CN113946899A - 一种基于实时地质信息的泥水盾构掘进参数预测方法 - Google Patents
一种基于实时地质信息的泥水盾构掘进参数预测方法 Download PDFInfo
- Publication number
- CN113946899A CN113946899A CN202111326792.8A CN202111326792A CN113946899A CN 113946899 A CN113946899 A CN 113946899A CN 202111326792 A CN202111326792 A CN 202111326792A CN 113946899 A CN113946899 A CN 113946899A
- Authority
- CN
- China
- Prior art keywords
- tunneling
- neural network
- parameters
- geological information
- deep neural
- 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
- 230000005641 tunneling Effects 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000002002 slurry Substances 0.000 title claims abstract description 54
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000035515 penetration Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000010606 normalization Methods 0.000 abstract description 6
- 239000011435 rock Substances 0.000 description 16
- 238000010276 construction Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000002790 cross-validation Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000009412 basement excavation Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000006506 Brasenia schreberi Nutrition 0.000 description 1
- 244000267222 Brasenia schreberi Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
-
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mining & Mineral Resources (AREA)
- Computational Mathematics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Architecture (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明提供了一种基于实时地质信息的泥水盾构掘进参数预测方法,用于预测泥水平衡式盾构掘进参数,其特征在于,包括以下步骤:步骤S1,确定掘进参数,并采集掘进数据。步骤S2,对掘进数据进行预处理,得到预处理数据。步骤S3,以分钟为粒度对预处理数据进行提取,得到提取数据集。步骤S4,对提取数据集进行数据标准化处理,得到标准化数据集。步骤S5,构建GA‑NN深度神经网络模型。步骤S6,利用遗传算法,将标准化数据集输入到GA‑NN深度神经网络模型进行超参数优化,得到最优的GA‑NN深度神经网络模型。步骤S7,将待测的地质信息、待测的泥水仓顶部压力和待测的操作参数输入到最优的GA‑NN深度神经网络模型,得到待测掘进荷载参数。
Description
技术领域
本发明涉及一种基于实时地质信息的泥水盾构掘进参数预测方法。
背景技术
随着城市化的快速发展,对地下空间的合理开发利用已成为扩大城市容量和功能的有效途径。盾构施工由于具有对环境影响小、开挖效率高和地层适应性强等优点,在我国各类地下空间施工建设中得到广泛应用。其中,泥水平衡盾构机通过在泥水仓中产生适当压力泥浆并形成弱透水性泥膜,以此来抵抗开挖面的水土压力。由于泥水盾构对维持开挖面稳定具有显著的作用,因此泥水盾构适用于淤泥黏土和沙砾卵石等施工环境,特别是对含水量丰富的跨江海湖泊的海底隧道建设具有独特的优势。实现盾构安全高效掘进的首要任务是根据不同的地质条件合理选择掘进参数,从而保证盾构刀盘能够不断挤压旋转切削掌子面的岩土体从而使得盾构不断推进。当前最普遍的方法是依据盾构司机的经验对盾构掘进参数进行调节,但一旦遭遇地层变化或复杂地质条件,难以及时调整掘进方案,容易带来施工风险导致严重的地质灾害;与此同时,盾构施工产生的大量参数没有得到充分利用,这些数据种类繁多,它们真实反映了盾构和周围岩土体的相互作用情况。因此,盾构掘进状态的调整,不应仅依靠盾构司机的经验,需要采用合理的数据挖掘的方法来获取隐藏在数据背后的信息,从而实现隧道掘进的智能优化和决策。
目前采用机器学习方法对盾构掘进参数进行预测成为重要的研究手段。Zhang等(2019)将聚类分析方法应用于大量的TBM掘进数据,并获得了准确的岩石类型预测结果。李港等(2020)采用长短时记忆网络(LSTM)依据TBM掘进循环上升段前30s的掘进参数提出了可以对稳定段总推力和刀盘扭矩准确预测的深度学习模型。Gao等(2019)采用不同的循环神经网络(RNN)基于历史掘进参数对下一阶段某些的TBM操作参数进行准确预测,包括扭矩,速度,推力和腔室压力。朱梦琦等(2020)使用随机森林模型和上升段前30s数据,实时预测稳定段掘进时推力与刀盘扭矩的取值,并采用AdaCost算法预测围岩等级,解决了传统机器学习算法不适用于岩体级别数据不均衡的场景。此外,支持向量机(熊帆,2016;王超等,2018;Salimi等,2016;Mahdevari等,2014)、神经网络(Liu等,2020)、XGBoost算法(王飞等,2020;段理文,2019)等各类机器学习算法在TBM掘进荷载的预测中均有较好的应用。
目前发现盾构掘进参数预测模型的构建多以围岩参数出发,如前期勘察所给的围岩等级或RQD信息等,然而一方面与敞开式TBM不同,在泥水盾构掘进过程中无法实时观察开挖面的地层信息,基于前期的地勘报告对地层进行判断略显粗糙,且围岩等级主要由岩体完整程度和岩石强度确定并不能直接反映不同地层情况下岩体-掘进参数映射关系。
发明内容
为解决上述问题,提供一种基于实时地质信息的泥水盾构掘进参数预测方法。
本发明采用了如下技术方案:
本发明提供了一种基于实时地质信息的泥水盾构掘进参数预测方法,用于预测泥水平衡式盾构掘进参数,其特征在于,包括以下步骤:步骤S1,确定与掘进荷载和泥水仓压力相关的掘进参数,并采集与掘进参数相对应的掘进数据。步骤S2,对掘进数据进行预处理,得到预处理数据。步骤S3,以分钟为粒度对预处理数据进行提取,得到提取数据集。步骤S4,对提取数据集进行数据标准化处理,得到标准化数据集。步骤S5,构建GA-NN深度神经网络模型,该模型包括输入层、输出层和多个隐藏层。步骤S6,利用遗传算法,将标准化数据集输入到GA-NN深度神经网络模型进行超参数优化,得到最优的GA-NN深度神经网络模型。步骤S7,将待测的地质信息、待测的泥水仓顶部压力和待测的操作参数输入到最优的GA-NN深度神经网络模型,得到预测掘进荷载参数。
本发明提供的一种基于实时地质信息的泥水盾构掘进参数预测方法,还可以具有这样的技术特征,其中,步骤S6利用遗传算法进行超参数优化,包括以下步骤:步骤S6-1,创建初始种群作为当前种群,当前种群中的个体为GA-NN深度神经网络模型对应的随机超参数组合。步骤S6-2,将当前种群中的每个个体的超参数分别赋给GA-NN深度神经网络模型,利用k折交叉验证方法进行验证,得到每个个体相对应的GA-NN深度神经网络模型的评价指标,基于评价指标评估当前种群中的个体的适应度。步骤S6-3,从当前种群中选择适应度大于0且适应度排序前25%的个体作为优质父代个体进行交叉、变异从而产生新的子代个体,并将该新的子代个体与优质父代个体进行组合,形成新的当前种群。步骤S6-4,重复进行步骤S6-2以及步骤S6-3,直到迭代次数达到预定次数,得到评价指标最优的个体,该个体作为GA-NN深度神经网络模型的最优超参数组合。步骤S6-5,将最优超参数组合赋给GA-NN深度神经网络模型,得到最优的GA-NN深度神经网络模型。
本发明提供的一种基于实时地质信息的泥水盾构掘进参数预测方法,还可以具有这样的技术特征,其中,超参数包括隐藏层层数、每个隐藏层的神经元个数、学习率、权值的L2正则化惩罚权重以及偏置的L2正则化惩罚权重。
本发明提供的一种基于实时地质信息的泥水盾构掘进参数预测方法,还可以具有这样的技术特征,其中,输入层的神经元个数为8,输出层的神经元个数为2。
本发明提供的一种基于实时地质信息的泥水盾构掘进参数预测方法,还可以具有这样的技术特征,其中,变异的变异概率计算公式为:式中,pi为第i代的变异概率,p0为初始变异概率,ω为[0,1]的随机数,n为总的种群进化代数。
本发明提供的一种基于实时地质信息的泥水盾构掘进参数预测方法,还可以具有这样的技术特征,其中,数据标准化处理,具体表达式为:式中,为提取数据集的均值,σ为提取数据集的标准差,x为提取数据集中的提取数据,x*为标准化数据集中的标准化数据。
本发明提供的一种基于实时地质信息的泥水盾构掘进参数预测方法,还可以具有这样的技术特征,其中,掘进参数包括地质信息、泥水仓顶部压力、操作参数和掘进荷载参数。地质信息包括上一环推力切深指数FPI的均值、上一环推力切深指数FPI的方差、上一环旋转切深指数TPI的均值和上一环旋转切深指数TPI的方差。操作参数包括掘进速度p、刀盘转速和贯入度,掘进荷载参数包括总推力F和刀盘扭矩T。
本发明提供的一种基于实时地质信息的泥水盾构掘进参数预测方法,还可以具有这样的技术特征,其中,输入层为线性层,多个隐藏层层间采用relu激活函数。
本发明提供的一种基于实时地质信息的泥水盾构掘进参数预测方法,还可以具有这样的技术特征,其中,预处理包括非工作状态数据处理和异常数据处理。
发明作用与效果
根据本发明提供的一种一种基于实时地质信息的泥水盾构掘进参数预测方法。首先,本发明通过将泥水盾构掘进过程中上一环的FPI均值及方差、TPI均值及方差作为实时的地质信息输入到GA-NN深度神经网络模型,直接反映岩体-掘进参数映射关系,弥补了泥水盾构无法实时观察开挖面地层信息的缺陷,有效提高了泥水盾构掘进荷载预测的精度。
其次,本发明通过采用遗传算法(GA)与深度神经网络(DNN)相结合,得到最佳的GA-NN深度神经网络模型,并将相关的掘进参数输入到最佳的GA-NN深度神经网络模型预测掘进荷载参数。该算法数据类型丰富,表达方式灵活,可以有效提高泥水盾构掘进参数预测的精度。
最后,在实际泥水盾构隧道掘进施工过程中,本发明通过遗传算法这种智能化预测方法能够更准确地预测泥水盾构掘进荷载参数,从而为工程实际提供参考,对降低隧道工程施工成本、延长设备寿命、管控施工进度风险和提高工程质量具有非常明显的指导作用。
附图说明
图1是本发明实施例中的一种基于实时地质信息的泥水盾构掘进参数预测方法流程图;
图2是本发明实施例中遗传算法流程示意图;
图3是本发明实施例中的k折交叉验证示意图。
图4是本发明实施例中的种群最优个体的决定系数R2种群进化代数的变化关系示意图;
图5本发明实施例中的每代种群的个体均值的决定系数R2种群进化代数的变化关系示意图;
图6是本发明实施例中的总推力F的预测值和实际值对比示意图;
图7是本发明实施例中的刀盘扭矩T的预测值和实际值对比示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下结合实施例及附图对本发明的一种基于实时地质信息的泥水盾构掘进参数预测方法作具体阐述。
<实施例>
图1是本发明实施例中的一种基于实时地质信息的泥水盾构掘进参数预测方法流程图。
如图1所示,一种基于实时地质信息的泥水盾构掘进参数预测方法具体包括以下步骤:
步骤S1,确定与掘进荷载和泥水仓压力相关的掘进参数,并采集与掘进参数相对应的掘进数据。
泥水盾构在掘进过程中由PLC数据采集系统可以获得数百种参数的运行数据。PLC数据的采集频率为1次/s。
本实施例中选取了与掘进荷载和泥水仓压力直接相关的若干掘进参数进行数据预处理分析。掘进参数包括地质信息、泥水仓顶部压力、操作参数和掘进荷载参数。掘进荷载参数包括总推力F和刀盘扭矩T。操作参数包括掘进速度p、刀盘转速和贯入度。地质信息包括上一环推力切深指数FPI的均值、上一环推力切深指数FPI的方差、上一环旋转切深指数TPI的均值和上一环旋转切深指数TPI的方差。
因为推力切深指数FPI和旋转切深指数TPI与围岩参数如单轴抗压强度USC以及岩体完整性系数Kv具有良好的相关性。一般来说,FPI和TPI越大,则围岩强度越高。另一方面,每一环的FPI和TPI的波动情况在某种程度也能反应当前掘进位置的地层特性。因此本实施例中以相邻两环的地层情况相似为假设前提,将上一环的FPI均值及方差、TPI均值及方差作为地质信息的参数。
其中,FPI的具体表达式为:
TPI的具体表达式为:
步骤S2,对掘进数据进行预处理,得到预处理数据。
预处理包括非工作状态数据处理和异常数据处理。
非工作状态数据处理是对泥水盾构PLC数据采集系统记录的数据,包括盾构机在掘进时的掘进数据以及非掘进状态的数据进行处理,如盾构机在进行管片拼装时的数据即为非掘进状态数据。为了提高数据分析的有效性,需要剔除这些无效数据。其中字段“掘进状态”包括掘进模式和非掘进模式,分别用1和0表示相应的状态。因此可通过建立判别函数f(x)剔除非掘进状态时的数据。
式中,x代表字段“掘进状态”的数据。
异常数据处理是指在海量的盾构PLC原始数据中,因受到机器故障或者人为操作有误等原因而出现异常数据,应当对这些异常数据进行去除,从而提高分析数据的质量。本实施例采取3σ准则与工程经验结合的方式剔除异常数据。
3σ准则假设一组检测数据只含有随机误差,对其进行计算处理得到标准偏差,按一定概率确定一个区间,若超过这个区间的误差就不是随机误差,而是粗大误差,含有该误差的数据应予以剔除。当样本近似服从正态分布时,若σ代表标准差,μ代表均值,则数值分布在(μ-3σ,μ+3σ)中的概率为0.9973,在此范围以外的数据为异常数据,需要进行去除。
步骤S3,以分钟为粒度对预处理数据进行提取,得到提取数据集。为了进一步提高数据利用有效性,以每分钟为粒度对每60s时间内的数据取均值并构成模型的提取数据集。如果在60s时间内数据缺失在10个以上,则剔除该60s时间内的所有数据。
步骤S4,对提取数据集进行数据标准化处理,得到标准化数据集。
在建立机器学习模型之前通常要进行数据标准化。机器学习模型的输入参数之间往往具有不同的量纲,数值间的差别可能很大,为了消除指标之间的量纲和取值范围差异的影响,需要进行标准化处理,将数据按照比例缩放,使之落入一个特定的区域。
本实施例中采用零-均值规范化对输入参数进行数据标准化的处理,计算公式为:
经过处理后的数据的均值为0,标准差为1。
步骤S5,构建GA-NN深度神经网络模型。该处模型包括输入层、输出层和多个隐藏层。输入层为线性层,输入层的神经元个数为8,输出层的神经元个数为2。隐藏层层间采用relu激活函数。
GA-NN深度神经网络模型模型的输入参数为上一环的FPI均值及方差、TPI均值及方差、当前环的泥水仓顶部压力、当前环的操作参数(贯入度、刀盘转速以及推进速度),输出参数为当前环的掘进荷载(总推力和刀盘扭矩)
步骤S6,利用遗传算法,将标准化数据集输入到GA-NN深度神经网络模型进行超参数优化,得到最优的GA-NN深度神经网络模型。
图2是本发明实施例中的遗传算法流程示意图。
如图2所示,本实施例中的步骤S6包括以下步骤:
步骤S6-1,创建初始种群作为当前种群,当前种群中的个体为GA-NN深度神经网络模型对应的待优化超参数组合。待优化超参数组合包括隐藏层层数、每个隐藏层的神经元个数、学习率、权值的L2正则化惩罚权重以及偏置的L2正则化惩罚权重。待优化超参数的取值范围如表1所示。
表1待优化超参数的测试范围
其他超参数的取值,如表2所示。
表2其他超参数的取值汇总
步骤S6-2,将当前种群中的每个个体的超参数分别赋给GA-NN深度神经网络模型,利用k折交叉验证方法进行验证,得到每个个体相对应的GA-NN深度神经网络模型的评价指标,基于评价指标评估当前种群中的个体的适应度。
目前,机器学习的验证方法包括简单交叉验证方法、k折交叉验证方法和留一法等。
图3是本发明实施例中的k折交叉验证示意图。
如图3所示,本实施例中的k折交叉验证方法是最常用的交叉验证方法,它是指将原始数据集随机分成k份,每次选择(k-1)份作为训练集,剩余的1份作为验证集,交叉验证重复k次,取k次准确率的平均值作为最终模型的评价指标,它可以有效避免过拟合和欠拟合状态的发生。
步骤S6-3,从当前种群中选择适应度大于0且适应度排序前25%的个体作为优质父代个体进行交叉、变异从而产生新的子代个体,并将该新的子代个体与优质父代个体进行组合,形成新的当前种群。
随着种群不断进化,优质个体不断积聚,采用逐代自适应的变异概率来不断降低变异概率从而保留优质个体。变异概率计算公式为:
式中,pi为第i代的变异概率,p0为初始变异概率,ω为[0,1]的随机数,n为总的种群进化代数。
步骤S6-4,重复进行步骤S6-2以及步骤S6-3,直到迭代次数达到预定次数,得到评价指标最优的个体,该个体作为GA-NN深度神经网络模型的最优超参数组合。
步骤S6-5,将最优超参数组合赋给GA-NN深度神经网络模型,得到最优的GA-NN深度神经网络模型。
评价模型预测精度的指标有平均绝对百分比误差(MAPE)、均方根误差(RMSE)、平均绝对误差(MAE)以及决定系数(R2)四个指标,具体表达式为:
式中,yi为样本实际值;f(xi)为样本预测值;l为预测样本的数量。
图4是本发明实施例中的种群最优个体的决定系数R2种群进化代数的变化关系示意图;图5本发明实施例中的每代种群的个体均值的决定系数R2种群进化代数的变化关系示意图。
如图4及图5所示,基于GA-NN算法的预测模型在3折交叉验证集上的决定系数(R2)随种群进化代数的变化关系。如图4所示,每代种群的最优个体的决定系数R2也随着种群进化代数不断提升,在种群进化超过4代后,每代种群的最优个体预测精度呈现缓慢上升的状态,最终经GA优化的最优个体为最后一代种群的最优个体。如图5所示,随着种群的不断进化,每代种群的整体决定系数R2也随着种群进化代数不断提升,当种群进化超过3代后,种群的整体决定系数R2基本保持不变。
通过遗传算法得到的最优超参数组合如表3所示。
表3最优超参数的取值结果
将最优超参数组合赋给GA-NN深度神经网络模型,得到最优的GA-NN深度神经网络模型。
步骤S7,将待测的地质信息、待测的泥水仓顶部压力和待测的操作参数输入到最优的GA-NN深度神经网络模型,得到预测掘进荷载参数。
图6是本发明实施例中的总推力F的预测值和实际值对比示意图;图7是本发明实施例中的刀盘扭矩T的预测值和实际值对比示意图。
如图6及图7所示,利用3折交叉验证法获得的最优的GA-NN深度神经网络模型,并在待测数据集上对总推力F和刀盘扭矩T进行预测。由图6及图7所示,总推力F和刀盘扭矩T的绝大多数预测结果都比较好的与实际值对应。
表4最优的GA-NN模型对于总推力和刀盘扭矩的预测效果
如表4所示,本实施例中统计了总推力和刀盘扭矩在训练集和待测集上四种不同指标的评估结果。由此可见,采用遗传算法(GA)与深度神经网络(DNN)相结合,得到最佳的GA-NN深度神经网络模型具有较好的拟合精度。
实施例作用与效果
根据本实施例提供的一种基于实时地质信息的泥水盾构掘进参数预测方法。首先,本发明通过将泥水盾构掘进过程中上一环的FPI均值及方差、上一环的TPI均值及方差作为实时的地质信息输入到GA-NN深度神经网络模型,直接反映岩体-掘进参数映射关系,弥补了泥水盾构无法实时观察开挖面地层信息的缺陷,有效提高了泥水盾构掘进荷载预测的精度。
其次,本实施例通过采用遗传算法(GA)与深度神经网络(DNN)相结合,得到最佳的GA-NN深度神经网络模型,并将相关的掘进参数输入到最佳的GA-NN深度神经网络模型预测掘进荷载参数。该算法数据类型丰富,表达方式灵活,可以有效提高泥水盾构掘进参数预测的精度。
最后,在实际泥水盾构隧道掘进施工过程中,本实施例通过遗传算法这种智能化预测方法能够更准确地预测泥水盾构掘进荷载参数,从而为工程实际提供参考,对降低隧道工程施工成本、延长设备寿命、管控施工进度风险和提高工程质量具有非常明显的指导作用。
上述实施例仅用于举例说明本发明的具体实施方式,而本发明不限于上述实施例的描述范围。
Claims (10)
1.一种基于实时地质信息的泥水盾构掘进参数预测方法,用于预测泥水平衡式盾构掘进参数,其特征在于,包括以下步骤:
步骤S1,确定与掘进荷载和泥水仓压力相关的掘进参数,并采集与所述掘进参数相对应的掘进数据;
步骤S2,对掘进数据进行预处理,得到预处理数据;
步骤S3,以分钟为粒度对所述预处理数据进行提取,得到提取数据集;
步骤S4,对所述提取数据集进行数据标准化处理,得到标准化数据集;
步骤S5,构建GA-NN深度神经网络模型,该模型包括输入层、输出层和多个隐藏层;
步骤S6,利用遗传算法,将所述标准化数据集输入到所述GA-NN深度神经网络模型进行超参数优化,得到最优的GA-NN深度神经网络模型;
步骤S7,将待测的地质信息、待测的泥水仓顶部压力和待测的操作参数输入到所述最优的GA-NN深度神经网络模型,得到预测掘进荷载参数。
2.根据权利要求1所述的一种基于实时地质信息的泥水盾构掘进参数预测方法,其特征在于:
其中,所述步骤S6利用遗传算法进行超参数优化,包括以下步骤:
步骤S6-1,创建初始种群作为当前种群,所述当前种群中的个体为所述GA-NN深度神经网络模型对应的随机超参数组合;
步骤S6-2,将所述当前种群中的每个个体的超参数分别赋给所述GA-NN深度神经网络模型,利用k折交叉验证方法进行验证,得到所述每个个体相对应的GA-NN深度神经网络模型的评价指标,基于所述评价指标评估所述当前种群中的个体的适应度;
步骤S6-3,从所述当前种群中选择所述适应度大于0且所述适应度排序前25%的个体作为优质父代个体进行交叉、变异从而产生新的子代个体,并将该新的子代个体与所述优质父代个体进行组合,形成新的当前种群;
步骤S6-4,重复进行步骤S6-2以及步骤S6-3,直到迭代次数达到预定次数,得到评价指标最优的个体,该个体作为所述GA-NN深度神经网络模型的所述最优超参数组合;
步骤S6-5,将所述最优超参数组合赋给所述GA-NN深度神经网络模型,得到所述最优的GA-NN深度神经网络模型。
3.根据权利要求2所述的一种基于实时地质信息的泥水盾构掘进参数预测方法,其特征在于:
其中,所述超参数组合包括所述隐藏层层数、每个所述隐藏层的神经元个数、学习率、权值的L2正则化惩罚权重以及偏置的L2正则化惩罚权重。
4.根据权利要求3所述的一种基于实时地质信息的泥水盾构掘进参数预测方法,其特征在于:
其中,所述输入层的神经元个数为8,
所述输出层的神经元个数为2。
7.根据权利要求1所述的一种基于实时地质信息的泥水盾构掘进参数预测方法,其特征在于:
其中,所述掘进参数包括所述地质信息、所述泥水仓顶部压力、所述操作参数和所述掘进荷载参数,
所述地质信息包括上一环推力切深指数FPI的均值、上一环推力切深指数FPI的方差、上一环旋转切深指数TPI的均值、上一环旋转切深指数TPI的方差,
所述操作参数包括掘进速度p、刀盘转速和贯入度,
所述掘进荷载参数包括总推力F和刀盘扭矩T。
9.根据权利要求1所述的一种基于实时地质信息的泥水盾构掘进参数预测方法,其特征在于:
其中,所述输入层为线性层,
多个所述隐藏层层间采用relu激活函数。
10.根据权利要求1所述的一种基于实时地质信息的泥水盾构掘进参数预测方法,其特征在于:
其中,所述预处理包括非工作状态数据处理和异常数据处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111326792.8A CN113946899A (zh) | 2021-11-10 | 2021-11-10 | 一种基于实时地质信息的泥水盾构掘进参数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111326792.8A CN113946899A (zh) | 2021-11-10 | 2021-11-10 | 一种基于实时地质信息的泥水盾构掘进参数预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113946899A true CN113946899A (zh) | 2022-01-18 |
Family
ID=79337867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111326792.8A Pending CN113946899A (zh) | 2021-11-10 | 2021-11-10 | 一种基于实时地质信息的泥水盾构掘进参数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113946899A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618222A (zh) * | 2022-06-21 | 2023-01-17 | 北京交通大学 | 一种隧道掘进响应参数的预测方法 |
CN116398242A (zh) * | 2023-04-21 | 2023-07-07 | 中交隧道工程局有限公司 | 一种长时间停机泥水盾构开挖面泥膜寿命的评价方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315862A (zh) * | 2017-06-12 | 2017-11-03 | 北京城建勘测设计研究院有限责任公司 | 一种建立明挖基坑工程勘察与模拟参数关系的方法 |
CN108334949A (zh) * | 2018-02-11 | 2018-07-27 | 浙江工业大学 | 一种优化深度卷积神经网络结构的快速进化方法 |
CN110110419A (zh) * | 2019-04-28 | 2019-08-09 | 中铁工程装备集团有限公司 | 一种基于多目标学习的tbm掘进参数预测方法 |
CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
CN111460737A (zh) * | 2020-04-09 | 2020-07-28 | 昆山阳翎机器人科技有限公司 | 泥水气压平衡盾构的智能沉降预测方法及系统 |
KR102211421B1 (ko) * | 2020-06-17 | 2021-02-02 | 에스케이건설 주식회사 | 터널 굴진면의 전방 지질 상태 예측에 기반한 tbm 제어 파라미터 결정 방법 및 시스템 |
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 |
CN112901183A (zh) * | 2021-03-15 | 2021-06-04 | 汕头大学 | 一种基于机器学习的盾构施工过程地质特征确定方法 |
CN113047859A (zh) * | 2021-04-12 | 2021-06-29 | 上海应用技术大学 | 基于局部Fisher土层识别的盾构掘进参数控制方法 |
-
2021
- 2021-11-10 CN CN202111326792.8A patent/CN113946899A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315862A (zh) * | 2017-06-12 | 2017-11-03 | 北京城建勘测设计研究院有限责任公司 | 一种建立明挖基坑工程勘察与模拟参数关系的方法 |
CN108334949A (zh) * | 2018-02-11 | 2018-07-27 | 浙江工业大学 | 一种优化深度卷积神经网络结构的快速进化方法 |
CN110110419A (zh) * | 2019-04-28 | 2019-08-09 | 中铁工程装备集团有限公司 | 一种基于多目标学习的tbm掘进参数预测方法 |
CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
CN111460737A (zh) * | 2020-04-09 | 2020-07-28 | 昆山阳翎机器人科技有限公司 | 泥水气压平衡盾构的智能沉降预测方法及系统 |
KR102211421B1 (ko) * | 2020-06-17 | 2021-02-02 | 에스케이건설 주식회사 | 터널 굴진면의 전방 지질 상태 예측에 기반한 tbm 제어 파라미터 결정 방법 및 시스템 |
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 |
CN112901183A (zh) * | 2021-03-15 | 2021-06-04 | 汕头大学 | 一种基于机器学习的盾构施工过程地质特征确定方法 |
CN113047859A (zh) * | 2021-04-12 | 2021-06-29 | 上海应用技术大学 | 基于局部Fisher土层识别的盾构掘进参数控制方法 |
Non-Patent Citations (1)
Title |
---|
王铁生;张留柱;张冰;: "遗传神经网络及其在地表安全测控中的应用", 测绘科学技术学报, no. 01, 28 February 2007 (2007-02-28), pages 67 - 69 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618222A (zh) * | 2022-06-21 | 2023-01-17 | 北京交通大学 | 一种隧道掘进响应参数的预测方法 |
CN116398242A (zh) * | 2023-04-21 | 2023-07-07 | 中交隧道工程局有限公司 | 一种长时间停机泥水盾构开挖面泥膜寿命的评价方法 |
CN116398242B (zh) * | 2023-04-21 | 2024-03-29 | 中交隧道工程局有限公司 | 一种长时间停机泥水盾构开挖面泥膜寿命的评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Elbaz et al. | Prediction of disc cutter life during shield tunneling with AI via the incorporation of a genetic algorithm into a GMDH-type neural network | |
Armaghani et al. | Development of hybrid intelligent models for predicting TBM penetration rate in hard rock condition | |
Farhadian | A new empirical chart for rockburst analysis in tunnelling: Tunnel rockburst classification (TRC) | |
CN113946899A (zh) | 一种基于实时地质信息的泥水盾构掘进参数预测方法 | |
Mahdiyar et al. | Rock tensile strength prediction using empirical and soft computing approaches | |
Dormishi et al. | Evaluation of gang saws’ performance in the carbonate rock cutting process using feasibility of intelligent approaches | |
CN112183993B (zh) | 一种tbm掘进控制参数智能预测及优化决策方法 | |
CN106778010A (zh) | 基于数据驱动支持向量回归机的tbm刀具寿命预测方法 | |
CN112906153B (zh) | 基于lstm的土压平衡盾构的土压智能动态调控方法 | |
CN112879025B (zh) | 基于gru深度学习的土压平衡盾构土压智能调控方法 | |
Shi et al. | Geology prediction based on operation data of TBM: Comparison between deep neural network and soft computing methods | |
CN115966074B (zh) | 基于机器学习的盾构刀盘结泥饼预警方法及系统 | |
CN114036841A (zh) | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 | |
Agrawal et al. | Prediction of TBM disc cutter wear and penetration rate in tunneling through hard and abrasive rock using multi-layer shallow neural network and response surface methods | |
CN117910112A (zh) | 一种tbm隧道岩爆段支护方案智能设计方法 | |
CN110119522B (zh) | 一种开挖岩质边坡破坏风险分析的稳定性评级方法 | |
CN115019476B (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
CN112598061B (zh) | 一种隧道围岩聚类分级方法 | |
Wang et al. | A Rock Mass Strength Prediction Method Integrating Wave Velocity and Operational Parameters Based on the Bayesian Optimization Catboost Algorithm | |
CN113158562B (zh) | 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 | |
Ahmad et al. | Implications of depletion of groundwater levels in three layered aquifers and its management to optimize the supply demand in the urban settlement near Kahota Industrial Triangle area, Islamabad, Pakistan | |
CN113158561A (zh) | 适用于多种岩体条件的tbm操作参数优化方法及系统 | |
Ma et al. | prediction model for deformation risk grade of the soft rock tunnel based on GRA-Extension | |
Chen et al. | Prediction of tunneling-induced surface settlement using a Bi-LSTM model with high generalization performance | |
Mobarra et al. | Application of artificial neural networks to the prediction of TBM penetration rate in TBM-driven golab water transfer tunnel |
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 |