CN114662699A - 一种基于机器学习的盾构姿态预测方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的盾构姿态预测方法，预测方法包括：收集盾构现场施工数据和历史数据作为数据集并对数据集进行预处理和归一化；基于训练集对通过多种机器学习算法构建的盾构姿态预测模型进行训练，并基于测试集测试训练后的盾构姿态预测模型以选择性能最佳的盾构姿态预测模型；输入上一环管片的盾构参数及下一环管片的隧道几何和地质参数，预测下一环管片的盾构姿态，判断下一环管片的盾构姿态是否符合控制要求，若下一环管片的盾构姿态符合控制要求，进入下一步，否则利用优化算法来寻找最优盾构参数以限制盾构姿态的异常变化；输出下一环管片的盾构姿态符合控制要求的盾构参数，并将输出结果输入到盾构姿态预测模型的训练集内。

Description

一种基于机器学习的盾构姿态预测方法

技术领域

本发明涉及盾构施工的技术领域，尤其是一种基于机器学习的盾构姿态预测方法。

背景技术

随着轨道交通的快熟发展，越来越多的地下隧道得以建设，盾构施工技术因其具有对土体扰动小、效率高、安全等优点，日益成为城市地下隧道的主要施工方法。在盾构掘进过程中，盾构姿态的有效控制是确保隧道施工质量的关键技术之一。盾构隧道衬砌由管片连续拼装而成，管片在盾尾处组装成整环。盾构掘进偏差的出现会引起隧道的误差，为今后的运营带来安全隐患，如管片损坏和错台。此外，如果盾构掘进偏差过大，可能会引起开挖路线的改变和土体超挖，对隧道工程的成本和进度构成严重的风险。因此，有必要对盾构掘进姿态进行控制和预防。而目前控制是由驾驶员的经验发出的，具有很大的不确定性。

盾构姿态和位置的预测可以看作是一个时间序列预测问题。机器学习技术在时间序列预测、语音识别和图像识别方面取得了巨大的成功。机器学习方法基于涵盖环境因素、地质条件及施工工艺等信息的工程实测数据进行驱动学习，所建立的模型能够考虑多因素之间的相互耦合作用，理解参数之间复杂的非线性关系，广泛应用于岩土工程领域。

据此，设计出一种基于机器学习的盾构姿态预测方法存在必要性和可行性。

发明内容

本发明的目的是根据上述现有技术的不足，提供了一种基于机器学习的盾构姿态预测方法，以盾构现场施工数据和历史数据作为数据集，通过机器学习算法建立盾构姿态预测模型，并对通过优化算法对盾构姿态预测模型的输入参数进行优化，可以实现对盾构姿态的预测。

本发明目的实现由以下技术方案完成：

一种基于机器学习的盾构姿态预测方法，其特征在于，所述预测方法包括以下步骤：

(S1)收集盾构现场施工数据和历史数据作为数据集并对所述数据集进行预处理和归一化，所述数据集包括地质参数集、隧道几何集和盾构参数集；将经预处理和归一化的数据集分成训练集和测试集；基于所述训练集对通过多种机器学习算法构建的盾构姿态预测模型进行训练，并基于所述测试集测试训练后的盾构姿态预测模型以选择性能水平最佳的盾构姿态预测模型；

(S2)输入上一环管片的盾构参数及下一环管片的隧道几何和地质参数，预测所述下一环管片的盾构姿态，判断所述下一环管片的盾构姿态是否符合控制要求，若所述下一环管片的盾构姿态符合控制要求，进入下一步，否则利用优化算法来寻找最优盾构参数以限制盾构姿态的异常变化；

(S3)输出所述下一环管片的盾构姿态符合控制要求的盾构参数，并将输出结果输入到所述盾构姿态预测模型的训练集内。

步骤S1包括以下步骤：

使用Pearson相关系数来识别所述数据集中盾构参数与目标盾构姿态参数间的相关性，Pearson相关系数的计算如下：

式中，x_i是所述数据集中盾构参数的实际值，y_i是所述目标盾构姿态参数的实际值，n是事件总数；

根据Pearson相关系数，选取所述数据集中盾构参数的土仓压力、推进速度、刀盘转速、刀盘扭矩、总推力、发泡率和出渣量作为输入参数，设定所述目标盾构姿态参数中的盾构俯仰角作为输出参数；

所述数据集的归一化计算公式：

式中，X_min为所述输入参数及所述输出参数的最小值，X_max为所述输入参数及所述输出参数的最大值，X_norm是归一化后的所述输入参数及所述输出参数的值；

使用多种所述机器学习算法构建所述盾构姿态预测模型，并在训练所述训练集过程中，采用kfold交叉验证，其中，所述机器学习算法包括：随机森林、长短时记忆网络、卷积神经网络、极限学习法、BP神经网络；

采用均方根误差RMSE以及决定系数R²来评价各所述机器学习算法的性能，均方根误差及决定系数的计算公式分别为：

式中，x_i是盾构俯仰角实际值，

是盾构俯仰角预测值，

是盾构俯仰角实际值的平均值；

在得到两个性能指标和各所述机器学习算法消耗的时间后，进行算法评分，以选择性能水平最佳的盾构姿态预测模型。

步骤S1中的算法评分过程包括以下步骤：

根据两个所述性能指标以及各所述机器学习算法消耗时间的三个评价标准的不同特征，分别对各所述机器学习算法的均方根误差以及对应所述机器学习算法所消耗时间进行归一化：

式中，Y_min为各所述机器学习算法的均方根误差以及对应所述机器学习算法消耗时间的最小值，Y_max为各所述机器学习算法的均方根误差以及对应所述机器学习算法消耗时间的最大值，Y_norm为归一化后的各所述机器学习算法的均方根误差以及对应所述机器学习算法消耗时间的值；

分别对各所述机器学习算法的决定系数进行归一化：

式中，Y_min为各所述机器学习算法的决定系数的最小值，Y_max为各所述机器学习算法的决定系数的最大值，Y_norm是归一化后的各所述机器学习算法的决定系数的值；

将归一化的两个所述性能指标以及各所述机器学习算法消耗时间的参数作为所述机器学习算法的评价指标，得到各所述机器学习算法的评价矩阵q_ij：

其中，q_ij代表第j个算法的第i个性能指标的评价指标，规定i＝1为均方根误差，i＝2时为消耗时间，i＝3时为决定系数；

通过层次分析法得到三个评价指标对所述机器学习算法性能的权重[w₁ w₂ w₃]，得到各所述机器学习算法的性能水平：

R＝qgw；

根据最大隶属原则，选择性能水平最佳的机器学习算法。

步骤S2中优化算法的寻优方法包括以下步骤：

设定掘进参数优化目标值，初始所述优化算法的各项参数，随机设定与所述掘进参数优化目标值相关的盾构参数，输入到最优的盾构姿态预测模型中，通过优化算法的运算规则更改盾构输入参数，进行多次迭代计算，直到得到与所述掘进参数优化目标值接近的输出参数，其中，所述优化算法包括海鸥优化算法、灰狼优化算法以及鲸鱼优化算法。

本发明的优点是：能够快速准确的对盾构姿态进行预测和选取。

附图说明

图1为本发明基于机器学习的盾构姿态预测方法流程图；

图2为本发明盾构参数的Pearson相关系数图；

图3为本发明BP神经网络模型训练集中盾构俯仰角预测值与实际值对比图；

图4为本发明BP神经网络模型训练集中隧道变形预测值与实际值对比图；

图5为本发明BP神经网络模型测试集中盾构俯仰角预测值与实际值对比图；

图6为本发明BP神经网络模型测试集中隧道变形预测值与实际值对比图；

图7为本发明RF神经网络模型训练集中盾构俯仰角预测值与实际值对比图；

图8为本发明RF神经网络模型训练集中隧道变形预测值与实际值对比图；

图9为本发明RF神经网络模型测试集中盾构俯仰角预测值与实际值对比图；

图10为本发明RF神经网络模型测试集中隧道变形预测值与实际值对比图；

图11为本发明灰狼优化算法的迭代过程；

图12为本发明机器学习算法的超参数选取表；

图13为本发明各机器学习算法的性能参数表。

具体实施方式

以下结合附图通过实施例对本发明特征及其它相关特征作进一步详细说明，以便于同行业技术人员的理解：

实施例：如图1-13所示，本实施例涉及一种基于机器学习的盾构姿态预测方法，其预测方法具体包括以下步骤：

(S1)收集盾构现场施工数据和历史数据作为数据集并对数据集进行预处理和归一化，数据集包括地质参数集、隧道几何集和盾构参数集，其中，地质参数集最初是根据隧道开挖前的地质调查报告进行处理的，主要包括上覆土的种类、各类上覆土层沿掘进方向的厚度以及上覆建筑物的密度，隧道几何集包括盾构机直径以及盾尾间隙，盾构参数由盾构机的自动数据采集系统中获取，包括土仓压力、推进速度、刀盘转速、刀盘扭矩、总推力、发泡率以及出渣量。

使用Pearson相关系数(PCC)来识别数据集中盾构参数与目标盾构姿态参数具有高相关性的参数，PCC计算公式如下：

式中，x_i是数据集中盾构参数的实际值，y_i是目标盾构姿态参数的实际值，n是事件总数。

如图2所示，根据Pearson相关系数，最终选取盾构参数中的土仓压力、推进速度、刀盘转速、刀盘扭矩、总推力、发泡率和出渣量为输入参数，设定目标盾构姿态参数中的盾构俯仰角为输出参数。

数据集的归一化计算公式：

式中，X_min是输入参数及输出参数的最小值，X_max是输入参数及输出参数的最大值，X_norm是归一化后的输入参数及输出参数的值。

由于传感器故障，在掘进过程中往往会产生操作参数的异常值，因此本实施例利用了马氏距离来剔除异常值。

将经预处理和归一化的数据集分成训练集(80％)和测试集(20％)，基于训练集对通过多种机器学习算法构建的盾构姿态预测模型进行训练，并基于测试集测试训练后的盾构姿态预测模型以选择性能水平最佳的盾构姿态预测模型。本实施例中，机器学习算法包括：随机森林(RF)、长短时记忆网络(LSTM)、卷积神经网络(CNN)、极限学习法(ELM)、BP神经网络。盾构姿态预测模型建立的过程具体为：1.输入将之前选定的输入参数；2.通过试错法选定机器学习算法的超参数，本实施例的具体取值如图12所示；3.进行模型的训练，在训练过程中，采用k-fold交叉验证，将训练数据划分为k个训练子集和一个验证子集；4.输出预测结果并进行各算法验证子集的性能进行性能比较。BP神经网络模型和随机森林模型下的盾构俯仰角预测结果可参见图3至图10所示。

各机器学习算法的性能通过其性能指标以及机器学习算法预测所消耗时间的综合比较得出。其中模型性能指标通过计算测量数据和预测结果之间的误差来分析所开发的模型的准确性。本实施例采用均方根误差RMSE以及决定系数R²来评价5种机器学习算法的性能，两个性能指标的计算公式分别如下：

式中，x_i是盾构俯仰角实际值，

是盾构俯仰角预测值，

是盾构俯仰角实际值的平均值。

如图13所示，在得到两个性能指标和各机器学习算法消耗的时间后，进行算法评分，其具体过程如下：

根据两个性能指标以及各机器学习算法消耗时间的三个评价标准的不同特征，分别对各机器学习算法的均方根误差以及对应机器学习算法所消耗时间进行归一化：

式中，Y_min为各机器学习算法的均方根误差以及对应机器学习算法消耗时间的最小值，Y_max为各机器学习算法的均方根误差以及对应机器学习算法消耗时间的最大值，Y_norm为归一化后的各机器学习算法的均方根误差以及对应机器学习算法消耗时间的值；

分别对各机器学习算法的决定系数进行归一化：

式中，Y_min为各机器学习算法的决定系数的最小值，Y_max为各机器学习算法的决定系数的最大值，Y_norm是归一化后的各机器学习算法的决定系数的值。

将归一化的两个性能指标以及各机器学习算法消耗时间的参数作为机器学习算法的评价指标，得到各机器学习算法的评价矩阵q_ij：

其中，q_ij代表第j个算法的第i个性能指标的评价指标，在此规定i＝1为均方根误差，i＝2时为消耗时间，i＝3时为决定系数。

通过层次分析法得到三个评价指标对机器学习算法性能的权重[w₁ w₂ w₃]，得到各机器学习算法的性能水平：

R＝qgw；

根据最大隶属原则，选择性能水平最佳的机器学习算法。

本实施例中，各机器学习算法的评价矩阵为：

三个评价指标对机器学习算法性能的权重为[0.5 0.4 0.1]；

各机器学习算法的性能水平为：R＝[0.41 0.95 0.9 0.1 0.76]；

选择性能水平最高的随机森林算法智能模型作为最终预测模型。

(S2)输入上一环管片的盾构参数(包括土仓压力、推进速度、刀盘转速、刀盘扭矩、总推力、发泡率和出渣量)及下一环管片的隧道几何和地质参数，预测下一环管片的盾构姿态(即输出盾构俯仰角)，判断下一环管片的盾构姿态是否符合控制要求，若下一环管片的盾构姿态符合控制要求，进入下一步，否则利用优化算法来寻找最优盾构参数以限制盾构姿态的异常变化，本实施例中，优化算法包括海鸥优化算法(SOA)、灰狼优化算法(WOA)以及鲸鱼优化算法(GWO)，根据优化的时间来选择最优算法，即优化时间最短的算法为最优算法。

如图11所示，本实施例选择灰狼优化算法，其优化算法的寻优方法包括以下步骤：

首先设定掘进参数优化目标值，即盾构俯仰角为0，然后初始优化算法的各项初始参数，设定初始参数为：种群数为30，最大迭代次数为200，算法所需要的收敛因子随着迭代次数从2线性减小到0，算法所需要的随机量取为[0，1]之前的随机数；设定完优化算法的初始参数后，再设定随机的盾构参数(土仓压力、推进速度、刀盘转速、刀盘扭矩、总推力、发泡率以及出渣量)，输入到随机森林盾构姿态预测模型中，然后不断通过优化算法的运算规则更改盾构输入参数，进行多次迭代计算，直到得到与掘进参数优化目标值接近的输出参数。

(S3)输出能确保盾构姿态稳定前行的盾构参数，并将输出结果输入到盾构姿态预测模型的训练集中，丰富训练集的同时继续优化盾构姿态预测模型。

虽然以上实施例已经参照附图对本发明目的的构思和实施例做了详细说明，但本领域普通技术人员可以认识到，在没有脱离权利要求限定范围的前提条件下，仍然可以对本发明作出各种改进和变换，故在此不一一赘述。

Claims (4)

1.一种基于机器学习的盾构姿态预测方法，其特征在于，所述预测方法包括以下步骤：

(S1)收集盾构现场施工数据和历史数据作为数据集并对所述数据集进行预处理和归一化，所述数据集包括地质参数集、隧道几何集和盾构参数集；将经预处理和归一化的数据集分成训练集和测试集；基于所述训练集对通过多种机器学习算法构建的盾构姿态预测模型进行训练，并基于所述测试集测试训练后的盾构姿态预测模型以选择性能水平最佳的盾构姿态预测模型；

(S2)输入上一环管片的盾构参数及下一环管片的隧道几何和地质参数，预测所述下一环管片的盾构姿态，判断所述下一环管片的盾构姿态是否符合控制要求，若所述下一环管片的盾构姿态符合控制要求，进入下一步，否则利用优化算法来寻找最优盾构参数以限制盾构姿态的异常变化；

(S3)输出所述下一环管片的盾构姿态符合控制要求的盾构参数，并将输出结果输入到所述盾构姿态预测模型的训练集内。

2.如权利要求1所述的一种基于机器学习的盾构姿态预测方法，其特征在于，步骤S1包括以下步骤：

使用Pearson相关系数来识别所述数据集中盾构参数与目标盾构姿态参数间的相关性，Pearson相关系数的计算如下：

式中，x_i是所述数据集中盾构参数的实际值，y_i是所述目标盾构姿态参数的实际值，n是事件总数；

根据Pearson相关系数，选取所述数据集中盾构参数的土仓压力、推进速度、刀盘转速、刀盘扭矩、总推力、发泡率和出渣量作为输入参数，设定所述目标盾构姿态参数中的盾构俯仰角作为输出参数；

所述数据集的归一化计算公式：

式中，X_min为所述输入参数及所述输出参数的最小值，X_max为所述输入参数及所述输出参数的最大值，X_norm是归一化后的所述输入参数及所述输出参数的值；

使用多种所述机器学习算法构建所述盾构姿态预测模型，并在训练所述训练集过程中，采用k-fold交叉验证，其中，所述机器学习算法包括：随机森林、长短时记忆网络、卷积神经网络、极限学习法、BP神经网络；

采用均方根误差RMSE以及决定系数R²来评价各所述机器学习算法的性能，均方根误差及决定系数的计算公式分别为：

式中，x_i是盾构俯仰角实际值，

是盾构俯仰角预测值，

是盾构俯仰角实际值的平均值；

在得到两个性能指标和各所述机器学习算法消耗的时间后，进行算法评分，以选择性能水平最佳的盾构姿态预测模型。

3.如权利要求2所述的一种基于机器学习的盾构姿态预测方法，其特征在于，步骤S1中的算法评分过程包括以下步骤：

根据两个所述性能指标以及各所述机器学习算法消耗时间的三个评价标准的不同特征，分别对各所述机器学习算法的均方根误差以及对应所述机器学习算法所消耗时间进行归一化：

式中，Y_min为各所述机器学习算法的均方根误差以及对应所述机器学习算法消耗时间的最小值，Y_max为各所述机器学习算法的均方根误差以及对应所述机器学习算法消耗时间的最大值，Y_norm为归一化后的各所述机器学习算法的均方根误差以及对应所述机器学习算法消耗时间的值；

分别对各所述机器学习算法的决定系数进行归一化：

式中，Y_min为各所述机器学习算法的决定系数的最小值，Y_max为各所述机器学习算法的决定系数的最大值，Y_norm是归一化后的各所述机器学习算法的决定系数的值；

将归一化的两个所述性能指标以及各所述机器学习算法消耗时间的参数作为所述机器学习算法的评价指标，得到各所述机器学习算法的评价矩阵q_ij：

其中，q_ij代表第j个算法的第i个性能指标的评价指标，规定i＝1为均方根误差，i＝2时为消耗时间，i＝3时为决定系数；

通过层次分析法得到三个评价指标对所述机器学习算法性能的权重[w₁ w₂ w₃]，得到各所述机器学习算法的性能水平：

R＝qgw；

根据最大隶属原则，选择性能水平最佳的机器学习算法。

4.如权利要求3所述的一种基于机器学习的盾构姿态预测方法，其特征在于，步骤S2中优化算法的寻优方法包括以下步骤：

设定掘进参数优化目标值，初始所述优化算法的各项参数，随机设定与所述掘进参数优化目标值相关的盾构参数，输入到最优的盾构姿态预测模型中，通过优化算法的运算规则更改盾构输入参数，进行多次迭代计算，直到得到与所述掘进参数优化目标值接近的输出参数，其中，所述优化算法包括海鸥优化算法、灰狼优化算法以及鲸鱼优化算法。

Images