CN113323676A - 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法 - Google Patents

用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法 Download PDF

Info

Publication number
CN113323676A
CN113323676A CN202110618612.7A CN202110618612A CN113323676A CN 113323676 A CN113323676 A CN 113323676A CN 202110618612 A CN202110618612 A CN 202110618612A CN 113323676 A CN113323676 A CN 113323676A
Authority
CN
China
Prior art keywords
parameters
shield
torque
principal component
component analysis
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.)
Granted
Application number
CN202110618612.7A
Other languages
English (en)
Other versions
CN113323676B (zh
Inventor
曾毅
沈水龙
熊旺
魏坤安
王志欣
张小龙
吕琦
余征毅
郭明耀
卞跃威
林松顺
夏苓
闫涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shantou University
Shanghai Tunnel Engineering and Rail Transit Design and Research Institute
Original Assignee
Shantou University
Shanghai Tunnel Engineering and Rail Transit Design and Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shantou University, Shanghai Tunnel Engineering and Rail Transit Design and Research Institute filed Critical Shantou University
Priority to CN202110618612.7A priority Critical patent/CN113323676B/zh
Publication of CN113323676A publication Critical patent/CN113323676A/zh
Application granted granted Critical
Publication of CN113323676B publication Critical patent/CN113323676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • E21D9/003—Arrangement of measuring or indicating devices for use during driving of tunnels, e.g. for guiding machines
    • 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
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
    • E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
    • E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
    • E21F17/18—Special adaptations of signalling or alarm devices
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Environmental & Geological Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明提供一种用主成分分析‑长短记忆模型确定盾构机刀盘扭矩的方法，包括：S1，获取盾构机施工的地质参数和盾构施工参数，对所述地质参数和盾构施工参数进行归一化处理；S2，采用主成分分析方法对归一化处理后的数据降维，并将降维后的数据和目标参数即盾构机刀盘扭矩划分为训练集和测试集；S3，建立长短记忆神经网络模型，将训练集输入到长短记忆神经网络模型中，调整模型参数使模型达到收敛，并用测试集验证后保存最佳模型；S4，将实测的地质参数和盾构施工参数输入所述最佳模型，得到目标参数盾构机刀盘扭矩。本发明能够根据盾构机施工参数和地质参数快速准确确定盾构机刀盘扭矩，能够更好地指导盾构施工。

Description

用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法
技术领域
本发明涉及一种盾构隧道领域中的盾构机刀盘参数确定方法，具体地，涉及一种用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法。
背景技术
随着隧道工程和地下空间开发的快速发展，土压平衡盾构机以其安全施工、环境友好和施工效率高的特点，广泛应用于城市隧道的开挖。在盾构隧道施工过程中，地质参数与施工参数之间存在相关关系，更好地理解各种参数之间的关系，可以减小刀具磨损和地面不均匀沉降，保证施工安全。在实际隧道工程中，施工人员必须根据盾构控制系统的数据反馈和施工场地的地质条件及时调节盾构施工参数，施工参数的调节很大程度上取决于现场工人的施工经验。刀盘扭矩是盾构施工中需设定的主要参数之一，刀盘扭矩能够严重影响盾构施工效率和施工成本。因此，合理的盾构机的刀盘扭矩是确保隧道开挖安全、降低施工成本的关键所在。近几十年来，关于刀盘扭矩设定的大量研究成果中使用的方法可概括为：经验方法、半经验分析方法和数值分析方法。但是，这些方法很大程度上依赖于以往施工案例的经验和特定的施工条件。相比于其他方法，人工智能方法主要依赖于盾构施工区间的地质参数和盾构施工实测数据，可通过大量现场实测数据的积累，实现在各种地质条件下确定盾构刀盘扭矩，并且实现确定的刀盘扭矩施工对环境的影响在规定的范围内。
经对现有的技术文献的检索发现，申请专利号为：CN201910004164.4，授权号为：CN109488321B，专利名称为：一种盾构刀盘扭矩确定方法及系统，该专利通过确定影响刀盘扭矩的参数，并从这些参数中确定盾构掘进过程中的无量纲量和无量纲化刀盘扭矩，对无量纲量采用LASSO算法，得到所述无量纲量的系数识别结果，将各个无量纲量系数识别结果与对应的所述无量纲量相乘，得到刀盘扭矩计算模型并使用模型确定盾构刀盘扭矩。然而该方法选取的参数较少且局限于单一的地层条件，事实上盾构途经区域大多由各种不同性质的土层组成，确定刀盘扭矩需要综合考虑多种地质参数和施工参数的影响。因此，有必要提出一种考虑多种地质条件和施工参数确定盾构机刀盘扭矩的方法。
发明内容
针对现有技术中的缺陷，本发明的目的是提出了一种基于主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法，该方法能够根据盾构机施工参数和地质参数快速准确预测盾构机刀盘扭矩，能够更好地指导盾构施工。
本发明的第一方面，提供一种基于主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法，包括：
S1，获取盾构机施工的地质参数和盾构施工参数，对所述地质参数和盾构施工参数进行归一化处理；
S2，采用主成分分析方法对归一化处理后的数据降维，并将降维后的数据和目标参数即盾构机刀盘扭矩划分为测试集和训练集；
S3，建立长短记忆神经网络模型，将训练集输入到长短记忆神经网络模型中，调整模型参数使模型达到收敛，并用测试集验证后保存最佳模型，即主成分分析-长短记忆模型；
S4，将实测的地质参数和盾构施工参数输入所述最佳模型，得到目标参数盾构机刀盘扭矩。
本发明的第二方面，提供一种用主成分分析-长短记忆模型确定盾构机刀盘扭矩的终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，所述处理器执行所述程序时用于执行上述的用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法。
本发明的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时用于执行上述的用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法。
与现有技术相比，本发明实施例具有如下至少一种有益效果：
本发明上述用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法，采用主成分分析对影响刀盘扭矩的多个参数进行分析，提取对目标预测参数影响较大的特征，显著减少程序的运行时间，克服现有技术没有考虑地质和施工参数的缺陷；采用长短记忆模型，能够通过记忆以往不同地质参数和盾构施工参数条件下的盾构刀盘扭矩，通过分析以往不同地质参数和盾构施工参数对应的刀盘扭矩确定新出现的地质参数和盾构施工参数下的刀盘扭矩，避免了单一条件下确定的刀盘扭矩不适应造成地面沉降或隆起。
本发明上述用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法，技术简单，操作容易，能够高效进行实时盾构机刀盘扭矩的确定，显著降低刀盘扭矩计算造成的时间浪费，极大减少设备运行成本并提高施工的安全性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例方法的流程图；
图2为本发明一较优实施例的方法步骤及各步骤的详细流程图；
图3为本发明一较优实施例盾构区间地质图；
图4为本发明一较优实施例盾构机刀盘扭矩的预测结果图；
图5为本发明一较优实施例误差分析图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明提供一种用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法，考虑地质条件和施工多参数影响，通过采用主成分分析-长短记忆模型，能够根据盾构机施工参数和地质参数快速准确预测盾构机刀盘扭矩，能够更好地指导盾构施工。
如图1所示，本发明实施例中，确定盾构机刀盘扭矩的方法包括如下步骤：
S1：获取盾构机施工的地质参数和盾构施工参数，对所述地质参数和盾构施工参数进行归一化处理；
本步骤中，地质参数指从隧道施工前的地质勘查报告中获取，包括隧道埋深和盾构开挖面不同性质土层的厚度等参数，具体为6个参数：隧道埋深、淤泥厚度、粉质粘土厚度、砾砂厚度、混合花岗岩厚度和中风化花岗岩厚度。
隧道埋深指隧道开挖断面的顶部至自然地面的垂直距离。若隧道某一开挖面只含所有不同性质土层的一种或几种，则不含有的土层厚度为零。
本步骤中，盾构施工参数指从从土压平衡盾构机控制系统中获取，包括1个目标参数(刀盘扭矩)与盾构主推力、面A压力、面B压力、面C压力、刀盘转速、推进速度、贯入度、螺旋机转速、泡沫体积、泡沫压力、泡沫浓度、注浆量和注浆压力等13个影响参数。其中，面A、B、C压力指的是将刀盘沿竖向直径等分为三份，最上面的土压为面A压力，中间面的土压为面 B压力，最下面的土压为面C压力。
本步骤中，对地质参数和盾构施工参数进行归一化处理，将地质参数与盾构施工参数的实测数据转化到区间[0,1]，利用以下公式得到数据归一化结果：
Figure BDA0003098776310000041
式中：xmin和xmax是每个变量的最小和最大实测值，
Figure BDA0003098776310000042
是归一化后每个参数的最小值和最大值。
S2：采用主成分分析(PCA)方法对归一化处理后的数据降维，并将降维后的数据和目标参数即盾构机刀盘扭矩划分为测试集和训练集；
预处理后的数据指除目标参数以外的19数据(包括6个地质参数和13个施工参数)。目标参数指第一步预处理后的目标参数，即刀盘扭矩。参数采用主成分分析降维，使得输入参数与目标参数更加具有联系性。
在一实施例中，训练集占总数据集的80％，所述的测试集占总数据集的20％。当然，在其他实施例中，也可以是其他的占比进行划分。
本步骤中，主成分分析(PCA)方法的实现步骤如下：
1)构造评价矩阵(m×n)：
Figure BDA0003098776310000043
式中：m为每个参数的样本数量；n为地质参数和盾构施工参数的总数量；xmn为第n个参数中的第m个样本的归一化值；
2)通过以下方程对评价矩阵(m×n)中的参数的归一化值进行标准化：
Figure BDA0003098776310000051
式中：Xij为第j个参数中的第i个样本标准化值(i≤m，j≤n)；
Figure BDA0003098776310000052
是第 j个参数所有样本归一化值后的平均值；
Figure BDA0003098776310000053
是第j个参数所有样本归一化值的标准差；k，j为n中的第k，j个；i表示m个样本中的第 i个；
3)建立基于标准化后的相关系数矩阵C，C由下式表示：
Figure BDA0003098776310000054
式中，Covkj为所有标准化参数中第k个标准化参数与第j个标准化参数之间的协方差(k≤n，j≤n)，Covkj的表达式如下：
Figure BDA0003098776310000055
式中：
Figure BDA0003098776310000056
是评价矩阵的n个标准化参数中第k个标准化参数的平均值；Xik是指评价矩阵中第k个标准化参数中第i个标准化值(i≤m)；
Figure BDA0003098776310000057
是评价矩阵的n个标准化参数中第j个标准化参数的平均值；
4)计算相关系数矩阵的特征值和特征向量。其中，采用以下方程求解特征值：
|C-λjI|＝0
式中：I是单位矩阵，λj为第j个特征值，j≤n；
特征向量Xj由以下公式求得：
(C-λjI)Xj＝0
根据求特征值的公式得到每一个特征值，根据特征值可求得。求得特征向量可以根据以特征向量为系数求取每个样本降维后主成分的值。
5)将特征值并按降序排列：λ1≥λ2≥...≥λj≥...≥λn，，按照以下公式计算方差累积
贡献率：
Figure BDA0003098776310000061
式中：p从1开始计算，
Figure BDA0003098776310000062
是方差的累积贡献率，如果
Figure BDA0003098776310000063
的值超过设定值，则主成分(PCs)的数量为p，则确定主成分对应的前p个特征值和每个特征值对应的特征向量；λj表示第j个特征值；
6)计算每个主成分的值。
Figure BDA0003098776310000064
式中，PCif表示主成分矩阵中对应的第i行第f列元素(f≤p)，βjf为特征值λ从大到小排列前p个特征值对应的特征向量作为行向量组成的特征向量矩阵中的第j 行第f列元素。xij表示第j个参数标准化后的值。
S3：建立长短记忆神经网络(LSTM)模型，将训练集输入到长短记忆神经网络模型中，调整模型参数使模型达到收敛，并用测试集验证后保存最佳模型。
本步骤中，长短记忆神经网络(LSTM)模型主要由输入层、隐藏层和输出层组成。其中，输入层由19个输入节点组成，包括19个影响参数。隐藏层由输入门，遗忘门和输出门组成。输出层由1个输出节点组成，即刀盘扭矩值。19个影响参数就是6个地质参数和13个施工参数。
进一步的，长短记忆神经网络模型的隐藏层实现步骤如下：
1)遗忘门在时间t确定什么信息应该保留。忘记门在读取数据后利用sigmoid 函数将信息转化为0～1之间的一个数值，来表示对这两个输入信息的遗忘程度，其中0表示完全遗忘，1表示完全保留。由以下公式计算：
ft＝sigmoid(ωxf·xt+ωhf·ht-1+bf)
式中：ft为t时刻遗忘门的值；sigmoid函数用于将输出值调整到[0,1]；ωxf、ωhf为权重矩阵；向量bf为偏置向量。
2)输入门显示写入和保留哪些信息。首先利用sigmoid函数决定需要更新的信息it，再用tanh函数产生
Figure BDA0003098776310000065
作为备用信息。由以下两个公式计算：
it＝sigmoid(ωxi·xt+ωhi·ht-1+bi)
Figure BDA0003098776310000071
式中：it为t时刻输入门的值；ωxi、ωhi为输入门权重矩阵；向量bi为偏移向量，tanh激活函数将输出值调整至[-1,1]范围；ωxc、ωhc为权重矩阵；向量bc为偏置向量。
3)输出门展示从存储单元输出多少信息。结合遗忘门和输入门得到的遗忘状态值ft和更新状态值it来进行信息的遗忘和更新，从而获得新的细胞状态Ct。接着，把当前细胞状态Ct通过tanh函数进行处理，把所得结果与初始输出信息 ot相乘，得到最终输出ht。由以下公式计算：
Figure BDA0003098776310000072
ot＝sigmoid(ωxo·xt+ωho·ht-1+bo)
ht＝ot⊙tanh(Ct)
式中：⊙表示为Hadamard积，ot为t时刻输出门的值；ωxo、ωho为输出门权重矩阵；向量bo为偏移向量。
Sigmoid函数是一种非线性激活函数，其值在[0,1]范围内。Sigmoid函数表达式如下：
Figure BDA0003098776310000073
tanh函数可以将实值转换为范围[-1，1]。tanh函数表达式如下：
Figure BDA0003098776310000074
本步骤中，调整神经网络模型参数指调整模型的学习率、迭代次数、隐藏层数量。
本步骤中，最佳模型指使训练模型的输入变量和损失函数到达收敛。损失函数指评估模型预测值和实测值之间的接近度的函数。损失函数选取均方根误差函数(εRMSE)和平均绝对误差函数(εMAE)，其表达式如下：
Figure BDA0003098776310000075
Figure BDA0003098776310000081
式中：xa是目标参数的实测值；
Figure BDA0003098776310000082
是目标参数的预测值；z是所预测的目标参数的总数。
本步骤中，测试集验证指将测试集输入模型训练后，得到模型的均方根误差和平均绝对误差，以此验证模型的预测精度。
具体的，测试集验证的结果用于相对误差分析，以此验证模型的稳定性。相对误差分析采用了相对误差的正态分布，分析得到相对误差的均值和标准差的值越小表明模型精度和稳定性都越好。相对误差及其正态分布通过以下表达式得到：
Figure BDA0003098776310000083
Figure BDA0003098776310000084
式中，x是目标变量的实测值，
Figure BDA0003098776310000085
是通过所开发的模型得到评估值；η是每个数据集的相对误差；μ是相对误差的均值；σ是相对误差的标准差。
S4：将实测的地质参数和盾构施工参数输入S3得到的最佳模型，得到目标参数盾构机刀盘扭矩。
本步骤中，将实时的地质参数和盾构施工参数输入到主成分分析-长短记忆模型，得到下一刻刀盘扭矩预测值的归一化值。
本步骤中，将刀盘扭矩预测值的归一化值通过S1中的归一化公式进行进行反归一化后，得到与实际工程刀盘扭矩的预测值。
本发明上述实施例，用主成分分析对样本特征的提取，有利于在多个参数作用下减少无用的特征，更好选取样本中关键信息用于LSTM网络模型的构建；将主成分分析的特征提取和现有LSTM网络模型相结合能够更好地刀盘扭矩进行预测。
在本发明另一实施例中，还提供一种用主成分分析-长短记忆模型确定盾构机刀盘扭矩的终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，处理器执行程序时用于执行上述的用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法。
在本发明另一实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时用于执行上述的用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法。
为了更好说明上述盾构刀盘扭矩的实时确定方法，以下结合详细工程操作来进行说明，但是以下实施例并不用于限定本发明：
深圳某隧道段总长为3295.32米，隧道管片共计1500个，隧道埋深在地表以下12至14米的范围内，隧道外径和内径分别为8.5米和8.1米，采用土压平衡盾构机施工，隧道地质概况从上到下分别为：从地表至隧道顶部的淤泥，回填土，泥质粘土，粉质粘土；隧道仰拱下的微风化岩和岩石，隧道断面内的裂隙粘土和混合岩(微风化，强风化)；结合该工程实例对本发明进行说明。
具体的，图2为本发明一较优实施例的方法步骤及各步骤的详细流程图。参照图1所示，本实施例包括如下步骤：
第一步：收集地质参数和盾构施工参数，并对其进行归一化预处理。
本实施例中，数据的收集指收集地质参数和盾构施工参数。
本实施例中，地质参数指从隧道施工前的地质勘查报告中获取，包括隧道埋深(单位：m)、淤泥厚度(单位：m)、粉质粘土厚度(单位：m)、砾砂厚度 (单位：m)、混合花岗岩厚度(单位：m)和中风化花岗岩厚度(单位：m)等6个参数。盾构区间地质剖面如图3所示，通过该图得到盾构隧道顶部至天然地面不同性质的土层厚度。
本实施例中，盾构施工参数指从土压平衡盾构机控制系统中获取，包括 1个目标参数(刀盘扭矩)(单位：kN·m)和盾构机主推力(单位：kN)、面A压力 (单位：kPa)、面B压力(单位：kPa)、面C压力(单位：kPa)、刀盘转速(单位： r.p.m)、推进速度(单位：mm/min)、贯入度(单位：mm/r)、螺旋机转速(单位： r.p.m)、泡沫体积(单位：L)、泡沫压力(单位：kPa)、泡沫浓度(％)、注浆量(单位：m3)和注浆压力(单位：kPa)等13个影响参数。
第二步：主成分分析(PCA)方法对预处理后的数据降维，并将降维后的数据和目标参数划分为测试集和训练集。
本实施例中，预处理后的数据指除目标参数以外的19数据(包括6个地质参数和13个施工参数)；评价矩阵的m＝1500,n＝19；目标参数指第一步预处理后的目标参数；训练集有1200个数据集；测试集有300个数据集。；主成分分析(PCA)方法降维后选取主成分数量p＝5，其方差累积贡献率
Figure BDA0003098776310000101
为0.75。
第三步：建立长短记忆神经网络(LSTM)模型。将训练集输入到长短记忆神经网络模型中，调整模型参数使模型达到收敛，并用测试集验证后保存最佳模型。
本实施例中，长短记忆神经网络(LSTM)模型主要由输入层、隐藏层和输出层组成；输入层由19个输入节点组成，包括19个影响参数；长短记忆神经网络的隐藏层由输入门，忘记门和输出门组成；输出层由1个输出节点组成，即刀盘扭矩值。
通过调整长短记忆模型的参数匹配获取最佳匹配参数。本实施例中，调整神经网络模型学习率为：0.01、迭代次数为：2000、隐藏层数量为：1。
本实施例中，最佳模型指使训练模型的输入变量和损失函数到达收敛。
本实施例中，损失函数选取均方根误差函数(RMSE)和平均绝对误差函数。
本实施例中，测试集验证指将测试集输入训练后的模型，验证模型性能。预测值的均方根误差(RMSE):351.87(kN·m)，平均绝对误差(MAE):269.19(kN·m)预测结果如图5所示，预测结果的相对误差分布如图5所示。从图5可以看出本模型的预测的相对误差均值仅为-0.070，相对误差的标准差为0.080，标准差较低说明本实施例方法对盾构机刀盘扭矩确定的模型较为稳定，综上表明所提出的主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法能够预测精度较高，满足盾构施工要求。
第四步：将下一时刻的地质参数和盾构施工参数输入最佳模型，通过最佳模型确定盾构机刀盘扭矩。
本实施例中，选取收集的数据中1201环实测数据为输入参数，输出参数为刀盘扭矩值。1201环输入参数：6个地质参数(隧道埋深：16.092m；淤泥厚度：0.000m、粉质粘土厚度：2.800m、砾砂厚度：0.000m、混合花岗岩厚度：0.000m和中风化花岗岩厚度：5.700m)；13个盾构施工参数(盾构机主推力：30500kN、面A压力：200kPa、面B压力：230kPa、面C压力：260kPa、刀盘转速：1.8r.p.m、推进速度：43mm/min、贯入度：26.1mm/r、螺旋机转速：12r.p.m、泡沫体积：133L、泡沫压力：290kPa、泡沫浓度：3.5％、注浆量：18m3和注浆压力：320kPa)。输出1个目标参数，即刀盘扭矩：2766.68kN·m。实际刀盘扭矩为2560kN·m，预测值与实测值误差在10％以内。
本发明上述实施例采用主成分分析对影响刀盘扭矩的多个参数进行分析，提取对目标预测参数影响较大的特征，操作容易，能够高效进行实时盾构机刀盘扭矩的确定，显著降低刀盘扭矩计算造成的时间浪费，极大减少设备运行成本并提高施工的安全性。
以上对本发明的具体实施方式进行了描述。需要理解的是，本发明不局限于上述特定的实施方式，本领域技术人员可以在权利要求范围内做出各种变化和修改，这并不影响本发明的实质内容。

Claims (10)

1.一种用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法，其特征在于，包括：
S1，获取盾构机施工的地质参数和盾构施工参数，对所述地质参数和盾构施工参数进行归一化处理；
S2，采用主成分分析方法对归一化处理后的数据降维，并将降维后的数据和目标参数即盾构机刀盘扭矩划分为测试集和训练集；
S3，建立长短记忆神经网络模型，将训练集输入到长短记忆神经网络模型中，调整模型参数使模型达到收敛，并用测试集验证后保存最佳模型；
S4，将实测的地质参数和盾构施工参数输入所述最佳模型，得到目标参数盾构机刀盘扭矩。
2.根据权利要求1所述的用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法，其特征在于，所述地质参数包括：从隧道施工前的地质勘查报告中获取6个地质参数，具体为：隧道埋深、淤泥厚度、粉质粘土厚度、砾砂厚度、混合花岗岩厚度和中风化花岗岩厚度。
3.根据权利要求1所述的用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法，其特征在于，所述的盾构施工参数从土压平衡盾构机控制系统中获取，包括：
1个目标参数：刀盘扭矩；
13个影响参数：盾构主推力、面A压力、面B压力、面C压力、刀盘转速、推进速度、贯入度、螺旋机转速、泡沫体积、泡沫压力、泡沫浓度、注浆量和注浆压力，其中，面A、B、C压力指的是将刀盘沿竖向直径等分为三份，最上面的土压为面A压力，中间面的土压为面B压力，最下面的土压为面C压力。
4.根据权利要求3所述的用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法，其特征在于，对所述地质参数和盾构施工参数进行归一化处理，将地质参数和盾构施工参数的实测数据转化到区间[0,1]，其中，利用以下公式得到数据归一化结果：
Figure FDA0003098776300000011
式中：xmin和xmax是每个变量的最小和最大实测值，
Figure FDA0003098776300000012
是线性归一化后每个参数的最小值和最大值。
5.根据权利要求1所述的用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法，其特征在于，所述采用主成分分析方法对归一化处理后的数据降维，包括：
1)构造评价矩阵(m×n)：
Figure FDA0003098776300000021
式中：m为每个参数的样本数量；n为地质参数和盾构施工参数的总数量；xmn为第n个参数中的第m个样本的归一化值；
2)通过以下方程对评价矩阵(m×n)中的参数的归一化值进行标准化：
Figure FDA0003098776300000022
式中：Xij为第j个参数中的第i个样本标准化值(i≤m，j≤n)；
Figure FDA0003098776300000023
是第j个参数所有样本归一化值后的平均值；
Figure FDA0003098776300000024
是第j个参数所有样本归一化值的标准差；k，j为n中的第k，j个；i表示m个样本中的第i个；
3)建立基于标准化后的相关系数矩阵C，C由下式表示：
Figure FDA0003098776300000025
式中：Covkj为所有标准化参数中第k个标准化参数与第j个标准化参数之间的协方差(k≤n，j≤n)，Covkj的表达式如下：
Figure FDA0003098776300000026
式中：
Figure FDA0003098776300000027
是评价矩阵的n个标准化参数中第k个标准化参数的平均值；Xik是指评价矩阵中第k个标准化参数中第i个标准化值(i≤m)；
Figure FDA0003098776300000028
是评价矩阵的n个标准化参数中第j个标准化参数的平均值；
4)计算相关系数矩阵的特征值和特征向量；
其中，采用以下方程求解特征值：
|C-λjI|＝0
式中：I是单位矩阵，λj为第j个特征值，j≤n；
特征向量Xj由以下公式求得：
(C-λjI)Xj＝0
5)将特征值并按降序排列：λ1≥λ2≥...≥λj≥...≥λn，，按照以下公式计算方差累积贡献率：
Figure FDA0003098776300000031
式中：p从1开始计算，
Figure FDA0003098776300000032
是方差的累积贡献率，如果
Figure FDA0003098776300000033
的值超过设定值，则主成分(PCs)的数量为p，则确定主成分对应的前p个特征值和每个特征值对应的特征向量；λj表示第j个特征值；
6)计算每个主成分的值：
Figure FDA0003098776300000034
式中，PCif表示主成分矩阵中对应的第i行第f列元素(f≤p)，βjf为特征值λ从大到小排列前p个特征值对应的特征向量作为行向量组成的特征向量矩阵中的第j行第f列元素。
6.根据权利要求1所述的用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法，其特征在于，所述长短记忆神经网络模型主要由输入层、隐藏层和输出层组成，其中：
所述输入层由19个输入节点组成，包括19个参数。所述19个参数包括13个盾构施工参数和6个地质参数，13个盾构施工参数包括盾构主推力、面A压力、面B压力、面C压力、刀盘转速、推进速度、贯入度、螺旋机转速、泡沫体积、泡沫压力、泡沫浓度、注浆量和注浆压力；
6个地质参数包括隧道埋深、淤泥厚度、粉质粘土厚度、砾砂厚度、混合花岗岩厚度和中风化花岗岩厚度；
所述隐藏层由输入门、遗忘门和输出门组成；
所述输出层由1个输出节点组成，即1个目标参数。所述目标参数指刀盘扭矩。
7.根据权利要求6所述的用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法，其特征在于，所述调整神经网络模型参数指调整模型的学习率、迭代次数、隐藏层数量。
8.根据权利要求6所述的用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法，其特征在于，所述最佳模型指使训练模型的输入变量和损失函数到达收敛；其中，所述损失函数指评估模型预测值和实测值之间的接近度的函数，所述损失函数选取均方根误差函数εRMSE和平均绝对误差函数εMAE，其表达式如下：
Figure FDA0003098776300000041
Figure FDA0003098776300000042
式中：xa是目标参数的实测值；
Figure FDA0003098776300000043
是目标参数的预测值；z是测试集中目标参数的样本数。
9.一种用主成分分析-长短记忆模型确定盾构机刀盘扭矩的终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时用于执行权利要求1-8任一所述的用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时用于执行权利要求1-8任一所述的用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法。
CN202110618612.7A 2021-06-03 2021-06-03 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法 Active CN113323676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110618612.7A CN113323676B (zh) 2021-06-03 2021-06-03 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110618612.7A CN113323676B (zh) 2021-06-03 2021-06-03 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法

Publications (2)

Publication Number Publication Date
CN113323676A true CN113323676A (zh) 2021-08-31
CN113323676B CN113323676B (zh) 2024-03-22

Family

ID=77419492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110618612.7A Active CN113323676B (zh) 2021-06-03 2021-06-03 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法

Country Status (1)

Country Link
CN (1) CN113323676B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114810100A (zh) * 2022-06-28 2022-07-29 中铁工程服务有限公司 一种基于深度神经网络的盾构掘进姿态预测方法
CN116673793A (zh) * 2023-08-03 2023-09-01 比亚迪股份有限公司 刀具损耗检测方法、介质、电子设备及刀具损耗检测装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389629A (zh) * 2015-11-10 2016-03-09 国网四川省电力公司经济技术研究院 一种结合电网结构脆弱性的电网规划方法
CN110084367A (zh) * 2019-04-19 2019-08-02 安徽农业大学 一种基于lstm深度学习模型的土壤墒情预测方法
CN110852527A (zh) * 2019-11-20 2020-02-28 成都理工大学 一种结合深度学习的储层物性参数预测方法
CN111160571A (zh) * 2019-12-31 2020-05-15 盾构及掘进技术国家重点实验室 一种基于土压平衡盾构机参数数据驱动反演地质的方法
US20200240268A1 (en) * 2019-01-24 2020-07-30 Huaneng Tibet Yarlungzangbo River Hydropower Development Investment Co., Ltd. Tunnel boring robot and remote mobile terminal command system
CN112347580A (zh) * 2020-11-05 2021-02-09 上海交通大学 一种盾构机刀盘扭矩实时预测方法及系统
CN112879025A (zh) * 2021-02-04 2021-06-01 中铁十六局集团北京轨道交通工程建设有限公司 基于gru深度学习的土压平衡盾构土压智能调控方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389629A (zh) * 2015-11-10 2016-03-09 国网四川省电力公司经济技术研究院 一种结合电网结构脆弱性的电网规划方法
US20200240268A1 (en) * 2019-01-24 2020-07-30 Huaneng Tibet Yarlungzangbo River Hydropower Development Investment Co., Ltd. Tunnel boring robot and remote mobile terminal command system
CN110084367A (zh) * 2019-04-19 2019-08-02 安徽农业大学 一种基于lstm深度学习模型的土壤墒情预测方法
CN110852527A (zh) * 2019-11-20 2020-02-28 成都理工大学 一种结合深度学习的储层物性参数预测方法
CN111160571A (zh) * 2019-12-31 2020-05-15 盾构及掘进技术国家重点实验室 一种基于土压平衡盾构机参数数据驱动反演地质的方法
CN112347580A (zh) * 2020-11-05 2021-02-09 上海交通大学 一种盾构机刀盘扭矩实时预测方法及系统
CN112879025A (zh) * 2021-02-04 2021-06-01 中铁十六局集团北京轨道交通工程建设有限公司 基于gru深度学习的土压平衡盾构土压智能调控方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114810100A (zh) * 2022-06-28 2022-07-29 中铁工程服务有限公司 一种基于深度神经网络的盾构掘进姿态预测方法
CN114810100B (zh) * 2022-06-28 2022-12-02 中铁工程服务有限公司 一种基于深度神经网络的盾构掘进姿态预测方法
CN116673793A (zh) * 2023-08-03 2023-09-01 比亚迪股份有限公司 刀具损耗检测方法、介质、电子设备及刀具损耗检测装置
CN116673793B (zh) * 2023-08-03 2023-11-14 比亚迪股份有限公司 刀具损耗检测方法、介质、电子设备及刀具损耗检测装置

Also Published As

Publication number Publication date
CN113323676B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
Yang et al. Automated recognition model of geomechanical information based on operational data of tunneling boring machines
Elbaz et al. Deep learning analysis for energy consumption of shield tunneling machine drive system
Xu et al. Prediction of tunnel boring machine operating parameters using various machine learning algorithms
Feng et al. Tunnel boring machines (TBM) performance prediction: A case study using big data and deep learning
Wang et al. Probabilistic identification of underground soil stratification using cone penetration tests
Lo et al. Bayesian updating of subsurface spatial variability for improved prediction of braced excavation response
Feng et al. Modeling non-linear displacement time series of geo-materials using evolutionary support vector machines
Shi et al. A fuzzy c-means algorithm guided by attribute correlations and its application in the big data analysis of tunnel boring machine
CN113323676B (zh) 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法
Miranda et al. Geomechanical characterization of volcanic rocks using empirical systems and data mining techniques
US20140122037A1 (en) Conditioning random samples of a subterranean field model to a nonlinear function
Yan et al. A real-time intelligent lithology identification method based on a dynamic felling strategy weighted random forest algorithm
Ghorbani et al. A novel solution for ground reaction curve of tunnels in elastoplastic strain softening rock masses
CN115481565A (zh) 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法
Zhao et al. Unfavorable geology recognition in front of shallow tunnel face using machine learning
Qiu et al. TBM tunnel surrounding rock classification method and real-time identification model based on tunneling performance
Hou et al. Prediction of shield jamming risk for double-shield TBM tunnels based on numerical samples and random forest classifier
Bouayad et al. Assessment of ground surface displacements induced by an earth pressure balance shield tunneling using partial least squares regression
Hou et al. Data-driven optimization of brittleness index for hydraulic fracturing
Liu et al. Mapping horizontal displacement of soil nail walls using machine learning approaches
CN114357750A (zh) 一种采空区充水状态评估方法
CN111856573B (zh) 一种古应力反演方法
Yin et al. Point and interval estimation of rock mass boreability for tunnel boring machine using an improved attribute-weighted deep belief network
Rajabi et al. Sensitivity analysis of effective factors for estimating formation pore pressure using a new method: the LSSVM-PSO algorithm
LIANG et al. Stratum identification based on multiple drilling parameters and probability classification

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