CN112182955A - 一种盾构通用型管片选点模型的构建方法及其应用 - Google Patents
一种盾构通用型管片选点模型的构建方法及其应用 Download PDFInfo
- Publication number
- CN112182955A CN112182955A CN202010942143.XA CN202010942143A CN112182955A CN 112182955 A CN112182955 A CN 112182955A CN 202010942143 A CN202010942143 A CN 202010942143A CN 112182955 A CN112182955 A CN 112182955A
- Authority
- CN
- China
- Prior art keywords
- segment
- shield
- dta
- point
- pose
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明属于盾构施工技术领域,具体公开一种盾构通用型管片选点模型的构建方法及其应用,构建方法包括:构建训练样本集,训练神经网络得到盾构通用型管片选点模型;其中每个训练样本的获取方法为:建立盾构机模型、管片模型和DTA;基于DTA随机确定当前待拼装管片的上一环管片在DTA上对应点的坐标、上一环管片的位姿和点位、盾构机当前在DTA上对应点的坐标以及盾构机当前位姿,以测量或计算当前模型状态下的施工参数;基于上一环管片的位姿和点位、施工参数以及待拼装管片在DTA上对应点的坐标,确定待拼装管片的点位以作为标签,得到一个训练样本。本发明解决了训练管片选点模型数据量不足的问题,并保证管片点位选取合理性,提高管片选点效率。
Description
技术领域
本发明属于盾构施工技术领域,更具体地,涉及一种盾构通用型管片选点模型的构建方法及其应用。
背景技术
盾构法是一种隧道施工方法,是在盾构机的钢壳之内保持开挖面稳定的同时,安全向前掘进,在其尾部进行管片的拼装,然后用千斤顶顶推已拼装好的管片,利用其反力将盾构推进。盾构机每推进一个工作行程,就在盾尾支护下拼装一段管片,并及时地向靠近盾尾后面的地层与管片外周之间的空隙中压注浆液,以防止隧道及地面下沉,同时不断从开挖面排出土方。盾构法施工相对其它施工方法一个显著的特点就是拼装成环的管片直接成为隧道的最终衬砌。因此,盾构施工对管片拼装质量的要求极高,管片的拼装质量直接影响隧道质量。
通用型管片是指在整条隧道施工中只使用一种具有一定楔形量的圆环,通过楔形圆环的有序旋转来拟合各种线型的隧道轴线。通用型管片的选型受限因素很多,选型过程复杂。目前绝大部分是由经验人员根据现场施工数据人工进行选型,这种选型方式具有盲目性和随意性,容易出现管片选型不合理的情况,难以确保隧道的整体质量,且效率低、对操作人员要求极高。
发明内容
本发明提供一种盾构通用型管片选点模型的构建方法及其应用,用以解决现有盾构通用型管片选点方法存在选点效率低的技术问题。
本发明解决上述技术问题的技术方案如下:一种盾构通用型管片选点模型的构建方法,包括:
构建训练样本集,训练神经网络得到盾构通用型管片选点模型;
其中,每个训练样本的获取方法为:
建立盾构机模型、管片模型和DTA;
基于所述DTA,随机确定当前待拼装管片的上一环管片在DTA上对应点的坐标、所述上一环管片的位姿和点位、盾构机当前在DTA上对应点的坐标以及盾构机当前的位姿;
根据所述上一环管片的位姿和所述盾构机当前的位姿,测量或计算当前模型状态下的施工参数;并基于上一环管片的位姿和点位、所述施工参数以及待拼装管片在DTA上对应点的坐标,确定待拼装管片的点位以作为标签,得到一个训练样本。
本发明的有益效果是:本发明为解决盾构施工管片拼装点位受限因素多、难以合理选取的难题,提出基于合理的管片选点数据训练优化神经网络模型得到管片选点模型,相较于人工选点,本方法能保证管片选点的合理性。针对因管片历史数据少、数据记录不完整等原因导致的难以获取足够的历史施工数据来训练优化管片自动选点模型的问题,本方法基于计算机仿真技术通过随机确定上一环管片的位姿等信息获取样本数据,可有效解决这一难题。本方法的管片自动选点方法,可保证管片点位选取的合理性,从而保证成型隧道的质量,提高管片选点的效率,同时也解决了训练管片选点模型数据量不足的问题。
上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述盾构机当前在DTA上对应点的坐标的确定方法为:
基于所述上一环管片在DTA上对应点的坐标以及所述盾构机的几何尺寸,确定盾构机当前在DTA上对应点的坐标。
进一步,所述上一环管片在DTA上对应点的坐标、所述上一环管片的位姿和点位的随机确定方式为:
采用蒙特卡洛法,收集实际施工过程中管片位姿的历史数据,对数据分析处理得到管片实际位姿与DTA的偏差的第一概率分布;
根据所述第一概率分布,对管片位姿偏差进行随机采样,并结合随机确定的上一环管片在DTA上对应点的坐标,计算得到上一环管片的位姿及点位。
进一步,所述盾构机当前在DTA上对应点的坐标以及盾构机当前的位姿的随机确定方式为:
采用蒙特卡洛法,收集成型隧道中盾构机位姿数据,对数据分析处理得到盾构机位姿与DTA的偏差的第二概率分布;
根据第二概率分布,对盾构机位姿偏差进行随机采样,并结合盾构机当前在DTA上对应点的坐标,计算得到盾构机的位姿。
本发明的进一步有益效果是:基于蒙特卡洛法,能够在实际历史数据的基础上,进行随机采样,保证训练数据的可靠性以及多样性。
进一步,所述待拼装管片在DTA上对应点的坐标的确定方式为:
根据上一环管片的位姿、管片几何参数和所述DTA,确定待拼装管片在DTA上对应点的坐标。
进一步,所述施工参数包括:盾构机水平方向上的推进油缸行程差、盾构机竖直方向上的推进油缸行程差、盾构机与管片在上下左右四个方向的盾尾间隙。
进一步,在所述训练样本集的构建中,所述DTA的线型有直线、圆曲线和缓和曲线。
本发明的进一步有益效果是:为使仿真数据能代表真实的施工参数与点位的对应关系,需保证收集的盾构机位姿数据包含了盾构机在各种DTA线形下的位姿,数据要全面充分,以提高模型训练的可靠性。
进一步,所述训练神经网络的方式为:
S1、搭建神经网络模型,并初始化神经网络模型的权值和偏置;
S2、将所述训练样本以向量的形式输入到神经网络的输入层,输入层将数据输入到第一个隐藏层,由此输出与该隐藏层的神经元个数保持一致的特征值;以此方式,顺序输入到神经网络的其余多个隐藏层以获得相应的特征值;最后输入到神经网络的输出层并获得与管片点位数一致的多个特征值,得到预测点位;
S3、将所述预测点位与训练样本的实际点位进行比较,并生成损失函数,若损失函数大于预设值则更新上述神经网络的权重、偏置并重复执行S2,直至各预测点位与相应的训练样本组中的实际点位之间的误差值均在所述预设范围内;
S4、保存所述权值、偏置,生成通用型管片选点模型。
本发明还提供一种盾构通用型管片选点方法,包括:
采集实时施工过程中待拼装管片的上一环管片的位姿和点位、当前施工参数以及待拼装管片在DTA上对应点的坐标,并输入如上所述的一种盾构通用型管片选点模型的构建方法所构建得到的选点模型,得到待拼装管片的点位,完成通用型管片的选点。
本发明的有益效果是:采用上述的一种盾构通用型管片选点模型的构建方法所构建得到的选点模型,能保证管片选点的合理性,从而保证成型隧道的质量,提高管片选点的效率。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种盾构通用型管片选点模型的构建方法和/或如上所述的一种盾构通用型管片选点方法。
附图说明
图1为本发明实施例提供的一种盾构通用型管片选点模型的构建方法中训练样本的获取方法流程框图;
图2为本发明实施例提供的一种管片示意图;
图3为本发明实施例提供的管片通缝连接和管片错缝连接的示意图;
图4为本发明实施例提供的盾构机、管片和DTA之间的关系示意图;
图5为本发明实施例提供的待拼装管片在DTA上对应点的坐标的确定示意图;
图6为本发明实施例提供的一种三层BP神经网络示意图;
图7为本发明实施例提供的一种盾构通用型管片选点方法流程框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
一种盾构通用型管片选点模型的构建方法100,如图1所示,包括:
构建训练样本集,训练神经网络得到盾构通用型管片选点模型;
其中,每个训练样本的获取方法为:
S110、建立盾构机模型、管片模型和DTA;
S120、基于DTA,随机确定当前待拼装管片的上一环管片在DTA上对应点的坐标、上一环管片的位姿和点位、盾构机当前在DTA上对应点的坐标以及盾构机当前的位姿;
S130、根据上一环管片的位姿和盾构机当前的位姿,测量或计算当前模型状态下的施工参数;并基于上一环管片的位姿和点位、施工参数以及待拼装管片在DTA上对应点的坐标,确定待拼装管片的点位以作为标签,得到一个训练样本。
管片是指由若干块拼装块组成的具有一定楔形量的圆环柱状结构,拼装块之间由周向螺栓孔连接,管片之间由轴向螺栓孔连接。管片的安装需要考虑各种影响因素,在上一环管片的端面选取合理的点位进行拼装。通过选择不同的点位使得管片在轴向和径向获得不同的楔形量,从而拟合出不同的隧道轴线。例如,如图2所示,是由6块拼装块组成的具有10个点位(如左图中的10个圆圈所示)的楔形量为2S的通用型管片,S表示单边楔形量。
S130中的参考数据中包含上一环管片的点位目的主要在于避免造成通缝拼装。如图3的左图所示,通缝拼装是指管片之间的纵缝对齐,这样容易产生环面不平,且加大了环缝长度,会降低了弹性密封垫的压缩率,也不利于防水。施工过程中一般需要保证管片错缝拼装,如图3的右图所示,错缝拼装要求前后管片的纵缝错开拼装,这种拼装方式环面较平整,圆环可以近似按匀质刚度考虑,且环缝长度短,密封防水更容易处理。S130中的参考数据中包含上一环管片位姿是为了计算待拼装管片在所有可能点位下的坐标,并结合DTA上待拼装管片对应点坐标,计算得到管片实际轴线与DTA轴线的偏差,即轴线拟合偏差。由于收集的样本数据,是用于在后续步骤中训练基于神经网络的管片选型模型,因此需保证获取的数据要全面充分,能代表真实的施工参数与点位的对应关系。
基于神经网络对采集到的样本数据进行训练,其目的在于获取施工参数以及上一环管片的点位对当前环管片选型的影响规律,最终生成管片自动选型模型。
需要说明的是,S130中,可以在上一环管片的位姿和点位、施工参数以及待拼装管片在DTA上对应点的坐标的基础上,可以通过人工选点的方式确定待拼装管片的点位。
在计算机仿真环境中建立盾构机模型、管片模型和DTA;建立的DTA需要包括所有线型,即需包含直线、圆曲线和缓和曲线。
关于S120中施工参数的获取,如图4所示,在仿真环境中确定了管片的位姿以及盾构机的位姿,就可以通过求解空间距离的方法求得各种施工参数。
由于管片选型的历史数据是在实际隧道施工过程中得到的,拼装一环管片,才能得到一组历史数据。管片拼装因其施工的复杂性,导致数据量产生慢、历史数据少,且由于一组完整的历史数据需要包含很多施工参数、点位信息等,极易产生数据记录不完整的情况。管片选型由于其历史数据少、数据记录不完整的原因,很难结合机器学习的方法来对管片进行分类。本方法专为解决盾构施工管片拼装点位受限因素多、难以合理选取的难题,提出基于合理的管片选点数据训练优化神经网络模型得到管片选点模型,相较于人工选点,本方法能保证管片选点的合理性。针对因管片历史数据少、数据记录不完整等原因导致的难以获取足够的历史施工数据来训练优化管片自动选点模型的问题,本方法基于计算机仿真技术通过随机确定上一环管片的位姿等信息获取样本数据,可有效解决这一难题。本方法的管片自动选点方法,可保证管片点位选取的合理性,从而保证成型隧道的质量,提高管片选点的效率,同时也解决了训练管片选点模型数据量不足的问题。
优选的,上述盾构机当前在DTA上对应点的坐标的确定方法为:
基于所述上一环管片在DTA上对应点的坐标以及所述盾构机的几何尺寸,确定盾构机当前在DTA上对应点的坐标。
优选的,上述上一环管片在DTA上对应点的坐标、上一环管片的位姿和点位的随机确定方式为:
采用蒙特卡洛法,收集实际施工过程中管片位姿的历史数据,对数据分析处理得到管片实际位姿与DTA的偏差的第一概率分布;
根据所述第一概率分布,对管片位姿偏差进行随机采样,并结合随机确定的上一环管片在DTA上对应点的坐标,计算得到上一环管片的位姿及点位。
优选的,上述盾构机当前在DTA上对应点的坐标以及盾构机当前的位姿的随机确定方式为:
采用蒙特卡洛法,收集成型隧道中盾构机位姿数据,对数据分析处理得到盾构机位姿与DTA的偏差的第二概率分布;
根据第二概率分布,对盾构机位姿偏差进行随机采样,并结合盾构机当前在DTA上对应点的坐标,计算得到盾构机的位姿。
由于盾构机的目标是沿着DTA掘进,但盾构机的实际掘进轴线不可能与DTA完全重合,因此可以在DTA的基础上加上一个偏差值来模拟盾构机的位置,盾构机与DTA的位置关系如图4所示。要采样该偏差值,就需要收集历史盾构机位姿数据以及DTA数据,分析计算得到偏差的概率分布。
以偏差服从正态分布为例,盾构机实际位置与隧道设计轴线的偏差的概率密度函数为:
式中,x为盾构机实际位置与隧道设计轴线上对应点的偏差,μ和σ分别为偏差的期望和方差。
为使仿真数据能代表真实的施工参数与点位的对应关系,需保证收集的盾构机位姿数据包含了盾构机在各种DTA线形下的位姿,数据要全面充分;对于常规工况和特殊工况收集到的历史盾构机掘进位姿数据应分开处理,分别计算出常规工况下偏差的概率密度函数和特殊工况下偏差的概率密度函数。
优选的,上述待拼装管片在DTA上对应点的坐标的确定方式为:
根据上一环管片的位姿、管片几何参数和DTA,确定待拼装管片在DTA上对应点的坐标。
如图5所示,待拼装管片在所有可能点位下的末端面中心点是在一个平面Ψ上。在已知管片几何尺寸的情况下,确定了上一环管片的位姿,通过计算可得到平面Ψ的方程,再计算平面Ψ与DTA的交点,即为管片在DTA上对应点的坐标。其中,需要说明的是,管片坐标是指管片末端面中心点坐标。
优选的,施工参数包括:盾构机水平方向上的推进油缸行程差、盾构机竖直方向上的推进油缸行程差、盾构机与管片在上下左右四个方向的盾尾间隙。
优选的,上述训练神经网络的方式为:
S1、搭建神经网络模型,并初始化神经网络模型的权值和偏置;
S2、将所述训练样本以向量的形式输入到神经网络的输入层,输入层将数据输入到第一个隐藏层,由此输出与该隐藏层的神经元个数保持一致的特征值;以此方式,顺序输入到神经网络的其余多个隐藏层以获得相应的特征值;最后输入到神经网络的输出层并获得与管片点位数一致的多个特征值,得到预测点位;
S3、将所述预测点位与训练样本的实际点位进行比较,并生成损失函数,若损失函数大于预设值则更新上述神经网络的权重、偏置并重复执行S2,直至各预测点位与相应的训练样本组中的实际点位之间的误差值均在所述预设范围内;
S4、保存所述权值、偏置,生成通用型管片选点模型。
如图6所示,以一个三层BP神经网络模型为例(其中“三层”包括一个输入层、一个隐藏层、一个输出层),训练神经网络包括:
S20,初始化BP神经网络的权值W、V和偏差b1、b2;
S21,将样本数据输入到BP神经网络模型的隐藏层,隐藏层的输出为:
z=g1(W*x+b1);
其中,z是隐藏层的输出,维数与该层神经元的个数保持一致,是m维列向量;W是输入层到隐藏层的权重,为m×n的矩阵;x是输入参数,为n维列向量,包含了盾尾间隙、油缸行程差、DTA上管片对应点的坐标、上一环管片选取的点位与位姿;b1为输入层的偏置,为m维列向量;g1为隐藏层的激活函数。
将隐藏层的输出输入到输出层,输出层的输出为:
y=g2(V*z+b2),
其中,y为所述目标点位,有p个点位的管片,y就为p维列向量;V是隐藏层到输出层的权重,为p×m的矩阵;b2为隐藏层的偏置,为p维列向量;g2为输出层的激活函数。
S22,将子步骤S21输出的预测点位与样本数据的实际点位进行误差计算,并生成损失函数:
其中,y(x)为神经网络模型计算出的点位,a为实际点位,N为训练样本数。若损失函数大于预设值则更新上述BP神经网络的权重、偏置,并重新计算,直至各目标点位与相应的数据样本组中的点位之间的误差值均在所述预设范围内;
S23,保存步骤S22中误差值在所述预设范围内时BP神经网络的权值W*、V*和偏差b1*、b2*,相应生成管片自动选点模型。
在此基础上,作为一种优选的方式,在各数据样本组进行训练之前,该方法进一步包括:
对各所述数据样本组进行归一化处理,以此确保各个数据样本中数据精度一致,进而保证最终生成的管片选型模型在使用时的整体准确性。
作为一种优选的方式,调整权重参数、偏置值并重新训练具体为:
基于反向传播的梯度下降法调整所述权重参数、偏置值的内容并重新训练。梯度下降法每次计算参数在当前的梯度,然后让参数向着梯度的反方向前进一段距离,不断重复,直到损失函数接近零。反向传播算法是利用了神经网络的结构进行的计算,可以大大降低梯度下降法的计算量。
实施例二
一种盾构通用型管片选点方法,包括:
采集实时施工过程中待拼装管片的上一环管片的位姿和点位、当前施工参数以及待拼装管片在DTA上对应点的坐标,并输入如上实施例一所述的一种盾构通用型管片选点模型的构建方法所构建得到的选点模型,得到待拼装管片的点位,完成通用型管片的选点。
如图7所示,首先是预先训练管片自动选点模型,在此基础上,接收实时参考数据,其中参考数据即为待拼装管片的上一环管片的位姿和点位、当前施工参数以及待拼装管片在DTA上对应点的坐标,接收的实时参考数据是在当前盾构施工进行管片安装的过程中实时产生的,并将此参考数据作为输入参数输入至预先训练得到的管片自动选点模型,管片选点模型根据目标施工参数生成相对合理的选型结果,操作人员依照该选型结果,对当前环管片以相应的点位拼装在上一环管片上。
采用上述的一种盾构通用型管片选点模型的构建方法所构建得到的选点模型,能保证管片选点的合理性,从而保证成型隧道的质量,提高管片选点的效率。
相关技术方案同实施例一,在此不再赘述。
实施例三
一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上实施例一所述的一种盾构通用型管片选点模型的构建方法和/或如上实施例二所述的一种盾构通用型管片选点方法。相关技术方案同实施例一和实施例二,在此不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种盾构通用型管片选点模型的构建方法,其特征在于,包括:
构建训练样本集,训练神经网络得到盾构通用型管片选点模型;
其中,每个训练样本的获取方法为:
建立盾构机模型、管片模型和DTA;
基于所述DTA,随机确定当前待拼装管片的上一环管片在DTA上对应点的坐标、所述上一环管片的位姿和点位、盾构机当前在DTA上对应点的坐标以及盾构机当前的位姿;
根据所述上一环管片的位姿和所述盾构机当前的位姿,测量或计算当前模型状态下的施工参数;并基于上一环管片的位姿和点位、所述施工参数以及待拼装管片在DTA上对应点的坐标,确定待拼装管片的点位以作为标签,得到一个训练样本。
2.根据权利要求1所述的一种盾构通用型管片选点模型的构建方法,其特征在于,所述盾构机当前在DTA上对应点的坐标的确定方法为:
基于所述上一环管片在DTA上对应点的坐标以及所述盾构机的几何尺寸,确定盾构机当前在DTA上对应点的坐标。
3.根据权利要求1所述的一种盾构通用型管片选点模型的构建方法,其特征在于,所述上一环管片在DTA上对应点的坐标、所述上一环管片的位姿和点位的随机确定方式为:
采用蒙特卡洛法,收集实际施工过程中管片位姿的历史数据,对数据分析处理得到管片实际位姿与DTA的偏差的第一概率分布;
根据所述第一概率分布,对管片位姿偏差进行随机采样,并结合随机确定的上一环管片在DTA上对应点的坐标,计算得到上一环管片的位姿及点位。
4.根据权利要求1所述的一种盾构通用型管片选点模型的构建方法,其特征在于,所述盾构机当前在DTA上对应点的坐标以及盾构机当前的位姿的随机确定方式为:
采用蒙特卡洛法,收集成型隧道中盾构机位姿数据,对数据分析处理得到盾构机位姿与DTA的偏差的第二概率分布;
根据第二概率分布,对盾构机位姿偏差进行随机采样,并结合盾构机当前在DTA上对应点的坐标,计算得到盾构机的位姿。
5.根据权利要求1所述的一种盾构通用型管片选点模型的构建方法,其特征在于,所述待拼装管片在DTA上对应点的坐标的确定方式为:
根据上一环管片的位姿、管片几何参数和所述DTA,确定待拼装管片在DTA上对应点的坐标。
6.根据权利要求5所述的一种盾构通用型管片选点模型的构建方法,其特征在于,所述施工参数包括:盾构机水平方向上的推进油缸行程差、盾构机竖直方向上的推进油缸行程差、盾构机与管片在上下左右四个方向的盾尾间隙。
7.根据权利要求1至6任一项所述的一种盾构通用型管片选点模型的构建方法,其特征在于,在所述训练样本集的构建中,所述DTA的线型有直线、圆曲线和缓和曲线。
8.根据权利要求1至6任一项所述的一种盾构通用型管片选点模型的构建方法,其特征在于,所述训练神经网络的方式为:
S1、搭建神经网络模型,并初始化神经网络模型的权值和偏置;
S2、将所述训练样本以向量的形式输入到神经网络的输入层,输入层将数据输入到第一个隐藏层,由此输出与该隐藏层的神经元个数保持一致的特征值;以此方式,顺序输入到神经网络的其余多个隐藏层以获得相应的特征值;最后输入到神经网络的输出层并获得与管片点位数一致的多个特征值,得到预测点位;
S3、将所述预测点位与训练样本的实际点位进行比较,并生成损失函数,若损失函数大于预设值则更新上述神经网络的权重、偏置并重复执行S2,直至各预测点位与相应的训练样本组中的实际点位之间的误差值均在所述预设范围内;
S4、保存所述权值、偏置,生成通用型管片选点模型。
9.一种盾构通用型管片选点方法,其特征在于,包括:
采集实时施工过程中待拼装管片的上一环管片的位姿和点位、当前施工参数以及待拼装管片在DTA上对应点的坐标,并输入如权利要求1至8任一项所述的一种盾构通用型管片选点模型的构建方法所构建得到的选点模型,得到待拼装管片的点位,完成通用型管片的选点。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1至8任一项所述的一种盾构通用型管片选点模型的构建方法和/或如权利要求9所述的一种盾构通用型管片选点方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010942143.XA CN112182955A (zh) | 2020-09-09 | 2020-09-09 | 一种盾构通用型管片选点模型的构建方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010942143.XA CN112182955A (zh) | 2020-09-09 | 2020-09-09 | 一种盾构通用型管片选点模型的构建方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112182955A true CN112182955A (zh) | 2021-01-05 |
Family
ID=73920284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010942143.XA Pending CN112182955A (zh) | 2020-09-09 | 2020-09-09 | 一种盾构通用型管片选点模型的构建方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182955A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113345104A (zh) * | 2021-06-16 | 2021-09-03 | 华中科技大学 | 基于vr的盾构管片虚拟拼装方法、系统及数据处理终端 |
CN114611243A (zh) * | 2022-03-14 | 2022-06-10 | 华中科技大学 | 盾构通用型管片点位选取模型构建方法及点位选取方法 |
CN116049969A (zh) * | 2023-04-03 | 2023-05-02 | 中国建筑第六工程局有限公司 | 通用楔形管片点位的选择方法 |
-
2020
- 2020-09-09 CN CN202010942143.XA patent/CN112182955A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113345104A (zh) * | 2021-06-16 | 2021-09-03 | 华中科技大学 | 基于vr的盾构管片虚拟拼装方法、系统及数据处理终端 |
CN113345104B (zh) * | 2021-06-16 | 2022-05-17 | 华中科技大学 | 基于vr的盾构管片虚拟拼装方法、系统及数据处理终端 |
CN114611243A (zh) * | 2022-03-14 | 2022-06-10 | 华中科技大学 | 盾构通用型管片点位选取模型构建方法及点位选取方法 |
CN114611243B (zh) * | 2022-03-14 | 2023-09-08 | 华中科技大学 | 盾构通用型管片点位选取模型构建方法及点位选取方法 |
CN116049969A (zh) * | 2023-04-03 | 2023-05-02 | 中国建筑第六工程局有限公司 | 通用楔形管片点位的选择方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112182955A (zh) | 一种盾构通用型管片选点模型的构建方法及其应用 | |
CN110195592B (zh) | 基于混合深度学习的盾构掘进位姿智能预测方法及系统 | |
CN111243090B (zh) | 土方量计算方法及系统 | |
Su et al. | Algebraic models for the aggregation of area features based upon morphological operators | |
CN106504317B (zh) | 一种三维模型的外观纹理提取方法及装置 | |
WO2022257158A1 (zh) | 基于三维动态模型检测水工隧洞缺陷的方法 | |
CN114019795A (zh) | 一种基于强化学习的盾构掘进纠偏智能决策方法 | |
CN112329939A (zh) | 一种基于随机森林机器学习算法的未取样点岩土参数评估方法 | |
CN114722731B (zh) | 一种拖体粘滞拖曳阻力预测方法及系统 | |
CN110909407A (zh) | 一种基于bim的山洞实验室及竖井bim模型创建方法 | |
CN111414508B (zh) | 一种在设计模型中搜索并实现可视化的方法及终端 | |
CN111272764B (zh) | 大型智能临时平台非接触图像识别移动管控系统及方法 | |
CN116977599A (zh) | 一种基于元宇宙的盾构机模拟驾驶方法及系统 | |
CN115907008A (zh) | 一种液压支架位姿调整虚拟规划系统 | |
CN113345104B (zh) | 基于vr的盾构管片虚拟拼装方法、系统及数据处理终端 | |
CN109709497A (zh) | 一种高精度定位系统及方法 | |
CN110399679B (zh) | 一种地基基础位置优化设计方法 | |
CN111597752B (zh) | 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统 | |
CN113362296A (zh) | 一种隧道裂缝提取方法及系统 | |
CN112037329B (zh) | 一种不规则曲面构建方法 | |
Cook et al. | Towards real-time robot simulation on uneven terrain using neural networks | |
CN110866607A (zh) | 一种基于机器学习的渗透行为预测算法 | |
CN116956648B (zh) | 一种钻井过程的ai模拟仿真系统及方法 | |
JP7492482B2 (ja) | シールド掘進機の掘進予測モデル | |
CN115293054B (zh) | 一种基于神经网络的凹痕管道失效评价方法 |
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 |