CN115526096A - 盾构机施工掘进参数的预测方法、装置及可存储介质 - Google Patents
盾构机施工掘进参数的预测方法、装置及可存储介质 Download PDFInfo
- Publication number
- CN115526096A CN115526096A CN202210978117.1A CN202210978117A CN115526096A CN 115526096 A CN115526096 A CN 115526096A CN 202210978117 A CN202210978117 A CN 202210978117A CN 115526096 A CN115526096 A CN 115526096A
- Authority
- CN
- China
- Prior art keywords
- tunneling
- parameters
- construction
- shield
- neural network
- 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 120
- 238000010276 construction Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 77
- 238000004088 simulation Methods 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 239000002689 soil Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—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
- G06N3/004—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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种盾构机施工掘进参数的预测方法、装置及可存储介质,涉及土木工程技术领域,其中方法包括以下步骤:获取待测盾构机施工掘进参数历史数据,并对所述历史数据进行预处理后形成数据集,并将所述数据集划分为训练集及测试集;构建人工神经网络模型,利用所述训练集对所述人工神经网络模型进行训练,得到预测模型,利用所述测试集对所述预测模型进行测试,得到测试结果;模拟待测盾构机的实际工作,得到对应的仿真掘进参数,并对所述测试结果与所述仿真掘进参数进行处理,得到最终的预测参数;本发明可有效提高预测精度。
Description
技术领域
本发明涉及工程施工技术领域,具体涉及一种盾构机施工掘进参数的预测方法、装置及可存储介质。
背景技术
目前,盾构机全名叫盾构隧道掘进机,是一种隧道掘进的专用工程机械,具有开挖切削土体、输送土碴、拼装隧道衬砌、测量导向纠偏等功能。盾构机在施工过程中受外界影响的因素较多,且在作业过程中经常遇到特殊地质条件,而复杂的地层条件造成盾构机掘进参数存在非线性、时变性等不确定性因素。
但是,随着数据挖掘技术的发展,基于机器学习的掘进参数设定方法逐渐受到重视,虽然神经网络预测能够在一定程度上实现盾构机施工掘进参数的预测,但并未完整考虑实际盾构机后续需要施工地段的地质情况,导致后续盾构机在实际施工过程中无法直接使用该预测结果,存在预测结果精度较低、数据利用率低等问题。
因此,如何提供一种能够解决上述问题的盾构机施工掘进参数的预测方法是本领域技术人员亟需解决的问题。
发明内容
本发明的目的在于:提供一种盾构机施工掘进参数的预测方法、装置及可存储介质,通过训练好的神经网络进行预测,得到预测结果的同时结合仿真盾构机模型以及仿真施工地质模型对预测结果进行测试,提高预测精度。
本发明中的解决技术问题采用如下技术方案:
一种盾构机施工掘进参数的预测方法,包括以下步骤:
获取待测盾构机施工掘进参数历史数据,并对所述历史数据进行预处理后形成数据集,并将所述数据集划分为训练集及测试集;
构建人工神经网络模型,利用所述训练集对所述人工神经网络模型进行训练,得到预测模型,利用所述测试集对所述预测模型进行测试,得到测试结果;
模拟待测盾构机的实际工作,得到对应的仿真掘进参数,并对所述测试结果与所述仿真掘进参数进行处理,得到最终的预测参数。
本发明还存在以下技术特征:
对所述测试结果与所述仿真掘进参数进行处理,得到最终的预测参数的具体过程过包括:
构建待测盾构机的仿真模型以及施工地段仿真模型,模拟待测盾构机作业,获取对应的仿真掘进参数;
计算所述测试结果与所述仿真掘进参数之间的平均绝对误差,当所述平均绝对误差小于等于预设阈值时,则直接采用所述测试结果。
还包括:
当所述平均绝对误差大于预设阈值时,则对所述测试结果与所述仿真掘进参数进行加权处理,并利用所述待测盾构机仿真模型及所述施工地段仿真模型进行再次验证,当满足施工要求时则采用加权处理结果作为测试结果。
还包括:
在实际施工现场利用所述测试结果对所述待测盾构机进行参数设置,完成参数设置后预先设置实验距离进行试操作,同时实时采集所述待测盾构机的掘进参数,根据操作过程对所述掘进参数进行调整。
所述人工神经网络模型为LSTM神经网络与CNN神经网络的复合网络模型。
所述预处理的具体过程包括:
对所述历史数据进行剔除异常值以及标准化处理。
所述神经网络模型为LSTM与CNN的复合网络模型,并采用PSO算法对超参数进行优化,利用所述训练集对所述网络模型进行训练,得到预测模型,利用所述测试集对所述预测模型进行测试,得到测试结果,具体步骤如下:
①数据前期异常值筛选降噪是数据分析的步骤,拉伊达准则又称为3σ准则,其以标准差偏差的三倍测量列作为取舍标准,适用于大量重复测量已经统计出标准误差σ或测量次数较多的情况,若ai为符合正态分布测量值,通过计算得到算数平均值a、标准偏差σ和残差m,若|ai-a|>3σ,则ai可能存在误差,舍去;若|ai-a|≤3σ,则ai为正常值,可以保留;
②数据归一化可以消除极端值对神经网络的影响,采用以下公式对盾构原始数据集归一化至[0,1]之间:
式中xnor为归一化后的值,xmin为序列最小值,xmax为序列最大值;
③CNN是一种前馈神经网络,其包含了卷积与池化运算;其通过离散卷积运算实现高维数据的特征提取,并基于池化操作实现数据下采样;
④长短时记忆神经网络(LSTM)为循环神经网络(RNN)的一种变体,通过引入不同的“门”机制,克服了传统RNN的梯度消失与爆炸问题,传递公式如下:
ft=σ(Wf[ht-1,Xt]+bf) (4)
it=σ(Wi[ht-1,Xt]+bi) (5)
rt=σ(Wr[ht-1,Xt]+br) (6)
Ct1=tanh(Wc[ht-1,Xt]+bc) (7)
式中Wf,Wi,Wr,Wc均为权值矩阵,bf,bi,br,bc均为偏置参数,ht为在t时刻的输出值,σ为sigmoid激活函数,tanh为正切函数,Ct为单元t时刻状态更新后的值,Ct-1为单元t-1时刻状态,为内积运算;
⑤粒子群算法属于进化算法的一种,其由随机初始设定的粒子出发,通过全局迭代来寻找最优解,步骤如下:在D维空间中存在由N个粒子组成的种群,记为Y=(Y1,Y2,…,YN),每个粒子在空间中的位置Yi记为(yi1,yi2,…,yiD),对应的速度Vi为(vi1,vi2,…,viD),个体的局部最优解为Pi=(pi1,pi2,…,piD),种群的全局最优解为Qi=(q1,q2,…,qD),算法通过不断迭代更新粒子的速度和位置来实现全局最优解得搜索,更新公式为:
式中k为迭代次数,ω为惯性权重,表示粒子当前运动特性,η为[0,1]间的随机数,c1、c2为学习因子。
采用PSO算法对神经网络超参数进行优化,以预测准确度作为适应度函数,以寻求全局适应度值最小为目标,提高神经网络预测性能。其具体步骤如下:
(1)对PSO算法参数进行初始化;
(2)对所有粒子进行初始化,随机产生一系列超参数组合作为粒子的初始位置,并随机初始化粒子的速度,确定粒子位置与速度的最大最小范围;
(3)计算粒子的适应度值;
(4)依据粒子的适应度值大小对个体最优值和最优值进行更新,并依据式(10)对粒子的速度和位置进行同步更新;
(5)重复步骤(3)和(4)直至达到设定迭代值,输出此时的粒子位置为最优解。
一种盾构机施工掘进参数的预测装置,包括:
获取模块,用于获取待测盾构机施工掘进参数历史数据,并对所述历史数据进行预处理后形成数据集,并将所述数据集划分为训练集及测试集;
构建模块,用于构建人工神经网络模型,利用所述训练集对所述人工神经网络模型进行训练,得到预测模型,利用所述测试集对所述预测模型进行验证,得到测试结果;
融合模块,用于构建仿真施工模型以模拟待测盾构机的实际工作,得到对应仿真掘进参数,并对所述测试结果与所述仿真掘进参数进行处理,得到最终的预测参数。
与已有技术相比,本发明的有益效果体现在:该方法中首先获取待测盾构机施工掘进参数历史数据,并对历史数据进行预处理后得到数据集,将数据集划分为训练集及测试集并利用训练集训练神经网络,通过训练好的神经网络进行预测,得到预测结果的同时结合仿真盾构机模型以及仿真施工地质模型对预测结果进行测试,提高预测精度,为操作人员提供更为全面和准确的分析与预测结果,辅助施工过程中的参数调节。
附图说明
图1是盾构机施工掘进参数预测方法的整体流程图;
图2是盾构机施工掘进参数预测方法的详细流程图;
图3是盾构机施工掘进参数预测装置的结构示意图;
图4是CNN核心图;
图5是LSTM神经元结构图。
具体实施方式
参照图1至图5,对本盾构机施工掘进参数的预测方法的特征详述如下:
其中待预测的盾构机施工掘进参数可以包括:刀盘扭矩、刀盘转速、推进速度、掘进模式、推进压力,具体包括以下步骤:
获取待测盾构机施工掘进参数历史数据,并对历史数据进行预处理后形成数据集,并将数据集划分为训练集及测试集;
其中,施工掘进参数历史数据可以包括施工区地质参数、施工地段周边环境参数、最低推进速度、刀盘扭矩、刀盘转速、掘进模式、螺旋输送机扭矩、推进速度、推进压力等多个参数数据;
构建神经网络训练预测模型,利用训练集对模型进行训练,得到预测模型,利用测试集对预测模型进行测试,得到测试结果;
模拟待测盾构机的实际工作,得到对应的仿真掘进参数,并对测试结果与仿真掘进参数进行处理,得到最终的预测参数。
具体的,完成神经网络模型进行训练,以及利用测试集对预测模型进行测试,得到测试结果的具体过程包括:
(1)搭建CNN-LSTM神经网络模型;
(2)输入数据为数据集中前50个的盾构机掘进参数历史数据,输出数据为下一时刻的盾构机施工掘进参数;
(3)模型在训练时采用梯度下降反向传播算法调整神经元的权值,优化器采用Adam优化器,并采用PSO算法对初始学习率、Dropout概率等超参数进行寻优,损失函数为MSE,当网络训练次数符合预设次数时则训练结束得到对应的预测模型;
(4)利用预测模型对盾构机掘进参数历史数据进行训练预测,得到对应的测试结果。
在一个具体的实施例中,对测试结果与仿真掘进参数进行处理,得到最终的预测参数的具体过程过包括:
1.构建待测盾构机的仿真模型以及施工地段仿真模型,模拟待测盾构机作业,获取对应的仿真掘进参数,其中仿真模型可以利用Flac3d或者abaqus仿真软件实现;
2.计算测试结果与仿真掘进参数之间的平均绝对误差,当平均绝对误差小于等于预设阈值时,则采用测试结果。
在一个具体的实施例中,还包括:当平均绝对误差大于预设阈值时,则对测试结果与仿真掘进参数进行加权处理,并利用待测盾构机仿真模型及施工地段仿真模型进行再次验证,当满足施工要求时则采用加权处理结果作为测试结果。
在实际施工现场利用测试结果对待测盾构机进行参数设置,完成参数设置后预先设置实验距离进行试操作,同时实时采集待测盾构机的掘进参数,根据操作过程对掘进参数进行调整。
具体的,根据操作过程对掘进参数进行调整的具体过程可以包括:根据最终仿真验证的盾构掘进参数,如果掘进时现场监测变形实测值大于变形控制标准,那么提醒驾驶员调整掘进参数;如果实测变形值小于变形控制标准,则继续维持现有掘进参数。
在一个具体的实施例中,神经网络深度学习模型为CNN与LSTM的复合网络模型,具体算法参见附图2所示。
获取待测盾构机施工掘进参数历史数据,并对所述历史数据进行预处理后形成数据集,并将所述数据集划分为训练集及测试集;
所述神经网络模型为LSTM与CNN的复合网络模型,并采用PSO算法对超参数进行优化。利用所述训练集对所述网络模型进行训练,得到预测模型,利用所述测试集对所述预测模型进行测试,得到测试结果。具体步骤原理如下:
①数据前期异常值筛选降噪是数据分析的重要步骤。拉伊达准则又称为3σ准则,其以标准差偏差的三倍测量列作为取舍标准,适用于大量重复测量已经统计出标准误差σ或测量次数较多的情况。若ai为符合正态分布测量值,通过计算得到算数平均值a、标准偏差σ和残差m,若|ai-a|>3σ,则ai可能存在误差,应当舍去;若|ai-a|≤3σ,则ai为正常值,可以保留。
②数据归一化可以消除极端值对神经网络的影响。采用以下公式对盾构原始数据集归一化至[0,1]之间:
式中xnor为归一化后的值,xmin为序列最小值,xmax为序列最大值。
③CNN是一种前馈神经网络,其包含了卷积与池化运算,网络结构如图4所示,其通过离散卷积运算实现高维数据的特征提取,并基于池化操作实现数据下采样。卷积过程如式(2)所示
④长短时记忆神经网络(LSTM)为循环神经网络(RNN)的一种变体,通过引入不同的“门”机制,克服了传统RNN的梯度消失与爆炸问题。其神经元结构图如图2所示,传递公式如下:
ft=σ(Wf[ht-1,Xt]+bf) (4)
it=σ(Wi[ht-1,Xt]+bi) (5)
rt=σ(Wr[ht-1,Xt]+br) (6)
Ct1=tanh(Wc[ht-1,Xt]+bc) (7)
式中Wf,Wi,Wr,Wc均为权值矩阵,bf,bi,br,bc均为偏置参数,ht为在t时刻的输出值,σ为sigmoid激活函数,tanh为正切函数,Ct为单元t时刻状态更新后的值,Ct-1为单元t-1时刻状态,为内积运算。
⑤粒子群算法属于进化算法的一种,其由随机初始设定的粒子出发,通过全局迭代来寻找最优解。原理可简述为:在D维空间中存在由N个粒子组成的种群,记为Y=(Y1,Y2,…,YN),每个粒子在空间中的位置Yi记为(yi1,yi2,…,yiD),对应的速度Vi为(vi1,vi2,…,viD),个体的局部最优解为Pi=(pi1,pi2,…,piD),种群的全局最优解为Qi=(q1,q2,…,qD),算法通过不断迭代更新粒子的速度和位置来实现全局最优解得搜索,更新公式为:
式中k为迭代次数,ω为惯性权重,表示粒子当前运动特性,η为[0,1]间的随机数,c1、c2为学习因子。采用PSO算法对神经网络超参数进行优化,以预测准确度作为适应度函数,以寻求全局适应度值最小为目标,提高神经网络预测性能。其具体步骤如下:
(1)对PSO算法参数进行初始化;
(2)对所有粒子进行初始化,随机产生一系列超参数组合作为粒子的初始位置,并随机初始化粒子的速度,确定粒子位置与速度的最大最小范围;
(3)计算粒子的适应度值;
(4)依据粒子的适应度值大小对个体最优值和最优值进行更新,并依据式(10)对粒子的速度和位置进行同步更新;
(5)重复步骤(3)和(4)直至达到设定迭代值,输出此时的粒子位置为最优解。
在采用上述神经网络预测过程中采用上一时刻的掘进参数,模拟待测盾构机的下一时刻掘进工作,得到对应的地层沉降,当地层沉降最大值不满足沉降控制标准时,适当微调仿真掘进参数,直至仿真计算结果满足规范沉降控制标准,并对所述测试结果与调整后的仿真掘进参数进行处理,得到最终的预测参数。
对所述测试结果与所述仿真掘进参数进行处理,得到最终的预测参数的具体过程过包括:
1.构建待测盾构机的仿真模型以及施工地段仿真模型,模拟待测盾构机作业,获取对应的仿真掘进参数;
2.计算所述测试结果与所述仿真掘进参数之间的平均绝对误差,当所述平均绝对误差小于等于预设阈值时,则直接采用所述测试结果。
3.当所述平均绝对误差大于预设阈值时,则对所述测试结果与所述仿真掘进参数进行加权处理,并利用所述待测盾构机仿真模型及所述施工地段仿真模型进行再次验证,当满足施工要求时则采用加权处理结果作为测试结果。
4.在实际施工现场利用所述测试结果对所述待测盾构机进行参数设置,完成参数设置后预先设置实验距离进行试操作,同时实时采集所述待测盾构机的掘进参数,根据操作过程对所述掘进参数进行调整。
进一步,本发明还提供一种利用上述任一项所述的一种盾构机施工掘进参数的预测方法的预测装置,包括:
1.获取模块,用于获取待测盾构机施工掘进参数历史数据,并对所述历史数据进行预处理后形成数据集,并将所述数据集划分为训练集及测试集;
2.构建模块,用于构建人工神经网络模型,利用所述训练集对所述人工神经网络模型进行训练,得到预测模型,利用所述测试集对所述预测模型进行验证,得到测试结果;
3.融合模块,用于构建仿真施工模型以模拟待测盾构机的实际工作,得到对应仿真掘进参数,并对所述测试结果与所述仿真掘进参数进行处理,得到最终的预测参数。
同时本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的盾构机施工掘进参数的预测方法。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种盾构机施工掘进参数的预测方法,其特征在于:包括以下步骤:
获取待测盾构机施工掘进参数历史数据,并对所述历史数据进行预处理后形成数据集,并将所述数据集划分为训练集及测试集;
构建人工神经网络模型,利用所述训练集对所述人工神经网络模型进行训练,得到预测模型,利用所述测试集对所述预测模型进行测试,得到测试结果;
模拟待测盾构机的实际工作,得到对应的仿真掘进参数,并对所述测试结果与所述仿真掘进参数进行处理,得到最终的预测参数。
2.根据权利要求1所述的盾构机施工掘进参数的预测方法,其特征在于:对所述测试结果与所述仿真掘进参数进行处理,得到最终的预测参数的具体过程过包括:
构建待测盾构机的仿真模型以及施工地段仿真模型,模拟待测盾构机作业,获取对应的仿真掘进参数;
计算所述测试结果与所述仿真掘进参数之间的平均绝对误差,当所述平均绝对误差小于等于预设阈值时,则直接采用所述测试结果。
3.根据权利要求2所述的盾构机施工掘进参数的预测方法,其特征在于:还包括:
当所述平均绝对误差大于预设阈值时,则对所述测试结果与所述仿真掘进参数进行加权处理,并利用所述待测盾构机仿真模型及所述施工地段仿真模型进行再次验证,当满足施工要求时则采用加权处理结果作为测试结果。
4.根据权利要求3所述的盾构机施工掘进参数的预测方法,其特征在于:
还包括:
在实际施工现场利用所述测试结果对所述待测盾构机进行参数设置,完成参数设置后预先设置实验距离进行试操作,同时实时采集所述待测盾构机的掘进参数,根据操作过程对所述掘进参数进行调整。
5.根据权利要求1所述的盾构机施工掘进参数的预测方法,其特征在于:所述人工神经网络模型为LSTM神经网络与CNN神经网络的复合网络模型。
6.根据权利要求1所述的盾构机施工掘进参数的预测方法,其特征在于:所述预处理的具体过程包括:
对所述历史数据进行剔除异常值以及标准化处理。
7.根据权利要求6所述的盾构机施工掘进参数的预测方法,其特征在于:
所述神经网络模型为LSTM与CNN的复合网络模型,并采用PSO算法对超参数进行优化,利用所述训练集对所述网络模型进行训练,得到预测模型,利用所述测试集对所述预测模型进行测试,得到测试结果,具体步骤如下:
①数据前期异常值筛选降噪是数据分析的步骤,拉伊达准则又称为3σ准则,其以标准差偏差的三倍测量列作为取舍标准,适用于大量重复测量已经统计出标准误差σ或测量次数较多的情况,若ai为符合正态分布测量值,通过计算得到算数平均值a、标准偏差σ和残差m,若|ai-a|>3σ,则ai可能存在误差,舍去;若|ai-a|≤3σ,则ai为正常值,可以保留;
②数据归一化可以消除极端值对神经网络的影响,采用以下公式对盾构原始数据集归一化至[0,1]之间:
式中xnor为归一化后的值,xmin为序列最小值,xmax为序列最大值;
③CNN是一种前馈神经网络,其包含了卷积与池化运算;其通过离散卷积运算实现高维数据的特征提取,并基于池化操作实现数据下采样;
④长短时记忆神经网络(LSTM)为循环神经网络(RNN)的一种变体,通过引入不同的“门”机制,克服了传统RNN的梯度消失与爆炸问题,传递公式如下:
ft=σ(Wf[ht-1,Xt]+bf) (4)
it=σ(Wi[ht-1,Xt]+bi) (5)
rt=σ(Wr[ht-1,Xt]+br) (6)
Ct1=tanh(Wc[ht-1,Xt]+bc) (7)
式中Wf,Wi,Wr,Wc均为权值矩阵,bf,bi,br,bc均为偏置参数,ht为在t时刻的输出值,σ为sigmoid激活函数,tanh为正切函数,Ct为单元t时刻状态更新后的值,Ct-1为单元t-1时刻状态,为内积运算;
⑤粒子群算法属于进化算法的一种,其由随机初始设定的粒子出发,通过全局迭代来寻找最优解,步骤如下:在D维空间中存在由N个粒子组成的种群,记为Y=(Y1,Y2,…,YN),每个粒子在空间中的位置Yi记为(yi1,yi2,…,yiD),对应的速度Vi为(vi1,vi2,…,viD),个体的局部最优解为Pi=(pi1,pi2,…,piD),种群的全局最优解为Qi=(q1,q2,…,qD),算法通过不断迭代更新粒子的速度和位置来实现全局最优解得搜索,更新公式为:
式中k为迭代次数,ω为惯性权重,表示粒子当前运动特性,η为[0,1]间的随机数,c1、c2为学习因子。
8.根据权利要求7所述的盾构机施工掘进参数的预测方法,其特征在于:采用PSO算法对神经网络超参数进行优化,以预测准确度作为适应度函数,以寻求全局适应度值最小为目标,提高神经网络预测性能。其具体步骤如下:
(1)对PSO算法参数进行初始化;
(2)对所有粒子进行初始化,随机产生一系列超参数组合作为粒子的初始位置,并随机初始化粒子的速度,确定粒子位置与速度的最大最小范围;
(3)计算粒子的适应度值;
(4)依据粒子的适应度值大小对个体最优值和最优值进行更新,并依据式(10)对粒子的速度和位置进行同步更新;
(5)重复步骤(3)和(4)直至达到设定迭代值,输出此时的粒子位置为最优解。
9.一种利用权利要求1至8任一项所述的盾构机施工掘进参数的预测方法的预测装置,其特征在于:包括:
获取模块,用于获取待测盾构机施工掘进参数历史数据,并对所述历史数据进行预处理后形成数据集,并将所述数据集划分为训练集及测试集;
构建模块,用于构建人工神经网络模型,利用所述训练集对所述人工神经网络模型进行训练,得到预测模型,利用所述测试集对所述预测模型进行验证,得到测试结果;
融合模块,用于构建仿真施工模型以模拟待测盾构机的实际工作,得到对应仿真掘进参数,并对所述测试结果与所述仿真掘进参数进行处理,得到最终的预测参数。
10.一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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的盾构机施工掘进参数的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210978117.1A CN115526096A (zh) | 2022-08-16 | 2022-08-16 | 盾构机施工掘进参数的预测方法、装置及可存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210978117.1A CN115526096A (zh) | 2022-08-16 | 2022-08-16 | 盾构机施工掘进参数的预测方法、装置及可存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526096A true CN115526096A (zh) | 2022-12-27 |
Family
ID=84695981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210978117.1A Pending CN115526096A (zh) | 2022-08-16 | 2022-08-16 | 盾构机施工掘进参数的预测方法、装置及可存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526096A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050285A (zh) * | 2023-03-29 | 2023-05-02 | 中铁十四局集团大盾构工程有限公司 | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 |
CN117236137A (zh) * | 2023-11-01 | 2023-12-15 | 龙建路桥股份有限公司 | 一种高寒区深长隧道冬季连续施工控制系统 |
-
2022
- 2022-08-16 CN CN202210978117.1A patent/CN115526096A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050285A (zh) * | 2023-03-29 | 2023-05-02 | 中铁十四局集团大盾构工程有限公司 | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 |
CN116050285B (zh) * | 2023-03-29 | 2023-06-06 | 中铁十四局集团大盾构工程有限公司 | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 |
CN117236137A (zh) * | 2023-11-01 | 2023-12-15 | 龙建路桥股份有限公司 | 一种高寒区深长隧道冬季连续施工控制系统 |
CN117236137B (zh) * | 2023-11-01 | 2024-02-02 | 龙建路桥股份有限公司 | 一种高寒区深长隧道冬季连续施工控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Dynamic prediction for attitude and position in shield tunneling: A deep learning method | |
CN115526096A (zh) | 盾构机施工掘进参数的预测方法、装置及可存储介质 | |
CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
Wang et al. | Application of artificial neural network in tunnel engineering: a systematic review | |
Xiao et al. | Prediction of shield machine posture using the GRU algorithm with adaptive boosting: A case study of Chengdu Subway project | |
CN112948932A (zh) | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 | |
CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN114662699A (zh) | 一种基于机器学习的盾构姿态预测方法 | |
EP2012243A1 (en) | Aerodynamic design optimization using knowledge extraction from analyzing unstructured surface meshes | |
Dong et al. | Digital twin-assisted multiscale residual-self-attention feature fusion network for hypersonic flight vehicle fault diagnosis | |
CN114266278A (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
CN112464996A (zh) | 基于LSTM-XGBoost的智能电网入侵检测方法 | |
CN114548482A (zh) | 一种基于蠕变型滑坡动能变化率临滑预警方法 | |
CN115983465A (zh) | 一种基于小样本学习的冲击地压时序预测模型构建方法 | |
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 | |
CN114638048A (zh) | 三维喷管流场快速预测与敏感性参数分析方法及装置 | |
Liu et al. | Realtime prediction of hard rock TBM advance rate using temporal convolutional network (TCN) with tunnel construction big data | |
CN113156492B (zh) | 一种应用于tbm隧道岩爆灾害实时智能预警方法 | |
CN116821697B (zh) | 一种基于小样本学习的机械设备故障诊断方法 | |
CN116822146B (zh) | 一种基于多层感知机的柔性防护系统智能快速计算方法 | |
Li et al. | Physics-guided deep learning for driving force estimation in synchronous tunnel boring machines under missing cylinders | |
CN113887125B (zh) | 一种复杂仿真系统运行有效性评估方法 | |
CN115034432A (zh) | 一种风电场风力发电机组风速预测方法 | |
Chernyshev et al. | Digital Object Detection of Construction Site Based on Building Information Modeling and Artificial Intelligence Systems. | |
CN111104298A (zh) | 一种基于lstm的电网服务器运行状态预测装置 |
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 |