[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(quán)）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(quán)代理有限公司 35211
• 代理人: 戴雨君

本發(fā)明公開一種基于LSTM算法預測土倉壓力的方法，將盾構(gòu)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；將篩選出的因素數(shù)據(jù)隨機劃分為訓練集和測試集；將訓練集數(shù)據(jù)作為輸入得到LSTM訓練模型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；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；LSTM預測模型對土壓平衡盾構(gòu)機土倉壓力預測。本發(fā)明考慮了神經(jīng)網(wǎng)絡預測中存在的過擬合問題，提高了預測精度。

技術(shù)領域

本發(fā)明涉及工程掘進技術(shù)領域，尤其涉及一種基于LSTM算法預測土倉壓力的方法。

背景技術(shù)

隨著我國這些年社會經(jīng)濟的飛快發(fā)展，土壓平衡盾構(gòu)機已經(jīng)成為建設地鐵、隧道的最主要施工設備之一。合理的設定土倉壓力基準值是施工安全的重要保障。因此，針對預測未來的土倉壓力變化顯得極為重要，對提高盾構(gòu)機施工安全、效率具有重要意義。

現(xiàn)有采用神經(jīng)網(wǎng)絡算法對土倉壓力進行預測的技術(shù)，為了追求對預測結(jié)果的精準，往往會增大隱含層的層數(shù)、神經(jīng)元的數(shù)量，從而導致神經(jīng)網(wǎng)絡預測模型的復雜程度過高，從而出現(xiàn)過擬合問題。同時，由于土壓平衡盾構(gòu)機在掘進過程中，掘進因素眾多，存在明顯的關聯(lián)性，上一時刻的參數(shù)數(shù)據(jù)會影響下一時刻的參數(shù)，即盾構(gòu)機掘進數(shù)據(jù)存在時間序列問題。

現(xiàn)有技術(shù)中，申請?zhí)枮镃N202011296026.7的一種基于XGBoost算法預測盾構(gòu)機土倉壓力的方法，該專利提出了一種基于XGBoost算法預測盾構(gòu)機土倉壓力的方法,通過XGBoost算法篩掉與土倉壓力變化相關性數(shù)值小的特征變量,選取與土倉壓力變化關聯(lián)的相關變量作為特征向量；將傳感器采集的原始數(shù)據(jù)經(jīng)特征提取并進行移位變換分成訓練集和驗證集；投喂訓練集獲得初始XGBoost回歸模型,通過網(wǎng)格搜索方式得到最優(yōu)模型參數(shù)；將驗證集中的數(shù)據(jù)樣本輸入經(jīng)參數(shù)優(yōu)化后的XGBoost回歸模型,得到最優(yōu)的XGBoost土壓回歸模型；使用XGBoost土壓回歸模型計算出未來時段的土壓值。該專利實現(xiàn)了預知盾構(gòu)掘進施工中土倉壓力的變化情況,為預警盾構(gòu)施工中存在的土壓異常及化解潛在的施工安全隱患提供了技術(shù)支持,提升盾構(gòu)掘進施工的安全性。但是，XGBoost算法參數(shù)過多，調(diào)參復雜，且在該算法中訓練集必須包括總體，一旦在測試集中出現(xiàn)訓練集中從未出現(xiàn)過的特征，模型效果會變差，預測精度降低。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于LSTM算法預測土倉壓力的方法。

本發(fā)明采用的技術(shù)方案是：

一種基于LSTM算法預測土倉壓力的方法，其包括以下步驟：

步驟1：將盾構(gòu)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EarlyStopping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)，并對其預測性能進行評估。

步驟5：LSTM預測模型對土壓平衡盾構(gòu)機土倉壓力預測：將步驟一篩選出的因素作為美時刻的輸入，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。

進一步地，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)。