[發(fā)明專利]一種基于LSTM算法預測土倉壓力的方法

在審

• 申請?zhí)枺?/td>: 202210494436.5
• 申請日: 2022-05-07
• 公開（公告）號: CN114818500A
• 公開（公告）日: 2022-07-29
• 發(fā)明（設計）人: 凌靜秀;成曉元;吳勉;邵家誠
• 申請（專利權）人: 福建工程學院
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F17/16;G06F17/18;G06N3/04;G06N3/08;G06Q10/04;G06Q50/08;E21D9/06
• 代理公司: 福州君誠知識產(chǎn)權代理有限公司 35211
• 代理人: 戴雨君

1.一種基于LSTM算法預測土倉壓力的方法，其特征在于：其包括以下步驟：

步驟1：將盾構機數(shù)據(jù)采集系統(tǒng)得到實時掘進因素數(shù)據(jù)，分別與土倉壓力數(shù)據(jù)進行斯皮爾曼相關性分析，將斯皮爾曼相關性系數(shù)的絕對值按由大至小排序篩選出對土倉壓力有相關性影響的因素；

步驟2：將篩選出的因素數(shù)據(jù)隨機劃分為訓練集和測試集；

步驟3：將訓練集數(shù)據(jù)作為輸入得到LSTM訓練模型，使用Dropout及Early Stopping方法防止出現(xiàn)過擬合現(xiàn)象，通過隨機梯度下降法得到最優(yōu)模型參數(shù)并以PTH文件形式保存；

步驟4：將測試集數(shù)據(jù)作為輸入，加載保存的最優(yōu)模型參數(shù)得到預測數(shù)據(jù)，并對預測性能進行評估；

步驟5：LSTM預測模型對土壓平衡盾構機土倉壓力預測：將篩選出的因素作為LSTM訓練模型的輸入，加載步驟三中保存的模型文件計算出未來時刻的土倉壓力數(shù)值。

2.根據(jù)權利要求1所述的一種基于LSTM算法預測土倉壓力的方法，其特征在于：步驟1中斯皮爾曼相關性分析計算公式為：

式中，R_i和S_i分別是觀測值i的取值等級；分別是變量x和y的平均等級；N是觀測值的總數(shù)。

3.根據(jù)權利要求1所述的一種基于LSTM算法預測土倉壓力的方法，其特征在于：與土倉壓力存在相關關系的因素依次為：總推力、螺旋機轉速、推進速度、刀盤轉速、刀盤扭矩、B組推進壓力、泡沫系統(tǒng)平均壓力、封前倉盾尾密封平均壓力、封后倉盾尾密封平均壓力、螺旋機油溫、A組鉸接油缸行程、C組鉸接油缸行程。

4.根據(jù)權利要求1所述的一種基于LSTM算法預測土倉壓力的方法，其特征在于：步驟2通過Sklearn算法工具包中的train_test_split()算法函數(shù)將篩選出的因素數(shù)據(jù)隨機劃分為訓練集和測試集，減少人為因素對土倉壓力預測結果的影響。

5.根據(jù)權利要求1所述的一種基于LSTM算法預測土倉壓力的方法，其特征在于：步驟3中LSTM預測模型的計算過程為：利用上一時刻的外部狀態(tài)h_t-1和當前時刻的輸入x_t，計算三個門以及候選狀態(tài)g_t，并結合遺忘門f_t和輸入門o_t來更新記憶單元c_t,最后通過輸出門o_t，將內部狀態(tài)的信息傳遞給外部狀態(tài)h_t，即LSTM引入一個新的內部狀態(tài)c_t專門對循環(huán)信息傳遞，同時輸出信息給隱含層的外部狀態(tài)h_t，具體的表達式如下：

其中，f_t為遺忘門，用來控制上一時刻的內部狀態(tài)c_t-1需要遺忘的信息；i_t為輸入門，控制當前時刻的候選狀態(tài)g_t需要保存的信息；o_t為輸出門，控制當前時刻內部狀態(tài)c_t有多少信息需要輸出給外部狀態(tài)h_t；tanh為雙曲正切函數(shù)，其輸出區(qū)間為(-1,1)；

三個門的計算公式分別為：

式中，σ為Logistic函數(shù)，其輸出區(qū)間為(0,1)；x_t為當前時刻的輸入；W_if、b_if、W_ii、b_ii、W_ig、b_ig、W_io、b_io分別是對于x_t的線性變換參數(shù)矩陣；W_hf、b_hf、W_hi、b_hi、W_hg、b_hg、W_ho、b_ho是對于h_t-1做線性變換的參數(shù)矩陣。