CN108710940B - 基于神经网络优化角砾地层中盾构机运行轨迹参数的方法 - Google Patents

Abstract

本发明公开了基于神经网络优化角砾地层中盾构机运行轨迹参数的方法，针对盾构机运行轨迹指的是隧道管片拼装线路，收集角砾地层隧道施工中的盾构设备的构造、配置，实际推进的姿态参数、拼装的隧道管片的姿态数据等，并考虑隧道管片沉降、收敛等监测数据，利用Matlab编程软件中的智能的神经网络方法训练出一个满足角砾地层盾构姿态调整的经验模式，使这个经验模式成为实际预测盾构机运行轨迹的重要借鉴和参考，并以此为基础，评价盾构机实际运行操作参数的合理性。本发明中提出的隧道管片拼装线路神经网络预测模型以及优化参数及其范围是对本工程良好施工效果的总结，为遇到类似工程实例的施工提供借鉴和参考。

Description

基于神经网络优化角砾地层中盾构机运行轨迹参数的方法

技术领域

本发明涉及一种基于神经网络对角砾地层中盾构机运行轨迹参数的方法，属于盾构机技术领域。

背景技术

盾构掘进的线路反映着隧道实际中心线的位置。要使隧道中心轴线沿设计线路前进并保证最终盾构能够在允许的偏差范围内出洞,就必须使盾构在推进过程中的管片偏位控制在一定的范围内,这样才能保证贯通时的精度。所以,必须要在盾构推进过程中实时地确定盾构的工作参数，使得管片偏位满足施工验收规范的要求。因此，研究隧道管片拼装线路预测模型的目的，就是通过建立盾构机运行操作参数(即关键因素)与管片偏位的关系，来确立角砾地质条件下盾构的工作参数范围，以保证成型隧道的轨迹偏差在合理的范围内。

盾构机运行轨迹主要受实际土层的地质条件、盾构掘进姿态与速度以及隧道管片实际状态等多因素的影响。

发明内容

本发明的目的在于针对盾构机运行轨迹指的是隧道管片拼装线路，收集角砾地层隧道施工中的盾构设备的构造、配置，实际推进的姿态参数、拼装的隧道管片的姿态数据等，并考虑隧道管片沉降、收敛等监测数据，利用Matlab编程软件中的智能的神经网络方法训练出一个满足角砾地层盾构姿态调整的经验模式，使这个经验模式成为实际预测盾构机运行轨迹的重要借鉴和参考，并以此为基础，评价盾构机实际运行操作参数的合理性。

神经网络主要由三个部分组成：输入层、隐含层(也称中间层)、输出层，神经网络系统相当于人类的的大脑构成。输入层相当于外界的接收信息，隐含层相当于人脑的处理调节系统，输出层相当于人脑处理后的结果分析。这三层是相互联系的，也构成了神经网络的最基本模式。对于用来预测隧道管片拼装线路的神经网络模型来说，输入层的输入向量是各个影响因素或盾构机工作参数，中间层是调节输入向量和输出向量之间关系的桥梁，起到一个非线性映射的作用，输出层是拼装管片的管片偏位值。

神经网络模型的训练是建立在人工智能的模拟之上的，通过对预测结果和输入向量的不断分析修正，修改中间神经元的权值，以接近预测精度来不断修正网络模型。本发明的神经网络模型为BP神经网络模型。

神经网络模型中输入和输出的向量比较固定，对BP神经网络的预测模型精度影响比较大的是训练函数的选择，另一个是网络结构的确定。BP神经网络是一种逆向传播误差的神经网络，输出结果如果不符合精度要求。可以通过反向传递函数改变网络的连接权值，从而改变网络的输出值。

为实现上述目的，本发明采用的技术方案为基于神经网络优化角砾地层中盾构机运行轨迹参数的方法，

利用MATLAB软件中的newff函数创建一个BP神经网络，调用格式为：

net＝newff(PR,[S₁,S₂,...S_N1],{TF1,TF2,...TFN1},BTF,BLF,PF)

其中，

PR：由每组输入元素的最大值和最小值组成的R×2维的矩阵；每组共有R组输入；

S_i：第i层的传递函数，默认为“tansig”；

BTF：BP网络的训练函数，默认为“trainlm”；

BLF：权值和阈值学习函数，默认为“learndm”；

PF：网络的性能函数，默认为“mse”；

神经元上的传递函数是BP神经网络的重要组成部分。BP常采用的函数为对数函数、正切函数和线性函数。

隐层节点数的确定也很关键，因为这会直接影响预测结果的精度。关于隐层数及其节点数的选择比较复杂，原则是：在能正确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单。采用网络结构增长型方法，即先设置较少的节点数，对网络进行训练，并测试学习误差，然后逐渐增加节点数，直到学习误差不再有明显减少为止。初定隐层节点数使用如下公式：

或者

其中，m、n分别为输入节点数目与输出节点数目；a为1～10之间的常数。

编码

编码是遗传算法的基础工作。遗传算法不能直接处理解空间的参数，必须将解空间映射到遗传空间，因此，必须进行编码。而解码是与编码相反的过程，是从遗传空间到解空间的转换过程。

遗传算法的编码方法是二进制编码，即由二进制字符集{0,1}产生通常的0,1字符串来表示问题空间的候选解。二进制编码字符串的长度与问题所要求的精度有关。

参数取值范围为[a,b]，采用二进制编码，要求编码精度精确到m，即将区间[a,b]划分为

份，设编码长度为S，则应满足下式

种群初始化

种群规模N表示种群中个体的数量，初始群体是随机生成的N个个体，是遗传算法进行迭代的起点。种群规模较小时，算法的运算速度提高，但降低了种群的多样性，容易早熟；种群规模较大时，保证了个体的多样性，但遗传算法的效率会降低。N的取值范围为20～100。

适应度函数确定

在遗传算法中，以个体适应度值的大小确定个体被遗传到下一代群体中的概率大小。遗传算法中的适应度函数是用来判断群体中个体优劣性的指标，适应度越大说明个体优势越大，适应度函数又称为评价函数，根据所求问题的目标函数确定。

遗传操作

遗传操作包括选择、交叉、变异三个遗传算子。

选择是为了从当前的种群中选出优秀的个体，直接遗传到下一代或通过交叉变异产生新的个体再遗传到下一代。选择操作的原则是适应度值越大，个体被选中的概率越大，其在下一代种群中贡献的个体越多。选择算子有多种实现方法，目前最常用的是轮盘赌选择法(roulette wheel selection)，也称比例选择算子。

交叉算子是遗传操作的核心。交叉操作根据交叉概率随机地选择两个个体进行配对并交换部分基因，生成的两个新个体组合了父代个体的特性。交叉操作方法根据编码表示方法的不同而不同。对于二进制编码，有单点交叉、两点交叉、多点交叉、均匀交叉等；

变异是指，以一定的概率随机地改变个体某些基因座上的基因值。对于二进制编码，某一基因座上的原有基因为0时，变异操作将其变为1，若原为1，则变为0。

运行参数主要包括交叉概率、变异概率、进化终止代数。这些参数的选择对遗传算法的性能有很大的影响。通常根据经验进行选取。

交叉概率控制着交叉操作进行的频率。交叉概率较大时，可以增强遗传算法的初期搜索新区间能力，但过大的交叉概率会过早地破坏种群的优良基因，难以搜索到最优解；交叉概率过小时，搜索会陷入停滞状态。交叉概率取0.2～0.5。

变异概率控制着变异操作进行的频率。较大的变异概率能够产生很多新的个体，增加种群的多样性，但也可能破坏好的模式；变异概率较低时，产生的新个体较差，算法容易陷入早熟。变异概率取0.001～0.1。

盾构机掘进参数刀盘扭矩u₁、推进泵压力u₂、A组油缸压力u₃、B组油缸压力u₄、C组油缸压力u₅、D组油缸压力u₆、1#注浆压力u₇、2#注浆压力u₈、3#注浆压力u₉、4#注浆压力u₁₀、盾尾间隙一u₁₁、盾尾间隙二u₁₂、盾尾间隙三u₁₃盾尾间隙四u₁₄、管片拼装点位u₁₅，作为遗传算法的输入变量。选取遗传代数为100代，种群规模为80，交叉概率为0.6，变异概率为0.06。

设计适应度函数：

其中，H为管片拼装高程偏位；

V为管片拼装平面偏位。

将参数和设计的适应度函数带入遗传算法程序，利用遗传算法进行参数反演，最终得到优化的参数。

进化终止代数是遗传算法迭代到设定的代数后，停止运行，输出当前种群中的最优个体，经过解码即可得到最优参数。终止代数取100～1000。

针对标段一共的环号，经过数据预处理，剔除数据空白、数据异常和管片偏位超出规范的数据之后，选取部分盾构机掘进参数数据进行计算分析。经过多次网络的训练后，得到满足要求的网络。

管片偏位主要受到以下因素的影响：刀盘扭矩、推进泵压力、推进油缸压力、注浆压力、盾尾间隙、管片拼装点位、设计线路坡度和平面曲线曲率。

与现有技术相比较，本发明提出的方法使得盾构机掘进在角砾地层中的操作参数设置合理，角砾区间的管片偏位值基本都在国家规范要求的范围内，只有少数几个管片超出范围，但管片数量极少并且偏差超出规范很小，说明盾构机掘进中参数的设置总体上是合理的。本发明中提出的隧道管片拼装线路神经网络预测模型以及优化参数及其范围是对本工程良好施工效果的总结，为遇到类似工程实例的施工提供借鉴和参考。

具体实施方式

以某盾构土体中的角砾层段I威力，从里程标号K4+628.76起，盾构线路开始穿越角砾地层，角砾地层所占比例从0％到50％渐变。该标段的设计坡度值为-9％，平面曲线曲率为0，即无曲率直线掘进。

(1)建立神经网络预测模型

从针对标段一共有246个环号，经过数据预处理，剔除数据空白、数据异常和管片偏位超出规范的数据之后，选取148组盾构机掘进参数数据进行计算分析，其中网络训练110组，网络测试38组。按照《地下铁道工程施工及验收规范》(GB50299-1999)，管片拼装允许偏差为：高程和平面±50mm，所以课题研究的管片偏位限值取为50mm。根据神经网络的隐层节点数确定估算公式，初定隐层节点书为8。选用一个隐含层的BP神经网络，训练函数为trainlm，传递函数为tansig与purelin。经过多次网络的训练后，得到满足要求的网络。

从表1中数据可以看出，绝对误差值都在5.5mm以内，可以满足工程实际要求，说明该网络训练较好，可以用来进行预测管片偏位值。

表1 BP神经网络预测相对误差值

种群适应度函数是一个0-1之间的数值，数值越趋近于1，则说明种群的适应性越大，在管片偏位预测中对应着管片偏位越小，即隧道管片拼装线路与设计线路偏差更小。从100代种群迭代可以看出，种群向着适应性增大的方向趋近，说明管片偏位越来越小。

因此，可以得到优化的掘进参数如表2所示。

表2优化的盾构掘进参数

表2中，控制值为盾构机优化参数，最大值和最小值为盾构机参数可变动范围，在此范围内变动，都是允许的，但是最终调整参数时都需要向着参数的控制值方向调整，才能确保隧道管片拼装线路的准确性。与表2中盾构机参数控制值相对应的管片偏位值为[5.1612，-8.3647]，管片偏位值都在50mm范围以内，故管片偏位较小，可以满足隧道管片拼装线路与设计线路的偏差要求。

(3)角砾层段I盾构机掘进优化参数与实际工作参数的比较

研究的目的是利用神经网络模型来预测管片偏位值，使得在特定地质条件下的拼装后的管片偏位值在合理的范围内。进一步，利用神经网络预测模型和遗传算法可以反演出盾构机工作参数的优化值与区间。当工作参数或影响因素在优化区间内围绕优化值波动时，则管片偏位就会在允许范围内，否则就有可能使管片拼装出现较大偏位。需要指出的是，在建立神经网络预测模式过程中，剔除了管片偏位过大的数据，因为神经网络预测模型是对良好施工经验的总结，过大的管片偏位估计是突变的测量误差所致。本研究建立的神经网络预测模型适用于角砾地层、隧道轨迹平面曲率半径为550m且无异常地质层变化的状况。

将反演得到的优化参数及其区间与盾构掘进实际运行参数绘制到一起。当实际盾构掘进操作参数记录值围绕黑色实线波动时，盾构掘进参数都是允许并且合理的；当实际盾构掘进操作参数记录值接近或者超过红色标线时，说明操作参数需要调整。

管片偏位的规范要求范围为[-50mm,50mm]，研究中将此区间作为管片偏位的控制范围，偏差接近±50mm被视为较大偏差，超过±50mm则视为偏位过大，属于异常数据。考虑到施工中存在的各种误差等综合因素，本方法中取偏位控制范围为[40mm,-40mm]，最优值是0mm。

从管片偏位预测值与实际值对比中可以看出，高程与平面的偏位值都在[40mm,-40mm]之内，都满足施工规范要求。

对于管片偏位实际值超出[40mm,-40mm]范围的数据，参考工作参数预测值与实际值的比较情况，可以看出主要的影响因素是B组推进油缸压力、注浆压力、盾尾间隙和拼装点位，由于B组推进油缸压力增长较快、注浆压力一与三较小、盾尾间隙二与四较大和管片拼装点位贴近第15个点位，导致597至609环管片高程偏差较大。

因为角砾层段II和角砾层段I有相同的地质条件和隧道走向，因此可以采用相同的盾构机工作参数。

神经网络预测值与实测值误差对比列于表3。

表3 BP神经网络预测相对误差值

从表3中数据可以看出，绝对误差值都在6.5mm以内，满足工程实际要求，说明该网络训练较好，可以用来进行预测管片偏位值。

Claims (4)

1.基于神经网络优化角砾地层中盾构机运行轨迹参数的方法，其特征在于：

利用MATLAB软件中的newff函数创建一个BP神经网络，调用格式为：

net＝newff(PR,[S₁,S₂,...S_i,...S_N1],{TF₁,TF₂,...TF_i,...TF_N1},BTF,BLF,PF)

其中，

PR：由每组输入元素的最大值和最小值组成的R×2维的矩阵；每组共有R组输入；

S_i：第i层的传递函数，默认为“tansig”；

BTF：BP网络的训练函数，默认为“trainlm”；

BLF：权值和阈值学习函数，默认为“learndm”；

PF：网络的性能函数，默认为“mse”；

神经元上的传递函数是BP神经网络的重要组成部分；BP常采用的函数为对数函数、正切函数和线性函数；

隐层节点数的确定也很关键，因为这会直接影响预测结果的精度；关于隐层数及其节点数的选择比较复杂，原则是：在能正确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单；采用网络结构增长型方法，即先设置较少的节点数，对网络进行训练，并测试学习误差，然后逐渐增加节点数，直到学习误差不再有明显减少为止；初定隐层节点数使用如下公式：

或者

其中，m、n分别为输入节点数目与输出节点数目；a为1～10之间的常数；

（1） 编码

编码是遗传算法的基础工作；遗传算法不能直接处理解空间的参数，必须将解空间映射到遗传空间，因此，必须进行编码；而解码是与编码相反的过程，是从遗传空间到解空间的转换过程；

遗传算法的编码方法是二进制编码，即由二进制字符集{0,1}产生通常的0,1字符串来表示问题空间的候选解；二进制编码字符串的长度与问题所要求的精度有关；

参数取值范围为[a,b]，采用二进制编码，要求编码精度精确到m，即将区间[a,b]划分为

份，设编码长度为S，则应满足下式

（2） 种群初始化

种群规模N表示种群中个体的数量，初始群体是随机生成的N个个体，是遗传算法进行迭代的起点；种群规模较小时，算法的运算速度提高，但降低了种群的多样性，容易早熟；种群规模较大时，保证了个体的多样性，但遗传算法的效率会降低；N的取值范围为20～100；

（3） 适应度函数确定

在遗传算法中，以个体适应度值的大小确定个体被遗传到下一代群体中的概率大小；遗传算法中的适应度函数是用来判断群体中个体优劣性的指标，适应度越大说明个体优势越大，适应度函数又称为评价函数，根据所求问题的目标函数确定；

（4） 遗传操作

遗传操作包括选择、交叉、变异三个遗传算子；

选择是为了从当前的种群中选出优秀的个体，直接遗传到下一代或通过交叉变异产生新的个体再遗传到下一代；选择操作的原则是适应度值越大，个体被选中的概率越大，其在下一代种群中贡献的个体越多；选择算子采用轮盘赌选择法，也称比例选择算子；

交叉算子是遗传操作的核心；交叉操作根据交叉概率随机地选择两个个体进行配对并交换部分基因，生成的两个新个体组合了父代个体的特性；交叉操作方法根据编码表示方法的不同而不同；对于二进制编码，有单点交叉、两点交叉、多点交叉、均匀交叉；

变异是指，以一定的概率随机地改变个体某些基因座上的基因值；对于二进制编码，某一基因座上的原有基因为0时，变异操作将其变为1，若原为1，则变为0；

遗传操作的运行参数包括交叉概率、变异概率、进化终止代数；这些参数根据经验进行选取；

交叉概率控制着交叉操作进行的频率；交叉概率较大时，可以增强遗传算法的初期搜索新区间能力，但过大的交叉概率会过早地破坏种群的优良基因，难以搜索到最优解；交叉概率过小时，搜索会陷入停滞状态；交叉概率取0.2～0.5；

变异概率控制着变异操作进行的频率；较大的变异概率能够产生很多新的个体，增加种群的多样性，但也破坏好的模式；变异概率较低时，产生的新个体较差，算法容易陷入早熟；变异概率取0.001～0.1；

盾构机掘进参数刀盘扭矩u₁、推进泵压力u₂、A组油缸压力u₃、B组油缸压力u₄、C组油缸压力u₅、D组油缸压力u₆、1#注浆压力u₇、2#注浆压力u₈、3#注浆压力u₉、4#注浆压力u₁₀、盾尾间隙一u₁₁、盾尾间隙二u₁₂、盾尾间隙三u₁₃盾尾间隙四u₁₄、管片拼装点位u₁₅，作为遗传算法的输入变量；选取遗传代数为100代，种群规模为80，交叉概率为0.6，变异概率为0.06；

设计适应度函数：

其中，H为管片拼装高程偏位；

V为管片拼装平面偏位；

将参数和设计的适应度函数代入遗传算法程序，利用遗传算法进行参数反演，最终得到优化的参数。

2.根据权利要求1所述的基于神经网络优化角砾地层中盾构机运行轨迹参数的方法，其特征在于：

进化终止代数是遗传算法迭代到设定的代数后，停止运行，输出当前种群中的最优个体，经过解码即可得到最优参数；终止代数取100～1000。

3.根据权利要求1所述的基于神经网络优化角砾地层中盾构机运行轨迹参数的方法，其特征在于：

针对标段一共的环号，经过数据预处理，剔除数据空白、数据异常和管片偏位超出规范的数据之后，选取部分盾构机掘进参数数据进行计算分析；经过多次网络的训练后，得到满足要求的网络。

4.根据权利要求1所述的基于神经网络优化角砾地层中盾构机运行轨迹参数的方法，其特征在于：

管片偏位主要受到以下因素的影响：刀盘扭矩、推进泵压力、推进油缸压力、注浆压力、盾尾间隙、管片拼装点位、设计线路坡度和平面曲线曲率。