CN109766948A - 一种基于支持向量机算法的盾构施工地质识别方法及系统 - Google Patents

Abstract

本发明公开一种基于支持向量机算法的盾构施工地质识别方法及系统。方法包括：获取盾构传感器采集的原始数据；对所述原始数据进行清洗，得到清洗数据；对所述清洗数据进行预处理，得到预处理数据；将已探明的试掘进段按照地质特征进行分类，得到多个分类地质标签；将所述预处理数据和与所述预处理数据相匹配的所述分类地质标签结合，得到训练集；将所述训练集作为输入量代入到支持向量机机器学习模型中，得到地质识别模型；根据所述地质识别模型识别盾构施工地质。采用本发明的方法或系统能够快速准确的对盾构施工地质进行识别。

Description

一种基于支持向量机算法的盾构施工地质识别方法及系统

技术领域

本发明涉及地质识别领域，特别是涉及一种基于支持向量机算法的盾构施工地质识别方法及系统。

背景技术

盾构是一种用于隧道掘进施工的高端大型工程装备，集土体切削、输送土渣、管道支护等功能于一体，能够实现隧道工程的全机械化施工。由于其优秀的施工效率和出色的安全性被广泛应用于轨道交通、输送管道等多种隧道工程中。盾构集光学、机械、电气、力学等多领域技术于一体，其机身自带的传感器采集的参数包含丰富的盾构运行状态信息。在盾构掘进机进行施工时，不同的地质情况会对盾构掘进机的整体设计、控制系统、施工方式等方面造成重大影响。目前提出的盾构施工地质勘探方法有钻孔勘探法、震波反射法、探地雷达法等。这些方法仍存在许多问题。比如：基于钻孔勘探法所得到的勘测点间距过大，基于震波反射方法的勘探则需要中断施工，而探地雷达方法存在信号弱、易受干扰的不足。

发明内容

本发明的目的是提供一种基于支持向量机算法的盾构施工地质识别方法及系统，能够快速准确的对地质进行识别。

为实现上述目的，本发明提供了如下方案：

一种基于支持向量机算法的盾构施工地质识别方法，所述方法包括：

获取盾构传感器采集的原始数据；

对所述原始数据进行清洗，得到清洗数据；

对所述清洗数据进行预处理，得到预处理数据；

将已探明的试掘进段按照地质特征进行分类，得到多个分类地质标签；

将所述预处理数据和与所述预处理数据相匹配的所述分类地质标签结合，得到训练集；

将所述训练集作为输入量代入支持向量机机器学习模型中，得到地质识别模型；

根据所述地质识别模型识别盾构施工地质。

可选的，所述对所述原始数据进行清洗，得到清洗数据，具体包括：

当传感器传回的原始数据中的无效值、缺失值无法进行后续数据处理部分的数据量占比小于设定值时，对这部分数据进行清除，得到清除后的数据；

当传感器传回的原始数据中的无效值、缺失值无法进行后续数据处理部分的数据量占比大于设定值时，对这部分数据采用插值填充方法填补修正数据，得到填补后的数据；

根据所述清除后的数据和所述填补后的数据，得到清洗数据。

可选的，所述对所述清洗数据进行预处理，得到预处理数据，具体包括：

采用工程经验或相关变量筛选方法去除清洗数据中的无关参数数据，得到预处理数据。

可选的，所述根据所述地质识别模型去识别盾构施工地质，具体包括：

在识别的地质有两类的情况下，根据所述地质识别模型选择AUC作为模型评价指标，所述AUC表示ROC曲线下的面积；

在识别的地质有三类或以上时，根据所述地质识别模型选择准确率作为模型评价指标。

一种基于支持向量机算法的盾构施工地质识别系统，所述系统包括：

获取模块，用于获取盾构传感器采集的原始数据；

清洗模块，用于对所述原始数据进行清洗，得到清洗数据；

预处理模块，用于对所述清洗数据进行预处理，得到预处理数据；

分类模块，用于将已探明的试掘进段按照地质特征进行分类，得到多个分类地质标签；

结合模块，用于将所述预处理数据和与所述预处理数据相匹配的所述分类地质标签结合，得到训练集；

模型建立模块，用于将所述训练集作为输入量代入支持向量机机器学习模型中，得到地质识别模型；

识别模块，用于根据所述地质识别模型识别盾构施工地质。

可选的，所述清洗模块，具体包括：

清除单元，用于当传感器传回的原始数据中的无效值、缺失值无法进行后续数据处理部分的数据量占比小于设定值时，对这部分数据进行清除，得到清除后的数据；

填补单元，用于当传感器传回的原始数据中的无效值、缺失值无法进行后续数据处理部分的数据量占比大于设定值时，对这部分数据采用插值填充方法填补修正数据，得到填补后的数据；

结合单元，用于根据所述清除后的数据和所述填补后的数据结合，得到清洗数据。

可选的，所述预处理模块，具体包括：

预处理单元，用于采用工程经验或相关变量筛选方法去除清洗数据中的无关参数数据，得到预处理数据。

可选的，所述识别模块，具体包括：

AUC评价单元，用于在识别的地质有两类的情况下，根据所述地质识别模型选择AUC作为模型评价指标，所述AUC表示ROC曲线下的面积；

准确率评价单元，用于在识别的地质有三类或以上时，根据所述地质识别模型选择准确率作为模型评价指标。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供一种基于支持向量机算法的盾构施工地质识别方法，包括：获取盾构传感器采集的原始数据；对所述原始数据进行清洗，得到清洗数据；对所述清洗数据进行预处理，得到预处理数据；将已探明的试掘进段按照地质特征进行分类，得到多个分类地质标签；将所述预处理数据和与所述预处理数据相匹配的所述分类地质标签结合，得到训练集；将所述训练集作为输入量代入到支持向量机机器学习模型中，得到地质识别模型；根据所述地质识别模型识别盾构施工地质。采用本发明的方法能够快速准确的对地质进行识别。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于支持向量机算法的盾构施工地质识别方法流程图；

图2为本发明实施例基于支持向量机算法的盾构施工地质识别系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于支持向量机算法的盾构施工地质识别方法及系统，能够快速准确的对地质进行识别。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例基于支持向量机算法的盾构施工地质识别方法流程图。如图1所示，一种基于支持向量机算法的盾构施工地质识别方法，所述方法包括：

步骤101：获取盾构传感器采集的原始数据；

步骤102：对所述原始数据进行清洗，得到清洗数据；

步骤103：对所述清洗数据进行预处理，得到预处理数据；

步骤104：将已探明的试掘进段按照地质特征进行分类，得到多个分类地质标签；

步骤105：将所述预处理数据和与所述预处理数据相匹配的所述分类地质标签结合，得到训练集；

步骤106：将所述训练集作为输入量代入到支持向量机机器学习模型中，得到地质识别模型；

步骤107：根据所述地质识别模型识别盾构施工地质。

步骤102，具体包括：

当传感器传回的原始数据中的无效值、缺失值无法进行后续数据处理部分的数据量占比小于设定值时，对这部分数据进行清除，得到清除后的数据；

当传感器传回的原始数据中的无效值、缺失值无法进行后续数据处理部分的数据量占比大于设定值时，对这部分数据采用插值填充方法填补修正数据，得到填补后的数据；

根据所述清除后的数据和所述填补后的数据，得到清洗数据。

步骤103，具体包括：

采用工程经验或相关变量筛选方法去除清洗数据中的无关参数数据，得到预处理数据。

步骤107，具体包括：

在识别的地质有两类的情况下，根据所述地质识别模型选择AUC作为模型评价指标，所述AUC表示ROC曲线下的面积；

在识别的地质有三类或以上时，根据所述地质识别模型选择准确率作为模型评价指标。

图2为本发明实施例基于支持向量机算法的盾构施工地质识别系统结构图。如图2所示，一种基于支持向量机算法的盾构施工地质识别系统，所述系统包括：

获取模块201，用于获取盾构传感器采集的原始数据；

清洗模块202，用于对所述原始数据进行清洗，得到清洗数据；

预处理模块203，用于对所述清洗数据进行预处理，得到预处理数据；

分类模块204，用于将已探明的试掘进段按照地质特征进行分类，得到多个分类地质标签；

结合模块205，用于将所述预处理数据和与所述预处理数据相匹配的所述分类地质标签结合，得到训练集；

模型建立模块206，用于将所述训练集作为输入量代入到支持向量机机器学习模型中，得到地质识别模型；

识别模块207，用于根据所述地质识别模型识别盾构施工地质。

所述清洗模块202，具体包括：

清除单元，用于当传感器传回的原始数据中的无效值、缺失值无法进行后续数据处理部分的数据量占比小于设定值时，对这部分数据进行清除，得到清除后的数据；

填补单元，用于当传感器传回的原始数据中的无效值、缺失值无法进行后续数据处理部分的数据量占比大于设定值时，对这部分数据采用插值填充方法填补修正数据，得到填补后的数据；

结合单元，用于将所述清除后的数据和所述填补后的数据结合，得到清洗数据。

所述预处理模块203，具体包括：

预处理单元，用于采用工程经验或相关变量筛选方法去除清洗数据中的无关参数数据，得到预处理数据。

所述识别模块207，具体包括：

AUC评价单元，用于在识别的地质有两类的情况下，根据所述地质识别模型选择AUC作为模型评价指标，所述AUC表示ROC曲线下的面积；

准确率评价单元，用于在识别的地质有三类或以上时，根据所述地质识别模型选择准确率作为模型评价指标。

与现有的地质勘探方法相比，本发明的积极效果是：

1)输入量直接采用盾构自身传感器返回的数据，无需额外添加测量设备；2)在识别地质的过程中不必中断施工，因此可以保证施工的连续性；3)由于盾构机载参数采样频率高，本方法所得到的地质识别结果具有精细化的特点；4)模型预测速度快，能够满足工程中快速响应的需求；5)该机器学习方法具有一定的泛化能力：即对于不同工况，仅更换训练集重新训练模型即可得到相应的地质分类结果。

实施例：

本实施例所用的是天津地铁3号线的盾构掘进机载参数。

步骤一：数据清洗。本步骤是为了处理传感器所传回的原始数据中的无效值、缺失值，并检查数据的一致性。在本例中去除无效值、缺失值占总数据量的占比大约为8％。

步骤二：数据预处理。经过数据清洗后，盾构机载参数中仍存在与地质识别明显无关的参数。在本例中筛选出了刀盘扭矩等7个盾构机载参数作为输入。

步骤三：将试掘进段已经探明的地质段按照需求和地质特征进行分类。本实施例中，将地质分为三类，表1为地质分类表，如表1所示：

表1地质分类表

步骤四：将地质分类通过施工里程与预处理过的机载参数对应，形成有地质标签的训练集。

步骤五：将训练集作为输入量代入支持向量机SVM机器学习模型中形成地质识别模型，所选用的核函数为高斯核函数。

本实施例将已探明的试掘进段按照8:2的比例划分为机器学习算法的训练集和测试集。该模型在测试集上的准确率为85.4％，同时该模型对测试集的预测速度在0.2秒以内。该结果表明：对于盾构掘进的地质识别，本发明所提出的支持向量机SVM机器学习算法准确率高，并且能满足实际施工中快速响应的需求。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于支持向量机算法的盾构施工地质识别方法，其特征在于，所述方法包括：

获取盾构传感器采集的原始数据；

对所述原始数据进行清洗，得到清洗数据；

对所述清洗数据进行预处理，得到预处理数据；

将已探明的试掘进段按照地质特征进行分类，得到多个分类地质标签；

将所述预处理数据和与所述预处理数据相匹配的所述分类地质标签结合，得到训练集；

将所述训练集作为输入量代入到支持向量机机器学习模型中，得到地质识别模型；

根据所述地质识别模型识别盾构施工地质。

2.根据权利要求1所述的基于支持向量机算法的盾构施工地质识别方法，其特征在于，所述对所述原始数据进行清洗，得到清洗数据，具体包括：

当传感器传回的原始数据中的无效值、缺失值无法进行后续数据处理部分的数据量占比小于设定值时，对这部分数据进行清除，得到清除后的数据；

当传感器传回的原始数据中的无效值、缺失值无法进行后续数据处理部分的数据量占比大于设定值时，对这部分数据采用插值填充方法填补修正数据，得到填补后的数据；

根据所述清除后的数据和所述填补后的数据，得到清洗数据。

3.根据权利要求1所述的基于支持向量机算法的盾构施工地质识别方法，其特征在于，所述对所述清洗数据进行预处理，得到预处理数据，具体包括：

采用工程经验或相关变量筛选方法去除清洗数据中的无关参数数据，得到预处理数据。

4.根据权利要求1所述的基于支持向量机算法的盾构施工地质识别方法，其特征在于，所述根据所述地质识别模型识别盾构施工地质，具体包括：

在识别的地质有两类的情况下，根据所述地质识别模型选择AUC作为模型评价指标，所述AUC表示ROC曲线下的面积；

在识别的地质有三类或以上时，根据所述地质识别模型选择准确率作为模型评价指标。

5.一种基于支持向量机算法的盾构施工地质识别系统，其特征在于，所述系统包括：

获取模块，用于获取盾构传感器采集的原始数据；

清洗模块，用于对所述原始数据进行清洗，得到清洗数据；

预处理模块，用于对所述清洗数据进行预处理，得到预处理数据；

分类模块，用于将已探明的试掘进段按照地质特征进行分类，得到多个分类地质标签；

结合模块，用于将所述预处理数据和与所述预处理数据相匹配的所述分类地质标签结合，得到训练集；

模型建立模块，用于将所述训练集作为输入量代入到支持向量机机器学习模型中，得到地质识别模型；

识别模块，用于根据所述地质识别模型识别盾构施工地质。

6.根据权利要求5所述的基于支持向量机算法的盾构施工地质识别系统，其特征在于，所述清洗模块，具体包括：

清除单元，用于当传感器传回的原始数据中的无效值、缺失值无法进行后续数据处理部分的数据量占比小于设定值时，对这部分数据进行清除，得到清除后的数据；

填补单元，用于当传感器传回的原始数据中的无效值、缺失值无法进行后续数据处理部分的数据量占比大于设定值时，对这部分数据采用插值填充方法填补修正数据，得到填补后的数据；

结合单元，用于将所述清除后的数据和所述填补后的数据结合，得到清洗数据。

7.根据权利要求5所述的基于支持向量机算法的盾构施工地质识别系统，其特征在于，所述预处理模块，具体包括：

预处理单元，用于采用工程经验或相关变量筛选方法去除清洗数据中的无关参数数据，得到预处理数据。

8.根据权利要求5所述的基于支持向量机算法的盾构施工地质识别系统，其特征在于，所述识别模块，具体包括：

AUC评价单元，用于在识别的地质有两类的情况下，根据所述地质识别模型选择AUC作为模型评价指标，所述AUC表示ROC曲线下的面积；

准确率评价单元，用于在识别的地质有三类或以上时，根据所述地质识别模型选择准确率作为模型评价指标。