CN114722482A - 高原隧道形变量的预测方法及高原隧道健康检测系统 - Google Patents

高原隧道形变量的预测方法及高原隧道健康检测系统 Download PDF

Info

Publication number
CN114722482A
CN114722482A CN202210637651.6A CN202210637651A CN114722482A CN 114722482 A CN114722482 A CN 114722482A CN 202210637651 A CN202210637651 A CN 202210637651A CN 114722482 A CN114722482 A CN 114722482A
Authority
CN
China
Prior art keywords
tunnel
neural network
population
genetic algorithm
deformation quantity
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
CN202210637651.6A
Other languages
English (en)
Inventor
高楚勋
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.)
Beijing Bangye Intelligent Technology Co ltd
Original Assignee
Beijing Bangye Intelligent Technology 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 Beijing Bangye Intelligent Technology Co ltd filed Critical Beijing Bangye Intelligent Technology Co ltd
Priority to CN202210637651.6A priority Critical patent/CN114722482A/zh
Publication of CN114722482A publication Critical patent/CN114722482A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种高原隧道形变量的预测方法及高原隧道健康检测系统。该方法包括：利用改良型遗传算法优化灰色神经网络模型，得到隧道结构形变量预测模型，所述改良型遗传算法的选择算子采用最优保留策略；利用隧道结构形变量历史监测数据对所述隧道结构形变量预测模型进行训练，得到训练完成的预测模型；利用所述训练完成的预测模型进行隧道形变量预测，得到形变量预测结果。本申请实施例提供的高原隧道形变量的预测方法，通过改良型遗传算法优化灰色神经网络模型得到的隧道结构形变量预测模型，全局寻优能力强，收敛速度快，收敛精度高，最终得到预测结果准确度高，能够很好的满足实际应用的需要。

Description

高原隧道形变量的预测方法及高原隧道健康检测系统
技术领域
本申请涉及隧道工程技术领域，具体涉及一种高原隧道形变量的预测方法及高原隧道健康检测系统。
背景技术
随着社会发展和科技进步，高速公路里程已经越来越长，并且越来越多地出现在高原地形中。由于高原地形的独特地质条件，无论在隧道施工过程中还是在运营阶段，为了确保施工安全或运营安全，对隧道进行定期的变形趋势预测都非常重要。由于高原地区的隧道结构变形机制极为复杂，受到高原地质结构、车辆、风、地震等多种因素的影响，隧道变形监测得到的数据随机性较大，所以现有技术的各种模型数据处理结果均不是十分理想，对高原隧道形变量的预测结果准确性较低，亟待研发一种能够准确预测高原隧道结构形变量的技术方案。
发明内容
本申请的目的是提供一种高原隧道形变量的预测方法及高原隧道健康检测系统。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本申请实施例的一个方面，提供一种高原隧道形变量的预测方法，包括：
利用改良型遗传算法优化灰色神经网络模型，得到隧道结构形变量预测模型，所述改良型遗传算法的选择算子采用最优保留策略；
利用隧道结构形变量历史监测数据对所述隧道结构形变量预测模型进行训练，得到训练完成的预测模型；
利用所述训练完成的预测模型进行隧道形变量预测，得到形变量预测结果。
在本申请的一些实施例中，在所述利用改良型遗传算法优化灰色神经网络模型之前，所述方法还包括：
将灰色模型和人工神经网络模型组合得到灰色神经网络模型。
在本申请的一些实施例中，所述利用改良型遗传算法优化灰色神经网络模型，得到隧道结构形变量预测模型，包括：
初始化灰色神经网络模型的权值以及阈值，对初始化后的权值和阈值进行编码；
计算得到群体中染色体的初始适应度值；
通过所述改良型遗传算法的选择算子寻找出群体中适应度值达到预设阈值的染色体；
将选择出的染色体进行交叉操作与变异操作，得到新一代群体；
计算所述新一代群体中各染色体的最大适应度值；
判断是否满足达到预设群体繁殖代数或最大适应度值在繁殖过程中保持不变；若满足则结束群体繁殖；若不满足，则转向所述将选择出的染色体进行交叉操作与变异操作；
解码最大适应度值染色体，得到最优权值和最优阈值。
将所述最优权值和所述最优阈值代入所述灰色神经网络模型中，得到隧道结构形变量预测模型。
在本申请的一些实施例中，所述最优保留策略包括：
通过适应度值计算函数计算群体中每一染色体的适应度值；
根据适应度值由小到大的顺序将各染色体进行排序，构成第一新群体；
将第一新群体均分为三段，分别是第一段、第二段和第三段；
按照预设比例对每一段的染色体进行随机选择；
将随机选择出的染色体组合成第二新群体；
从第一段中随机选择出适应度值达到第二预设阈值的染色体补充进所述第二新群体，得到最终群体。
在本申请的一些实施例中，所述从第一段中所选择的达到第二预设阈值的染色体数量等于按照预设比例选择时整个群体减少的染色体数量。
在本申请的一些实施例中，所述改良型遗传算法的交叉算子包括多点交叉算子、循环交叉算子或部分匹配交叉算子，所述改良型遗传算法的变异算子包括非均匀变异算子、高斯变异算子或边界变异算子。
根据本申请实施例的另一个方面，提供一种高原隧道形变量的预测装置，包括：
优化模块，用于利用改良型遗传算法优化灰色神经网络模型，得到隧道结构形变量预测模型，所述改良型遗传算法的选择算子采用最优保留策略；
训练模块，用于利用隧道结构形变量历史监测数据对所述隧道结构形变量预测模型进行训练，得到训练完成的预测模型；
预测模块，用于利用所述训练完成的预测模型进行隧道形变量预测，得到形变量预测结果。
在本申请的一些实施例中，所述预测装置还包括模型构建模块，用于在所述利用改良型遗传算法优化灰色神经网络模型之前，将灰色模型和人工神经网络模型组合得到灰色神经网络模型。
根据本申请实施例的另一个方面，提供一种高原隧道健康检测系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述任一项所述的高原隧道形变量的预测方法。
根据本申请实施例的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述任一项所述的高原隧道形变量的预测方法。
本申请实施例的其中一个方面提供的技术方案可以包括以下有益效果：
本申请实施例提供的高原隧道形变量的预测方法，通过改良型遗传算法优化灰色神经网络模型得到的隧道结构形变量预测模型，全局寻优能力强，收敛速度快，收敛精度高，最终得到预测结果准确度高，能够很好的满足实际应用的需要。
本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，部分特征和优点可以从说明书中推知或毫无疑义地确定，或者通过实施本申请实施例了解。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请的一个实施例的高原隧道形变量的预测方法流程图。
图2示出了本申请一些实施方式的灰色神经网络模型拓扑结构图。
图3示出了本申请的一个实施例的高原隧道形变量的预测装置结构框图。
图4示出了本申请的一个实施例的高原隧道健康检测系统结构框图。
图5示出了本申请的一个实施例的计算机可读存储介质示意图。
本申请的目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本申请做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
灰色模型（grey models）简称GM模型，是一种通过少量的、不完全的信息建立起来的灰色微分预测模型，用于对事物发展规律作出模糊性的长期描述，目前较多地应用于隧道形变预测技术领域。另外，人工神经网络模型也较多地应用于隧道形变预测技术领域。但是，发明人发现，灰色模型对于监测数据稳定性的要求较高，若在隧道监测过程中出现波动性较大的数据，则灰色模型的预测结果往往会出现较大的误差。而在建立人工神经网络模型的过程中，需要大量的数据进行样本训练，才能得到准确度较高的预测结果，但是在隧道实际监测过程中通常无法提供足够数量的训练样本。
基于此，本申请实施例提供的方法，通过改良型遗传算法的选择操作提高了全局寻优能力，并采用改良型遗传算法优化灰色神经网络模型的权值和阈值，通过实际隧道监测数据构建隧道结构形变量预测模型，利用该模型进行隧道结构形变量预测，大大提高了预测结果准确度，尤其适用于高原地形。
如图1所示，本申请的一个实施例提供了一种高原隧道形变量的预测方法，在一些实施方式中，该方法包括步骤S10至步骤S30：
S10、利用改良型遗传算法优化灰色神经网络模型，得到隧道结构形变量预测模型；改良型遗传算法的选择算子采用最优保留策略。
灰色神经网络模型具有权值和阈值无法唯一确定的缺点，该缺点导致预测结果的精确度较低。所以，灰色神经网络模型的权值和阈值的确定尤为重要。
如果采用基本遗传算法对灰色神经网络模型的权值和阈值进行优化，在进行选择操作时会忽略掉群体的其他染色体对于群体的作用，只保留群体中的最优染色体，导致基本遗传算法可能会由于群体多样性被破坏而陷入局部收敛，从而无法得到灰色神经网络模型的全局最优权值和全局最优阈值。因此，本申请实施例的方法采用了改良型遗传算法对灰色神经网络模型的权值和阈值进行优化。
为了解决由于选择操作时群体（在遗传算法中，群体也可以称为种群）多样性被破坏而导致局部收敛的问题，采用了改良型遗传算法。该改良型遗传算法的选择算子采用了最优保留策略，最优保留策略可以有效地选择出群体中的优秀染色体且尽量避免破坏群体的多样性。
下面通过对一个已计算出每个染色体适应度值群体大小为30的群体以0.6:0.8:1的选择比例演示上述的选择方法，该选择操作的最优保留策略具体步骤包括：
1）通过适应度值计算函数计算群体中每一染色体的适应度值。
2）根据适应度值由小到大的顺序将各染色体进行排序，构成第一新群体。
3）将第一新群体均分为三段，分别是第一段、第二段和第三段。适应度值最高的前三分之一部分染色体组成第一段，适应度值最低的后三分之一部分染色体组成第三段，中间的三分之一部分染色体组成第二段。
4）按照预设比例对每一段的染色体进行随机选择。第三段选择出染色体数10×0.6＝6，第二段选择出染色体数10×0.8＝8，第一段选择出染色体数10×1＝10。
5）将随机选择出的染色体组合成第二新群体。
6）再从第一段中随机选择出适应度值达到第二预设阈值的染色体补充进第二新群体，得到最终群体；其中，步骤6）中从第一段中所选择的达到第二预设阈值的染色体数量等于在步骤4）中按照预设比例选择时整个群体减少的染色体数量（30-6-8-10=6），这样可以确保最终群体在染色体数量上和初始群体保持一致。
上述选择操作采用了最优保留策略，所得到的最终群体的染色体平均适应度值比初始群体的染色体的平均适应度值更高，从而能够达到寻找出较优染色体的效果。该实施方式的改良型遗传算法的选择全局最优解的能力大大提高，提高了算法的收敛速度，并且全局寻优能力较强，可以得到较好的全局最优解，避免了算法因为早熟收敛而陷入局部最优，并且改良型遗传算法具有更快的收敛速度和更高的收敛准确度，很大程度地解决了基本遗传算法的群体多样性在群体繁殖时容易遭到破坏的问题。改良型遗传算法的交叉算子可以采用多点交叉算子、循环交叉算子或部分匹配交叉算子等，其变异算子可以采用非均匀变异算子、高斯变异算子或边界变异算子等，本实施例对交叉算子和变异算子的类型不作限制。
在一些实施方式中，步骤S10包括步骤S101至S108。
S101、初始化灰色神经网络模型的权值以及阈值，然后对初始化后的权值和阈值进行编码。
S102、计算得到群体中染色体的初始适应度值。
S103、通过改良型遗传算法的选择算子寻找出群体中适应度值达到预设阈值的染色体。
S104、将选择出的染色体进行交叉操作与变异操作，得到新一代群体。
S105、计算新一代群体中各染色体的最大适应度值。
S106、判断是否满足达到预设群体繁殖代数或最大适应度值在繁殖过程中保持不变，若满足则结束群体繁殖（群体繁殖也可以称为群体繁衍）；若不满足，则转向步骤S103。
S107、解码最大适应度值染色体，得到最优权值和最优阈值。
S108、将最优权值和最优阈值代入灰色神经网络模型中，得到隧道结构形变量预测模型。
通过改良型遗传算法优化灰色神经网络模型即得到了隧道结构形变量预测模型。
在另一些实施方式中，改良型遗传算法的选择算子、交叉算子和变异算子均进行了改进。群体由多个染色体C1，C2，C3，C4，…，Cn所构成，该群体表示为{C1，C2，C3，C4，…，Cn}。
具体地，选择算子为基于最优保留策略的改进选择算子。
对选择算子进行改进得到改进选择算子包括：
1、保留最优染色体策略；
为了有效保留上一代的最优染色体，并能让最优染色体参与交叉操作，以找出更优染色体，改进以往保存最优的策略，要求C1、C2、Cn都选择上一代的最优染色体，其中，C1不参与交叉操作，其用于保存上代最优染色体并完成更优变异；
C2参与交叉操作；Cn按照交叉概率Pc参与交叉操作。将C2与Cn分开能够达到将上代最优染色体的优秀基因散播得更广的有益技术效果。
2、其它染色体选择策略；
对新的{C3，C4，…，Cn-1}染色体群，采用轮盘赌方式进行依次选择，但如果选择到上一代最差染色体，则放弃重选，以达到优胜劣汰的目的。对于选择操作后得到的{C3，C4，…，Cn-1}染色体群中的染色体，将根据交叉概率Pc确定其中的染色体是否参与交叉操作。
变异算子改进
在完成染色体交叉操作之后，需要对某些染色体进行变异操作。
如果采用常规变异算子，由于数据取值范围大，如果变更某染色体的基因随机性太强，反而会导致染色体的适应度值变低，尤其是随着进化代数的增加，随机变异的负面效果将越来越明显，因此通常采用降低遗传概率Pm的方式来解决该问题，但降低遗传概率会导致群体数量降低，从而导致早熟收敛。
为了解决该问题，除了常规变异以外，还针对上一代最优染色体C1进行优化变异，使该染色体适应度值比上一代更优，从而加快收敛速度。
变异过程改进方法如下：
（1）首先对群体{C2，C3，…，Cn}依次进行变异操作，按照变异概率Pm随机选择参加变异的染色体，在随机位置进行基因修改，从而有利于搜索到更好的基因，又不会破坏最优染色体；
（2）C1保存的是上一代最优染色体，进行优化变异，变异过程通过以下4个步骤完成：
步骤1）确定变异基因位置。
C1本是保留的上代最优染色体，随机位置变异很容易导致适应度值降低，因此对最优染色体不再适合采用随机位置变异，同时为了使C1在前几代变异的基因得以保留，本改进采用基因循环变异方式，即选择上一代结束变异位置Lflag作为本次变异初始位置Lmutate。
步骤2）重新确定变异数据搜索空间S。
为了避免全局范围盲目取值破坏优秀基因，本算法逐步缩小取值范围，即首先在整个群体中搜索Lmutate位置的基因最小值gmin和最大值gmax。由gmin和gmax构成搜索空间，能很大程度地缩小范围，但随着进化代数的增加，很容易收敛到局部最优（即gmin=gmax）。为了解决该问题，可以扩大搜索范围，得到最终的搜索空间为S∈（rangemin,rangemax），其中，当gmin＜0时，rangemin =1.2*gmin；当gmin＞0时，rangemin =0.8*gmin；当gmin＞0时，rangemax =1.2*gmax；当gmin＜0时，rangemax =0.8*gmax。
步骤3）得到变异数据并执行变异。
在搜索空间S中随机得到一个变异数据r，由变异数据r去替换Lmutate位置的基因数据。
步骤4）确定变异是否成功。
通过步骤3）执行变异之后，对染色体C1进行一次适应度值评价，并与上一代最优适应度值Vmax进行比较，若染色体C1的适应度值优于Vmax，则确定变异成功，记录本代变异位置为Lflag=Lmutate+1，结束整个变异过程；反之，若变异之后染色体C1的适应度值比上一代更差，则先将该位置基因还原，调整变异位置Lmutate =Lmutate+1，转向步骤2）对下一位置的基因进行变异操作，直到所有基因都试探过，回到初始位置（即Lmutate=Lflag），则本次变异失败，结束整个变异过程。
为了解决遗传算法收敛速度慢和已陷入局部最优的问题，本申请实施例采用了一种改良型遗传算法，该算法同时对选择算子和变异算子进行改进。选择算子采用保留最优策略实现了群体优胜劣汰，变异算子采用最优染色体优化变异思想，用以解决保留最优带来的群体下降问题，同时提升了准确度。
本实施方式的改良型遗传算法收敛速度快，求解准确度高，对大多数函数都能避免陷入局部最优，大大提高了最优解求解性能。
S20、利用隧道结构形变量历史监测数据对隧道结构形变量预测模型进行训练，得到训练完成的预测模型。
隧道结构形变量历史监测数据例如可以包括拱顶高度下降值历史监测数据。
S30、利用训练完成的预测模型进行隧道形变量预测，得到形变量预测结果。
利用训练完成的预测模型进行隧道形变量预测，得到形变量预测结果；形变量预测结果可以是拱顶高度下降值。
在步骤S10之前，该方法还包括步骤S00、将灰色模型和人工神经网络模型组合得到灰色神经网络模型。
灰色神经网络模型结合了人工神经网络模型良好的自适应学习性能和非线性动态寻优能力、以及灰色模型只需少量数据即能够得到准确度较高的预测结果的优点。人工神经网络模型可以采用BP神经网络模型或卷积神经网络模型等人工神经网络模型，具体可以根据实际需要进行选择，在此不作限制。
为了消除随机干扰，利用灰色模型处理数据时需要对原始数列进行累加生成新序列。由于累加得到的新序列具有单调增加的特点，所以可以先将输入数据通过一个灰化层进行灰化，再将灰化后的数据导入神经网络中进行训练，之后将人工神经网络计算得到的灰色数据输入白化层进行还原，最后输出计算结果。通过该方式可以有效地将灰色模型和人工神经网络结合形成灰色神经网络模型。
设原始数列为
Figure 767050DEST_PATH_IMAGE001
，其中，t=1，2，…，N-1；
将
Figure 768504DEST_PATH_IMAGE002
进行一次累加得到数列
Figure 436245DEST_PATH_IMAGE003
，并将
Figure 823233DEST_PATH_IMAGE004
表示为X(t)，将
Figure 551018DEST_PATH_IMAGE005
表示为Y(t)，预测结果表示为Z(t)。
灰色神经网络模型的微分方程表达式为
dy 1 /dt+ay 1 =b 1 y 2 +b 2 y 3 +…+b n-1 y n
式中：y 1是系统输出参数；y 2,y 3,…,y n 是系统输入参数；a,b 1 ,b 2 ,…,b n-1为微分方程系数。
微分方程解的表达式为
Z(t)=[y1(0)-（b1/a）*y2(t)-（b2/a）*y3(t)-…-（bn-1/a）*yn(t)]*e-at+d，
其中，d=（b1/a）*y2(t)+（b2/a）*y3(t) +…+（bn-1/a）*yn(t)；
转化得到Z(t)=[（y1(0)-d）-y1(0)/（1+e-at）+2d/（1+e-at）]/（1+e-at）（1）
将式（1）映射到扩展的BP(back propagation)神经网络上，并通过灰色模型的参数来定义网络的初始权值：w11=a, w21=-y1(0), w22=2b1/a,…，w2n=2bn-1/a, w31= w32=…=w3n=1+e-at，Layer4层中输出节点的阈值为θ＝1+e-at(d-y1(0))。
灰色神经网络模型拓扑结构如图2所示，其中t表示输入参数的序号；Layer1、Layer2、Layer3和Layer4分别表示灰色神经网络模型的四个层。
使用改良型遗传算法优化灰色神经网络模型的隧道结构形变量预测模型对实际的隧道结构形变量进行预测，从预测结果可以发现改良型遗传算法优化灰色神经网络模型有着较高的预测精度且模型具有更好的稳定性。
本申请实施例提供的高原隧道形变量的预测方法，利用改良型遗传算法优化灰色神经网络模型，得到隧道结构形变量预测模型，改良型遗传算法的选择算子采用最优保留策略，利用隧道结构形变量历史监测数据对隧道结构形变量预测模型进行训练，得到训练完成的预测模型，利用训练完成的预测模型进行隧道形变量预测，得到形变量预测结果，改良型遗传算法优化灰色神经网络模型得到的隧道结构形变量预测模型，全局寻优能力强，收敛速度快，收敛精度高，最终得到预测结果准确度高。本申请实施例的方法适用于各种地形的隧道形变量预测，尤其适用于高原地形的隧道形变量预测，能够很好的满足实际应用的需要。
如图3所示，本申请的另一个实施例提供了一种高原隧道形变量的预测装置，包括：优化模块，用于利用改良型遗传算法优化灰色神经网络模型，得到隧道结构形变量预测模型，所述改良型遗传算法的选择算子采用最优保留策略；训练模块，用于利用隧道结构形变量历史监测数据对所述隧道结构形变量预测模型进行训练，得到训练完成的预测模型；预测模块，用于利用所述训练完成的预测模型进行隧道形变量预测，得到形变量预测结果。
在一些实施方式中，该预测装置还包括模型构建模块，用于在利用改良型遗传算法优化灰色神经网络模型之前，将灰色模型和人工神经网络模型组合得到灰色神经网络模型。
在某些实施方式中，优化模块进一步具体用于：
初始化灰色神经网络模型的权值以及阈值，对初始化后的权值和阈值进行编码；计算得到群体中染色体的初始适应度值；通过所述改良型遗传算法的选择算子寻找出群体中适应度值达到预设阈值的染色体；将选择出的染色体进行交叉操作与变异操作，得到新一代群体；计算所述新一代群体中各染色体的最大适应度值；判断是否满足达到预设群体繁殖代数或最大适应度值在繁殖过程中保持不变；若满足则结束群体繁殖；若不满足，则转向所述将选择出的染色体进行交叉操作与变异操作；解码最大适应度值染色体，得到最优权值和最优阈值。
将所述最优权值和所述最优阈值代入所述灰色神经网络模型中，得到隧道结构形变量预测模型。
在某些实施方式中，优化模块所执行的最优保留策略包括：
通过适应度值计算函数计算群体中每一染色体的适应度值；
根据适应度值由小到大的顺序将各染色体进行排序，构成第一新群体；
将第一新群体均分为三段，分别是第一段、第二段和第三段；
按照预设比例对每一段的染色体进行随机选择；
将随机选择出的染色体组合成第二新群体；
从第一段中随机选择出适应度值达到第二预设阈值的染色体补充进所述第二新群体，得到最终群体。
本申请实施例提供的高原隧道形变量的预测装置，通过改良型遗传算法优化灰色神经网络模型得到的隧道结构形变量预测模型，全局寻优能力强，收敛速度快，收敛精度高，最终得到预测结果准确度高，能够很好的满足实际应用的需要。
本申请的另一个实施例提供了一种高原隧道健康检测系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述任一实施方式的高原隧道形变量的预测方法。根据预测结果可以确定高原隧道健康状况。
如图4所示，高原隧道健康检测系统10可以包括：处理器100，存储器101，总线102和通信接口103，处理器100、通信接口103和存储器101通过总线102连接；存储器101中存储有可在处理器100上运行的计算机程序，处理器100运行该计算机程序时执行本申请前述任一实施方式所提供的方法。
其中，存储器101可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还可以包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口103（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线102可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中，存储器101用于存储程序，处理器100在接收到执行指令后，执行该程序，前述本申请实施例任一实施方式揭示的方法可以应用于处理器100中，或者由处理器100实现。
处理器100可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器100中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器100可以是通用处理器，可以包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器101，处理器100读取存储器101中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的高原隧道健康检测系统与本申请实施例提供的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述任一实施方式的高原隧道形变量的预测方法。
本申请实施方式还提供一种与前述实施方式所提供的方法对应的计算机可读存储介质，参考图5所示，其示出的计算机可读存储介质为光盘20，其上存储有计算机程序（即程序产品），该计算机程序在被处理器运行时，会执行前述任意实施方式所提供的方法。
需要说明的是，计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
术语“模块”并非意图受限于特定物理形式。取决于具体应用，模块可以实现为硬件、固件、软件和/或其组合。此外，不同的模块可以共享公共组件或甚至由相同组件实现。不同模块之间可以存在或不存在清楚的界限。
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示例一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例仅表达了本申请的实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种高原隧道形变量的预测方法，其特征在于，包括：
利用改良型遗传算法优化灰色神经网络模型，得到隧道结构形变量预测模型，所述改良型遗传算法的选择算子采用最优保留策略；
利用隧道结构形变量历史监测数据对所述隧道结构形变量预测模型进行训练，得到训练完成的预测模型；
利用所述训练完成的预测模型进行隧道形变量预测，得到形变量预测结果。
2.根据权利要求1所述的方法，其特征在于，在所述利用改良型遗传算法优化灰色神经网络模型之前，所述方法还包括：
将灰色模型和人工神经网络模型组合得到灰色神经网络模型。
3.根据权利要求1所述的方法，其特征在于，所述利用改良型遗传算法优化灰色神经网络模型，得到隧道结构形变量预测模型，包括：
初始化灰色神经网络模型的权值以及阈值，对初始化后的权值和阈值进行编码；
计算得到群体中染色体的初始适应度值；
通过所述改良型遗传算法的选择算子寻找出群体中适应度值达到预设阈值的染色体；
将选择出的染色体进行交叉操作与变异操作，得到新一代群体；
计算所述新一代群体中各染色体的最大适应度值；
判断是否满足达到预设群体繁殖代数或最大适应度值在繁殖过程中保持不变；若满足则结束群体繁殖；若不满足，则转向所述将选择出的染色体进行交叉操作与变异操作；
解码最大适应度值染色体，得到最优权值和最优阈值；
将所述最优权值和所述最优阈值代入所述灰色神经网络模型中，得到隧道结构形变量预测模型。
4.根据权利要求1所述的方法，其特征在于，所述最优保留策略包括：
通过适应度值计算函数计算群体中每一染色体的适应度值；
根据适应度值由小到大的顺序将各染色体进行排序，构成第一新群体；
将第一新群体均分为三段，分别是第一段、第二段和第三段；
按照预设比例对每一段的染色体进行随机选择；
将随机选择出的染色体组合成第二新群体；
从第一段中随机选择出适应度值达到第二预设阈值的染色体补充进所述第二新群体，得到最终群体。
5.根据权利要求4所述的方法，其特征在于，所述从第一段中所选择的达到第二预设阈值的染色体数量等于按照预设比例选择时整个群体减少的染色体数量。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述改良型遗传算法的交叉算子包括多点交叉算子、循环交叉算子或部分匹配交叉算子，所述改良型遗传算法的变异算子包括非均匀变异算子、高斯变异算子或边界变异算子。
7.一种高原隧道形变量的预测装置，其特征在于，包括：
优化模块，用于利用改良型遗传算法优化灰色神经网络模型，得到隧道结构形变量预测模型，所述改良型遗传算法的选择算子采用最优保留策略；
训练模块，用于利用隧道结构形变量历史监测数据对所述隧道结构形变量预测模型进行训练，得到训练完成的预测模型；
预测模块，用于利用所述训练完成的预测模型进行隧道形变量预测，得到形变量预测结果。
8.根据权利要求7所述的预测装置，其特征在于，所述预测装置还包括模型构建模块，用于在所述利用改良型遗传算法优化灰色神经网络模型之前，将灰色模型和人工神经网络模型组合得到灰色神经网络模型。
9.一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，以实现如权利要求1-6中任一所述的高原隧道形变量的预测方法。
10.一种高原隧道健康检测系统，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-6中任一所述的高原隧道形变量的预测方法。
CN202210637651.6A 2022-06-08 2022-06-08 高原隧道形变量的预测方法及高原隧道健康检测系统 Pending CN114722482A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210637651.6A CN114722482A (zh) 2022-06-08 2022-06-08 高原隧道形变量的预测方法及高原隧道健康检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210637651.6A CN114722482A (zh) 2022-06-08 2022-06-08 高原隧道形变量的预测方法及高原隧道健康检测系统

Publications (1)

Publication Number Publication Date
CN114722482A true CN114722482A (zh) 2022-07-08

Family

ID=82233164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210637651.6A Pending CN114722482A (zh) 2022-06-08 2022-06-08 高原隧道形变量的预测方法及高原隧道健康检测系统

Country Status (1)

Country Link
CN (1) CN114722482A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115688251A (zh) * 2022-12-19 2023-02-03 山东大学 基于深度学习的地震多发区隧道风险决策方法及系统
CN117406608A (zh) * 2023-12-14 2024-01-16 中铁三局集团有限公司 一种隧道除尘控制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张锦等: "改进遗传算法优化灰色神经网络隧道变形预测", 《测绘科学》 *
梁兴建等: "基于最优保留策略的改进遗传算法", 《计算机工程与设计》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115688251A (zh) * 2022-12-19 2023-02-03 山东大学 基于深度学习的地震多发区隧道风险决策方法及系统
CN117406608A (zh) * 2023-12-14 2024-01-16 中铁三局集团有限公司 一种隧道除尘控制方法及系统
CN117406608B (zh) * 2023-12-14 2024-03-12 中铁三局集团有限公司 一种隧道除尘控制方法及系统

Similar Documents

Publication Publication Date Title
CN114722482A (zh) 高原隧道形变量的预测方法及高原隧道健康检测系统
CN112684700B (zh) 一种群体机器人的多目标搜索与围捕控制方法及系统
JP2011040137A (ja) コントローラ
CN112508186A (zh) 训练用于图像识别的神经网络的方法和神经网络设备
CN110991724A (zh) 用于预测风景区客流量的方法、系统及存储介质
CN113128655B (zh) 基于多种群遗传算法工控入侵检测分类器参数选择方法
CN109754789A (zh) 语音音素的识别方法及装置
CN111832725A (zh) 一种基于改进遗传算法的多机器人多任务分配方法及装置
CN111860939B (zh) 基于注意力机制和rclstm网络的客流量预测方法及系统
US11461656B2 (en) Genetic programming for partial layers of a deep learning model
CN110009048B (zh) 一种神经网络模型的构建方法以及设备
CN116170328A (zh) 图形编码的使用带宽预测方法及装置
CN114936518A (zh) 一种拉伸/压缩弹簧设计参数求解方法
CN116646002A (zh) 多非编码rna和疾病关联性预测方法、装置、设备及介质
Bao et al. A novel genetic algorithm with cell crossover for circuit design optimization
CN115454611A (zh) 一种基于改进粒子群优化算法的任务调度方法
CN114528094A (zh) 基于lstm和遗传算法的分布式系统资源优化分配方法
CN114707655A (zh) 一种量子线路转换方法、系统、存储介质和电子设备
CN113094945A (zh) 一种sa-beso联合拓扑优化方法
CN113141272A (zh) 基于迭代优化rbf神经网络的网络安全态势分析方法
JP7450833B1 (ja) パラメータ最適化装置およびパラメータ最適化方法
CN112906871A (zh) 基于混合多层神经网络模型的温度预测方法及系统
CN112712178A (zh) 一种基于遗传算法的贝叶斯网络结构学习的方法及系统
CN113780518B (zh) 网络架构优化方法、终端设备及计算机可读存储介质
CN117492371B (zh) 有源电力滤波器模型预测控制的优化方法、系统和设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220708

RJ01 Rejection of invention patent application after publication