CN111460737B - 泥水气压平衡盾构的智能沉降预测方法及系统 - Google Patents
泥水气压平衡盾构的智能沉降预测方法及系统 Download PDFInfo
- Publication number
- CN111460737B CN111460737B CN202010273982.7A CN202010273982A CN111460737B CN 111460737 B CN111460737 B CN 111460737B CN 202010273982 A CN202010273982 A CN 202010273982A CN 111460737 B CN111460737 B CN 111460737B
- Authority
- CN
- China
- Prior art keywords
- data
- construction
- network
- training
- sedimentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000002002 slurry Substances 0.000 title claims abstract description 31
- 238000010276 construction Methods 0.000 claims abstract description 181
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000004062 sedimentation Methods 0.000 claims abstract description 60
- 230000008569 process Effects 0.000 claims abstract description 29
- 230000005641 tunneling Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000006641 stabilisation Effects 0.000 description 3
- 238000011105 stabilization Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000009417 prefabrication Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D11/00—Lining tunnels, galleries or other underground cavities, e.g. large underground chambers; Linings therefor; Making such linings in situ, e.g. by assembling
- E21D11/04—Lining with building materials
- E21D11/08—Lining with building materials with preformed concrete slabs
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
- E21D9/0607—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining the shield being provided with devices for lining the tunnel, e.g. shuttering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Architecture (AREA)
- Structural Engineering (AREA)
- Geology (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Civil Engineering (AREA)
- Environmental & Geological Engineering (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明涉及一种泥水气压平衡盾构的智能沉降预测方法及系统,该方法包括如下步骤:盾构掘进施工一设定距离,采集施工过程中各管片环的施工参数信息形成各管片环的施工数据;测量已施工的各管片环的沉降量形成各管片环的沉降数据;将各管片环的沉降数据与各管片环的施工数据对应组合形成训练数据;利用训练数据进行生成对抗网络的训练形成生成网络模型及判别网络模型;在盾构继续掘进施工时,实时采集施工参数信息形成对应的实时施工数据;以及将实时施工数据输入生成网络模型,并获得对应的沉降预测值。本发明利用生成对抗网络架构,采用较少的施工参数信息作为输入变量,可达到实时预测盾构施工当前位置的地表长期沉降数值。
Description
技术领域
本发明涉及盾构施工工程领域,特指一种泥水气压平衡盾构的智能沉降预测方法及系统。
背景技术
盾构机施工过程中,质量管控最关键的指标之一是地面沉降,这也是施工安全最重要的指标,地面沉降过高或过低都会造成地面建筑物变形、移位、甚至结构性损坏。由于盾构机通过之后地面的沉降随时间会有不同程度变化,一般采用90天之后的沉降稳定值作为最终沉降量,此数据只有等90天之后才能测量获得,严重滞后于施工进度,且无法改变。如果能够提前预测地面沉降,则施工过程中可以通过调整盾构机操作以补偿沉降,以获得最优地表沉降状况,施工效果最佳。
盾构掘进过程中对环境的扰动是一个十分复杂的问题。盾构掘进过程中对开挖面的平衡、造成的地层损失以及盾构隧道周围受扰动或受剪切破坏的重塑土的再固结是盾构法隧道施工引起地面沉降的主要原因。
从隧道施工情况来预测未来土壤沉降量如果从回归分析的角度出发,最终目标是在给定一组解释变量的情况下获得有关响应条件分布的信息即获得未来数量或利益事件的预测概率分布。然而在实际情况中,最终的回归目标很少实现,这是因为大多数已有的统计预测方法只关注一个指定的响应分布的数量,即平均值。平均回归模型具有易于理解和预测的优点,但是当呈现更复杂的关系时它们经常导致不完整的分析,并且还存在关于协变量的显着性、重要性的错误结论的风险。
传统的预测沉降模型一般采用历史经验公式,精度低、偏差大,预测得到的沉降数值对于真实工况施工没有任何帮助。现有关于盾构掘进引起的地层损失沉降预测有纵向地面沉降Peck修正公式等,基于Peck公式进行地层损失沉降的预测时,地层损失率和地面沉降槽宽度系数是2个决定性参数,但其取值具有离散型和区域经验性,且难以直接反映盾构施工主动控制参数对地面沉降量的影响。
在已有预测分析模型中存在以下几方面的问题:①选用的主控参数较少,而且对主控参数间的关联性没有考虑;②对盾构掘进过程中的历史数据没有做借鉴与参考。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种泥水气压平衡盾构的智能沉降预测方法及系统,解决现有的预测沉降模型存在的精度低、偏差大、选用的主控参数较少且对主控参数间的关联性没有考虑以及对历史数据没有做借鉴与参考等的问题。
实现上述目的的技术方案是:
本发明提供了一种泥水气压平衡盾构的智能沉降预测方法,包括如下步骤:
盾构掘进施工一设定距离,采集施工过程中各管片环的施工参数信息形成各管片环的施工数据;
测量已施工的各管片环的沉降量形成各管片环的沉降数据;
将各管片环的沉降数据与各管片环的施工数据对应组合形成训练数据;
利用所述训练数据进行生成对抗网络的训练形成生成网络模型及判别网络模型;
在盾构继续掘进施工时,实时采集施工参数信息形成对应的实时施工数据;以及
将所述实时施工数据输入所述生成网络模型,并获得对应的沉降预测值。
本发明利用生成对抗网络架构,采用较少的施工参数信息作为输入变量,可达到实时预测盾构施工当前位置的地表长期沉降数值,而无需等待较长的沉降稳定期(通常是90天)。生成对抗网络使用的训练数据无需考虑相互之间的相关性,其中相关性较小的输入变量在网络训练过程中经过多次迭代权重自动降低至最小值而不影响整个网络,相关性较大的输入变量在网络训练过程中权重会慢慢提高,实现了自动筛选合适的变量,实现了自动考虑主控参数间的关联性。
本发明泥水气压平衡盾构的智能沉降预测方法的进一步改进在于,利用所述训练数据进行生成对抗网络的训练时,将所述训练数据中的当前管片环的沉降数据及施工数据与前一管片环的施工数据作为一组训练输入数据,以进行生成对抗网络的训练。
本发明泥水气压平衡盾构的智能沉降预测方法的进一步改进在于,所述施工参数信息包括施工覆土厚度、注浆量、油缸行程、气压仓压力、进泥流量、排泥流量以及推进速度。
本发明泥水气压平衡盾构的智能沉降预测方法的进一步改进在于,利用所述训练数据进行生成对抗网络的训练的步骤,包括:
将所述训练数据中的施工数据输入生成网络,并利用生成网络生成与所述训练数据中的沉降数据相近似的模拟沉降数据;
利用判别网络对模拟沉降数据进行评估;
利用随机梯度下降更新判别网络及生成网络,多次迭代直至收敛,从而形成生成网络模型及判别网络模型。
本发明泥水气压平衡盾构的智能沉降预测方法的进一步改进在于,将所述实时施工数据输入所述生成网络模型及判别网络模型时,将所述实时施工数据中的当前管片环及前一管片环的施工数据作为一组输入数据,输入至所述生成网络模型。
本发明还提供了一种泥水气压平衡盾构的智能沉降预测系统,包括:
采集模块,用于在盾构掘进施工过程中实时采集施工参数信息形成对应的实时施工数据;
模型建立模块,用于利用输入的盾构掘进施工一设定距离所获得的各管片环的施工数据及沉降数据进行生成对抗网络训练以形成生成网络模型及判别网络模型;以及
与所述采集模块及所述模型建立模块连接的处理模块,用于将所述采集模块采集的实时施工数据输入所述生成网络模型以获得对应的沉降预测值并输出。
本发明泥水气压平衡盾构的智能沉降预测系统的进一步改进在于,所述模型建立模块包括一数据输入子模块,所述数据输入子模块用于将当前管片环的施工数据及沉降数据与前一管片环的施工数据作为一组训练输入数据,输入至生成对抗网络进行训练。
本发明泥水气压平衡盾构的智能沉降预测系统的进一步改进在于,各管片环的施工数据包括施工覆土厚度、注浆量、油缸行程、气压仓压力、进泥流量、排泥流量以及推进速度。
本发明泥水气压平衡盾构的智能沉降预测系统的进一步改进在于,所述模型建立模块包括生成网络训练子模块、判别网络训练子模块以及调整更新子模块;
所述生成网络训练子模块用于将施工数据输入生成网络,利用所述生成网络生成与沉降数据相近似的模拟沉降数据;
所述判别网络训练子模块与所述生成网络训练子模块连接,利用判别网络对模拟沉降数据进行评估;
所述调整更新子模块与所述生成网络及所述判别网络连接,利用随机梯度下降更新判别网络及生成网络,进而所述生成网络训练子模块和所述判别网络训练子模块对所述生成网络和所述判别网络进行多次迭代训练直至收敛,以得到生成网络模型及判别网络模型。
本发明泥水气压平衡盾构的智能沉降预测系统的进一步改进在于,所述处理模块将所述实时施工数据中的当前管片环及前一管片环的施工数据作为一组输入数据,输入至所述生成网络模型,以获得对应当前管片环的沉降预测值。
附图说明
图1为本发明泥水气压平衡盾构的智能沉降预测方法的流程图。
图2为本发明泥水气压平衡盾构的智能沉降预测系统的系统图。
图3为本发明泥水气压平衡盾构的智能沉降预测方法及系统中的生成网络的模型图。
图4为本发明泥水气压平衡盾构的智能沉降预测方法及系统的地表沉降预测现象结果图表。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
参阅图1,本发明提供了一种泥水气压平衡盾构的智能沉降预测方法及系统,用于解决传统历史经验公式预测长期地表沉降存在的选用主控参数较少,表征环境的信息较少,且对主控参数间的关联性没有考虑;对盾构掘进过程中的历史数据没有做借鉴与参考,每一次计算均是独立事件,隔断前后联系,与事实不符;对于长过程、大滞后数据计算偏差较大;各参数之间没有考虑相互耦合作用(包括时间上的和/或空间上的相互耦合),缺少了耦合作用的影响,拟合结果较差等问题;进而导致结果精确度不够,只适合于施工参考,无法实现盾构机自动控制目标。本发明采用了生成对抗网络实现对泥水气压平衡盾构的沉降量进行预测,可实现提供90天后地表沉降的精准预测,无需等待90天,使得施工过程可通过调整盾构机操作来补偿沉降,能够获得最优地表沉降状况,施工效果佳,保证施工质量和地面建筑物安全。下面结合附图对本发明泥水气压平衡盾构的智能沉降预测方法及系统进行说明。
参阅图2,显示了本发明泥水气压平衡盾构的智能沉降预测系统的系统图。下面结合图2,对本发明泥水气压平衡盾构的智能沉降预测系统进行说明。
如图2所示,本发明的泥水气压平衡盾构的智能沉降预测系统包括采集模块21、处理模块22以及模型建立模块23,其中的采集模块21和模型建立模块23与处理模块22连接,采集模块21用于在盾构掘进施工过程中采集施工参数信息形成对应的实时施工数据;模型建立模块23用于利用输入的盾构掘进施工一设定距离所获得的各管片环的施工数据及沉降数据进行生成对抗网络训练以形成生成网络模型及判别网络模型;处理模块22接收采集模块采集的实时施工数据,并将实时施工数据输入生成网络模型以获得对应的沉降预测值并输出,该沉降预测值由生成网络模型输出,处理模块22接收生成网络模型输出的沉降预测值并输出,以供指导实际施工,对沉降进行补偿,保证施工质量和底面建筑物安全。
本发明采用的生成对抗网络(GAN)设定有两个神经网络在系统中相互竞争给定训练集,该技术可以学习生成具有训练集相同的统计数据的新数据。在隧道沉降预测中,由于地下施工领域的特殊性,各变量之间相互影响,而且呈非线性关系,生成对抗网络可解决这一问题,通过2个网络不断对抗升级,最终其能够生成足够真实的“假”沉降数据,用来拟合实际现场情况,以达到预测沉降的目的。如果直接使用线性或者回归拟合,其受样本类型和数量限制,精度远达不到实际应用效果。具体地,生成对抗网络包括生成网络和判别网络,结合图3所示,生成网络包括LSTM(长短期记忆网络,Long Short-Term Memory)模块,LSTM是一种时间循环神经网络,具有很强的处理时间序列数据的能力,特别适合于地下施工领域。因为隧道施工过程中,施工操作的时间前后会对当前的施工状态施加影响,对下一环的沉降也会干扰,这种相互耦合影响类似于电气系统的线路窜扰噪音,不仅在空间上也同时在时间上对整个系统施加影响。
为考虑上述的相互窜扰影响,本发明的模型建立模块包括一数据输入子模块,在进行模型训练时,该数据输入子模块用于将当前管片环的施工数据及沉降数据与前一管片环的施工数据作为一组训练输入数据,输入至生成对抗网络进行训练。也即在模型训练时,除了当前环的施工参数,还使用了前一环的施工参数辅助沉降预测,考虑空间和时间因素的网络收敛速度更快,沉降预测准确率更高。
在本发明的一种具体实施方式中,处理模块22将实时施工数据中的当前管片环及前一管片环的施工数据作为一组输入数据,输入至生成网络模型,以获得对应当前管片环的沉降预测值。
在本发明的一种具体实施方式中,各管片环的施工数据包括施工覆土厚度、注浆量、油缸行程、气压仓压力、进泥流量、排泥流量以及推进速度。在盾构掘进的过程中,上述的工覆土厚度、注浆量、油缸行程、气压仓压力、进泥流量、排泥流量以及推进速度可通过设置的各传感器进行测定,或通过盾构机的控制系统直接获得。
在模型建立模块23进行模型训练时,向该模型建立模块23输入其所需的各管片环的施工数据及沉降数据,该输入的各管片环的施工数据及沉降数据通过盾构机掘进施工一设定距离而采集得到,其中的沉降数据可在管片环施工好一段时间后进行测量得到,较佳地在管片环施工完成90天后测得其沉降值作为沉降数据。盾构开始掘进阶段,较浅的工作覆土会造成较大的沉降波动干扰,通常在推进40环(约80m)之后的沉降数据会趋于稳定,故盾构机掘进施工一设定距离中的设定距离可选择在60环至80环之间的宽度,训练数据选择40环之后的施工数据及沉降数据。每一管片环施工时,根据采集频率可获得对应该管片环的多组施工数据,在采集时取该组施工数据的平均值作为该管片环的施工数据。以气压仓压力为例进行说明,在该管片环施工过程中,若每间隔1min采集一次气压仓压力,在该管片环施工完成后,会得到多个气压仓压力值,接着对多个气压仓压力值取平均作为该管片环的气压仓压力参数。
进一步地,模型建立模块23包括生成网络训练子模块、判别网络训练子模块以及调整更新子模块;生成网络训练子模块用于将施工数据输入生成网络,利用生成网络生成与沉降数据相近似的模拟沉降数据;判别网络训练子模块与生成网络训练子模块连接,利用判别网络对模拟沉降数据进行评估;调整更新子模块与生成网络及判别网络连接,利用随机梯度下降更新判别网络及生成网络,进而生成网络训练子模块和判别网络训练子模块对生成网络和判别网络进行多次迭代训练直至收敛,以得到生成网络模型及判别网络模型。
结合图3所示,施工数据输入至LSTM模块,该LSTM模块的输出输入到一个完全连接的层,通过7个神经元(代表7个施工参数)生成模拟沉降数据G(x),该模拟沉降数据近似沉降数据,是生成网络生成的一个“假”的沉降值。假设输入是Xn-1={x1n-1,...,xin-1},Xn-1代表前一环的施工数据作为LSTM的输入,输出为ht,而ht作为全连接层的输入,通过当前环的施工数据Xn得到预测沉降值G(x)。生成网络的函数G(x)可表示为:
G(x)=Xnht+bh
其中bh用来做线性偏差修正,通过上述公式可以利用前一环和当前环的施工数据对当前环的地表沉降预测。网络训练阶段,每次通过网络生成一个“假”的沉降值,交由判别网络评估,如此不断重复,直至网络收敛,目标是生成的“假”沉降值和实际沉降值误差在一定范围内,此时该网络可以实现无数据监督预测的功能,可以根据当前施工参数,预测当前位置90天之后的沉降,而无需等待90天。
本发明的判别网络使用CNN(卷积神经网络),因CNN从已有特征中提取特征的能力非常强大,在沉降预测应用中,可利用CNN的特点提取施工参数的少量变化趋势,从而进一步提取施工参数变化的模式,最后可以利用网络提取到沉降数值变化的模式。使用CNN的另一个原因是CNN在空间数据上运行良好,意味着彼此接近的数据点之间的相关性比分离的数据点更高,这对于地表沉降这类时间序列的数据也同样适用。卷积神经网络包括输入层、隐藏层和输出层,其中网络的隐藏层包括卷积层、中间层和全连接层,整个网络一共分为5层。其中卷积层是前一层网络与一个可学习的卷积核进行卷积运算,卷积的结果经过激活函数后的输出形成这一层的神经元,也称特征提取层,每个神经元的输入与前一层的局部连接,并提取该局部的特征;中间层和全连接层:输入信号经过多次卷积核池化运算后,输出为多组信号,经过全连接运算,将多组信号组合为一组信号;输出层:根据提取的特征,按照预先设定的预制,输出逻辑判断。判别网络运行时,输入变量为生成网络LSTM输出ht,通过卷积网络提取特征ht并分类,并计算输入伪数据(生成网络构造)和真数据(实际测量数据)时概率,分别即为E[logD(G(Xf))]和E[logD(Xr)],E为数学期望值。在利用判别网络对模拟沉降数据进行评估时,向判别网络输入LSTM输出的ht,该ht相当于一组向量,判别网络对该一组向量进行特征提取,并进行逻辑判断得到判断结果。
GAN网络的训练流程可由下列目标函数表达,先固定生成网络G,训练判别网络D,随后固定判别网络D,训练生成网络G;不断重复直至收敛。生成对抗网络(GAN)的目标函数为:
这里的V(D,G)相当于表示真实样本和生成样本的差异程度。
的目的是固定生成网络G,尽可能地让判别网络能够最大化地判别出样本来自于真实数据还是生成的“假”数据。即:
的目的是在固定判别网络D的条件下得到生成网络G,这个G要求能够最小化真实样本与生成样本的差异。即:
通过上述最小化和最大化的相互的博弈过程,理想情况下会收敛于生成拟合真实样本分布的神经网络,即判别网络无法分辨生成网络的输出数据是真是假,两者概率都为0.5,达到纳什均衡状态。
在生成网络及判别网络训练过程中,根据判别网络的分类结果,利用随机梯度下降更新判别网络。根据生成网络生成的伪数据,利用随机梯度下降更新生成网络。
本发明泥水气压平衡盾构的智能沉降预测系统的有益效果为:
本发明使用的对抗神经网络(GAN),包含生成网络(Generator)和判别网络(Discriminator)2个独立网络,利用最少环境和施工参数作为输入变量,通过GAN网络的多次迭代收敛,达到实时预测盾构机施工当前位置的地表长期(90天后)沉降数值,无需等待90天。
盾构施工过程中,各个变量和参数之间关系复杂,无法人工判断相对影响因素和逻辑关系。本发明GAN网络使用的各个输入参数无需考虑相互之间的相关性,相关性较小的输入变量在网络训练过程中经过多次迭代权重自动降低到最小值,不影响整个网络;而相关性大的输入变量在训练过程中权重会慢慢提高大最大值,网络可以自动筛选合适的输入施工变量或者环境变量。不需要人为干预、不需要历史经验公式,网络训练相对简单,输出结果准确性高。
本发明还提供了一种泥水气压平衡盾构的智能沉降预测方法,下面对该预测方法进行说明。
如图1所示,本发明的一种泥水气压平衡盾构的智能沉降预测方法,包括如下步骤:
执行步骤S11,盾构掘进施工一设定距离,采集施工过程中各管片环的施工参数信息形成各管片环的施工数据;接着执行步骤S12。
执行步骤S12,测量已施工的各管片环的沉降量形成各管片环的沉降数据;接着执行步骤S13。
执行步骤S13,将各管片环的沉降数据与各管片环的施工数据对应组合形成训练数据;接着执行步骤S14。
执行步骤S14,利用训练数据进行生成对抗网络的训练形成生成网络模型及判别网络模型;接着执行步骤S15。
执行步骤S15,在盾构继续掘进施工时,实时采集施工参数信息形成对应的实时施工数据;接着执行步骤S16。
执行步骤S16,将实时施工数据输入生成网络模型,并获得对应的沉降预测值。
本发明利用生成对抗网络架构,采用较少的施工参数信息作为输入变量,可达到实时预测盾构施工当前位置的地表长期沉降数值,而无需等待较长的沉降稳定期(通常是90天)。生成对抗网络使用的训练数据无需考虑相互之间的相关性,其中相关性较小的输入变量在网络训练过程中经过多次迭代权重自动降低至最小值而不影响整个网络,相关性较大的输入变量在网络训练过程中权重会慢慢提高,实现了自动筛选合适的变量,实现了自动考虑主控参数间的关联性。
在本发明的一种具体实施方式中,利用训练数据进行生成对抗网络的训练时,将训练数据中的当前管片环的沉降数据及施工数据与前一管片环的施工数据作为一组训练输入数据,以进行生成对抗网络的训练。
在训练模型时,除了当前环的施工参数,还是用了前一整环的施工参数辅助沉降预测,考虑了空间和时间因素的网络收敛速度更快,沉降预测准确率更高。
进一步地,将实时施工数据输入生成网络模型时,将实时施工数据中的当前管片环及前一管片环的施工数据作为一组输入数据,输入至生成网络模型。
较佳地,盾构开始掘进阶段,覆土较浅,沉降数值波段较大,若利用开始掘进的沉降数值训练模型,会造成较大的干扰,通常在推进40环(约80m)之后的沉降数据会趋于稳定,故盾构掘进施工一设定距离中的设定距离可选择在60环至80环之间的宽度,训练数据选择40环之后的施工数据及沉降数据。在施工的过程中实时记录施工参数以形成施工数据,然后等待沉降稳定周期(90天之后)测量对应的沉降值,该沉降值为真实的沉降量,作为沉降数据。利用施工数据及沉降数据来进行生成对抗网络的训练。
在本发明的一种具体实施方式中,施工参数信息包括施工覆土厚度、注浆量、油缸行程、气压仓压力、进泥流量、排泥流量以及推进速度。
在本发明的一种具体实施方式中,利用训练数据进行生成对抗网络的训练的步骤,包括:
将训练数据中的施工数据输入生成网络,并利用生成网络生成与训练数据中的沉降数据相近似的模拟沉降数据;
利用判别网络对所述模拟沉降数据进行评估;
利用随机梯度下降更新判别网络及生成网络,多次迭代直至收敛,从而形成生成网络模型及判别网络模型。
下面对本发明的泥水气压平衡盾构的智能沉降预测方法及系统的应用效果进行说明。
将本发明的泥水气压平衡盾构的智能沉降预测方法及系统应用在上海北横隧道东线段的施工。
由于地面沉降测量点无法部署到每一施工环,有时需要避开建筑物或者交通人流,一般间隔2~4环部署一个测量点,用于验证的隧道施工部分为东线从1000环开始到1176环共43个数据测量点,实测沉降数值和采用智能新方法预测数值的对比如图4所示,从图中分析得知使用新技术GAN模型预测的地表沉降数值和实际测量值最大误差为8.98mm,最小误差0.18mm,平均误差为3.54mm,实际施工实践中证明了此技术的现场实用性,预测结果可以立即提供给盾构机操作人员参考,进一步采取相关措施。
本发明的泥水气压平衡盾构的智能沉降预测方法及系统,利用泥水气压平衡盾构机施工过程中实时环境传感器数据,结合前一环施工参数,将数据的时间和空间效应充分纳入到对沉降的影响因素中,利用GAN构架设计了合适的生成网络,能够及时预测90天后地表的沉降数值,帮助施工质量控制,此创新的智能沉降预测方法在在现场实践中取得了良好的效果。
以上结合附图实施例对本发明进行了详细说明,本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而,实施例中的某些细节不应构成对本发明的限定,本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (2)
1.一种泥水气压平衡盾构的智能沉降预测方法,其特征在于,包括如下步骤:
盾构掘进施工一设定距离,采集施工过程中各管片环的施工参数信息形成各管片环的施工数据;
测量已施工的各管片环的沉降量形成各管片环的沉降数据;
将各管片环的沉降数据与各管片环的施工数据对应组合形成训练数据;
利用所述训练数据进行生成对抗网络的训练形成生成网络模型及判别网络模型;
在盾构继续掘进施工时,实时采集施工参数信息形成对应的实时施工数据;以及
将所述实时施工数据输入所述生成网络模型,并获得对应的沉降预测值;
利用所述训练数据进行生成对抗网络的训练时,将所述训练数据中的当前管片环的沉降数据及施工数据与前一管片环的施工数据作为一组训练输入数据,以进行生成对抗网络的训练;
所述施工参数信息包括施工覆土厚度、注浆量、油缸行程、气压仓压力、进泥流量、排泥流量以及推进速度;
训练数据选择盾构机掘进施工40环之后的施工数据及沉降数据,且所选择的施工数据及沉降数据为60环至80环之间的数据;
利用所述训练数据进行生成对抗网络的训练的步骤,包括:
将所述训练数据中的施工数据输入生成网络,并利用生成网络生成与所述训练数据中的沉降数据相近似的模拟沉降数据;
利用判别网络对所述模拟沉降数据进行评估;
利用随机梯度下降更新判别网络及生成网络,多次迭代直至收敛,从而形成生成网络模型及判别网络模型;
将所述实时施工数据输入所述生成网络模型时,将所述实时施工数据中的当前管片环及前一管片环的施工数据作为一组输入数据,输入至所述生成网络模型;
施工数据输入至LSTM模块,该LSTM模块的输出输入到一个完全连接的层,通过7个神经元生成模拟沉降数据G(x),该模拟沉降数据近似沉降数据,是生成网络生成的一个“假”的沉降值;假设输入是Xn-1={x1n-1,...,xin-1},Xn-1代表前一环的施工数据作为LSTM的输入,输出为ht,而ht作为全连接层的输入,通过当前环的施工数据Xn得到预测沉降值G(x);生成网络的函数G(x)可表示为:
G(x)=Xnht+bh
其中bh用来做线性偏差修正,通过上述公式可以利用前一环和当前环的施工数据对当前环的地表沉降预测;网络训练阶段,每次通过网络生成一个“假”的沉降值,交由判别网络评估,如此不断重复,直至网络收敛,目标是生成的“假”沉降值和实际沉降值误差在一定范围内。
2.一种泥水气压平衡盾构的智能沉降预测系统,其特征在于,包括:
采集模块,用于在盾构掘进施工过程中实时采集施工参数信息形成对应的实时施工数据;
模型建立模块,用于利用输入的盾构掘进施工一设定距离所获得的各管片环的施工数据及沉降数据进行生成对抗网络训练以形成生成网络模型及判别网络模型;以及
与所述采集模块及所述模型建立模块连接的处理模块,用于将所述采集模块采集的实时施工数据输入所述生成网络模型以获得对应的沉降预测值并输出;
所述模型建立模块包括一数据输入子模块,所述数据输入子模块用于将当前管片环的施工数据及沉降数据与前一管片环的施工数据作为一组训练输入数据,输入至生成对抗网络进行训练;
各管片环的施工数据包括施工覆土厚度、注浆量、油缸行程、气压仓压力、进泥流量、排泥流量以及推进速度;
所述模型建立模块包括生成网络训练子模块、判别网络训练子模块以及调整更新子模块;
所述生成网络训练子模块用于将施工数据输入生成网络,利用所述生成网络生成与沉降数据相近似的模拟沉降数据;
所述判别网络训练子模块与所述生成网络训练子模块连接,利用判别网络对所述模拟沉降数据进行评估;
所述调整更新子模块与所述生成网络及所述判别网络连接,利用随机梯度下降更新判别网络及生成网络,进而所述生成网络训练子模块和所述判别网络训练子模块对所述生成网络和所述判别网络进行多次迭代训练直至收敛,以得到生成网络模型及判别网络模型;
所述处理模块将所述实时施工数据中的当前管片环及前一管片环的施工数据作为一组输入数据,输入至所述生成网络模型,以获得对应当前管片环的沉降预测值;
训练数据选择盾构机掘进施工40环之后的施工数据及沉降数据,且所选择的施工数据及沉降数据为60环至80环之间的数据;
施工数据输入至LSTM模块,该LSTM模块的输出输入到一个完全连接的层,通过7个神经元生成模拟沉降数据G(x),该模拟沉降数据近似沉降数据,是生成网络生成的一个“假”的沉降值;假设输入是Xn-1={x1n-1,...,xin-1},Xn-1代表前一环的施工数据作为LSTM的输入,输出为ht,而ht作为全连接层的输入,通过当前环的施工数据Xn得到预测沉降值G(x);生成网络的函数G(x)可表示为:
G(x)=Xnht+bh
其中bh用来做线性偏差修正,通过上述公式可以利用前一环和当前环的施工数据对当前环的地表沉降预测;网络训练阶段,每次通过网络生成一个“假”的沉降值,交由判别网络评估,如此不断重复,直至网络收敛,目标是生成的“假”沉降值和实际沉降值误差在一定范围内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010273982.7A CN111460737B (zh) | 2020-04-09 | 2020-04-09 | 泥水气压平衡盾构的智能沉降预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010273982.7A CN111460737B (zh) | 2020-04-09 | 2020-04-09 | 泥水气压平衡盾构的智能沉降预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460737A CN111460737A (zh) | 2020-07-28 |
CN111460737B true CN111460737B (zh) | 2023-12-29 |
Family
ID=71685220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010273982.7A Active CN111460737B (zh) | 2020-04-09 | 2020-04-09 | 泥水气压平衡盾构的智能沉降预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460737B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408190B (zh) * | 2021-05-28 | 2023-09-08 | 中交第一公路勘察设计研究院有限公司 | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 |
CN113946899A (zh) * | 2021-11-10 | 2022-01-18 | 广东粤海珠三角供水有限公司 | 一种基于实时地质信息的泥水盾构掘进参数预测方法 |
CN117150425B (zh) * | 2023-07-10 | 2024-04-26 | 郑州轻工业大学 | 基于机理数据融合的管片拼装机运动状态预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515976A (zh) * | 2017-08-15 | 2017-12-26 | 上海隧道工程有限公司 | 基于泥水盾构施工主控参数的地面沉降预测方法 |
CN109978226A (zh) * | 2019-01-24 | 2019-07-05 | 同济大学 | 基于循环神经网络的盾构施工地面沉降预测方法 |
-
2020
- 2020-04-09 CN CN202010273982.7A patent/CN111460737B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515976A (zh) * | 2017-08-15 | 2017-12-26 | 上海隧道工程有限公司 | 基于泥水盾构施工主控参数的地面沉降预测方法 |
CN109978226A (zh) * | 2019-01-24 | 2019-07-05 | 同济大学 | 基于循环神经网络的盾构施工地面沉降预测方法 |
Non-Patent Citations (2)
Title |
---|
候喜冬.盾构施工引起地表沉降的BP神经网络预测.《隧道建设》.2007,第27卷(第03期),第17-20页. * |
魏明乐.基于生成对抗网络的地铁盾构超前探测方法研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2020,(第01期),第1-66页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111460737A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460737B (zh) | 泥水气压平衡盾构的智能沉降预测方法及系统 | |
CN112183993B (zh) | 一种tbm掘进控制参数智能预测及优化决策方法 | |
CN104200268B (zh) | 一种基于粒子群优化极限学习机的带钢出口厚度预测方法 | |
CN109740661B (zh) | 一种基于模糊评估的油井动液面自适应预测方法 | |
CN108595803B (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN115077474A (zh) | 一种基于机器学习的地面沉降趋势预测方法及系统 | |
CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN114548482A (zh) | 一种基于蠕变型滑坡动能变化率临滑预警方法 | |
CN114792044A (zh) | 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统 | |
CN112347571A (zh) | 考虑模型和数据不确定性的滚动轴承剩余寿命预测方法 | |
CN107944550A (zh) | 一种基于探测式深度网络的时空大数据预测方法 | |
CN113642801A (zh) | 一种基于lstm的绞吸挖泥船产量预测方法 | |
CN115952590A (zh) | 基于bo-rf-mompa混合算法的盾构隧道优化设计方法及设备 | |
CN114065639A (zh) | 一种挖泥船施工参数的闭环实时反演方法 | |
CN114091339A (zh) | 一种基于gru的耙吸挖泥船艏吹瞬时产量预测方法 | |
CN116029220B (zh) | 一种电压互感器运行误差评估方法、系统、设备及介质 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN116258275A (zh) | 一种基于集成学习的基坑变形多元时间序列预测方法 | |
CN116306832A (zh) | 一种用于多维序列数据的多模生成对抗神经网络建模方法及装置 | |
CN115983333A (zh) | 基于混合神经网络的盾构掘进速度智能预测方法 | |
CN114519291A (zh) | 工况监测和控制模型建立方法及其应用方法和装置 | |
CN113762635B (zh) | Epb隧道施工地表沉降全周期自适应模糊推理预测方法 | |
CN118010103B (zh) | 高寒环境下等厚度水泥土搅拌墙智能监测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |