CN115408927A - 用于预测岩体参数的数据处理方法和装置 - Google Patents

用于预测岩体参数的数据处理方法和装置 Download PDF

Info

Publication number
CN115408927A
CN115408927A CN202210869072.4A CN202210869072A CN115408927A CN 115408927 A CN115408927 A CN 115408927A CN 202210869072 A CN202210869072 A CN 202210869072A CN 115408927 A CN115408927 A CN 115408927A
Authority
CN
China
Prior art keywords
training
data
rock
rock mass
parameter prediction
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
CN202210869072.4A
Other languages
English (en)
Inventor
谭忠盛
周振梁
郑修和
李宗林
李林峰
张潇天
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 Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202210869072.4A priority Critical patent/CN115408927A/zh
Publication of CN115408927A publication Critical patent/CN115408927A/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]
    • G06F30/20—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
    • G06N20/00—Machine learning
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Abstract

本申请公开了一种用于预测岩体参数的数据处理方法和装置。通过对获取的训练样本数据进行过程岩体参数预测模型训练处理，基于训练得到的过程岩体参数预测模型数据对训练样本数据进行过程岩体参数预测，预测得到的过程岩体参数数据和训练样本数据进行目标岩体参数预测模型训练处理，得到目标岩体参数预测模型，通过目标岩体参数预测模型对隧道施工过程中的岩体参数进行数据预测。通过训练过程岩体参数预测模型增加训练样本数据中的自变量维度，实现对岩体参数预测模型的优化，提升岩体参数预测的准确性，解决了现有技术中存在TBM隧道施工过程中对岩体参数判断准确度较低的问题，实现了提高岩体参数预测准确性的技术效果。

Description

用于预测岩体参数的数据处理方法和装置
技术领域
本申请涉及计算机领域，具体而言，涉及一种用于预测岩体参数的数据处理方法和装置。
背景技术
全断面硬岩隧道掘进机(Tunnel Boring Machine，以下简称为TBM)安全高效掘进的实现，关键在于TBM掘进过程中对掌子面岩体特征实时准确的感知。现场施工人员对掌子面岩体情况有了精准判断后，才能采用最为合理的TBM掘进策略，实现安全高效的TBM掘进。然而，TBM刀盘与护盾几乎隔绝了掌子面以及周围洞壁近2m内的所有岩体信息，虽可通过人工换刀仓滚刀支座空隙直接观测到部分掌子面围岩，但掘进过程中换刀仓常有飞溅渣片且渣灰严重降低了换刀仓内部可见度，导致对岩体参数的判断不准确。
因此，现有技术中存在TBM隧道施工过程中对岩体参数判断准确度较低的问题。
发明内容
本申请的主要目的在于提供一种用于预测岩体参数的数据处理方法和装置，以解决现有技术中存在TBM隧道施工过程中对岩体参数判断准确度较低的问题，提高对岩体参数预测的准确性，便于根据岩体参数对TBM隧道施工策略进行调整，进而实现提高TBM隧道施工效率。
为了实现上述目的，本申请的第一方面，提出了一种用于预测岩体参数的数据处理方法，包括：
获取训练样本数据，其中，所述训练样本数据为用于训练岩体参数预测模型的样本数据；
对所述训练样本数据进行模型训练处理，得到过程岩体参数预测模型，其中，所述岩体参数预测模型包括所述过程岩体参数预测模型；
根据所述过程岩体参数预测模型对所述训练样本数据进行过程岩体参数预测处理，得到过程岩体参数数据；
对所述过程岩体参数数据和所述训练样本数据进行模型训练处理，得到目标岩体参数预测模型；以及
根据所述目标岩体参数预测模型对隧道施工过程中的岩体参数进行数据预测。
可选地，对所述训练样本数据进行模型训练处理，得到过程岩体参数预测模型包括：
对所述训练样本数据进行识别，得到过程训练样本数据，其中，所述过程训练样本数据包括训练振动特征数据和与所述训练振动特征数据对应的训练岩体完整性特征数据；
对所述训练振动特征数据和所述训练岩体完整性特征数据进行模型训练处理，得到训练过程岩体参数预测模型；以及
对所述训练过程岩体参数预测模型进行校验处理，得到所述过程岩体参数预测模型。
可选地，对所述训练过程岩体参数预测模型进行校验处理，得到所述过程岩体参数预测模型包括：
对所述训练过程岩体参数预测模型进行识别，得到第一训练过程岩体参数预测模型，其中，所述第一训练过程岩体参数预测模型为进行第一次模型训练处理得到的训练过程岩体参数预测模型；
对所述第一训练过程岩体参数预测模型进行模型测试处理，得到第一测试结果数据；
对所述第一测试结果数据进行判断，以判断所述第一训练过程过程岩体参数预测模型是否满足预设模型评价规则；
如果满足，得到所述过程岩体参数预测模型，其中，所述过程岩体参数预测模型为所述第一训练过程岩体参数预测模型；以及
如果不满足，对所述第一训练过程岩体参数预测模型进行模型更新训练处理，直至满足所述预设模型评价规则，得到所述过程岩体参数预测模型。
可选地，对所述过程岩体参数数据和所述训练样本数据进行模型训练处理，得到目标岩体参数预测模型包括：
在所述训练样本数据中匹配与所述过程岩体参数数据对应的样本岩体参数数据；
对训练振动特征数据、所述过程岩体参数数据和所述样本岩体参数数据进行目标岩体参数预测模型训练处理，得到训练岩体参数预测模型；以及
对所述训练岩体参数预测模型进行校验处理，得到所述目标岩体参数预测模型。
可选地，根据所述目标岩体参数预测模型对隧道施工过程中的岩体参数进行数据预测包括：
获取待处理振动数据，其中，所述待处理振动数据为掘进设备在待预测岩体中掘进施工产生振动的相关数据；
对所述待处理振动数据进行基于数据分析的预处理，得到待预测振动特征数据，所述待预测振动特征数据为用于表示所述掘进设备振动特征的数据；以及
基于所述目标岩体参数预测模型对所述待预测振动特征数据进行岩体参数预测处理，得到目标岩体参数预测数据。
可选地，基于所述目标岩体参数预测模型对所述待预测振动特征数据进行岩体参数预测处理，得到目标岩体参数预测数据包括：
对所述待预测振动特征数据进行岩体完整性预测处理，得到预测岩体完整性特征数据；以及
对所述预测岩体完整性特征数据和所述待预测振动特征数据进行岩体参数预测处理，得到所述目标岩体参数预测数据。
根据本申请提供的第二方面，提供了一种用于预测岩体参数的数据处理装置，包括：
训练数据获取模块，用于获取训练样本数据，其中，所述训练样本数据为用于训练岩体参数预测模型的样本数据；
第一训练模块，用于对所述训练样本数据进行模型训练处理，得到过程岩体参数预测模型，其中，所述岩体参数预测模型包括所述过程岩体参数预测模型；
根据所述过程岩体参数预测模型对所述训练样本数据进行过程岩体参数预测处理，得到过程岩体参数数据；
第二训练模块，用于对所述过程岩体参数数据和所述训练样本数据进行模型训练处理，得到目标岩体参数预测模型；以及
预测模块，用于根据所述目标岩体参数预测模型对隧道施工过程中的岩体参数进行数据预测。
可选地，第一训练模块包括：
样本识别模块，用于对所述训练样本数据进行识别，得到过程训练样本数据，其中，所述过程训练样本数据包括训练振动特征数据和与所述训练振动特征数据对应的训练岩体完整性特征数据；
第一模型训练模块，用于对所述训练振动特征数据和所述训练岩体完整性特征数据进行模型训练处理，得到训练过程岩体参数预测模型；以及
第一校验模块，用于对所述训练过程岩体参数预测模型进行校验处理，得到所述过程岩体参数预测模型。
根据本申请的第三方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述的用于预测岩体参数的数据处理方法。
根据本申请的第四方面，提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述的用于预测岩体参数的数据处理方法。
本申请的实施例提供的技术方案可以包括以下有益效果：
在本申请中，通过对获取的训练样本数据进行过程岩体参数预测模型训练处理，基于训练得到的过程岩体参数预测模型数据对训练样本数据进行过程岩体参数预测，预测得到的过程岩体参数数据和训练样本数据进行目标岩体参数预测模型训练处理，得到目标岩体参数预测模型，通过目标岩体参数预测模型对隧道施工过程中的岩体参数进行数据预测。通过训练过程岩体参数预测模型增加训练样本数据中的自变量维度，实现对岩体参数预测模型的优化，提升岩体参数预测的准确性，解决了现有技术中存在TBM隧道施工过程中对岩体参数判断准确度较低的问题，实现了提高岩体参数预测准确性的技术效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请提供的一种用于预测岩体参数的数据处理方法的流程图；
图2为本申请提供的一种用于预测岩体参数的数据处理方法的流程图；
图3为本申请提供的一种用于预测岩体参数的数据处理方法的流程图；
图4为本申请提供的一种用于预测岩体参数的数据处理方法的流程图；
图5为本申请提供的一种用于预测岩体参数的数据处理装置的结构示意图；
图6为本申请提供的另一种用于预测岩体参数的数据处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，“连接”可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
图1为本申请提供的一种用于预测岩体参数的数据处理方法的流程图，如图1所示，该方法包括以下步骤：
S101：获取训练样本数据；
训练样本数据为用于训练岩体参数预测模型的样本数据，训练样本数据包括训练岩体参数数据和训练振动参数数据，其中，训练岩体参数数据为用于训练模型的样本中岩体的参数数据，训练振动数据为用于训练模型的样本中岩体对应的振动参数数据，根据岩体的不同，训练岩体参数数据包括第一训练岩体参数数据、第二训练岩体参数数据和第三训练岩体参数数据等；获取TBM在不同岩体阶段内TBM施工的数据，对不同岩体阶段内TBM施工的数据进行基于数据分析的数据处理后，得到分别与第一训练岩体参数数据、第二训练岩体参数数据和第三训练岩体参数数据对应的第一训练振动参数数据、第二训练振动参数数据和第三训练振动参数数据。训练岩体参数数据包括岩体第一参数、岩体第二参数和岩体第三参数，岩体第一参数、岩体第二参数和岩体第三参数可以为岩体抗压强度、岩体体积节理数和岩体完整性，上述岩体抗压强度可以通过取芯进行单轴压缩试验或点荷载试验获得，上述岩体体积节理数和岩体完整性可以通过该岩体对应的项目地质勘测报告中获得。
在本申请的另一可选实施例中，训练振动参数数据为通过数据分析获得的，根据预设的TBM振动监测系统，获取TBM刀盘振动时程数据，对刀盘振动时程数据进行过滤处理，通过将振动设备空转状态下的产生的振动数据进行过滤，对过滤后得到的TBM刀盘振动时程数据进行数据分析，得到在预设时间段中的刀盘振动的平均幅值
Figure BDA0003759804830000081
Figure BDA0003759804830000082
平均幅值用于比较不同岩体状态下产生的振动幅值大小；峰值Xp，Xp＝max{|xi|}，峰值用于比较不同岩体状态下岩体破坏时突然增大的振动加速度值；振动加速度有效值XRMS，
Figure BDA0003759804830000083
用于表征不同岩体状态下岩体破坏时的冲击能量；平均极值，为该岩体状态下预设个数的振动极大值和振动极小值计算绝对值平均值，避免由于岩体施工时岩体飞溅对传感器的影响，其中，N为TBM振动监测系统在预设时间段内共采集的振动值，xi为采集的第i个振动值，T为预设时间段内振动时程数据中的时间。
在本申请实施例中通过对振动数据进行基于数据分析的数据处理，得到训练样本数据中用于训练模型的数据，通过对数据进行数据分析处理，提高准确度，减低振动数据因受施工环境的影响，提高准确度。
S102：对训练样本数据进行模型训练处理，得到过程岩体参数预测模型；
岩体参数预测模型包括过程岩体参数预测模型，在进行岩体参数预测模型训练的过程中，包括对过程岩体参数预测模型进行训练处理，得到过程岩体参数预测模型，通过过程岩体参数预测模型对待训练样本数据进行预测，得到过程岩体参数数据，通过过程岩体参数预测模型对训练样本数据增加数据维度，提高训练的目标岩体参数预测模型的准确度，进而提高对岩体参数预测的准确度。
图2为本申请提供的一种用于预测岩体参数的数据处理方法的流程图，如图2所示，该方法包括以下步骤：
S201：对训练样本数据进行识别，得到过程训练样本数据；
过程训练样本数据为用于训练过程岩体参数预测模型的样本数据，过程训练样本数据包括训练振动特征数据和与所述训练振动特征数据对应的训练岩体完整性特征数据，训练振动特征数据与训练岩体完整性特征数据相对应，过程训练样本中包括多个训练样本，每个训练样本包括有样本振动特征数据和样本完整性特征数据，举例说明，第一训练样本为第一样本岩体，第一训练样本数据包括第一样本振动特征数据和第一样本完整性特征数据，第二训练样本为第二样本岩体，第二训练样本数据包括第二振动特征数据和第二样本完整性特征数据，过程训练样本数据中包括多个训练样本的数据。
S202：对训练振动特征数据和训练岩体完整性特征数据进行模型训练处理，得到训练过程岩体参数预测模型；以及
训练振动特征数据为用于表示施工设备振动特征的数据，包括刀盘振动的平均幅值、峰值、振动加速度有效值、极值均值，将训练特征数据作为模型输入，训练完整性特征数据可以为岩体完整性kv，将训练完整性特征数据作为模型输入，基于随机森林算法，构建训练过程岩体参数预测模型，用于对岩体完整性程度进行分类预测。
通过网格搜索，分别建立随机森林树颗数、最大深度、最大特征数的学习曲线。导入训练集，进行第一次训练，学习曲线开始波动时，模型进入平稳期；取第一个波动范围进行第二次训练，根据学习曲线，再次进行训练迭代处理，直到选出具有较高的准确性的模型参数。
根据随机森林树颗数的学习曲线，导入训练集，进行第一次训练，学习学习曲线开始波动时，模型进入平稳期；取第一个波动范围进行第二次训练，根据学习曲线，再次进行训练迭代处理，直至根据学习曲线获得目标随机森林树棵树数，举例说明，如，第一次训练取1～200范围内每十个数作为一个阶段，当学习曲线开始波动时，认为模型进入平稳期；取第一个波动范围(65～75)进行第二次训练，通过学习曲线，树颗数为68时，该模型有较高的准确性；
分别根据最大深度、最大特征数的学习曲线确定目标最大深度和目标最大特征数。
通过网格搜索处理，得到过程岩体参数预测模型的目标模型参数，将目标随机森林树颗数，目标最大深度和目标最大特征代入预设的过程岩体参数预测模型，得到过程岩体参数预测模型。
对岩体完整性进行分类处理，得到多个岩体完整性标签，如，将岩体完整性分类处理得到5个岩体完整性标签，根据分类得到的多个岩体完整性标签，通过返回预测函数predict_proba获得样本数据分别在多个岩体完整性标签下的概率值，以最高概率对应的类别为该样本的分类标签结果。predict_proba返回的是一个n行k列的数组，第i行第j列上的数值是模型预测第i个预测样本为某个标签的概率，每一行的概率和为1。
S203：对训练过程岩体参数预测模型进行校验处理，得到过程岩体参数预测模型。
对训练过程岩体参数预测模型进行识别，得到第一训练过程岩体参数预测模型，其中，第一训练过程岩体参数预测模型为进行第一次模型训练处理得到的训练过程岩体参数预测模型；对第一训练过程岩体参数预测模型进行模型测试处理，得到第一测试结果数据；对第一测试结果数据进行判断，以判断第一训练过程过程岩体参数预测模型是否满足预设模型评价规则；如果满足，得到过程岩体参数预测模型，其中，过程岩体参数预测模型为第一训练过程岩体参数预测模型；以及如果不满足，对第一训练过程岩体参数预测模型进行模型更新训练处理，直至满足预设模型评价规则，得到过程岩体参数预测模型。
获取过程测试样本数据，过程测试样本数据为用于测试过程岩体参数预测模型的样本数据。根据测试样本数据对上述带入目标模型参数获得的过程岩体参数预测模型进行测试，根据测试样本数据计算过程岩体参数预测模型的测试准确率p0，通过kappa系数k表示过程岩体参数预测模型对岩体分类的效果，计算公式如下：
Figure BDA0003759804830000111
其中，p0为准确率，N表示总样本数，Ni表示实际第i类总样本数，
Figure BDA0003759804830000112
表示预测第i类总样本数。
S103：根据过程岩体参数预测模型对训练样本数据进行过程岩体参数预测处理，得到过程岩体参数数据；
对训练样本数据进行识别，得到目标训练样本数据，目标训练样本数据为用于训练目标岩体参数预测模型的样本数据，目标训练样本数据包括训练振动特征数据和训练岩体参数数据，训练振动特征数据与训练岩体参数数据相对应，目标训练样本数据中包括多个目标训练样本，每个目标训练样本包括有样本振动特征数据和训练岩体参数数据。
通过训练得到的过程岩体参数预测模型对目标训练样本进行过程岩体参数预测处理，将目标训练样本数据中的训练振动特征数据输入上述过程岩体参数预测模型，得到过程岩体参数数据，过程岩体参数数据与训练振动特征数据相对应，举例说明，如第一训练样本包括第一训练振动特征数据和第一训练岩体参数数据，对第一训练振动特征数据进行过程岩体参数预测处理后得到第一过程岩体参数数据；第二训练样本包括第二训练振动特征数据和第二训练岩体参数数据，对第二训练振动特征数据进行过程岩体参数预测处理后得到第二过程岩体参数数据。
对目标训练样本数据进行过程岩体参数预测处理后得到的过程岩体参数数据为岩体完整性标签数据，将岩体完整性标签数据返回上述目标训练样本。
S104：对过程岩体参数数据和训练样本数据进行目标岩体参数预测模型训练处理，得到目标岩体参数预测模型；
通过过程岩体参数预测模型对训练样本数据进行过程岩体参数预测，将预测的过程岩体参数数据返回训练样本集，根据返回训练样本集进行目标岩体参数预测模型的训练处理，在训练岩体参数预测模型，增加了样本数据的数据维度，提高训练的目标岩体参数预测模型的准确度，进而提高对岩体参数预测的准确度。
图3为本申请提供的一种用于预测岩体参数的数据处理方法的流程图，如图3所示，该方法包括以下步骤：
S301：在训练样本数据中匹配与过程岩体参数数据对应的样本岩体参数数据；
通过训练得到的过程岩体参数预测模型对目标训练样本进行过程岩体参数预测处理，将目标训练样本数据中的训练振动特征数据输入上述过程岩体参数预测模型，得到过程岩体参数数据，过程岩体参数数据与训练样本数据相对应，训练样本数据包括训练振动特征数据和训练岩体参数数据，其中，训练岩体参数数据为岩体抗压强度UCS与岩体体积节理数jv。将过程岩体参数数据返回至对应的训练样本数据中，如，第一训练样本包括第一训练振动特征数据和第一训练岩体参数数据，对第一训练样本进行过程岩体参数预测，得到与第一训练振动特征数据对应的第一过程岩体预测参数，将第一过程岩体参数返回训练样本数据中，得到第一返回训练样本数据包括第一训练振动特征数据、第一过程岩体数据和第一训练岩体参数数据。
S302：对训练振动特征数据、过程岩体参数数据和样本岩体参数数据进行模型训练处理，得到训练岩体参数预测模型；
基于预设的BP神经网络模型，将训练振动特征数据、过程岩体参数数据作为预设的BP神经网络模型的输入，将样本岩体参数数据作为预设的BP神经网络模型的输出，进行模型训练处理，得到训练岩体参数预测模型。
在进行对预设的BP神经网络模型训练过程中，确定训练岩体参数预测模型的超参数和激活函数等，并根据预设的模型评价指标对训练岩体参数预测模型进行模型评价处理，得到目标岩体参数预测模型。
在进行对预设的BP神经网络模型的训练过程，存在对BP神经网络模型中的激活函数的确定，如激活函数有Sigmoid(S型生长曲线)、Tanh(双曲函数)、ReLU(线性整流函数)、Randomized Leaky ReLU(随机带泄露修正的线性整流函数)等等，对不同激活函数确定的训练岩体参数预测模型进行模型评价处理。
S303：对训练岩体参数预测模型进行校验处理，得到目标岩体参数预测模型。
获取测试数据集，根据测试数据集对获取得到的训练岩体参数预测模型进行校验处理，通过计算训练岩体参数预测模型的均方根误差RMSE，平均绝对误差MAE，一种衡量线性回归法的指标R2(R Squared)体现基于BP神经网络的岩体参数实时感知模型的预测效果，计算式如下：
Figure BDA0003759804830000141
其中，yi表示岩体参数实际值，
Figure BDA0003759804830000142
表示岩体参数预测值，
Figure BDA0003759804830000143
表示岩体参数实际值平均值。
举例说明，如采用上述4种激活函数对岩体参数的预测效果进行对比分析，选择预测效果最好的激活函数作为该模型的激活函数。经对比不同激活函数岩体强度实测值与预测值，不同激活函数岩体体积节理数实测值与预测值，不同激活函数对岩体参数的预测效果对比，以Randomized Leaky ReLU函数为激活函数的神经网络模型效果最优，得到目标岩体参数预测模型。
通过对预设的BP神经网络进行模型训练处理，结合随机森林分类算法进行过程模型预测，增加BP神经网络模型训练的数据维度，提高训练得到目标岩体参数预测模型的准确度，进而提高对岩体参数预测的准确度。
S105：根据目标岩体参数预测模型对隧道施工过程中的岩体参数进行数据预测。
对隧道施工过程中的岩体参数进行数据预测需要先实时采集存储在隧道施工过程中获取的数据。利用TBM振动监测系统对隧道施工过程的岩体参数进行实时数据采集和存储工作。TBM振动监测系统主要由加速度振动传感器，数据采集仪以及计算机三部分构成，其中，加速度传感器可以选用型号为AD0104，量程为50g，x、y、z三向监测振动，其中，z向为TBM掘进方向，y向为竖向，x向为水平向，由此得到在不同掘进方向刀盘的振动时域和频域曲线，分析出岩体参数对TBM刀盘处振动的影响规律。传感器安装在TBM刀盘与主梁连接处，对数据实时采集存储，获得的数据为振动加速度随时间的数据变化，数据采集仪主要采集刀盘振动的频率、掘进岩体的振幅大小等与振动加速度随时间的数据变化相关的数据。
图4为本申请提供的一种用于预测岩体参数的数据处理方法的流程图，如图4所示，该方法包括以下步骤：
S401：获取待处理振动数据；
待处理振动数据为掘进设备在待预测岩体中掘进施工产生振动的相关数据；
获取待处理振动数据需要在隧道施工过程中利用TBM振动监测系统对刀盘振动的频率、掘进岩体的振幅大小等与振动加速度随时间的数据变化相关的数据进行实时采集存储。将TBM一次掘进划分为一个区间，获取一组岩体参数，岩体参数主要为岩体抗压强度与体积节理数，利用上述采集到的实时数据通过计算，取一个掘进区间振动加速度有效值、平均幅值、峰值、极值均值的均值作为振动信息的描述指标，实现TBM刀盘处振动信息与现场获取的岩体参数间的一一对应。
S402：对待处理振动数据进行基于数据分析的预处理，得到待预测振动特征数据，
待预测振动特征数据为用于表示掘进设备振动特征的数据；
对待预测振动特征数据进行岩体完整性预测处理，得到预测岩体完整性特征数据；
对待预测振动特征数据进行岩体完整性预测处理，依据上述岩体参数智能感知技术将围岩完整性分为五类，使用predict_proba获得目标岩体分别在五个类别下概率值，以最高概率对应的类别为该目标岩体的分类结果，得到相应的预测岩体完整性特征数据。
对预测岩体完整性特征数据和待预测振动特征数据进行岩体参数预测处理，得到目标岩体参数预测数据。
S403：基于目标岩体参数预测模型对待预测振动特征数据进行岩体参数预测处理，得到目标岩体参数预测数据。
通过目标目标岩体参数预测模型对待预测振动特征数据进行岩体参数预测处理，可以在TBM施工掘进过程中进行岩体参数的实时预测，解决了现有技术中存在TBM隧道施工过程中对岩体参数判断确度较低的问题，提高了岩体参数预测准确性，便于对预测的岩体参数对TBM掘进施工进行掘进策略的智能调整。
图5为本申请提供的一种用于预测岩体参数的数据处理装置的结构示意图，如图5所示，该装置包括：
训练数据获取模块51，用于获取训练样本数据，其中，训练样本数据为用于训练岩体参数预测模型的样本数据；
第一训练模块52，用于对训练样本数据进行训练处理，得到过程岩体参数预测模型，其中，岩体参数预测模型包括所述过程岩体参数预测模型；
根据过程岩体参数预测模型对训练样本数据进行过程岩体参数预测处理，得到过程岩体参数数据；
第二训练模块53，用于对过程岩体参数数据和训练样本数据进行目标岩体参数预测模型训练处理，得到目标岩体参数预测模型；以及
预测模块54，用于根据目标岩体参数预测模型对隧道施工过程中的岩体参数进行数据预测。
图6为本申请提供的另一种用于预测岩体参数的数据处理装置的结构示意图，如图6所示，该装置包括：
样本识别模块61，用于对训练样本数据进行识别，得到过程训练样本数据，其中，过程训练样本数据包括训练振动特征数据和与训练振动特征数据对应的训练岩体完整性特征数据；
第一模型训练模块62，用于对训练振动特征数据和训练岩体完整性特征数据进行模型训练处理，得到训练过程岩体参数预测模型；以及
第一校验模块63，用于对训练过程岩体参数预测模型进行校验处理，得到过程岩体参数预测模型。
关于上述实施例中各单元的执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，通过对获取的训练样本数据进行过程岩体参数预测模型训练处理，基于训练得到的过程岩体参数预测模型数据对训练样本数据进行过程岩体参数预测，预测得到的过程岩体参数数据和训练样本数据进行目标岩体参数预测模型训练处理，得到目标岩体参数预测模型，通过目标岩体参数预测模型对隧道施工过程中的岩体参数进行数据预测。通过训练过程岩体参数预测模型增加训练样本数据中的自变量维度，实现对岩体参数预测模型的优化，提升岩体参数预测的准确性，解决了现有技术中存在TBM隧道施工过程中对岩体参数判断准确度较低的问题，实现了提高岩体参数预测准确性的技术效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
显然，本领域的技术人员应该明白，上述的本申请的各单元或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种用于预测岩体参数的数据处理方法，其特征在于，包括：
获取训练样本数据，其中，所述训练样本数据为用于训练岩体参数预测模型的样本数据；
对所述训练样本数据进行模型训练处理，得到过程岩体参数预测模型，其中，所述岩体参数预测模型包括所述过程岩体参数预测模型；
根据所述过程岩体参数预测模型对所述训练样本数据进行过程岩体参数预测处理，得到过程岩体参数数据；
对所述过程岩体参数数据和所述训练样本数据进行模型训练处理，得到目标岩体参数预测模型；
根据所述目标岩体参数预测模型对隧道施工过程中的岩体参数进行数据预测。
2.根据权利要求1所述的数据处理方法，其特征在于，对所述训练样本数据进行模型训练处理，得到过程岩体参数预测模型包括：
对所述训练样本数据进行识别，得到过程训练样本数据，其中，所述过程训练样本数据包括训练振动特征数据和与所述训练振动特征数据对应的训练岩体完整性特征数据；
对所述训练振动特征数据和所述训练岩体完整性特征数据进行模型训练处理，得到训练过程岩体参数预测模型；以及
对所述训练过程岩体参数预测模型进行校验处理，得到所述过程岩体参数预测模型。
3.根据权利要求2所述的数据处理方法，其特征在于，对所述训练过程岩体参数预测模型进行校验处理，得到所述过程岩体参数预测模型包括：
对所述训练过程岩体参数预测模型进行识别，得到第一训练过程岩体参数预测模型，其中，所述第一训练过程岩体参数预测模型为进行第一次模型训练处理得到的训练过程岩体参数预测模型；
对所述第一训练过程岩体参数预测模型进行模型测试处理，得到第一测试结果数据；
对所述第一测试结果数据进行判断，以判断所述第一训练过程过程岩体参数预测模型是否满足预设模型评价规则；
如果满足，得到所述过程岩体参数预测模型，其中，所述过程岩体参数预测模型为所述第一训练过程岩体参数预测模型；以及
如果不满足，对所述第一训练过程岩体参数预测模型进行模型更新训练处理，直至满足所述预设模型评价规则，得到所述过程岩体参数预测模型。
4.根据权利要求1所述的数据处理方法，其特征在于，对所述过程岩体参数数据和所述训练样本数据进行模型训练处理，得到目标岩体参数预测模型包括：
在所述训练样本数据中匹配与所述过程岩体参数数据对应的样本岩体参数数据；
对训练振动特征数据、所述过程岩体参数数据和所述样本岩体参数数据进行目标岩体参数预测模型训练处理，得到训练岩体参数预测模型；以及
对所述训练岩体参数预测模型进行校验处理，得到所述目标岩体参数预测模型。
5.根据权利要求1所述的数据处理方法，其特征在于，根据所述目标岩体参数预测模型对隧道施工过程中的岩体参数进行数据预测包括：
获取待处理振动数据，其中，所述待处理振动数据为掘进设备在待预测岩体中掘进施工产生振动的相关数据；
对所述待处理振动数据进行基于数据分析的预处理，得到待预测振动特征数据，所述待预测振动特征数据为用于表示所述掘进设备振动特征的数据；以及
基于所述目标岩体参数预测模型对所述待预测振动特征数据进行岩体参数预测处理，得到目标岩体参数预测数据。
6.根据权利要求5所述的数据处理方法，其特征在于，基于所述目标岩体参数预测模型对所述待预测振动特征数据进行岩体参数预测处理，得到目标岩体参数预测数据包括：
对所述待预测振动特征数据进行岩体完整性预测处理，得到预测岩体完整性特征数据；以及
对所述预测岩体完整性特征数据和所述待预测振动特征数据进行岩体参数预测处理，得到所述目标岩体参数预测数据。
7.一种用于预测岩体参数的数据处理装置，其特征在于，包括：
训练数据获取模块，用于获取训练样本数据，其中，所述训练样本数据为用于训练岩体参数预测模型的样本数据；
第一训练模块，用于对所述训练样本数据进行模型训练处理，得到过程岩体参数预测模型，其中，所述岩体参数预测模型包括所述过程岩体参数预测模型；
根据所述过程岩体参数预测模型对所述训练样本数据进行过程岩体参数预测处理，得到过程岩体参数数据；
第二训练模块，用于对所述过程岩体参数数据和所述训练样本数据进行模型训练处理，得到目标岩体参数预测模型；以及
预测模块，用于根据所述目标岩体参数预测模型对隧道施工过程中的岩体参数进行数据预测。
8.根据权利要求7所述的数据处理装置，其特征在于，第一训练模块包括：
样本识别模块，用于对所述训练样本数据进行识别，得到过程训练样本数据，其中，所述过程训练样本数据包括训练振动特征数据和与所述训练振动特征数据对应的训练岩体完整性特征数据；
第一模型训练模块，用于对所述训练振动特征数据和所述训练岩体完整性特征数据进行模型训练处理，得到训练过程岩体参数预测模型；以及
第一校验模块，用于对所述训练过程岩体参数预测模型进行校验处理，得到所述过程岩体参数预测模型。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-6任意一项所述的用于预测岩体参数的数据处理方法。
10.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-6任意一项所述的用于预测岩体参数的数据处理方法。
CN202210869072.4A 2022-07-22 2022-07-22 用于预测岩体参数的数据处理方法和装置 Pending CN115408927A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210869072.4A CN115408927A (zh) 2022-07-22 2022-07-22 用于预测岩体参数的数据处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210869072.4A CN115408927A (zh) 2022-07-22 2022-07-22 用于预测岩体参数的数据处理方法和装置

Publications (1)

Publication Number Publication Date
CN115408927A true CN115408927A (zh) 2022-11-29

Family

ID=84157107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210869072.4A Pending CN115408927A (zh) 2022-07-22 2022-07-22 用于预测岩体参数的数据处理方法和装置

Country Status (1)

Country Link
CN (1) CN115408927A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195380A (zh) * 2023-11-07 2023-12-08 中铁十六局集团有限公司 一种预测当前隧道的岩体物理力学参数的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195380A (zh) * 2023-11-07 2023-12-08 中铁十六局集团有限公司 一种预测当前隧道的岩体物理力学参数的方法
CN117195380B (zh) * 2023-11-07 2024-01-30 中铁十六局集团有限公司 一种预测当前隧道的岩体物理力学参数的方法

Similar Documents

Publication Publication Date Title
CN102435910B (zh) 基于支持向量分类的功率电子电路健康监测方法
CN106095639A (zh) 一种集群亚健康预警方法及系统
CN111929548B (zh) 放电和干扰信号样本生成方法、计算机设备和存储介质
CN115408925A (zh) 用于隧道施工的岩体参数预测方法和装置
CN105005822A (zh) 基于最优步长与模型动态选择的特高拱坝响应预测方法
CN115408927A (zh) 用于预测岩体参数的数据处理方法和装置
CN106650446A (zh) 基于系统调用的恶意程序行为识别方法和系统
CN116401532A (zh) 一种电力系统受扰后频率失稳识别方法及系统
CN115239105A (zh) 一种在役风电场的风资源的评估方法以及装置
CN117111544B (zh) 一种自动适配的楼宇物联网监控方法及系统
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质
CN111767546B (zh) 一种基于深度学习的输入结构推断方法和装置
CN115422821A (zh) 用于岩体参数预测的数据处理方法和装置
CN111879456B (zh) 一种建筑幕墙安全性检测方法及系统
CN115859701B (zh) 一种基于电缆检测数据的增设分析方法及系统
CN112016598A (zh) 基于sdae的局部放电模式识别方法、计算机设备和存储介质
CN115660507B (zh) 一种地区电力的负荷智能检测方法及系统
CN102455897B (zh) 基于实例的迭代编译方法及编译装置
CN115618286A (zh) 变压器局部放电类型识别方法、系统、设备、终端及应用
CN115033591A (zh) 一种电费数据异常智能检测方法、系统、存储介质及计算机设备
CN114062966A (zh) 一种基于改进果蝇优化算法的接地网腐蚀故障诊断方法
CN110738191A (zh) 一种基于声呐信号的物体分类方法、装置、设备及介质
CN116029220B (zh) 一种电压互感器运行误差评估方法、系统、设备及介质
CN117572837B (zh) 一种智慧电厂ai主动运维方法及系统
CN117235434B (zh) 林业碳汇项目基线构建方法、系统、终端及介质

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