[發(fā)明專利]一種基于機(jī)器學(xué)習(xí)的盾構(gòu)姿態(tài)預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210157103.3
• 申請(qǐng)日: 2022-02-21
• 公開（公告）號(hào): CN114662699A
• 公開（公告）日: 2022-06-24
• 發(fā)明（設(shè)計(jì)）人: 李志義;劉穎彬;趙國(guó)強(qiáng);陳臺(tái)禮;鐘鏵煒;羅京;徐偉忠
• 申請(qǐng)（專利權(quán)）人: 上海城建市政工程（集團(tuán)）有限公司
• 主分類號(hào): G06N20/00
• 分類號(hào): G06N20/00;G06N3/04;G06N3/08;G06N3/00;G06K9/62;G06Q10/04;G06Q10/06
• 代理公司: 上海申蒙商標(biāo)專利代理有限公司 31214
• 代理人: 黃明凱

1.一種基于機(jī)器學(xué)習(xí)的盾構(gòu)姿態(tài)預(yù)測(cè)方法，其特征在于，所述預(yù)測(cè)方法包括以下步驟：

(S1)收集盾構(gòu)現(xiàn)場(chǎng)施工數(shù)據(jù)和歷史數(shù)據(jù)作為數(shù)據(jù)集并對(duì)所述數(shù)據(jù)集進(jìn)行預(yù)處理和歸一化，所述數(shù)據(jù)集包括地質(zhì)參數(shù)集、隧道幾何集和盾構(gòu)參數(shù)集；將經(jīng)預(yù)處理和歸一化的數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集；基于所述訓(xùn)練集對(duì)通過(guò)多種機(jī)器學(xué)習(xí)算法構(gòu)建的盾構(gòu)姿態(tài)預(yù)測(cè)模型進(jìn)行訓(xùn)練，并基于所述測(cè)試集測(cè)試訓(xùn)練后的盾構(gòu)姿態(tài)預(yù)測(cè)模型以選擇性能水平最佳的盾構(gòu)姿態(tài)預(yù)測(cè)模型；

(S2)輸入上一環(huán)管片的盾構(gòu)參數(shù)及下一環(huán)管片的隧道幾何和地質(zhì)參數(shù)，預(yù)測(cè)所述下一環(huán)管片的盾構(gòu)姿態(tài)，判斷所述下一環(huán)管片的盾構(gòu)姿態(tài)是否符合控制要求，若所述下一環(huán)管片的盾構(gòu)姿態(tài)符合控制要求，進(jìn)入下一步，否則利用優(yōu)化算法來(lái)尋找最優(yōu)盾構(gòu)參數(shù)以限制盾構(gòu)姿態(tài)的異常變化；

(S3)輸出所述下一環(huán)管片的盾構(gòu)姿態(tài)符合控制要求的盾構(gòu)參數(shù)，并將輸出結(jié)果輸入到所述盾構(gòu)姿態(tài)預(yù)測(cè)模型的訓(xùn)練集內(nèi)。

2.如權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的盾構(gòu)姿態(tài)預(yù)測(cè)方法，其特征在于，步驟S1包括以下步驟：

使用Pearson相關(guān)系數(shù)來(lái)識(shí)別所述數(shù)據(jù)集中盾構(gòu)參數(shù)與目標(biāo)盾構(gòu)姿態(tài)參數(shù)間的相關(guān)性，Pearson相關(guān)系數(shù)的計(jì)算如下：

式中，x_i是所述數(shù)據(jù)集中盾構(gòu)參數(shù)的實(shí)際值，y_i是所述目標(biāo)盾構(gòu)姿態(tài)參數(shù)的實(shí)際值，n是事件總數(shù)；

根據(jù)Pearson相關(guān)系數(shù)，選取所述數(shù)據(jù)集中盾構(gòu)參數(shù)的土倉(cāng)壓力、推進(jìn)速度、刀盤轉(zhuǎn)速、刀盤扭矩、總推力、發(fā)泡率和出渣量作為輸入?yún)?shù)，設(shè)定所述目標(biāo)盾構(gòu)姿態(tài)參數(shù)中的盾構(gòu)俯仰角作為輸出參數(shù)；

所述數(shù)據(jù)集的歸一化計(jì)算公式：

式中，X_min為所述輸入?yún)?shù)及所述輸出參數(shù)的最小值，X_max為所述輸入?yún)?shù)及所述輸出參數(shù)的最大值，X_norm是歸一化后的所述輸入?yún)?shù)及所述輸出參數(shù)的值；

使用多種所述機(jī)器學(xué)習(xí)算法構(gòu)建所述盾構(gòu)姿態(tài)預(yù)測(cè)模型，并在訓(xùn)練所述訓(xùn)練集過(guò)程中，采用k-fold交叉驗(yàn)證，其中，所述機(jī)器學(xué)習(xí)算法包括：隨機(jī)森林、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)法、BP神經(jīng)網(wǎng)絡(luò)；

采用均方根誤差RMSE以及決定系數(shù)R²來(lái)評(píng)價(jià)各所述機(jī)器學(xué)習(xí)算法的性能，均方根誤差及決定系數(shù)的計(jì)算公式分別為：

式中，x_i是盾構(gòu)俯仰角實(shí)際值，是盾構(gòu)俯仰角預(yù)測(cè)值，是盾構(gòu)俯仰角實(shí)際值的平均值；

在得到兩個(gè)性能指標(biāo)和各所述機(jī)器學(xué)習(xí)算法消耗的時(shí)間后，進(jìn)行算法評(píng)分，以選擇性能水平最佳的盾構(gòu)姿態(tài)預(yù)測(cè)模型。