CN115952590A - 基于bo-rf-mompa混合算法的盾构隧道优化设计方法及设备 - Google Patents

基于bo-rf-mompa混合算法的盾构隧道优化设计方法及设备 Download PDF

Info

Publication number
CN115952590A
CN115952590A CN202310243415.0A CN202310243415A CN115952590A CN 115952590 A CN115952590 A CN 115952590A CN 202310243415 A CN202310243415 A CN 202310243415A CN 115952590 A CN115952590 A CN 115952590A
Authority
CN
China
Prior art keywords
optimization
mompa
maximum
model
shield
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
Application number
CN202310243415.0A
Other languages
English (en)
Other versions
CN115952590B (zh
Inventor
吴贤国
曹源
冯宗宝
徐文
李铁军
陈虹宇
张海波
晏启祥
周鸣亮
李培振
刘�文
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202310243415.0A priority Critical patent/CN115952590B/zh
Publication of CN115952590A publication Critical patent/CN115952590A/zh
Application granted granted Critical
Publication of CN115952590B publication Critical patent/CN115952590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明属于隧道智能算法预测及优化技术领域，并具体公开了一种基于BO‑RF‑MOMPA混合算法的盾构隧道优化设计方法及设备。所述方法包括以下步骤：分析盾构隧道施工阶段引起隧道变形的敏感因素，建立指标体系，采集盾构掘进过程中的实际监测数据并结合地质勘查，构建样本数据集；基于样本数据集，建立基于BO‑RF的地表沉降、管片最大轴向压力、管片最大变形量、成本预测模型并检验；将预测模型所得的非线性映射关系函数作为目标优化适应度函数，构建基于BO‑RF‑MOMPA的多目标优化模型，提出盾构管片参数建议设置范围。本发明实现了对隧道变形的高精度预测，实现了盾构管片参数的优化设计，具有优化的效率和精度高等特点。

Description

基于BO-RF-MOMPA混合算法的盾构隧道优化设计方法及设备
技术领域
本发明属于隧道智能算法预测及优化技术领域，具体地，涉及一种基于BO-RF-MOMPA混合算法的盾构隧道优化设计方法及设备，更具体的，涉及一种基于BO（BayesianOptimization）-RF（RandomForest）-MOMPA（multi-objective marine predatoralgorithm）混合算法的盾构隧道优化设计方法及设备。
背景技术
盾构隧道的优化设计，主要针对管片参数的优化设计。管片直接关系到隧道的施工阶段、运营阶段的安全与质量，盾构管片优化设计是盾构隧道结构设计中的关键环节，对于隧道来说，影响隧道管片设计及优化的因素有很多。比如，管片结构及材料参数（厚度、幅度、管片配筋率等），地质参数（粘聚力、内摩擦角等），施工参数（总推力、土仓压力、刀盘扭矩、推进速度、注浆量等），空间几何参数（埋深等）等。在传统的隧道结构研究中，往往是根据理论公式、数值仿真或者试验的数据分析结构变形和受力规律并进行设计。这些方法都基于相关假设前提且考虑的因素有限，其结果都只能体现部分客观规律，与现实情况存在一定的差异，难以全面考虑多因素综合影响下隧道的真实状态。考虑所有参数组合进行模拟或者试验耗时、精度低且难以实现。随着人工智能的发展，采用机器学习算法可以有效克服上述相关技术中的缺陷，成为业界亟待解决的技术问题之一。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于BO-RF-MOMPA混合算法的盾构隧道优化设计方法及设备，其中结合盾构隧道自身的特征及其优化设计的工艺特点，相应设计了一种结合BO-RF算法和MOMPA的混合机器学习方法，用以解决考虑隧道开挖真实施工状态的盾构管片优化设计问题。利用BO-RF模型对监测到的样本数据进行模拟训练，为MOMPA优化提供高精度预测函数，然后利用MOMPA进行多目标优化，得到最优盾构管片参数设置范围，实现盾构管片参数优化的目的。
为实现上述目的，按照本发明的一个方面，提出了一种基于BO-RF-MOMPA混合算法的盾构隧道优化设计方法，包括以下步骤：
步骤一：分析盾构隧道施工阶段引起隧道变形的敏感因素，建立指标体系，采集盾构掘进过程中的实际监测数据并结合地质勘查，构建样本数据集；
步骤二：基于样本数据集，建立基于BO-RF的地表沉降、管片最大轴向压力、管片最大变形量、成本预测模型并检验；
步骤三：将预测模型所得的非线性映射关系函数作为目标优化适应度函数，构建基于BO-RF-MOMPA的多目标优化模型，提出盾构管片参数建议设置范围。
作为进一步优选的，步骤一中，所述盾构隧道施工扰动下，引起隧道变形及管片设计的敏感因素包括：管片厚度
Figure SMS_2
、管片幅宽
Figure SMS_6
、管片配筋率
Figure SMS_8
、总推力
Figure SMS_3
、土仓压力
Figure SMS_4
、刀盘扭矩
Figure SMS_9
、推进速度
Figure SMS_11
、注浆量
Figure SMS_1
、地层粘聚力
Figure SMS_5
、地层内摩擦角
Figure SMS_7
、隧道埋深
Figure SMS_10
。
作为进一步优选的，步骤二具体包括以下步骤：
（21）对样本数据集中的数据进行归一化预处理，以消除不同样本特征尺寸对预测精度和效率的影响；
（22）用贝叶斯优化对RF的关键参数进行优化，选择最优参数组合，基于最优参数组合建立BO-RF预测模型；
（23）对BO-RF预测模型的预测值和真实值进行拟合，并利用均方误差和拟合优度对模型精度和误差进行评价。
作为进一步优选的，所述BO-RF预测模型的建立具体包括以下步骤：
（221）BO-RF预测模型超参数确定：
建立RF模型的过程中， RF模型参数包括有决策树数量、决策树最大深度、节点划分所需最小样本数以及叶子节点最少样本数；
（222）采用贝叶斯优化算法对RF模型的超参数进行优化；
（223）随机将样本数据集中的样本数据划分为训练样本集和测试样本集，采用训练样本集对超参数优化后的模型进行训练，并基于python建立BO-RF预测模型。
作为进一步优选的，步骤（222）具体包括以下步骤：
（2221）采用高斯函数建立目标函数的统计模型
对于预测点
Figure SMS_12
，其预测后验分布为高斯分布
Figure SMS_13
，其中
Figure SMS_14
为均值，
Figure SMS_15
为方差，对高斯过程均值函数进行典型的零均值假设，可以将均值和方差表示如下：
Figure SMS_16
（2）
Figure SMS_17
（3）
其中，
Figure SMS_18
表示核函数，
Figure SMS_19
，
Figure SMS_20
则为
Figure SMS_21
之间的Gram矩阵。
（2222）采用期望改进构建下一个采样点的采集函数：
Figure SMS_22
（4）
Figure SMS_23
（5）
其中，
Figure SMS_24
分别表示当前的最大值、期望损失值和累积分布函数，
Figure SMS_25
表示
Figure SMS_26
的方差，
Figure SMS_27
表示概率密度函数。
作为进一步优选的，步骤三具体包括以下步骤：
（31）确定目标函数
引入RF回归预测算法替代传统数学关系式作为多目标遗传算法中的适应度函数，以反映盾构施工扰动下，地表沉降、管片最大轴向压力、管片最大变形量、成本之间存在的复杂非线性关系；
（32）确定约束范围
根据工程要求和项目已有数据对目标决策参数的取值设定约束条件；
（33）MOMPA多目标优化
应用MOMPA算法实现盾构管片参数的多目标优化，以确定隧道的盾构管片参数Pareto最优解集，并保证地表沉降、管片最大轴向压力、管片最大变形量的安全及成本的有效控制。
作为进一步优选的，所述MOMPA算法优化过程包括三个主要优化阶段：
1）高速比v≥10或猎物移动速度快于捕食者时，捕食者的策略是根本不移动；
2）单位速度比或捕食者和猎物以几乎相同的速度移动时：猎物负责开发，捕食者负责探索，根据规则，如果猎物在Lévy中移动，捕食者的策略是布朗运动；
3）当捕食者移动速度快于猎物时，速度比较低，捕食者的策略是Lévy。
作为进一步优选的，利用MOMPA算法获取Pareto最优解具体如下：
Step1：对Pareto解集中的每个解定义隶属度函数
Figure SMS_28
，计算每个解对于各优化目标的隶属度，根据优化目标的优化方向，隶属度计算分为两种情况：
1）当优化目标为最小化时，隶属度函数
Figure SMS_29
为：
Figure SMS_30
（10）
2）当优化目标为最大化时，隶属度函数
Figure SMS_31
为：
Figure SMS_32
（11）
其中，
Figure SMS_33
表示Pareto解集中第j个解对于第i个目标的隶属度，
Figure SMS_34
表示解集中第i个目标的最大值，
Figure SMS_35
表示解集中第i个目标的最小值，
Figure SMS_36
表示Pareto解集中第j个解对应第i个目标的值;
Step2：根据每个解对于各个优化目标的隶属度，计算每个Pareto最优解的综合支配值，第j个解的支配值
Figure SMS_37
的计算如下：
Figure SMS_38
（12）
其中，m表示优化的目标个数，n表示通过MOMPA算法获取的Pareto解集中解的数量；
Step3：根据综合支配值最大原则选择最大支配值对应的Pareto解为最优折衷解。
按照本发明的另一个方面，还提供了一种基于BO-RF-MOMPA的盾构隧道优化设计设备，包括：第一主模块：分析盾构隧道施工阶段引起隧道变形的敏感因素，建立指标体系，采集盾构掘进过程中的实际监测数据并结合地质勘查，构建样本数据集；第二主模块，基于样本数据集，建立基于BO-RF的地表沉降、管片最大轴向压力、管片最大变形量、成本预测模型并检验；第三主模块，将预测模型所得的非线性映射关系函数作为目标优化适应度函数，构建基于BO-RF-MOMPA的多目标优化模型，提出盾构管片参数建议设置范围。
按照本发明的另一个方面，还提供了一种电子设备，包括：
至少一个处理器、至少一个存储器和通信接口；其中，
所述处理器、存储器和通信接口相互间进行通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行上述的方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
1.本发明充分利用RF可以结合决策树和非参数统计，基于离散或连续的数据集合成回归或分类函数，很好的避免了过拟合现象，泛化性强，实现了对隧道变形的高精度预测，实现了盾构管片参数的优化设计。
2.本发明利用拥有快速非支配排序算子、个体拥挤距离算子和精英策略选择算子的MOMPA进行多目标优化模型建立，可以快速寻找最优方案并进行选择性排序，极大的提高了优化的效率和精度。
3.本发明将RF预测模型替代传统的数学模型，将其作为目标优化的适应度函数，并与MOMPA结合，很好地反映了盾构施工参数、地质参数、管片参数、空间几何参数与隧道变形之间的复杂非线性映射关系，为实现管片参数精确优化提供基础。
4.本发明将地表沉降、管片最大轴向压力、管片最大变形量、成本同时作为优化目标，进行多目标优化，可以综合考虑多目标间的矛盾关系，使优化后方案更加符合工程实际需求。
5.本发明分析了盾构隧道施工阶段引起隧道变形的敏感因素，并根据获取的敏感因素建立训练预测的数据集，同时，特别的根据地表沉降、管片最大轴向压力、管片最大变形量、成本进行多目标优化，可以充分反应盾构隧道施工阶段引起隧道变形的指标体系，又能综合考虑多目标间的矛盾关系，使优化后方案更加符合工程实际需求。
附图说明
图1是本发明实施例涉及的一种基于BO-RF-MOMPA混合算法的盾构隧道优化设计方法的流程图；
图2是本发明实施例涉及的一种基于BO-RF-MOMPA混合算法的盾构隧道优化设备的结构示意图；
图3为本发明实施例提供的的电子设备的实体结构示意图；
图4是本发明实施例中RF预测地表沉降训练集拟合结果图；
图5是本发明实施例中RF预测地表沉降测试集预测结果图；
图6是本发明实施例中RF预测管片最大轴向应力训练集拟合结果图；
图7是本发明实施例中RF预测管片最大轴向应力测试集预测结果图；
图8是本发明实施例中RF预测管片最大变形量训练集拟合结果图；
图9是本发明实施例中RF预测管片最大变形量测试集预测结果图；
图10是本发明实施例中RF预测成本训练集拟合结果图；
图11是本发明实施例中RF预测成本测试集预测结果图；
图12是本发明实施例中Pareto前沿解图示例；
图13是本发明实施例中样本数据方案示意图；
图14是本发明实施例中贝叶斯优化RF超参数结果示意图；
图15是本发明实施例中最优控制方案的地表沉降、管片最大轴向应力、最大变形量、成本最优解对应的参数示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明实施例提供的一种基于BO-RF-MOMPA混合算法的盾构隧道优化设计方法，包括以下步骤：
步骤一：分析盾构隧道施工阶段引起隧道变形的敏感因素，建立指标体系，采集盾构掘进过程中的实际监测数据并结合地质勘查，构建样本数据集。更具体的，基于隧道整体优化设计理念，确定盾构隧道施工阶段管片优化设计的敏感因素，建立指标体系，采集盾构掘进过程中的实际监测数据并结合地质勘查，构建样本数据集。盾构隧道施工扰动下，引起隧道变形及管片设计的敏感因素有管片厚度
Figure SMS_41
、管片幅宽
Figure SMS_43
、管片配筋率
Figure SMS_47
、总推力
Figure SMS_40
、土仓压力
Figure SMS_42
、刀盘扭矩
Figure SMS_45
、推进速度
Figure SMS_48
、注浆量
Figure SMS_39
、地层粘聚力
Figure SMS_44
、地层内摩擦角
Figure SMS_46
、隧道埋深
Figure SMS_49
。选取以上11个主要影响因素作为输入参数，获得不同参数影响情况下地表沉降、管片最大轴向压力、管片最大变形量、成本综合最优值。
步骤二：基于样本数据集，建立基于BO-RF的地表沉降、管片最大轴向压力、管片最大变形量、成本预测模型并检验。根据题的，基于样本数据集，对模型进行贝叶斯优化，并利用RF对训练集进行学习模拟，建立基于RF的地表沉降、管片最大轴向压力、管片最大变形量、成本预测模型，利用测试集测试模型预测结果。
步骤二中，首先，对工程监测采集到的数据进行归一化预处理，消除不同样本特征尺寸对预测精度和效率的影响；然后，用贝叶斯优化对RF的关键参数进行优化，选择最优参数组合，基于最优参数组合建立RF预测模型；最后，对RF预测模型的预测值和真实值进行拟合，并利用均方误差（MSE）和拟合优度（R2）对模型精度和误差进行评价。包括以下具体步骤：
（1）数据预处理
由于选择的输入变量量纲不同，为了防止样本出现数据过大或过小而导致数据被淹没或不收敛的情况，需要对样本数据进行预处理。本文将输入变量和输出变量归一化到[-1,1]区间。归一化处理的计算公式如下：
Figure SMS_50
（1）
其中，
Figure SMS_51
表示归一化之后的标准值，
Figure SMS_52
和
Figure SMS_53
分别默认是1和-1，表示归一化后的最大值和最小值，
Figure SMS_54
代表样本值，
Figure SMS_55
和
Figure SMS_56
分别是样本值的最大值和最小值。
（2）BO-RF预测模型超参数确定
建立RF预测模型的过程中，RF模型参数主要有决策树数量（Nest）、决策树最大深度（Dtre）、节点划分所需最小样本数（Tsplit）、叶子节点最少样本数（Tleaf）4 个。在4 个参数中，决策树数量（Nest）表示模型的学习程度，如果Nest过小，容易造成学习程度不足，如果Nest过大，不仅会增大计算量，而且数量超过一定范围后，模型的学习提升很小，并会产生过拟合的风险。Dtre、Tsplit和Tleaf反映了对样本的利用策略。在样本数量较多时，应限制Dtre。如果节点的样本数少于Tsplit，则节点划分终止。如果某叶子节点数目小于Tleaf，则进行剪枝操作。
本文采用计算效率较高且易实现的贝叶斯优化算法对随机森林模型的超参数进行优化。贝叶斯优化过程主要包括两个组成部分：一个用于建模目标函数的统计模型和一个用于下一个采样点的采集函数。
高斯过程的实现由均值和协方差函数决定。对于预测点
Figure SMS_57
，其预测后验分布为高斯分布
Figure SMS_58
，其中
Figure SMS_59
为均值，
Figure SMS_60
为方差。对高斯过程均值函数进行典型的零均值假设，可以将均值和方差表示如下：
Figure SMS_61
（2）
Figure SMS_62
（3）
其中，
Figure SMS_63
表示核函数，
Figure SMS_64
，
Figure SMS_65
则为
Figure SMS_66
之间的Gram矩阵。
采集函数是下一个待评估点取值的参考依据，它使用一个函数来衡量迄今为止最好的观测值(最小或最大)可能的改进，从而实现采集过程，目前常用的采集函数有概率改进(PI)、期望改进(EI)和置信约束三种。本文选择期望改进(EI)作为采集函数，其表达式如下：
Figure SMS_67
（4）
Figure SMS_68
（5）
其中，
Figure SMS_69
分别表示当前的最大值、期望损失值和累积分布函数，
Figure SMS_70
表示
Figure SMS_71
的方差，
Figure SMS_72
表示概率密度函数。
（3）建立训练模型
随机将样本数据划分为训练样本集和测试样本集，将得到的参数优化结果输入模型中，基于python建立模型。
（4）进行模型性能评价
引入决定系数（
Figure SMS_73
）和均方误差（
Figure SMS_74
）两个常用指标来评估预测模型的性能表现。
Figure SMS_75
的值度量了模型预测值与实际观测值的拟合优度，取值范围为0-1，其取值越接近于1，说明模型的拟合越完美，预测性能越好。MSE计算的是模型预测值与实际观测值之间的差值，它们都衡量了预测值与实际值之间的偏差。它们的值越小，说明模型预测值与实际值之间的偏差越小，则模型的预测精度越高。两个评估指标的计算公式如下：
Figure SMS_76
（6）
Figure SMS_77
（7）
其中，其中n为样本数据集中的数据总数；
Figure SMS_78
和
Figure SMS_79
分别表示模型预测值和实际观测值。
步骤三：将预测模型所得的非线性映射关系函数作为目标优化适应度函数，构建基于BO-RF-MOMPA的多目标优化模型，提出盾构管片参数建议设置范围。
步骤三以RF预测模型代替传统数学函数，作为优化的适应度函数，基于MOMPA进行多目标优化，获得目标函数最优解，并提出盾构管片参数设置建议取值范围。包括以下具体步骤：
（1）确定目标函数
引入RF回归预测算法替代传统数学关系式作为多目标遗传算法中的适应度函数，可清晰的反映盾构施工扰动下，地表沉降、管片最大轴向压力、管片最大变形量、成本之间存在的复杂非线性关系。由RF预测回归方程确定目标函数
Figure SMS_80
、
Figure SMS_81
分别为：
Figure SMS_82
（8）
其中,
Figure SMS_84
分别表示管片厚度
Figure SMS_88
、管片幅宽
Figure SMS_90
、管片配筋率
Figure SMS_85
、总推力
Figure SMS_89
、土仓压力
Figure SMS_92
、刀盘扭矩
Figure SMS_93
、推进速度
Figure SMS_83
、注浆量
Figure SMS_87
、地层粘聚力
Figure SMS_91
、地层内摩擦角
Figure SMS_94
、隧道埋深
Figure SMS_86
。
（2）确定约束范围
为了使管片参数的优化设计具有实际意义，保证得到的管片参数设置方案更加合理可行且不存在安全隐患，需要根据工程要求和项目已有数据对目标决策参数的取值设定约束条件，约束条件一般表达为：
Figure SMS_95
（9）
其中，
Figure SMS_96
和
Figure SMS_97
分别表示输入参数取值的下限和上限。
（3）MOMPA多目标优化
应用MOMPA算法实现盾构管片参数的多目标优化，以确定隧道的盾构管片参数Pareto最优解集，并保证地表沉降、管片最大轴向压力、管片最大变形量的安全及成本的有效控制。MOMPA算法优化过程分为三个主要优化阶段，考虑不同的速度比，同时模仿捕食者和猎物的整个生命，主要的关键步骤为：
1）高速比（v≥10）或猎物移动速度快于捕食者时：
这种情况发生在优化的初始迭代中，其中探索很重要。捕食者的最佳策略是根本不移动。
2）单位速度比或捕食者和猎物以几乎相同的速度移动时（v ≈1）：
此部分发生在优化的中间阶段，其中探索尝试暂时转换为开发。在这个阶段，勘探和开发都很重要。因此，一半的人口被指定进行勘探，另一半用于开发。在这个阶段，猎物负责开发，捕食者负责探索。根据规则，如果猎物在Lévy（莱维过程）中移动，捕食者的最佳策略是Brownian（布朗运动）。
3）当捕食者移动速度快于猎物时，速度比较低（v = 0.1）。
在低速比下或当捕食者比猎物移动得更快时。这种情况发生在优化过程的最后阶段，这主要与高开发能力有关，捕食者的最佳策略是Lévy。
对于每个定义的阶段，指定并分配了特定的迭代周期。这些步骤是根据捕食者和猎物运动的性质所规范的规则定义的，同时模仿自然界中捕食者和猎物的运动。
（4）获取最优解
利用MOMPA算法获取的Pareto最优解是一组符合多目标优化要求的解集，对应了多个目标参数决策方案。而在实际隧道工程中，只需要基于一个决策方案指导盾构管片优化设计，因此需要采用一定的方法从Pareto解集中选取一个最优解。采用模糊决策法来选取最优决策方案，避免选择过程中人为主观偏好对结果的影响，以获得更加科学客观的结果。其实现过程如下：
Step1：对Pareto解集中的每个解定义隶属度函数
Figure SMS_98
，计算每个解对于各优化目标的隶属度，根据优化目标的优化方向，隶属度计算分为两种情况：
1）当优化目标为最小化时，隶属度函数
Figure SMS_99
为：
Figure SMS_100
（10）
2）当优化目标为最大化时，隶属度函数
Figure SMS_101
为：
Figure SMS_102
（11）
其中，
Figure SMS_103
表示Pareto解集中第j个解对于第i个目标的隶属度，
Figure SMS_104
表示解集中第i个目标的最大值，
Figure SMS_105
表示解集中第i个目标的最小值，
Figure SMS_106
表示Pareto解集中第j个解对应第i个目标的值;
Step2：根据每个解对于各个优化目标的隶属度，计算每个Pareto最优解的综合支配值，第j个解的支配值
Figure SMS_107
的计算如下：
Figure SMS_108
（12）
其中，m表示优化的目标个数，n表示通过MOMPA算法获取的Pareto解集中解的数量；
Step3：根据综合支配值最大原则选择最大支配值对应的Pareto解为最优折衷解。计算得到的综合支配值越大，说明该解对于各个优化目标综合隶属度最大，即解的综合性能最好。
如图2所示，按照本发明的一个方面，还提供了一种基于BO-RF-MOMPA的盾构隧道优化设计设备，用于实现上述的方法，包括：第一主模块：分析盾构隧道施工阶段引起隧道变形的敏感因素，建立指标体系，采集盾构掘进过程中的实际监测数据并结合地质勘查，构建样本数据集；第二主模块，基于样本数据集，建立基于BO-RF的地表沉降、管片最大轴向压力、管片最大变形量、成本预测模型并检验；第三主模块，将预测模型所得的非线性映射关系函数作为目标优化适应度函数，构建基于BO-RF-MOMPA的多目标优化模型，提出盾构管片参数建议设置范围。
如图3所示，按照本发明的另一个方面，还提供了一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器和通信接口；其中，所述处理器、存储器和通信接口相互间进行通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行上述的方法。
相应的，本发明还提供了一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的方法。
本发明中，机器学习算法（ML）具有强大的数据分析能力，能够快速寻找最优解，适合求解多种因素复杂非线性问题，被广泛应用于预测、分析及优化相关的工程研究中。工程领域应用较多的预测机器学习算法主要是RF、BNPP、GBDT等几种。RF可以解决非线性、数据噪声和依赖关系复杂的问题的预测分析，具有很强的概括性和较高的预测精度，且在小数据集上都能很好地工作，被广泛用于工程领域预测中。本发明地表沉降、管片最大轴向压力、管片最大变形量、成本四个输出目标与施工参数、管片参数、地质参数、空间几何参数之间存在着复杂的非线性关系，其目标函数无法直接用具体的数学函数式进行表达。因此，可以选择RF算法进行地表沉降、管片最大轴向压力、管片最大变形量、成本的预测。
在以上模型预测基础上，为了得到最优管片参数，选择地表沉降、管片最大轴向压力、管片最大变形量、成本四个输出参数进行多目标优化。由于涉及参数较多，本发明考虑采用智能优化算法解决多目标优化问题。在众多算法中，MOMPA是最新的性能最好的多目标优化方法之一。MOMPA算法收敛性、鲁棒性均较好，而且降低了计算的复杂度，对多目标优化问题具有较好的适应性，能够在多目标问题中找到更多最优的Pareto解，更好地解决高维多目标问题。该算法近年来被广泛应用于各个领域的多目标优化问题中。为此，本发明选择MOMPA算法对地表沉降、管片最大轴向压力、管片最大变形量、成本四个目标参数进行优化控制，从而实现管片参数的优化。
在本发明的一个实施例中，如图1所示，基于BO-RF-MOMPA的盾构隧道优化设计方法及设备，主要包括以下步骤：
（1）影响因素指标体系构建及样本数据采集
通过大量工程实践和文献研究相结合，选取管片厚度
Figure SMS_110
、管片幅宽
Figure SMS_113
、管片配筋率
Figure SMS_115
、总推力
Figure SMS_111
、土仓压力
Figure SMS_114
、刀盘扭矩
Figure SMS_117
、推进速度
Figure SMS_119
、注浆量
Figure SMS_109
、地层粘聚力
Figure SMS_112
、地层内摩擦角
Figure SMS_116
、隧道埋深
Figure SMS_118
，共11个影响因素作为输入变量。以杭州某地铁工程地表沉降、管片最大轴向压力、管片最大变形量、成本作为输出变量。选取100组现场监测数据作为样本数据集，样本数据方案如图13中的表1所示，随机抽取80组作为训练集，其余20组作为测试集。
（2）RF模型参数优化
为了使RF回归模型获得较好的预测效果，本文采用贝叶斯优化对模型的决策树数量、决策树最大深度、节点划分所需最小样本数、叶子节点最少样本数四个参数进行优选。在对参数进行优选前，先给定决策树数量、决策树最大深度、节点划分所需最小样本数、叶子节点最少样本数四个参数的初始范围分别为（1，100）、（2，20）、（2，6）和（1,5），地表沉降、管片最大轴向压力、管片最大变形量、成本的超参数搜索结果分别见说明书附图。
（3）RF预测模型建立及评估
基于RF参数优化结果，利用训练集进行学习模拟，分别建立RF地表沉降、管片最大轴向压力、管片最大变形量、成本预测模型，再利用测试集对训练集的预测模型进行检验，得到的预测结果分别如图4-11所示。
从图4和图5可以看出，RF模型能够较好的实现地表沉降的预测。图4为RF对地表沉降训练集预测结果。结果表明RF模型对训练样本集的输入变量与输出指标之间的规律进行了充分的学习，通过训练集对地表沉降进行预测得到的结果与实际观测值基本上一致，均方误差为0.004，拟合优度为0.984。图5为测试集预测结果对比，可以看出测试集中地表沉降的预测值与实际观测值十分吻合，均方误差为0.007，拟合优度为0.985，训练集与测试集得到的结果均表明RF预测模型精度较高、泛化性能较好，其拟合的非线性预测函数具有很高的准确性。
同理，从图6和图7、图8和图9、图10和图11中可以看出RF对隧道管片最大轴向压力、管片最大变形量、成本的预测同样具有良好的精度。
（4）建立目标函数
引入RF回归函数作为MOMPA的目标函数。
基于RF的地表沉降目标函数
Figure SMS_120
：
Figure SMS_121
，
基于RF的管片最大轴向应力目标函数
Figure SMS_122
：
Figure SMS_123
，
基于RF的管片最大变形量目标函数
Figure SMS_124
：
Figure SMS_125
，
基于RF的成本目标函数
Figure SMS_126
：
Figure SMS_127
，
其中
Figure SMS_128
分别表示管片厚度、管片幅宽、管片配筋率、总推力、土仓压力、刀盘扭矩、推进速度、注浆量、地层粘聚力、地层内摩擦角、隧道埋深。
（5）确定约束范围
根据工程实际情况设置各个影响因素参数的约束范围。利用MOMPA算法进行盾构管片参数寻找最优解时首先要对初始种群的决策范围进行设定，保证初始种群具有实际意义。为避免优化的盾构机参数结果与盾构机的工程实际参数相差过大造成参数调节跨度大而可能存在安全隐患，故本专利根据选取的样本中各个输入参数的波动范围作为主要参考来设定初始决策变量的范围：
Figure SMS_129
。
（6）基于MOMPA的多目标优化及决策
在进行MOMPA多目标优化之前，首先确定遗传算法的目标数量、种群规模、交叉变异算子取值以及优化停止标准，考虑到适当的种群规模和迭代次数可以促进多目标优化的收敛性，本文取MOMPA算法的交叉算子为0.7，变异算子为0.01，种群大小为100，最大进化代数和停止代数为80。参数设置完成后运行MOMPA算法，得到了Pareto前沿解84对，对应的参数及优化结果见图14中的表2。以地表沉降、管片最大轴向应力、成本为例，Pareto前沿解图见图12。
为了从多个决策方案中选取最优方案，本文采用模糊决策法进行方案选择。首先，计算Pareto解集中每个解对于各优化目标的隶属度，然后根据式（10）和（12）计算每组解的综合支配值，根据支配值大小判断方案综合性能的优劣，计算得到第68组解的综合支配值为0.03，明显高于其他解，为最优解，将该解对应的输入参数作为最优控制方案，见图15中的表3。由图15中的表3可以看出，最优控制方案的地表沉降、管片最大轴向应力、最大变形量、成本，相比于原始数据样本的平均值，分别降低6.03%、9.03%、3.61%、1.48%。可以看出最优方案的4个目标均得到了优化。同时，对应的管片厚度为0.27m、幅度为1.12m、配筋率为0.61%。可以为类似工程隧道设计提供参考。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于BO-RF-MOMPA混合算法的盾构隧道优化设计方法，其特征在于，包括以下步骤：
步骤一：分析盾构隧道施工阶段引起隧道变形的敏感因素，建立指标体系，采集盾构掘进过程中的实际监测数据并结合地质勘查，构建样本数据集；
步骤二：基于样本数据集，建立基于BO-RF的地表沉降、管片最大轴向压力、管片最大变形量、成本预测模型并检验；
步骤三：将预测模型所得的非线性映射关系函数作为目标优化适应度函数，构建基于BO-RF-MOMPA的多目标优化模型，提出盾构管片参数建议设置范围。
2.根据权利要求1所述的方法，其特征在于，步骤一中，所述盾构隧道施工扰动下，引起隧道变形及管片设计的敏感因素包括：管片厚度
Figure QLYQS_3
、管片幅宽
Figure QLYQS_5
、管片配筋率
Figure QLYQS_8
、总推力
Figure QLYQS_2
、土仓压力
Figure QLYQS_4
、刀盘扭矩
Figure QLYQS_9
、推进速度
Figure QLYQS_11
、注浆量
Figure QLYQS_1
、地层粘聚力
Figure QLYQS_6
、地层内摩擦角
Figure QLYQS_7
、隧道埋深
Figure QLYQS_10
。
3.根据权利要求1所述的方法，其特征在于，步骤二具体包括以下步骤：
（21）对样本数据集中的数据进行归一化预处理，以消除不同样本特征尺寸对预测精度和效率的影响；
（22）用贝叶斯优化对RF的关键参数进行优化，选择最优参数组合，基于最优参数组合建立BO-RF预测模型；
（23）对BO-RF预测模型的预测值和真实值进行拟合，并利用均方误差和拟合优度对模型精度和误差进行评价。
4.根据权利要求3所述的方法，其特征在于，所述BO-RF预测模型的建立具体包括以下步骤：
（221）BO-RF预测模型超参数确定：
建立RF模型的过程中， RF模型参数包括有决策树数量、决策树最大深度、节点划分所需最小样本数以及叶子节点最少样本数；
（222）采用贝叶斯优化算法对RF模型的超参数进行优化；
（223）随机将样本数据集中的样本数据划分为训练样本集和测试样本集，采用训练样本集对超参数优化后的模型进行训练，并基于python建立BO-RF预测模型。
5.根据权利要求4所述的方法，其特征在于，步骤（222）具体包括以下步骤：
（2221）采用高斯函数建立目标函数的统计模型
对于预测点
Figure QLYQS_12
，其预测后验分布为高斯分布
Figure QLYQS_13
，其中
Figure QLYQS_14
为均值，
Figure QLYQS_15
为方差，对高斯过程均值函数进行典型的零均值假设；
（2222）采用期望改进构建下一个采样点的采集函数：
Figure QLYQS_16
（4）
Figure QLYQS_17
（5）
其中，
Figure QLYQS_18
分别表示当前的最大值、期望损失值和累积分布函数，
Figure QLYQS_19
表示
Figure QLYQS_20
的方差，
Figure QLYQS_21
表示概率密度函数。
6.根据权利要求1所述的方法，其特征在于，所述步骤三包括以下步骤：
（31）确定目标函数
引入RF回归预测算法替代传统数学关系式作为多目标遗传算法中的适应度函数，以反映盾构施工扰动下，地表沉降、管片最大轴向压力、管片最大变形量、成本之间存在的复杂非线性关系；
（32）确定约束范围
根据工程要求和项目已有数据对目标决策参数的取值设定约束条件；
（33）MOMPA多目标优化
采用MOMPA算法实现盾构管片参数的多目标优化，以确定隧道的盾构管片参数Pareto最优解集，并保证地表沉降、管片最大轴向压力、管片最大变形量的安全及成本的有效控制。
7.根据权利要求1所述的方法，其特征在于，MOMPA算法优化过程包括三个主要优化阶段：
（331）高速比v≥10或猎物移动速度快于捕食者时，捕食者的策略是根本不移动；
（332）单位速度比或捕食者和猎物以几乎相同的速度移动时：猎物负责开发，捕食者负责探索，根据规则，如果猎物在Lévy中移动，捕食者的策略是布朗运动；
（333）当捕食者移动速度快于猎物时，速度比较低，捕食者的策略是Lévy。
8.根据权利要求1所述的方法，其特征在于，利用MOMPA算法获取Pareto最优解具体如下：
Step1：对Pareto解集中的每个解定义隶属度函数
Figure QLYQS_22
，计算每个解对于各优化目标的隶属度，根据优化目标的优化方向，隶属度计算分为两种情况：
1）当优化目标为最小化时，隶属度函数
Figure QLYQS_23
为：
Figure QLYQS_24
（10）
2）当优化目标为最大化时，隶属度函数
Figure QLYQS_25
为：
Figure QLYQS_26
（11）
其中，
Figure QLYQS_27
表示Pareto解集中第j个解对于第i个目标的隶属度，
Figure QLYQS_28
表示解集中第i个目标的最大值，
Figure QLYQS_29
表示解集中第i个目标的最小值，
Figure QLYQS_30
表示Pareto解集中第j个解对应第i个目标的值;
Step2：根据每个解对于各个优化目标的隶属度，计算每个Pareto最优解的综合支配值，第j个解的支配值
Figure QLYQS_31
的计算如下：
Figure QLYQS_32
（12）
其中，m表示优化的目标个数，n表示通过MOMPA算法获取的Pareto解集中解的数量；
Step3：根据综合支配值最大原则选择最大支配值对应的Pareto解为最优折衷解。
9.一种基于BO-RF-MOMPA的盾构隧道优化设计设备，其特征在于，包括：第一主模块：分析盾构隧道施工阶段引起隧道变形的敏感因素，建立指标体系，采集盾构掘进过程中的实际监测数据并结合地质勘查，构建样本数据集；第二主模块，基于样本数据集，建立基于BO-RF的地表沉降、管片最大轴向压力、管片最大变形量、成本预测模型并检验；第三主模块，将预测模型所得的非线性映射关系函数作为目标优化适应度函数，构建基于BO-RF-MOMPA的多目标优化模型，提出盾构管片参数建议设置范围。
10.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器和通信接口；其中，
所述处理器、存储器和通信接口相互间进行通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行权利要求1至8任一项权利要求所述的方法。
CN202310243415.0A 2023-03-14 2023-03-14 基于bo-rf-mompa的盾构隧道优化设计方法及设备 Active CN115952590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310243415.0A CN115952590B (zh) 2023-03-14 2023-03-14 基于bo-rf-mompa的盾构隧道优化设计方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310243415.0A CN115952590B (zh) 2023-03-14 2023-03-14 基于bo-rf-mompa的盾构隧道优化设计方法及设备

Publications (2)

Publication Number Publication Date
CN115952590A true CN115952590A (zh) 2023-04-11
CN115952590B CN115952590B (zh) 2023-06-13

Family

ID=85891411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310243415.0A Active CN115952590B (zh) 2023-03-14 2023-03-14 基于bo-rf-mompa的盾构隧道优化设计方法及设备

Country Status (1)

Country Link
CN (1) CN115952590B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150826A (zh) * 2023-10-31 2023-12-01 中铁十四局集团有限公司 适用于同步推拼系统的油缸推力精确分配方法及系统
CN117786824A (zh) * 2024-02-27 2024-03-29 华东交通大学 一种基于多目标优化的隧道环境参数设计方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259481A (zh) * 2020-01-21 2020-06-09 哈尔滨工业大学 一种整合空间信息的建筑室内光环境设计评价方法及装置
US20200184131A1 (en) * 2018-06-27 2020-06-11 Dalian University Of Technology A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction
CN112417573A (zh) * 2020-12-10 2021-02-26 华中科技大学 基于ga-lssvm与nsga-ⅱ盾构下穿既有隧道施工多目标优化的方法
CN113297660A (zh) * 2021-06-05 2021-08-24 西北工业大学 一种基于多目标的建筑方案阶段节能优化设计模式构建方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200184131A1 (en) * 2018-06-27 2020-06-11 Dalian University Of Technology A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction
CN111259481A (zh) * 2020-01-21 2020-06-09 哈尔滨工业大学 一种整合空间信息的建筑室内光环境设计评价方法及装置
CN112417573A (zh) * 2020-12-10 2021-02-26 华中科技大学 基于ga-lssvm与nsga-ⅱ盾构下穿既有隧道施工多目标优化的方法
CN113297660A (zh) * 2021-06-05 2021-08-24 西北工业大学 一种基于多目标的建筑方案阶段节能优化设计模式构建方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAI GUO, LIMAO ZHANG: "Muliti-objective optimization for improved project management: Current status and future directions", AUTOMATION IN CONSTRUCTION *
周诚;余群舟;: "基于MAMPSO-RBFNN的盾构地表变形时空演化智能预测", 施工技术 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150826A (zh) * 2023-10-31 2023-12-01 中铁十四局集团有限公司 适用于同步推拼系统的油缸推力精确分配方法及系统
CN117150826B (zh) * 2023-10-31 2024-01-23 中铁十四局集团有限公司 适用于同步推拼系统的油缸推力精确分配方法及系统
CN117786824A (zh) * 2024-02-27 2024-03-29 华东交通大学 一种基于多目标优化的隧道环境参数设计方法及系统
CN117786824B (zh) * 2024-02-27 2024-06-04 华东交通大学 一种基于多目标优化的隧道环境参数设计方法及系统

Also Published As

Publication number Publication date
CN115952590B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN115952590A (zh) 基于bo-rf-mompa混合算法的盾构隧道优化设计方法及设备
CN114969953B (zh) 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备
CN108846526A (zh) 一种二氧化碳排放量预测方法
CN101533000A (zh) 一种构建水体富营养化风险分析模型的方法
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
Mikaeil et al. An extended multifactorial fuzzy prediction of hard rock TBM penetrability
CN115115129A (zh) 一种基于加权随机森林的tbm施工速度预测方法
CN114792044A (zh) 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统
CN114418469B (zh) 基于lgbm-nsga-ⅲ的盾构近接施工参数多目标优化方法及设备
CN117786794A (zh) 一种盾构下穿既有隧道变形优化控制方法及系统
CN101976307A (zh) 印染流程污水监测指标时间约束关联规则挖掘算法
CN116050603A (zh) 基于混合智能方法的暗挖隧道变形预测和优化方法及设备
Song et al. A hybrid stacking framework optimized method for TBM performance prediction
Liu et al. An AI-powered approach to improving tunnel blast performance considering geological conditions
Zhou et al. Hybrid random forest-based models for predicting shear strength of structural surfaces based on surface morphology parameters and metaheuristic algorithms
CN117828715A (zh) 基于NGBoost-NSGA-Ⅲ的盾构隧道绿色智能设计方法及设备
CN118133104A (zh) 一种深层海相页岩气井岩相快速识别方法
CN111460737B (zh) 泥水气压平衡盾构的智能沉降预测方法及系统
CN116402339A (zh) 一种盾构隧道施工风险等级评估方法、系统、设备及介质
CN115577626A (zh) 一种基于土质参数量化的地面沉降预测方法及系统
Fu et al. TBM tunneling strata automatic identification and working conditions decision support
Nematolahi et al. Predicting saturated hydraulic conductivity using particle swarm optimization and genetic algorithm
CN114818493A (zh) 一种隧道岩体完整程度定量评价的方法
Aguilar et al. Machine Learning in Foundation Design and More
Yaychi et al. Estimating Axial Bearing Capacity of Driven Piles Using Tuned Random Forest Frameworks

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