[發(fā)明專利]一種基于機器學習的盾構(gòu)姿態(tài)預測方法

在審

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

本發(fā)明公開了一種基于機器學習的盾構(gòu)姿態(tài)預測方法，預測方法包括：收集盾構(gòu)現(xiàn)場施工數(shù)據(jù)和歷史數(shù)據(jù)作為數(shù)據(jù)集并對數(shù)據(jù)集進行預處理和歸一化；基于訓練集對通過多種機器學習算法構(gòu)建的盾構(gòu)姿態(tài)預測模型進行訓練，并基于測試集測試訓練后的盾構(gòu)姿態(tài)預測模型以選擇性能最佳的盾構(gòu)姿態(tài)預測模型；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)，預測下一環(huán)管片的盾構(gòu)姿態(tài)，判斷下一環(huán)管片的盾構(gòu)姿態(tài)是否符合控制要求，若下一環(huán)管片的盾構(gòu)姿態(tài)符合控制要求，進入下一步，否則利用優(yōu)化算法來尋找最優(yōu)盾構(gòu)參數(shù)以限制盾構(gòu)姿態(tài)的異常變化；輸出下一環(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)果輸入到盾構(gòu)姿態(tài)預測模型的訓練集內(nèi)。

技術(shù)領域

本發(fā)明涉及盾構(gòu)施工的技術(shù)領域，尤其是一種基于機器學習的盾構(gòu)姿態(tài)預測方法。

背景技術(shù)

隨著軌道交通的快熟發(fā)展，越來越多的地下隧道得以建設，盾構(gòu)施工技術(shù)因其具有對土體擾動小、效率高、安全等優(yōu)點，日益成為城市地下隧道的主要施工方法。在盾構(gòu)掘進過程中，盾構(gòu)姿態(tài)的有效控制是確保隧道施工質(zhì)量的關鍵技術(shù)之一。盾構(gòu)隧道襯砌由管片連續(xù)拼裝而成，管片在盾尾處組裝成整環(huán)。盾構(gòu)掘進偏差的出現(xiàn)會引起隧道的誤差，為今后的運營帶來安全隱患，如管片損壞和錯臺。此外，如果盾構(gòu)掘進偏差過大，可能會引起開挖路線的改變和土體超挖，對隧道工程的成本和進度構(gòu)成嚴重的風險。因此，有必要對盾構(gòu)掘進姿態(tài)進行控制和預防。而目前控制是由駕駛員的經(jīng)驗發(fā)出的，具有很大的不確定性。

盾構(gòu)姿態(tài)和位置的預測可以看作是一個時間序列預測問題。機器學習技術(shù)在時間序列預測、語音識別和圖像識別方面取得了巨大的成功。機器學習方法基于涵蓋環(huán)境因素、地質(zhì)條件及施工工藝等信息的工程實測數(shù)據(jù)進行驅(qū)動學習，所建立的模型能夠考慮多因素之間的相互耦合作用，理解參數(shù)之間復雜的非線性關系，廣泛應用于巖土工程領域。

據(jù)此，設計出一種基于機器學習的盾構(gòu)姿態(tài)預測方法存在必要性和可行性。

發(fā)明內(nèi)容

本發(fā)明的目的是根據(jù)上述現(xiàn)有技術(shù)的不足，提供了一種基于機器學習的盾構(gòu)姿態(tài)預測方法，以盾構(gòu)現(xiàn)場施工數(shù)據(jù)和歷史數(shù)據(jù)作為數(shù)據(jù)集，通過機器學習算法建立盾構(gòu)姿態(tài)預測模型，并對通過優(yōu)化算法對盾構(gòu)姿態(tài)預測模型的輸入?yún)?shù)進行優(yōu)化，可以實現(xiàn)對盾構(gòu)姿態(tài)的預測。

本發(fā)明目的實現(xiàn)由以下技術(shù)方案完成：

一種基于機器學習的盾構(gòu)姿態(tài)預測方法，其特征在于，所述預測方法包括以下步驟：

(S1)收集盾構(gòu)現(xiàn)場施工數(shù)據(jù)和歷史數(shù)據(jù)作為數(shù)據(jù)集并對所述數(shù)據(jù)集進行預處理和歸一化，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)預處理和歸一化的數(shù)據(jù)集分成訓練集和測試集；基于所述訓練集對通過多種機器學習算法構(gòu)建的盾構(gòu)姿態(tài)預測模型進行訓練，并基于所述測試集測試訓練后的盾構(gòu)姿態(tài)預測模型以選擇性能水平最佳的盾構(gòu)姿態(tài)預測模型；

(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)，預測所述下一環(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，進入下一步，否則利用優(yōu)化算法來尋找最優(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)預測模型的訓練集內(nèi)。

步驟S1包括以下步驟：

使用Pearson相關系數(shù)來識別所述數(shù)據(jù)集中盾構(gòu)參數(shù)與目標盾構(gòu)姿態(tài)參數(shù)間的相關性，Pearson相關系數(shù)的計算如下：

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