預(yù)測方法，其特征在于，包括以下步驟：

S1、剔除核心掘進參數(shù)存在零值的異常樣本數(shù)據(jù)；

S2、計算同一盾構(gòu)隧道管片環(huán)內(nèi)盾構(gòu)核心掘進參數(shù)樣本數(shù)據(jù)的均值；

S3、提取地質(zhì)勘探報告中的核心地質(zhì)參數(shù)數(shù)據(jù)做輸入、步驟S2中的盾構(gòu)核心掘進參數(shù)數(shù)據(jù)均值做輸出,形成隨機森林訓(xùn)練樣本，訓(xùn)練隨機森林模型；

S4、對盾構(gòu)樣本數(shù)據(jù)中的核心狀態(tài)參數(shù)和核心掘進參數(shù)數(shù)據(jù)進行標(biāo)準(zhǔn)化預(yù)處理；

S5、以步驟S4中盾構(gòu)核心狀態(tài)參數(shù)標(biāo)準(zhǔn)化結(jié)果做輸入、盾構(gòu)核心掘進參數(shù)標(biāo)準(zhǔn)化結(jié)果做輸出,形成BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，基于核心狀態(tài)參數(shù)個數(shù)與核心掘進參數(shù)個數(shù)搭建BP神經(jīng)網(wǎng)絡(luò)模型并訓(xùn)練；

S6、在盾構(gòu)機初始開機時，通過隨機森林模型對盾構(gòu)核心掘進參數(shù)做出預(yù)測，在盾構(gòu)機運行過程中，通過BP神經(jīng)網(wǎng)絡(luò)模型對盾構(gòu)核心掘進參數(shù)做出實時預(yù)測。

2.根據(jù)權(quán)利要求1所述的基于隨機森林和BP神經(jīng)網(wǎng)絡(luò)的盾構(gòu)掘進參數(shù)預(yù)測方法，其特征在于，所述步驟S1的具體操作如下：

（1）盾構(gòu)樣本數(shù)據(jù)量大小為N，每條盾構(gòu)數(shù)據(jù)均由種核心掘進參數(shù)、種核心狀態(tài)參數(shù)和其他參數(shù)組成；選取盾構(gòu)數(shù)據(jù)中種核心掘進參數(shù)，核心掘進參數(shù)名稱的集合為；

（2）若某條盾構(gòu)樣本數(shù)據(jù)中，存在值為0的核心掘進參數(shù)，就把這條異常盾構(gòu)樣本數(shù)據(jù)剔除，經(jīng)過異常數(shù)據(jù)剔除后的盾構(gòu)樣本數(shù)據(jù)量大小變?yōu)椤?/p>

3.根據(jù)權(quán)利要求1所述的基于隨機森林和BP神經(jīng)網(wǎng)絡(luò)的盾構(gòu)掘進參數(shù)預(yù)測方法，其特征在于，所述步驟S2的具體操作如下：

對于每個核心掘進參數(shù)，處于同一盾構(gòu)隧道管片環(huán)內(nèi)的掘進參數(shù)值取平均，第環(huán)內(nèi)的掘進參數(shù)平均值的計算方式如下：

其中表示第環(huán)內(nèi)的盾構(gòu)數(shù)據(jù)量，表示第環(huán)內(nèi)第條盾構(gòu)數(shù)據(jù)的掘進參數(shù)的值，。

4.根據(jù)權(quán)利要求1所述的基于隨機森林和BP神經(jīng)網(wǎng)絡(luò)的盾構(gòu)掘進參數(shù)預(yù)測方法，其特征在于，所述步驟S3的具體操作如下：

（1）根據(jù)地質(zhì)勘探報告，種核心地質(zhì)參數(shù)名稱的集合為，構(gòu)建隨機森林在第環(huán)的輸入數(shù)據(jù)矩陣；

（2）根據(jù)步驟S2對盾構(gòu)數(shù)據(jù)中核心掘進參數(shù)數(shù)據(jù)的均值計算結(jié)果，構(gòu)建第環(huán)的輸出數(shù)據(jù)矩陣；

（3）利用整個區(qū)段上所有環(huán)的輸入輸出數(shù)據(jù)可以構(gòu)成訓(xùn)練樣本，基于隨機森林算法訓(xùn)練后得到隨機森林模型。

5.根據(jù)權(quán)利要求1所述的基于隨機森林和BP神經(jīng)網(wǎng)絡(luò)的盾構(gòu)掘進參數(shù)預(yù)測方法，其特征在于，所述步驟S4的具體操作如下：

（1）選取盾構(gòu)數(shù)據(jù)中種核心狀態(tài)參數(shù)，狀態(tài)參數(shù)名稱的集合為；

（2）在經(jīng)過異常數(shù)據(jù)剔除后的個盾構(gòu)樣本數(shù)據(jù)上，對每個核心狀態(tài)參數(shù)采用標(biāo)準(zhǔn)化的方式進行數(shù)據(jù)預(yù)處理，標(biāo)準(zhǔn)化公式如下所示：

其中表示對第條數(shù)據(jù)的核心狀態(tài)參數(shù)的預(yù)處理結(jié)果，，表示第條數(shù)據(jù)的核心狀態(tài)參數(shù)的值，表示核心狀態(tài)參數(shù)在個盾構(gòu)樣本數(shù)據(jù)上的均值，表示核心狀態(tài)參數(shù)在個盾構(gòu)樣本數(shù)據(jù)上的標(biāo)準(zhǔn)差；

（3）在異常數(shù)據(jù)剔除后的個盾構(gòu)樣本數(shù)據(jù)上對步驟S1中選取的每個核心掘進參數(shù)采用標(biāo)準(zhǔn)化的方式進行數(shù)據(jù)預(yù)處理，公式如下所示：

其中表示對第條數(shù)據(jù)的核心掘進參數(shù)的預(yù)處理結(jié)果，，表示第條數(shù)據(jù)的核心掘進參數(shù)的值，表示核心掘進參數(shù)在個盾構(gòu)樣本數(shù)據(jù)上的均值，表示核心掘進參數(shù)在個盾構(gòu)樣本數(shù)據(jù)上的標(biāo)準(zhǔn)差。

6.根據(jù)權(quán)利要求1所述的基于隨機森林和BP神經(jīng)網(wǎng)絡(luò)的盾構(gòu)掘進參數(shù)預(yù)測方法，其特征在于，所述步驟S5的具體操作如下：

搭建一個輸入層有個節(jié)點、有個隱藏層、每個隱藏層有個節(jié)點、輸出層有個節(jié)點的BP神經(jīng)網(wǎng)絡(luò)，其中所用的激活函數(shù)如下：

以步驟S4中時刻的盾構(gòu)核心狀態(tài)參數(shù)預(yù)處理結(jié)果為輸入，時刻的盾構(gòu)核心掘進參數(shù)預(yù)處理結(jié)果為輸出形成一組訓(xùn)練樣本，在個盾構(gòu)樣本數(shù)據(jù)上相鄰時刻的盾構(gòu)核心狀態(tài)參數(shù)預(yù)處理結(jié)果和核心掘進參數(shù)預(yù)處理結(jié)果一一配對形成所有訓(xùn)練樣本，訓(xùn)練以上BP神經(jīng)網(wǎng)絡(luò)得到BP神經(jīng)網(wǎng)絡(luò)模型。

7.根據(jù)權(quán)利要求1所述的基于隨機森林和BP神經(jīng)網(wǎng)絡(luò)的盾構(gòu)掘進參數(shù)預(yù)測方法，其特征在于，所述步驟S6的具體操作如下：

（1）在盾構(gòu)機初始開機時，根據(jù)當(dāng)前位置地層的地質(zhì)勘探報告，提取種核心地質(zhì)參數(shù)作為輸入，基于步驟S3中得到的隨機森林模型預(yù)測初始的種盾構(gòu)核心掘進參數(shù)；

（2）在盾構(gòu)機運行過程中，以每一時刻盾構(gòu)機反饋的種核心感知參數(shù)為輸入，基于步驟S5中得到的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測時刻的種盾構(gòu)核心掘進參數(shù)；

（3）對BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的種盾構(gòu)核心掘進參數(shù)進行反標(biāo)準(zhǔn)化處理，將預(yù)測的掘進參數(shù)映射到每個參數(shù)特定的分布區(qū)間內(nèi)，反標(biāo)準(zhǔn)化處理公式如下：

其中表示BP神經(jīng)網(wǎng)絡(luò)對核心掘進參數(shù)的直接預(yù)測結(jié)果，表示對預(yù)測結(jié)果反標(biāo)準(zhǔn)化處理后的結(jié)果。