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

一种基于机器学习的盾构姿态预测方法 Download PDF

Info

Publication number
CN114662699A
CN114662699A CN202210157103.3A CN202210157103A CN114662699A CN 114662699 A CN114662699 A CN 114662699A CN 202210157103 A CN202210157103 A CN 202210157103A CN 114662699 A CN114662699 A CN 114662699A
Authority
CN
China
Prior art keywords
shield
machine learning
parameters
algorithm
parameter
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
Application number
CN202210157103.3A
Other languages
English (en)
Inventor
李志义
刘颖彬
赵国强
陈台礼
钟铧炜
罗京
徐伟忠
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.)
Shanghai Urban Construction Municipal Engineering Group Co Ltd
Original Assignee
Shanghai Urban Construction Municipal Engineering Group Co Ltd
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 Shanghai Urban Construction Municipal Engineering Group Co Ltd filed Critical Shanghai Urban Construction Municipal Engineering Group Co Ltd
Priority to CN202210157103.3A priority Critical patent/CN114662699A/zh
Publication of CN114662699A publication Critical patent/CN114662699A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

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：
Figure BDA0003512631910000021
式中，xi是所述数据集中盾构参数的实际值，yi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：
Figure BDA0003512631910000022
式中，Xmin为所述输入参数及所述输出参数的最小值，Xmax为所述输入参数及所述输出参数的最大值，Xnorm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：
Figure BDA0003512631910000031
Figure BDA0003512631910000032
式中，xi是盾构俯仰角实际值，
Figure BDA0003512631910000033
是盾构俯仰角预测值，
Figure BDA0003512631910000034
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：
Figure BDA0003512631910000035
式中，Ymin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，Ymax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，Ynorm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：
Figure BDA0003512631910000036
式中，Ymin为各所述机器学习算法的决定系数的最小值，Ymax为各所述机器学习算法的决定系数的最大值，Ynorm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qij：
Figure BDA0003512631910000041
其中，qij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：
Figure BDA0003512631910000051
式中，xi是数据集中盾构参数的实际值，yi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：
Figure BDA0003512631910000052
式中，Xmin是输入参数及输出参数的最小值，Xmax是输入参数及输出参数的最大值，Xnorm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：
Figure BDA0003512631910000061
Figure BDA0003512631910000062
式中，xi是盾构俯仰角实际值，
Figure BDA0003512631910000063
是盾构俯仰角预测值，
Figure BDA0003512631910000064
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：
Figure BDA0003512631910000071
式中，Ymin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，Ymax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，Ynorm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：
Figure BDA0003512631910000072
式中，Ymin为各机器学习算法的决定系数的最小值，Ymax为各机器学习算法的决定系数的最大值，Ynorm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qij：
Figure BDA0003512631910000073
其中，qij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：
Figure BDA0003512631910000074
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：
Figure FDA0003512631900000011
式中，xi是所述数据集中盾构参数的实际值，yi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：
Figure FDA0003512631900000021
式中，Xmin为所述输入参数及所述输出参数的最小值，Xmax为所述输入参数及所述输出参数的最大值，Xnorm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：
Figure FDA0003512631900000022
Figure FDA0003512631900000023
式中，xi是盾构俯仰角实际值，
Figure FDA0003512631900000024
是盾构俯仰角预测值，
Figure FDA0003512631900000025
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：
Figure FDA0003512631900000026
式中，Ymin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，Ymax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，Ynorm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：
Figure FDA0003512631900000031
式中，Ymin为各所述机器学习算法的决定系数的最小值，Ymax为各所述机器学习算法的决定系数的最大值，Ynorm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qij：
Figure FDA0003512631900000032
其中，qij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。
CN202210157103.3A 2022-02-21 2022-02-21 一种基于机器学习的盾构姿态预测方法 Pending CN114662699A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210157103.3A CN114662699A (zh) 2022-02-21 2022-02-21 一种基于机器学习的盾构姿态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210157103.3A CN114662699A (zh) 2022-02-21 2022-02-21 一种基于机器学习的盾构姿态预测方法

Publications (1)

Publication Number Publication Date
CN114662699A true CN114662699A (zh) 2022-06-24

Family

ID=82026787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210157103.3A Pending CN114662699A (zh) 2022-02-21 2022-02-21 一种基于机器学习的盾构姿态预测方法

Country Status (1)

Country Link
CN (1) CN114662699A (zh)

Cited By (7)

* 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
CN114969953A (zh) * 2022-07-28 2022-08-30 华中科技大学 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备
CN116702271A (zh) * 2023-05-18 2023-09-05 天津大学 机器学习和改进遗传算法的盾构施工参数多目标优化方法
CN117094704A (zh) * 2023-10-17 2023-11-21 江苏靖江互感器股份有限公司 备份式互感器管理方法、装置和电子设备
CN117112980A (zh) * 2023-10-23 2023-11-24 北京城建设计发展集团股份有限公司 一种盾构掘进过程中盾构位姿实时正解方法
CN117725842A (zh) * 2024-02-07 2024-03-19 湖南大学 基于迁移学习的盾构掘进诱发地层沉降预测方法
CN117725842B (zh) * 2024-02-07 2024-05-31 湖南大学 基于迁移学习的盾构掘进诱发地层沉降预测方法

Cited By (10)

* 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
CN114969953A (zh) * 2022-07-28 2022-08-30 华中科技大学 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备
CN116702271A (zh) * 2023-05-18 2023-09-05 天津大学 机器学习和改进遗传算法的盾构施工参数多目标优化方法
CN117094704A (zh) * 2023-10-17 2023-11-21 江苏靖江互感器股份有限公司 备份式互感器管理方法、装置和电子设备
CN117094704B (zh) * 2023-10-17 2024-01-30 江苏靖江互感器股份有限公司 备份式互感器管理方法、装置和电子设备
CN117112980A (zh) * 2023-10-23 2023-11-24 北京城建设计发展集团股份有限公司 一种盾构掘进过程中盾构位姿实时正解方法
CN117112980B (zh) * 2023-10-23 2024-02-20 北京城建设计发展集团股份有限公司 一种盾构掘进过程中盾构位姿实时正解方法
CN117725842A (zh) * 2024-02-07 2024-03-19 湖南大学 基于迁移学习的盾构掘进诱发地层沉降预测方法
CN117725842B (zh) * 2024-02-07 2024-05-31 湖南大学 基于迁移学习的盾构掘进诱发地层沉降预测方法

Similar Documents

Publication Publication Date Title
CN114662699A (zh) 一种基于机器学习的盾构姿态预测方法
CN112183993B (zh) 一种tbm掘进控制参数智能预测及优化决策方法
CN105184079B (zh) 一种液压凿岩机的凿岩状态辨识方法
CN111160571A (zh) 一种基于土压平衡盾构机参数数据驱动反演地质的方法
CN112348278A (zh) 一种基于XGBoost算法预测盾构机土仓压力的方法
CN111144001A (zh) 一种基于bp神经网络的矿山井筒工程tbm控制方法
CN112614021A (zh) 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法
CN115526096A (zh) 盾构机施工掘进参数的预测方法、装置及可存储介质
CN113806889A (zh) 一种tbm刀盘扭矩实时预测模型的处理方法、装置以及设备
CN113255990A (zh) 盾构法隧道施工开挖面土质实时预测系统及方法
CN112901183A (zh) 一种基于机器学习的盾构施工过程地质特征确定方法
CN114810100A (zh) 一种基于深度神经网络的盾构掘进姿态预测方法
CN115049124A (zh) 一种基于贝叶斯网络的深长隧道突涌水预测方法
Qiu et al. TBM tunnel surrounding rock classification method and real-time identification model based on tunneling performance
CN113156492B (zh) 一种应用于tbm隧道岩爆灾害实时智能预警方法
CN113323676A (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
CN112668771A (zh) 一种海底隧道的综合评价选址方法及系统
CN115859826A (zh) 一种基于集成学习的盾构设备故障融合预测方法
CN116739176A (zh) 一种基于深度置信网络的隧道机械化施工风险预测方法
CN114036696B (zh) 一种基于神经网络模型微调的刀盘扭矩预测方法及系统
CN116245020A (zh) 一种基于盾构机掘进的刀盘磨损和能耗优化方法及系统
Liu et al. An AI-powered approach to improving tunnel blast performance considering geological conditions
CN116084892B (zh) 一种基于模糊神经网络的自动射孔系统
CN117290664B (zh) 一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置
CN117010283B (zh) Pba车站钢管柱结构变形预测方法、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