CN115618222A - 一种隧道掘进响应参数的预测方法 - Google Patents
一种隧道掘进响应参数的预测方法 Download PDFInfo
- Publication number
- CN115618222A CN115618222A CN202210705545.7A CN202210705545A CN115618222A CN 115618222 A CN115618222 A CN 115618222A CN 202210705545 A CN202210705545 A CN 202210705545A CN 115618222 A CN115618222 A CN 115618222A
- Authority
- CN
- China
- Prior art keywords
- tunneling
- prediction model
- parameters
- parameter
- section
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- 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"
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种隧道掘进响应参数的预测方法。该方法包括:筛选符合条件的隧道掘进数据集,构建基于卷积神经网络的掘进响应参数的线预测模型,选取设定的隧道掘进的上升段和稳定段行为样本分别作为线预测模型的输入参数和输出参数,对掘进响应参数的线预测模型进行训练,通过平衡因子调节线预测模型的损失函数权重,得到训练好的线预测模型;利用训练好的掘进响应参数预测模型来预测隧道掘进过程中的掘进响应参数。本发明为了建立泛化性更强的预测模型,引入平衡因子α进行损失权重的调节,通过遍历α取值,寻求最优解,建立预测精度准确可靠的施工响应参数预测方法,从而为TBM的安全掘进与智能施工提供保障。
Description
技术领域
本发明涉及隧道掘进技术领域,尤其涉及一种隧道掘进响应参数的预测方法。
背景技术
现阶段,随着信息技术和传感器的高速发展,TBM(Tunnel Boring Machine,隧道掘进机)在掘进过程中产生的数据已被设备数据系统采集并存储,这些实时采集而来的信息,为TBM掌子面围岩条件感知带来了挑战和机遇。TBM的参数预测可以很好地反映围岩条件状态,当岩体完整性较好时,TBM需要较大的力才能够压碎和切削岩体,实现有效破岩;当岩体较为软弱破碎时,TBM只需要较小的力就可以压碎和切削岩体。因此基于TBM掘进数据进行围岩条件感知从理论上具有可行性。
近些年,随着计算机技术的飞速发展,人工智能模型被广泛使用于建立 TBM掘进参数预测,在施工中利用掘进参数快速建立预测模型对于施工意义重大,其中掘进响应参数预测是施工控制参数优化的基础,但目前的研究仅是针对稳定段的掘进响应参数预测,当TBM司机改变刀盘转速或速度时,目前的模型不能响应司机的行为变化,因此亟需发明一种泛化能力强的可刻画TBM控制参数影响的掘进响应参数机器学习预测模型构建方法,为TBM的安全高效掘进提供基础。
发明内容
本发明的实施例提供了一种隧道掘进响应参数的预测方法,以实现有效地预测TBM的掘进响应参数。
为了实现上述目的,本发明采取了如下技术方案。
一种隧道掘进响应参数的预测方法,包括:
筛选符合条件的隧道掘进数据集,将隧道掘进数据集分为验证集和训练集;
构建基于卷积神经网络的掘进响应参数的线预测模型,选取设定的隧道掘进的上升段和稳定段行为样本分别作为所述掘进响应参数的线预测模型的输入参数和输出参数;
利用所述验证集和训练集基于所述输入参数和输出参数对所述掘进响应参数的线预测模型进行训练,通过平衡因子调节所述掘进响应参数的线预测模型的损失函数权重,得到训练好的所述掘进响应参数的线预测模型;
利用训练好的掘进响应参数的预测模型来预测隧道掘进过程中的掘进响应参数。
优选地,所述的筛选符合条件的隧道掘进数据集,将隧道掘进数据集分为验证集和训练集,包括;
筛选符合条件的TBM掘进数据集,将隧道掘进数据集分为验证集A、验证集B和训练集C,
以上升段大于50s的掘进周期作为依据,选取设定数量的TBM掘进循环段作为数据集,对所述数据集进行预处理,采用3σ准则对上升段的异常进行识别和删除,将贯入度小于2且大于15的数据进行剔除;对于稳定段数据,将贯入度小于2且大于18的数据进行剔除;
将预处理后的数据集划分为验证集A、验证集B和训练集C,验证集A用于评估TBM掘进响应参数的预测模型的预测结果能否反映控制参数的影响,验证集B用于评估TBM掘进响应参数的预测模型预测的效果,训练集C用于模型的训练。
优选地,所述的构建基于卷积神经网络的掘进响应参数的线预测模型,选取设定的隧道掘进的上升段和稳定段行为样本分别作为所述掘进响应参数的线预测模型的输入参数和输出参数,包括;
构建基于卷积神经网络CNN的掘进响应参数的线预测模型,确定所述线预测模型的输入参数X1、输入参数X2和输出参数Y;
所述输入参数X1包括训练集C的上升段行为样本,具体包括上升段随机30s 的刀盘扭矩、总推力、刀盘转速和推进速度;
所述输入参数X2包括训练集C的稳定段行为样本和上升段行为样本,稳定段行为样本表示稳定段刀盘转速和速度的平均值,上升段行为样本表示上升段按速度大小划分为10个区间,取每个区间转速和速度的平均值;
所述输出参数Y包括稳定段行为样本和上升段行为样本,稳定段行为样本表示稳定段刀盘扭矩和总推力的平均值,上升段行为样本表示上升段按速度大小划分为10个区间,取每个区间刀盘扭矩和总推力的平均值。
优选地,所述的利用所述验证集和训练集基于所述输入参数和输出参数对所述掘进响应参数的线预测模型进行训练,通过平衡因子调节所述掘进响应参数的线预测模型的损失函数权重,得到训练好的所述掘进响应参数的线预测模型,包括;
将所述输入参数X1、X2输入到所述掘进响应参数的线预测模型中,对掘进响应参数的线预测模型进行训练,采用输入参数X1,分别结合稳定段输入参数X2的平均值以及上升段按速度大小划分为十个区间,每个区间转速和速度的平均值,线预测模型分别预测稳定段输出参数Y和十个区间中每个区间刀盘扭矩和总推力的平均值,所述输出参数Y包括扭矩和推力的平均值;
在线预测模型的损失函数中引入了样本平衡因子,该样本平衡因子为样本的权重,对于稳定段样本,其权重设为α;上升段样本,其权重为1-α,引入样本平衡因子后的损失函数形式表达为:
loss=(1-α)×MSELoss(yup*,yup)+α×MSELoss(ysteady*,ysteady)
式中,MSELoss是线预测模型采用的均方损失函数,yup*是上升段行为样本的预测值,yup是上升段行为样本的真实值,ysteady*是稳定段行为样本的预测值,ysteady是稳定段行为样本的真实值;
不断调整线预测模型,α从0.1开始取,每隔0.05重新取值,取到1,训练出的各个线预测模型分别在验证集A、B上进行验证,根据在两个验证集上的表现选取最优的平衡因子α,将最优的平衡因子α对应的线预测模型作为训练好的掘进响应参数的预测模型。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例为了建立泛化性更强的预测模型,引入平衡因子α进行损失权重的调节,通过遍历α取值,寻求最优解,建立预测精度准确可靠的施工响应参数预测方法,从而为TBM的安全掘进与智能施工提供保障。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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发明的一些实施例,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为本发明实施例提供的一种隧道掘进响应参数的预测方法的处理流程图;
图2为本发明实施例提供的一种典型“台阶状”示意图;
图3为本发明具体实施方式中线预测机器学习模型构建方法在验证集A上的刀盘扭矩预测图;
图4为本发明具体实施方式中线预测机器学习模型构建方法在验证集A上的总推力预测图;
图5为本发明具体实施方式中线预测机器学习模型构建方法在验证集B上的刀盘扭矩预测图;
图6为本发明具体实施方式中线预测机器学习模型构建方法在验证集B上的总推力预测图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术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)具有与本发明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定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
TBM掘进参数名词解释
上升段:在这个阶段,刀盘开始接触掌子面前方岩体并实现破岩。在上升段过程中,TBM司机不断设定并调整TBM控制参数,在掘进过程中,TBM司机会逐渐增大刀盘的推进速度,随着推进速度的增加,破岩阻力(主要是刀盘推力和扭矩)也逐步增大。这个阶段的TBM施工数据非常丰富。
稳定段:在这个阶段,TBM施工控制参数推进速度、刀盘转速、刀盘扭矩和刀盘推力等趋于稳定,在掘进过程中,TBM司机会根据经验,并结合上一个循环段的数据和本掘进段的实际情况来控制TBM的控制参数。
目前,在TBM掘进响应参数的预测模型构建方法中,主要是针对稳定段的响应参数进行预测,这些方法在TBM处于平稳掘进状态下是合理的,但当TBM 司机改变刀盘转速或推力速度时,并未能很好进行响应参数的预测,导致预测值与实际值偏差较大,无法为TBM司机操作提供参考。
本发明实施例提供了一种基于可调节损失权重的TBM掘进响应参数的预测方法,该方法的泛化能力强,适用范围广,可以很好地为TBM司机操作提供经验参考,本发明实施例提供的一种隧道掘进响应参数的预测方法的处理流程图如图1所示,包括如下的处理步骤:
步骤S1:筛选符合条件的TBM掘进数据集,将隧道掘进数据集分为验证集 A、验证集B和训练集C。
以引松工程TBM3标段的13844个掘进循环段为基础,采用“3σ准则”对上升段的异常进行识别和删除,并且将贯入度小于2且大于15的数据进行剔除;对于稳定段数据,将贯入度小于2且大于18的数据进行剔除。3σ准则又称标准差法,其可以认为:若数据服从正态分布,则异常值被定义为一组结果值中与平均值的偏差超过三倍标准差的值。即在正态分布的假设下,距离三倍的平均值加减标准差之外的值出现的概率很小,因此可认为是异常值。
进行上述数据预处理后,在引松工程划分的13844个掘进周期(上升段和稳定段)中,以上升段大于50s的掘进周期作为依据,共选取8883个完整循环段作为数据集。将数据集划分为验证集A(180个),验证集B(200个),训练集C(8883个)。这是最常用的模型效果评估方法,用于检验TBM掘进响应参数的预测模型的预测效果。
(1)图2为本发明实施例提供的一种典型“台阶状”示意图。挑选设定数量(比如75个)台阶状掘进段构建验证集A,验证集A的样本数量为180个,用于评估TBM掘进响应参数的预测模型的预测结果能否反映控制参数的影响。
(2)验证集B
在原始数据中剔除验证集A的数据,然后随机挑选200个掘进循环段数据形成验证集B,验证集B用于评估TBM掘进响应参数的预测模型预测的效果;
(3)训练集C
训练集C用于模型的训练。
具体的样本数量见表1。
表1训练集和验证集的划分
步骤S2:构建基于CNN(Convolutional Neural Networks,卷积神经网络)的掘进响应参数的线预测模型,确定上述线预测模型的输入参数X1、输入参数X2和输出参数Y。
输入参数X1包括训练集C的上升段行为样本,具体包括上升段随机30s的刀盘扭矩、总推力、刀盘转速和推进速度,即输入维度是30×4。
表2输入参数X1的参数选取
表3输入参数X2和输出参数Y的数据来源
输入参数X2包括训练集C的稳定段行为样本和上升段行为样本,稳定段行为样本表示稳定段刀盘转速和速度的平均值,数量为8883,上升段行为样本表示上升段按速度大小划分为10个区间,取每个区间转速和速度的平均值,数量为88830。
输出参数Y包括稳定段行为样本和上升段行为样本,稳定段行为样本表示稳定段刀盘扭矩和总推力的平均值,数量为8883,上升段行为样本表示上升段按速度大小划分为10个区间,取每个区间刀盘扭矩和总推力的平均值,数量为88830。
步骤S3:确定好输入参数X1、X2和输出参数Y后。该线预测模型除了采用稳定段的掘进行为进行训练外,还使用上升段的掘进行为进行训练。该线预测模型对11个点构成的线进行预测,因此将其称之为线预测模型,该线预测模型的损失函数采用:均方损失函数(MSELoss)。
将上述输入参数X1、X2输入到上述掘进响应参数的线预测模型中,对掘进响应参数的线预测模型进行训练,该掘进响应参数的线预测模型输出输出参数Y。即采用输入参数X1,分别结合稳定段输入参数X2的平均值以及上升段按速度大小划分为十个区间,每个区间转速和速度的平均值,分别预测稳定段输出参数Y(扭矩和推力的平均值)和十个区间中每个区间刀盘扭矩和总推力的平均值。
将掘进响应参数的线预测模型分别在验证集A、B上检验,用评价指标拟合优度和平均绝对百分误差来评定掘进响应参数的线预测模型的优劣。
图3为本发明具体实施方式中线预测机器学习模型构建方法在验证集A上的刀盘扭矩预测图;
图4为本发明具体实施方式中线预测机器学习模型构建方法在验证集A上的总推力预测图;
图5为本发明具体实施方式中线预测机器学习模型构建方法在验证集B上的刀盘扭矩预测图;
图6为本发明具体实施方式中线预测机器学习模型构建方法在验证集B上的总推力预测图。
分析掘进响应参数的线预测模型的结果,引入平衡因子来调节线预测模型的损失函数的权重,不断调整线预测模型,并综合在验证集A、B上的结果,计算出平衡因子α。
在损失函数中引入了样本平衡因子(即样本的权重)。对于稳定段样本,其权重设为α;上升段样本,其权重为1-α。引入样本平衡因子后的损失函数形式表达为:loss=(1-α)×MSELoss(yup*,yup)+α×MSELoss(ysteady*,ysteady)。
式中,MSELoss是线预测模型采用的均方损失函数,yup*是上升段行为样本的预测值,yup是上升段行为样本的真实值,ysteady*是稳定段行为样本的预测值,ysteady是稳定段行为样本的真实值。
α从0.1开始取,每隔0.05重新取值,取到1,训练出的各模型分别在验证集A、B上进行验证,根据在两个验证集上的表现,选取最优的平衡因子α为0.8。
在验证集A上,刀盘扭矩的拟合优度为0.85,总推力的拟合优度为0.90。并且二者的平均绝对百分误差分别为8.33%和5.95%,均在10%以内,预测效果较好。在验证集B上,刀盘扭矩的拟合优度为0.86,总推力的拟合优度为0.90。并且二者的平均绝对百分误差分别为8.80%和6.57%,均在10%以内,预测效果较好。本发明具体实施方式中线预测机器学习模型构建方法在验证集A上的刀盘扭矩预测图如图3所示,在验证集A上的总推力预测图如图4所示,在验证集 B上的刀盘扭矩预测图如图5所示,在验证集B上的总推力预测图如图6所示。
选取泛化能力最强(α=0.8)的掘进响应参数的预测模型作为训练好的掘进响应参数的预测模型。
步骤S4:利用训练好的掘进响应参数的预测模型来预测隧道掘进过程中的掘进响应参数,该掘进响应参数包括:刀盘扭矩T(kN·m)和刀盘推力F (kN)。
综上所述,本发明实施例方法通过引入平衡因子调节损失函数权重后,获得了改进线预测模型构建方法。本发明不仅可以很好的预测TBM在平稳掘进的稳定段的施工响应参数,当围岩条件发生改变,TBM司机改变刀盘转速或推进速度时,所构建的线预测机器学习模型构建方法也可以提供一个较为准确的施工响应参数,为TBM司机操作控制参数提供依据,进而为TBM保驾护航。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种隧道掘进响应参数的预测方法,其特征在于,包括:
筛选符合条件的隧道掘进数据集,将隧道掘进数据集分为验证集和训练集;
构建基于卷积神经网络的掘进响应参数的线预测模型,选取设定的隧道掘进的上升段和稳定段行为样本分别作为所述掘进响应参数的线预测模型的输入参数和输出参数;
利用所述验证集和训练集基于所述输入参数和输出参数对所述掘进响应参数的线预测模型进行训练,通过平衡因子调节所述掘进响应参数的线预测模型的损失函数权重,得到训练好的所述掘进响应参数的线预测模型;
利用训练好的掘进响应参数的预测模型来预测隧道掘进过程中的掘进响应参数。
2.根据权利要求1所述的方法,其特征在于,所述的筛选符合条件的隧道掘进数据集,将隧道掘进数据集分为验证集和训练集,包括;
筛选符合条件的TBM掘进数据集,将隧道掘进数据集分为验证集A、验证集B和训练集C,
以上升段大于50s的掘进周期作为依据,选取设定数量的TBM掘进循环段作为数据集,对所述数据集进行预处理,采用3σ准则对上升段的异常进行识别和删除,将贯入度小于2且大于15的数据进行剔除;对于稳定段数据,将贯入度小于2且大于18的数据进行剔除;
将预处理后的数据集划分为验证集A、验证集B和训练集C,验证集A用于评估TBM掘进响应参数的预测模型的预测结果能否反映控制参数的影响,验证集B用于评估TBM掘进响应参数的预测模型预测的效果,训练集C用于模型的训练。
3.根据权利要求2所述的方法,其特征在于,所述的构建基于卷积神经网络的掘进响应参数的线预测模型,选取设定的隧道掘进的上升段和稳定段行为样本分别作为所述掘进响应参数的线预测模型的输入参数和输出参数,包括;
构建基于卷积神经网络CNN的掘进响应参数的线预测模型,确定所述线预测模型的输入参数X1、输入参数X2和输出参数Y;
所述输入参数X1包括训练集C的上升段行为样本,具体包括上升段随机30s的刀盘扭矩、总推力、刀盘转速和推进速度;
所述输入参数X2包括训练集C的稳定段行为样本和上升段行为样本,稳定段行为样本表示稳定段刀盘转速和速度的平均值,上升段行为样本表示上升段按速度大小划分为10个区间,取每个区间转速和速度的平均值;
所述输出参数Y包括稳定段行为样本和上升段行为样本,稳定段行为样本表示稳定段刀盘扭矩和总推力的平均值,上升段行为样本表示上升段按速度大小划分为10个区间,取每个区间刀盘扭矩和总推力的平均值。
4.根据权利要求3所述的方法,其特征在于,所述的利用所述验证集和训练集基于所述输入参数和输出参数对所述掘进响应参数的线预测模型进行训练,通过平衡因子调节所述掘进响应参数的线预测模型的损失函数权重,得到训练好的所述掘进响应参数的线预测模型,包括;
将所述输入参数X1、X2输入到所述掘进响应参数的线预测模型中,对掘进响应参数的线预测模型进行训练,采用输入参数X1,分别结合稳定段输入参数X2的平均值以及上升段按速度大小划分为十个区间,每个区间转速和速度的平均值,线预测模型分别预测稳定段输出参数Y和十个区间中每个区间刀盘扭矩和总推力的平均值,所述输出参数Y包括扭矩和推力的平均值;
在线预测模型的损失函数中引入了样本平衡因子,该样本平衡因子为样本的权重,对于稳定段样本,其权重设为α;上升段样本,其权重为1-α,引入样本平衡因子后的损失函数形式表达为:
loss=(1-α)×MSELoss(yup*,yup)+α×MSELoss(ysteady*,ysteady)
式中,MSELoss是线预测模型采用的均方损失函数,yup*是上升段行为样本的预测值,yup是上升段行为样本的真实值,ysteady*是稳定段行为样本的预测值,ysteady是稳定段行为样本的真实值;
不断调整线预测模型,α从0.1开始取,每隔0.05重新取值,取到1,训练出的各个线预测模型分别在验证集A、B上进行验证,根据在两个验证集上的表现选取最优的平衡因子α,将最优的平衡因子α对应的线预测模型作为训练好的掘进响应参数的预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210705545.7A CN115618222B (zh) | 2022-06-21 | 2022-06-21 | 一种隧道掘进响应参数的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210705545.7A CN115618222B (zh) | 2022-06-21 | 2022-06-21 | 一种隧道掘进响应参数的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115618222A true CN115618222A (zh) | 2023-01-17 |
CN115618222B CN115618222B (zh) | 2023-05-05 |
Family
ID=84857605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210705545.7A Active CN115618222B (zh) | 2022-06-21 | 2022-06-21 | 一种隧道掘进响应参数的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618222B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644799A (zh) * | 2023-07-27 | 2023-08-25 | 青岛理工大学 | 基于隧道掘进参数的地层振动加速度预测方法及相关装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019063024A1 (zh) * | 2017-09-30 | 2019-04-04 | 中铁工程装备集团有限公司 | 硬岩tbm掘进控制参数智能决策方法及系统 |
CN110020694A (zh) * | 2019-04-19 | 2019-07-16 | 中铁工程装备集团有限公司 | 一种基于智能驱动模型的tbm不良地质辨识方法 |
CN110110419A (zh) * | 2019-04-28 | 2019-08-09 | 中铁工程装备集团有限公司 | 一种基于多目标学习的tbm掘进参数预测方法 |
CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
CN110852423A (zh) * | 2019-11-12 | 2020-02-28 | 中铁工程装备集团有限公司 | 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 |
CN110895730A (zh) * | 2019-12-31 | 2020-03-20 | 盾构及掘进技术国家重点实验室 | 一种基于lstm算法的tbm掘进参数的预测方法 |
CN110989024A (zh) * | 2019-12-17 | 2020-04-10 | 山东大学 | 基于岩石矿物分析的tbm隧道断层破碎带预报系统及方法 |
CN111079342A (zh) * | 2019-11-29 | 2020-04-28 | 中铁工程装备集团有限公司 | 一种基于在线岩体等级分类的tbm掘进性能预测方法 |
US20200148395A1 (en) * | 2018-01-26 | 2020-05-14 | Dalian University Of Technology | Method for prediction of key performance parameters of aero-engine in transition condition |
CN112163316A (zh) * | 2020-08-31 | 2021-01-01 | 同济大学 | 一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法 |
CN112906153A (zh) * | 2021-02-04 | 2021-06-04 | 中铁十六局集团北京轨道交通工程建设有限公司 | 基于lstm的土压平衡盾构的土压智能动态调控方法 |
US20210209263A1 (en) * | 2019-03-08 | 2021-07-08 | Shandong University | Tunnel tunneling feasibility prediction method and system based on tbm rock-machine parameter dynamic interaction mechanism |
CN113762360A (zh) * | 2021-08-20 | 2021-12-07 | 同济大学 | 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法 |
CN113779880A (zh) * | 2021-09-06 | 2021-12-10 | 广西路桥工程集团有限公司 | 一种基于超前钻探数据的隧道围岩二维质量评价方法 |
CN113946899A (zh) * | 2021-11-10 | 2022-01-18 | 广东粤海珠三角供水有限公司 | 一种基于实时地质信息的泥水盾构掘进参数预测方法 |
-
2022
- 2022-06-21 CN CN202210705545.7A patent/CN115618222B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019063024A1 (zh) * | 2017-09-30 | 2019-04-04 | 中铁工程装备集团有限公司 | 硬岩tbm掘进控制参数智能决策方法及系统 |
US20200148395A1 (en) * | 2018-01-26 | 2020-05-14 | Dalian University Of Technology | Method for prediction of key performance parameters of aero-engine in transition condition |
US20210209263A1 (en) * | 2019-03-08 | 2021-07-08 | Shandong University | Tunnel tunneling feasibility prediction method and system based on tbm rock-machine parameter dynamic interaction mechanism |
CN110020694A (zh) * | 2019-04-19 | 2019-07-16 | 中铁工程装备集团有限公司 | 一种基于智能驱动模型的tbm不良地质辨识方法 |
CN110110419A (zh) * | 2019-04-28 | 2019-08-09 | 中铁工程装备集团有限公司 | 一种基于多目标学习的tbm掘进参数预测方法 |
CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
CN110852423A (zh) * | 2019-11-12 | 2020-02-28 | 中铁工程装备集团有限公司 | 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 |
CN111079342A (zh) * | 2019-11-29 | 2020-04-28 | 中铁工程装备集团有限公司 | 一种基于在线岩体等级分类的tbm掘进性能预测方法 |
CN110989024A (zh) * | 2019-12-17 | 2020-04-10 | 山东大学 | 基于岩石矿物分析的tbm隧道断层破碎带预报系统及方法 |
CN110895730A (zh) * | 2019-12-31 | 2020-03-20 | 盾构及掘进技术国家重点实验室 | 一种基于lstm算法的tbm掘进参数的预测方法 |
CN112163316A (zh) * | 2020-08-31 | 2021-01-01 | 同济大学 | 一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法 |
CN112906153A (zh) * | 2021-02-04 | 2021-06-04 | 中铁十六局集团北京轨道交通工程建设有限公司 | 基于lstm的土压平衡盾构的土压智能动态调控方法 |
CN113762360A (zh) * | 2021-08-20 | 2021-12-07 | 同济大学 | 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法 |
CN113779880A (zh) * | 2021-09-06 | 2021-12-10 | 广西路桥工程集团有限公司 | 一种基于超前钻探数据的隧道围岩二维质量评价方法 |
CN113946899A (zh) * | 2021-11-10 | 2022-01-18 | 广东粤海珠三角供水有限公司 | 一种基于实时地质信息的泥水盾构掘进参数预测方法 |
Non-Patent Citations (7)
Title |
---|
QINGLONG ZHANG等: "Prediction Method of TBM Tunneling Parameters Based on PSO-Bi-LSTM Model" * |
WEI SUN等: "Dynamic load prediction of tunnel boring machine(TBM) based on heterogeneous in-situ data" * |
吕佳峻: "基于数字孪生的TBM虚拟掘进系统研究与实现" * |
周小雄等: "基于BLSTM-AM模型的TBM稳定段掘进参数预测" * |
姚敏等: "基于 TBM 破岩数据的岩体条件深度学习表征方法" * |
李港等: "基于深度学习的TBM掘进参数预测研究" * |
李蓬喜: "基于机器学习的TBM掘进参数及围岩等级预测研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644799A (zh) * | 2023-07-27 | 2023-08-25 | 青岛理工大学 | 基于隧道掘进参数的地层振动加速度预测方法及相关装置 |
CN116644799B (zh) * | 2023-07-27 | 2023-10-17 | 青岛理工大学 | 基于隧道掘进参数的地层振动加速度预测方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115618222B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | The promise of implementing machine learning in earthquake engineering: A state-of-the-art review | |
US20210209263A1 (en) | Tunnel tunneling feasibility prediction method and system based on tbm rock-machine parameter dynamic interaction mechanism | |
Shahi et al. | An empirically calibrated framework for including the effects of near-fault directivity in probabilistic seismic hazard analysis | |
Brzinsky-Fay et al. | New developments in sequence analysis | |
CN108470095B (zh) | 基于数据驱动径向基函数模型的tbm推进力预测方法 | |
CN110688288A (zh) | 基于人工智能的自动化测试方法、装置、设备及存储介质 | |
CN112351033B (zh) | 工控网络中基于双种群遗传算法的深度学习入侵检测方法 | |
CN115618222A (zh) | 一种隧道掘进响应参数的预测方法 | |
Chen et al. | Dynamic and probabilistic multi-class prediction of tunnel squeezing intensity | |
Afradi et al. | Prediction of TBM penetration rate using the imperialist competitive algorithm (ICA) and quantum fuzzy logic | |
CN113609394B (zh) | 面向信息流的安全推荐系统 | |
Elmgerbi et al. | Application of Machine Learning Techniques for Real Time Rate of Penetration Optimization | |
US20200052635A1 (en) | Method for searching excitation signal of motor, and electronic device | |
CN109543352A (zh) | 页岩断裂韧性预测方法、装置及电子设备 | |
KAMYAB et al. | Reliability assessment of structures by Monte Carlo simulation and neural networks | |
Papadopoulos et al. | Combining machine learning and numerical modelling for rockburst prediction | |
CN112859192A (zh) | 岩心饱和度预测模型构建方法与岩心饱和度预测方法 | |
CN113158562B (zh) | 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 | |
CN114818493A (zh) | 一种隧道岩体完整程度定量评价的方法 | |
Apoji et al. | Soil classification and feature importance of EPBM data using random forests | |
CN113836789A (zh) | 基于宏细观参数关联准则的dem细观参数标定方法 | |
CN113869548A (zh) | 一种考虑高程效应的爆破峰值振动速度及能量衰减预测方法 | |
CN112052952A (zh) | 基于遗传算法的柴油机故障诊断中监测参数优化选取方法 | |
Zhang et al. | A computational inverse technique for determination of encounter condition on projectile penetrating multilayer medium | |
CN111594197B (zh) | 一种基于tbm岩机信息的隧洞断层段超前智能感知方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |