CN116050603A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116050603A CN116050603A CN202211738891.1A CN202211738891A CN116050603A CN 116050603 A CN116050603 A CN 116050603A CN 202211738891 A CN202211738891 A CN 202211738891A CN 116050603 A CN116050603 A CN 116050603A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- parameters
- optimization
- deformation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005457 optimization Methods 0.000 claims abstract description 101
- 238000010276 construction Methods 0.000 claims abstract description 78
- 238000007637 random forest analysis Methods 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 239000002689 soil Substances 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 239000011435 rock Substances 0.000 claims description 26
- 230000005641 tunneling Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 17
- 238000003066 decision tree Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000009412 basement excavation Methods 0.000 claims description 9
- 238000009933 burial Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000005422 blasting Methods 0.000 claims description 8
- 239000010410 layer Substances 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 239000002344 surface layer Substances 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 21
- 230000000694 effects Effects 0.000 description 18
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003014 reinforcing effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Classifications
-
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明属于隧道变形控制技术领域,并具体公开了一种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。包括:基于小间距暗挖隧道施工参数的监测数据,确定影响参数,进行数据预处理;利用贝叶斯(BO)优化随机森林(RF)预测模型参数,进行超参数优化与影响参数重要性排序,得到预测结果;基于预测得到的优化目标与影响参数间的非线性回归映射关系,建立NSGA‑Ⅲ模型中的目标优化函数,获取Pareto前沿解集,实现小间距暗挖隧道施工的多目标优化。本发明结合BO‑RF‑NSGA‑Ⅲ构建小间距暗挖隧道变形预测和优化控制模型,实现了对地表沉降、隧道拱顶沉降和隧道拱腰沉降的超前预测,为小间距暗挖隧道的施工操作提供依据和指导。
Description
技术领域
本发明属于隧道变形控制技术领域,具体地,涉及一种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,更具体的,涉及一种基于BO(Bayesian-Optimization)-RF(Random Forest)-NSGA-Ⅲ的小间距暗挖隧道变形预测和优化控制方法及系统。
背景技术
在小近距暗挖隧道施工过程中,掌子面的推进引起地表沉降与相邻隧道沉降变形,存在难以避免的安全风险问题。通过对引起地表沉降及相邻并行隧道变形的关键施工影响因素进行调整和优化处理,对暗挖隧道变形进行预测,可有效控制小间距暗挖隧道施工风险。准确的小近距隧道变形预测在提高隧道安全方面发挥着重要作用。隧道小近距施工产生的地表沉降及隧道沉降变形可以借助具有直接物理意义的施工参数作为输入变量进行预测。并结合NSGA-III方法实现多目标优化,针对小间距暗挖隧道关键风险的重点控制因素优化设计,建立BO-RF-NSGA-Ⅲ多目标智能优化预测模型。
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混合智能方法的暗挖隧道变形预测和优化方法及设备,其引入BO-RF-NSGA-Ⅲ的小间距暗挖隧道变形预测和优化控制方法,对机器学习在工程领域的应用为小间距暗挖隧道变形预测及优化提供了新的思路和解决方法。为小间距暗挖隧道施工操作提供指导和参考,本发明利用贝叶斯(Bayesian-Optimization,BO)优化随机森林(Random forest,RF)预测模型参数,并结合NSGA-Ⅲ,提出了一种小间距暗挖隧道变形预测及优化框架,构建了小间距暗挖隧道变形预测系统。该小间距暗挖隧道智能预测方法和系统首先结合实际小间距暗挖隧道施工工况,筛选确定影响参数,调动施工监测数据库中的相关数据进行预处理,然后基于贝叶斯优化随机森林进行超参数优化和重要性排序,建立预测模型,最后依据预测模型建立目标优化函数,基于NSGA-Ⅲ进行多目标优化,得到最优的Pareto解,为小间距暗挖隧道的掘进施工提供了及时有用的信息和指导。
为实现上述目的,按照本发明的一个方面,提出了一种基于混合智能方法的暗挖隧道变形预测和优化方法,包括以下几个步骤:
步骤一:基于小间距暗挖隧道施工参数的监测数据,确定影响参数,进行数据预处理;
步骤二:利用贝叶斯优化RF预测模型参数,进行超参数优化与影响参数重要性排序,得到预测结果;
步骤三:基于预测得到的优化目标与影响参数间的非线性回归映射关系,建立NSGA-Ⅲ模型中的目标优化函数,获取Pareto前沿解集,实现小间距暗挖隧道施工的多目标优化。
进一步的,步骤一所述的基于小间距暗挖隧道施工参数的监测数据,确定影响参数,进行数据预处理,包括如下步骤:
(1)确定影响参数
对小间距暗挖隧道施工过程进行分析以及参考大量的实践经验和相关文献可以确定四类主要的影响参数,分别为几何参数、围岩参数、爆破参数以及掘进参数。提出了一个影响地表沉降与相邻隧道沉降变形的输入指标体系:隧道埋深(x1)、跨覆比(x2)、隧道中线间距(x3)、中夹岩层厚度(x4)、围岩强度(x5)、土体弹性模量(x6)、土体粘聚力(x7)、土体内摩擦角(x8)、土体密度(x9)、周边眼间距(x10)、炮孔密集系数(x11)、光面层厚度(x12)、掘进速度(x13)、掌子面纵向间距(x14)、土体加固强度(x15)。
(2)数据预处理
在训练模型之前,需要对样本集的数据进行归一化处理,消除不同样本的特征值维数对预测效率和精度的影响。本说明将对不同目标的数据样本归一化到[-1,1]区间,使输入变量间可以直接进行比较,避免不同目标的不同量级对后续优化造成影响,归一化公式如下:
式中,y是归一化标准值,ymax和ymin通常为1和-1,x是样本值,xmax和xmin为样本值的最大值和最小值。
作为进一步优选的,步骤二中所述的利用贝叶斯优化RF预测模型参数,进行超参数优化与影响参数重要性排序,得到预测结果,包括以下步骤:
(1)超参数优化
RF算法参数的不同取值会直接影响模型的回归预测效果,因此采用RF预测算法训练样本时,首先需要对预测模型中的重要参数进行调参。RF预测模型需要调参的参数主要有三个,分别为随机森林模型中决策树最大深度(max_depth),每个节点处随机抽取的最大特征个数(max_features)和弱学习器最大迭代次数(n_estimators),这三个参数的取值大小对RF模型的预测性能有直接影响,参数取值越大,模型的回归拟合性能越好,然而,当参数取值过大时,计算量增大,对模型的预测性能提升可以忽略不计。因此,需要合理设置超参数以达到模型的最佳预测性能。
(2)特征重要性
随机森林算法在作为一种集成学习算法,不仅可以进行变量的预测,还可以利用训练模型计算特征参数的重要性。通过计算施工参数的重要性,指标筛选,综合考虑工程实际情况和控制要求,选取掘进过程中重点关注的施工参数进行侧重管理,从而减小地表沉降。
为了增强决策树的多样性,对训练集进行有放回的随机取样,抽取个数为训练数据的数据量的数据,创建一个数据集。若训练数据有n个样本,同一样本每次被抽到地概率为则不被抽到的概率为m次都没被抽到的概率为这些数据被称为袋外数据(OOB)。
RF算法基于袋外数据误差来进行输入变量的重要性评价,通过衡量随机置换后的均方残差减小量(%Inc MSE)和模型精确度的减小量(Inc Node Purity)来评价特征变量的重要性,其流程为:
第一步:建立回归决策树。假设随机森林有m颗决策树,用随机森林模型对袋外数据进行预测,可以得到b个袋外数据的均方残差,分别为MSE1,MSE2,…,MSEb其计算式如下:
其中yi表示袋外数据中因变量的真实值;表示回归模型预测值,随机改变袋外数据第j个特征变量Xj的值,并计算新的袋外误差准确度MSEj值。
第二步:生成误差矩阵。当构建回归决策树进行分裂时,特征变量是随机选取的,将变量Xj在b个袋外数据样本中随机置换,则可以形成一个新的OOB测试集,用已经建立的随机森林回归模型对新的测试集再次进行预测,可以得到新的OOB残差均方MSEij,生成误差矩阵A为:
其中P为影响因素变量的个数;b为训练样本集的个数。
第三步:进行重要性评分。用MSE1,MSE2,…,MSEb与矩阵A的对应行相减,对其取平均值后再除以标准误差就可以得到变量Xi的均方残差平均减小量,即特征变量的重要性评分VIMi(MSE),可表示为:
其中,MSEj为第j个样本的均方残差;SE为标准误差。特征变量的重要性评分越高,说明该变量对模型结果重要程度越高。
(3)预测模型精度评估
通过随机森林算法得到的预测模型还需评价模型的预测精度,因此引入均方根误差RMSE和拟合优度R2来检验模型的精度。其中,RMSE是衡量真实值与预测值之间的偏差的,模型拟合效果越好时其值越接近0;R2是用来衡量样本的离散程度的,其取值范围为0~1,模型拟合效果越好时其值越接近1。各指标通过以下方程式计算:
式中,n为样本数,yi表为实际观测值;为实际观测值的平均值;fi为预测值。
为了进一步验证本发明所建立的贝叶斯优化RF预测模型的可靠性,将贝叶斯优化RF预测模型与其他常用模型的预测性能进行比较。反向传播神经网络(BPNN)、支持向量机(SVM)和梯度增强决策树(GBDT)是用于地表变形和隧道沉降变形的常用方法,因此选择反向传播神经网络(BPNN)、支持向量机(SVM)和梯度增强决策树(GBDT)三种模型进行对比。为了使模型对比的结果更加公平,反向传播神经网络(BPNN)、支持向量机(SVM)和梯度增强决策树(GBDT)这三种预测模型与贝叶斯优化RF预测模型采用相同的编程环境、性能评价指标和数据样本。
作为进一步优选的,步骤三中所述的基于预测得到的优化目标与影响参数间的非线性回归映射关系,建立NSGA-Ⅲ模型中的目标优化函数,获取Pareto前沿解集,实现小间距暗挖隧道施工的多目标优化及预测,包括以下步骤:
(1)设计情景分析
隧道掘进过程中的安全、成本和工期是进行施工参数控制决策的重点关注问题,但施工安全风险和成本的降低以及工期的缩短往往很难同时达到最优。为了同时考虑多个决策目标,从小间距暗挖隧道施工过程中的几何参数、围岩参数、爆破参数以及掘进参数作为决策变量,选取地表沉降与相邻隧道沉降变形最小化为目标,构建多目标优化问题。
在实际工程中只有少数施工操作参数可以进行调整,同时调整所有参数需要大量的资源,不符合成本效益,因此需要基于施工参数重要性和影响规律确定多目标优化的约束参数,并通过调整参数设计不同的场景,进行情景分析。
(2)建立目标优化函数
进行多目标优化之前,需要建立施工参数与三个优化目标之间的目标优化函数。利用随机森林预测模型得到地表沉降、相邻隧道沉降变形与土体加固强度、掘进速度及掌子面纵向间距的非线性函数关系,可根据经验公式获得目标函数,将三者的函数关系作为NSGA-Ⅲ算法的适应度函数。
(3)设置参数约束范围
在进行参数的优化设计时,为了确保生成的优化方案能够合理实施,需要设定各个参数的约束范围。为了避免NSGA-Ⅲ算法优化后的参数与工程实的参数存在较大的出入,实际工程无法实现,需要对施工参数进行约束,约束条件一般表达为:
bbl<xi<bul (7)
其中,xi代表第i个输入参数,bbl和bul分别表示第i个设计参数值的下限和上限。
(4)NSGA-Ⅲ多目标优化
基于NSGA-Ⅲ算法对设置的多目标进行优化的步骤如下:
1)设置一个初始种群表示为Pt,根据给定的变量边界限制,随机生成决策变量,从而生成一个具有N个个体的初始化种群。
2)对第一代种群进行选择、交叉、变异操作,得到与第一代种群规模相同的首批子代种群。合并两个种群,得到一个双倍规模的种群;
3)对双倍规模种群进行非支配排序,确定个体的非支配层级。按照降序等级依次保留个体,直到下一代子代的集合大于初始种群的规模。记下此时的非支配层级。
4)选取当前种群中个体的每一维目标的最小值,构成当前种群的理想点:
式中,为各目标函数的最小取值。
将种群做平移操作,将理想点变为原点。对每个目标函数进行标量化操作,寻找极值点,算出对应坐标轴上的截距,并进行归一化运算。
5)计算多个目标函数上的参考点,成的参考点的数目取决于目标向量的维数M和另一个正整数H,如下式所示:
该方程解的数目可以按下式计算:
设(xj,1,xj,2,...,xj,m)T是方程的第j个解,参考点λj为:
理想点与参考点的连线作为参考线L,计算种群中的个体到各参考线的距离,个体与参考线距离最近则将该个体与对应的参考线建立联系。假设u是f(x)在参考线L上的投影,dj,1(x)是原点和u之间的距离,dj,2(x)是从f(x)到线L的垂直距离。距离计算公式为:
6)筛选子代与删除参考点,每个参考点进行遍历,寻找到被引用次数最少的参考点,也即被数量最少的种群个体所关联的参考点。假如这个参考点关联的种群个体数量为零,在有个体被关联到这个参考点向量,从中寻找距离最小的点并抽取,加入到被选择的下一代种群中,并被引用次数+1;如果没有个体被引用到该参考点,则删除该参考点向量,倘若被引用次数>0,则从中选择距离最近的参考点直到种群规模为N为止,获取Pareto最优解集。
7)本发明采用理想点法从Pareto解集中选取最优解。
以三目标优化为例,先计算出在Pareto前沿中各个解的点与理想点之间的距离,计算公式如下:
式中,Di为所有点的平均值与理想点之间的距离,(xi,yi,zi)为最优Pareto前沿点对应的坐标,(xEpoint,yEpoini,zEpoint)为理想点对应的坐标,距离最小的点为最优点,即优化后的Pareto前沿中各个点与理想点之间的距离算公式如下:
Dopt=min(Di) (14)
因此,可以使用理想点法可从Pareto解集中确定一个最优解。
按照本发明的另一个方面,还提供了一种基于BO-RF-NSGA-Ⅲ的小间距暗挖隧道变形预测和优化控制系统,包括:第一主模块:基于小间距暗挖隧道施工参数的监测数据,进行数据预处理;第二主模块,利用贝叶斯优化RF预测模型参数,进行超参数优化与影响参数重要性排序,得到预测结果;第三主模块,基于预测得到的优化目标与影响参数间的非线性回归映射关系,建立NSGA-Ⅲ模型中的目标优化函数,获取Pareto前沿解集,实现小间距暗挖隧道施工的多目标优化及预测。
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。
按照本发明的另一个方面,一种非暂态计算机可读存储介质,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。
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.本发明对于采集的初始数据进行预处理,在此基础上利用RF进行重要性排序和特征选择,分别得到了地表沉降、隧道拱顶沉降及隧道拱腰沉降预测的最优参数集,为基于贝BO-RF-NSGA-Ⅲ的小间距暗挖隧道变形预测和优化控制提供了条件。
2.本发明采用贝叶斯优化确定了RF预测模型的最优超参数,基于选择的超参数构建地表沉降、隧道拱顶沉降及隧道拱腰沉降预测模型,实现准确的小间距隧道暗挖风险超前预测,为小间距隧道暗挖的施工操作提供参考。
附图说明
图1为本发明实施例提供的基于基于BO-RF-NSGA-Ⅲ的小间距暗挖隧道变形预测和优化控制方法和系统的流程图;
图2中的(a)、(b)、(c)为本发明实施例提供的随机森林算法超参数优化结果示意图;
图3中的(a)、(b)、(c)为本发明实施例提供的影响因素重要性分布示意图;
图4中的(a)、(b)、(c)为本发明实施例提供的贝叶斯优化随机森林小间距隧道风险预测结果图;
图5中的(a)、(b)、(c)、(d)、(e)、(f)、(g)、(h)为本发明实施例提供的NSGA-III三目标优化Pareto解结果图。
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,本发明提出的基于BO-RF-NSGA-Ⅲ的小间距暗挖隧道变形预测和优化控制和系统,主要包括以下步骤:
(1)参数选取
对小间距暗挖隧道施工过程进行分析以及参考大量的实践经验和相关文献可以确定四类主要的影响参数,分别为几何参数、围岩参数、爆破参数以及掘进参数。本文提出了一个影响地表沉降与相邻隧道沉降变形的输入指标体系,如表1所示:隧道埋深(x1)、跨覆比(x2)、隧道中线间距(x3)、中夹岩层厚度(x4)、围岩强度(x5)、土体弹性模量(x6)、土体粘聚力(x7)、土体内摩擦角(x8)、土体密度(x9)、周边眼间距(x10)、炮孔密集系数(x11)、光面层厚度(x12)、掘进速度(x13)、掌子面纵向间距(x14)、土体加固强度(x15)。
表1 15个影响地表沉降及隧道沉降变形的输入指标及其定义
隧道埋深对小间距暗挖隧道施工地表沉降有着直接的影响,随着隧道埋深的增加,地表横向沉降逐渐减小,沉降槽宽度逐渐增大。覆跨比是估算地表沉降的关键变量之一,可能会对隧道沉降造成不利影响。隧道中线间距是反应平行隧道开挖施工走向的重要依据,对掌子面掘进产生的相互作用具有重要影响。隧道施工中对中夹岩的影响最为直接,通过对中夹岩层产生扰动,破坏其稳定性,进而危害相邻隧道。中夹岩厚度的增加会削弱一部分消极影响。土体的强度、弹性模量、内摩擦角、粘聚力和密度越大,导致土体之间及土体和设备之间的摩擦力越大,导致掌子面推力变大,推进速度变慢,出土困难,地表沉降减小。爆破施工中周边眼关系到隧洞的成型,间距不宜过大,炮孔密集系数及光面层厚度均对爆破效果影响较大。掘进速度过快会加大对土体的扰动,影响隧道的稳定性,过慢会影响工期,降低经济效益,需进行合理取值。掌子面纵向间距会对中夹岩柱的塑性区重要影响,是小间距并行隧道施工过程中不可忽略的因素。
(2)数据预处理
通过现场实时数据记录和监控,得到部分施工数据,表1为所得数据的详细信息,输入、输出参数的分布如所示。
表1暗挖隧道施工数据的详细信息
(3)超参数优化
在应用机器学习算法对地表沉降和隧道沉降变形进行预测前,需要对各机器学习模型的超参数进行调优,可以提高模型预测的准确性。为了获得最佳的预测结果,设置最大特征数max_features默认为auto,对max_depth以及n_estimators进行优化调整,训练性能评估指标为均方误差MSE,将max_depth和n_estimators设定一个初始范围,分别为[7,10]和[0,100]。
通过贝叶斯优化算法求得的最优超参数,在图2(a)中,当n_estimators=69,max_depth=8时,模型达到最优,MSE为0.0145;在图2(b)中,当n_estimators=77,max_depth=9时,模型达到最优,MSE为0.0042;在图2(c)中,当n_estimators=65,max_depth=7时,模型达到最优,MSE为0.0152。
(4)重要性排序
各参数指标之间存在一定的关联性,因此不能单一地对某一参数对地表沉降的影响进行定性分析。特征重要性分析可以发现不同特征与预测目标间的关系,有助于理解和发现影响地表沉降的敏感因素,进而进行严格控制。因此可以借用随机森林算法,分别以地表沉降、既有隧道拱顶沉降变形和既有隧道拱腰沉降变形为预测指标,计算每一个特征的重要性,并对这些特征进行重要性排序,结果如图3所示。
施工参数对地表沉降的影响主次因素为:掌子面纵向间距>掘进速度>周边眼间距>光面层厚度>炮孔密集系数>土体加固强度>围岩强度>土体弹性模量>土壤粘聚力>土体密度>中夹岩层厚度>隧道中线间距>隧道埋深>覆跨比>内摩擦角。施工参数对隧道拱顶沉降的影响主次因素为:掌子面纵向间距>掘进速度>土体加固强度>周边眼间距>光面层厚度>炮孔密集系数>中夹岩层厚度>隧道中线间距>围岩强度>土体弹性模量>土壤粘聚力>隧道埋深>覆跨比>土体密度>内摩擦角。施工参数对隧道拱腰沉降的影响主次因素为:掌子面纵向间距>掘进速度>土体加固强度>中夹岩层厚度>周边眼间距>光面层厚度>炮孔密集系数>隧道中线间距>围岩强度>土体弹性模量>土壤粘聚力>隧道埋深>覆跨比>土体密度>内摩擦角。研究结果表明:
1)掌子面纵向间距为小间距暗挖施工参数对地表沉降和隧道沉降变形影响最大的主要因素。掌子面纵向距离的变化改变了洞室围岩压力的分布,从而使洞室的施工力学反映有所不同,掌子面纵向距离增大可以避免两洞室对周边围岩扰动效应的叠加,并可充分利用先行洞室支护结构的加固效应以减小后行洞室的施工影响作用。
2)边眼间距、光面层厚度和炮孔密集系数均是爆破施工相关影响因素,对地表沉降的扰动是相似的。合理控制爆破施工技术,可以有效控制围岩土体的超挖、欠挖,较少对土体的扰动危害。掘进速度直接影响开挖施工对围岩结构的扰动时间,适当的提高掘进速度,可以有效降低时空效应带来的土体及隧道的沉降变形。
3)我国的隧道工程中根据埋深将隧道分为深埋隧道和浅埋隧道两大类,临界深度以隧道顶部盖层能否形成压力拱自然拱为原则确定的。根据埋深的不同,围岩压力的计算方法有所调整。当隧道埋深较浅时,施工过程中由于地层损失而引起地面移动明显,对周边环境的影响较大,同时围岩压力与隧道埋深密切相关,埋深和跨覆比的改变直接决定着围岩压力的变化,是关系围岩稳定性的重要影响因素。
4)中夹岩层厚度直接影响后行隧道拱腰出变形情况,厚度越大,后行隧道拱腰所受应力越小。施工参数和几何参数对地表沉降的影响大于和地质参数。图3显示,土壤粘聚力和内摩擦角的影响相对较小,这是由于本研究项目掘进过程中土壤参数和集合参数变化较小导致的。
(5)预测结果分析
在监测获得的300组数据中,选取260组数据作为训练集对模型进行训练,剩下40组数据作为测试集对模型进行验证。根据随机森林预测模型对地表沉降、刀盘磨损和掘进速度进行建立训练模型和模型拟合预测,对于预测的结果由式(16)和(17)计算均方误差(RMSE)、拟合优度(R2),结果如图4所示。
从图4中的(a)可以看出随机森林算法通过对训练样本的训练,充分学习了各影响指标与地表沉降之间的关系,训练模型拟合的预测值与地表沉降实际值之间误差较小。将随机森林算法训练后得到的模型对测试集数据进行预测,从图4中的(b)可以更加直观地看出,建立的地表沉降随机森林预测模型对测试集数据的预测值与实际值拟合效果较好。
地表沉降训练集中预测值与实际值计算得到的均方误差RMSE为0.239,拟合优度R2为0.943,测试集的均方误差RMSE为0.233,拟合优度R2为0.946,从两项指标可以看出随机森林算法构建用于地表沉降预测的模型具有很好的预测效果。既有隧道拱顶沉降训练集中预测值与实际值计算得到的均方误差RMSE为0.246,拟合优度R2为0.951,测试集的均方误差RMSE为0.205,拟合优度R2为0.951,从两项指标可以看出随机森林算法构建用于既有隧道拱顶沉降变形预测的模型具有很好的预测效果。既有隧道拱腰沉降变形训练集中预测值与实际值计算得到的均方误差RMSE为0.211,拟合优度R2为0.943,测试集的均方误差RMSE0.243,拟合优度R2为0.932,从两项指标可以看出随机森林算法构建用于地表沉降、既有隧道拱顶沉降变形和既有隧道拱腰沉降变形预测的模型具有很好的预测效果。
为了进一步验证RF预测模型的有效性,将RF与反向传播神经网络(BPNN)、支持向量机(SVM)和梯度增强决策树(GBDT)预测模型的精度进行了比较。表给出了每个预测模型的预测精度,可以看出RF模型在本研究中的预测精度最高。因此,本说明采用RF算法建立盾构参数与控制目标之间的非线性函数关系,作为多目标优化的适应度函数。
表3 4种模型的预测精度
(6)设计情景分析
在实际工程中只有少数施工操作参数可以进行调整,同时调整所有参数需要大量的资源,不符合成本效益,因此基于施工参数重要性和影响规律分析,选择对掘进速度x13、掌子面纵向间距x14、加固土体强度x15这三个对地表沉降、隧道沉降变形影响最大的施工操作参数进行调整,形成了7个场景。在场景1到场景3中,只调整一个施工操作参数,分别为x13、x14或x15;在场景4到场景6中,调整两个施工操作参数,分别为场景4的x13和x14、场景5的x14和x15以及场景6的x13和x15;在场景7中,对三个施工操作参数都进行调整。
表4各情景调整的参数
(7)建立目标优化函数
进行多目标优化之前,需要建立影响参数与优化目标之间的目标优化函数,地表沉降、隧道拱顶沉降、隧道拱腰沉降的目标函数由随机森林算法预测得到的地表沉降与施工参数的拟合关系得到,引入训练好的回归函数作为优化的适应度函数。以场景7为例,基于RF算法的地表沉降、隧道拱顶沉降、隧道拱腰沉降的目标函数为:
式中,f1、f2、f3地表地表沉降、隧道拱顶沉降和隧道拱腰沉降的适应度函数,分别为x13、x14、x15分别为掘进速度、掌子面纵向间距、加固土体强度。
(8)设置参数约束范围
在进行参数的优化设计时,为了使生成的参数组合更加合理可行,还需要根据工程的实际情况及相关规范对各个决策变量设定限制范围。考虑到优化后的施工参数结果与工程实际参数相差过大,会造成参数调节跨度大而产生安全隐患。本文拟参考相关文献规范及实测数据的范围作为主要参考来设定初始参数的范围,具体表示为:
表5输入参数范围表
输入参数 | 参数范围 |
<![CDATA[掘进速度(x<sub>13</sub>)]]> | <![CDATA[1.5m/d≤x<sub>13</sub>≤3m/d]]> |
<![CDATA[掌子面纵向间距(x<sub>14</sub>)]]> | <![CDATA[45m≤x<sub>14</sub>≤110m]]> |
<![CDATA[加固土体强度(x<sub>15</sub>)]]> | <![CDATA[10MPa≤x<sub>15</sub>≤36.5MPa]]> |
(9)优化获取Pareto前沿解集
以地表沉降、既有隧道拱顶沉降变形和既有隧道拱腰沉降变形最小化为优化目标,采用NSGA-Ⅲ算法进行全局寻优,确定操作参数组合的最优解。在RF-NSGA-Ⅲ多目标优化之前,需要确定模型参数的取值。遗传算法的目标数量定为3,种群规模设定为100,交叉算子为0.7,变异算子为0.01,最大进化代数和停止代数为60,确定以上算法参数设置后按照NSGA-Ⅲ算法的步骤进行多目标优化,得到最优Pareto前沿。
图5分别展示了场景1到7的优化结果及对比三个目标在不同场景下的改进程度。不同场景下地表沉降、既有隧道拱顶沉降变形和既有隧道拱腰沉降变形的优化结果如下表6所示。
表6不同情景下三种优化目标改进结果
注:括号内的数值为优化值的平均值与原始数据平均值相比的优化百分比
(10)结果分析
根据多目标优化结果,基于NSGA-Ⅲ算法能够获得多个参数优化方案,本文采用理想点法确定最优解,计算出在Pareto前沿中各个解的点与理想点之间的距离,距离最小的点为最优解。以场景1为例,理想点是指由各个目标在Pareto前沿上的最优值所对应的最优值所组成的点,由图5可知,地表沉降、既有隧道拱顶沉降变形和既有隧道拱腰沉降变形最优值所组成的理想点坐标为E(16.51,22.22,44.89),将点坐标代入距离计算公式(13),分别计算各Pareto解与理想点的距离,根据公式(14)选取距离最小的点作为施工参数多目标优化的最优解,结果为地表沉降形为15.79mm,既有隧道拱顶沉降变形为21.76mm,既有隧道拱腰沉降变为43.63mm。相比于原始数据样本的平均值,平均改进程度为6.74%,七个场景下的最优解如表7所示。
1)该方法可以有效解决多目标问题。七个场景下地表沉降、既有隧道拱顶沉降变形和既有隧道拱腰沉降变形均得到了较好的优化和控制。如图5所示,本文提出的方法有效地构建了所有情况下的帕累托前沿,并生成了不同场景下每种情况的最优解。相比于原始数据样本的平均值,7个场景的平均改进程度为17.51%。通过实例研究验证了多目标优化结果的可参考性。结果表明,基于BO-RF-NSGA-Ⅲ框架得到的解决方案可以同时实现减少地表沉降、既有隧道拱顶沉降变形和既有隧道拱腰沉降变形的三重目标优化。
2)调整的小间距暗挖隧道施工参数越多,地表沉降、既有隧道拱顶沉降变形和既有隧道拱腰沉降变形的优化控制效果越好。如图5中的(h)所示,在场景1~3中,只调整一个施工参数时,其平均改进程度为12.02%;在场景4到场景6同时调整两个施工参数下,其平均改进程度为20.41%;在场景7中同时调整三个施工参数,其平均改进程度达到最高,为25.31%。从图5中的(h)可以看出,场景7产生的Pareto解集最优解的地表沉降、既有隧道拱顶沉降变形和既有隧道拱腰沉降变形比场景1-6产生的Pareto解集最优解小,表明调整三个施工参数能够达到最佳的优化效果,因此,识别和调整更多的小间距暗挖施工操作参数可以增强优化效果。
3)三个目标之间存在冲突,小间距隧道施工操作参数与优化目标之间存在复杂的关系。所示,Pareto前沿解在轴上分布广泛,涵盖了目标f1、f2和f3的两个极端,其中一个目标的达到最优就需以其他两个目标为代价,因此,三个目标之间存在冲突,很难实现同时优化多个目标。此外,不同的隧道暗挖施工操作参数对不同的优化目标的改进程度不同。对于目标f1,考虑参数x13的情景,其平均改进百分比为26.91%,考虑参数x14的情景,其平均改进百分比为38.33%,考虑参数x15的情景,其平均改进百分比为27.23%;对于目标f2,考虑参数x13的情景,其平均改进百分比为15.55%,考虑参数x14的情景,其平均改进百分比为18.92%,考虑参数x15的情景,其平均改进百分比为17.36%;对于目标f3,考虑参数x13的情景,其平均改进百分比为9.85%,考虑参数x14的情景,其平均改进百分比为11.52%,考虑参数x15的情景,其平均改进百分比为10.14%。通过对比发现参数x14对目标f1、目标f2和目标f3的优化改善影响较大。因此,在实际工程中,若对某个目标的控制要求较高,可以通过优先调整相应目标的施工操作参数,来达到较高的改进效率。
按照本发明的另一个方面,还提供了一种基于混合智能方法的暗挖隧道变形预测和优化系统,包括:第一主模块:基于小间距暗挖隧道施工参数的监测数据,进行数据预处理;第二主模块,利用贝叶斯优化RF预测模型参数,进行超参数优化与影响参数重要性排序,得到预测结果;第三主模块,基于预测得到的优化目标与影响参数间的非线性回归映射关系,建立NSGA-Ⅲ模型中的目标优化函数,获取Pareto前沿解集,实现小间距暗挖隧道施工的多目标优化及预测。
本发明实施例的方法是依托电子设备实现的,因此对相关的电子设备有必要做一下介绍。基于此目的,本发明的实施例提供了一种电子设备,该电子设备包括:至少一个处理器(processor)、通信接口(Communications Interface)、至少一个存储器(memory)和通信总线,其中,至少一个处理器,通信接口,至少一个存储器通过通信总线完成相互间的通信。至少一个处理器可以调用至少一个存储器中的逻辑指令,以执行前述各个方法实施例提供的方法的全部或部分步骤。
此外,上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置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的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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计算机可读存储介质中,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)执行各个实施例或者实施例的某些部分所述的方法。
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)
1.一种基于混合智能方法的暗挖隧道变形预测和优化方法,其特征在于,包括以下步骤:
步骤一:基于小间距暗挖隧道施工参数的监测数据,确定影响参数,进行数据预处理;
步骤二:利用贝叶斯优化RF预测模型参数,进行超参数优化与影响参数重要性排序,得到预测结果;
步骤三:基于预测得到的优化目标与影响参数间的非线性回归映射关系,建立NSGA-Ⅲ模型中的目标优化函数,获取Pareto前沿解集,实现小间距暗挖隧道施工的多目标优化。
2.根据权利要求1所述的一种基于混合智能方法的暗挖隧道变形预测和优化方法,其特征在于,步骤一中,所述影响参数包括几何参数、围岩参数、爆破参数以及掘进参数;
根据上述影响参数构建影响地表沉降与相邻隧道沉降变形的输入指标体系:隧道埋深x1、跨覆比x2、隧道中线间距x3、中夹岩层厚度x4、围岩强度x5、土体弹性模量x6、土体粘聚力x7、土体内摩擦角x8、土体密度x9、周边眼间距x10、炮孔密集系数x11、光面层厚度x12、掘进速度x13、掌子面纵向间距x14、土体加固强度x15。
4.根据权利要求1所述的一种基于混合智能方法的暗挖隧道变形预测和优化方法,其特征在于,步骤二中所述的利用贝叶斯优化RF预测模型参数,进行超参数优化与影响参数重要性排序,得到预测结果,包括以下步骤:
(1)超参数优化
采用RF预测算法训练样本时,首先需要对预测模型中的重要参数进行调参,RF预测模型需要调参的参数主要有三个,分别为随机森林模型中决策树最大深度,每个节点处随机抽取的最大特征个数和弱学习器最大迭代次数;
(2)特征重要性
RF算法基于袋外数据误差来进行输入变量的重要性评价,通过衡量随机置换后的均方残差减小量和模型精确度的减小量来评价特征变量的重要性;
(3)预测模型精度评估
引入均方根误差RMSE和拟合优度R2来检验模型的精度。
5.根据权利要求4所述的一种基于混合智能方法的暗挖隧道变形预测和优化方法,其特征在于,所述RF算法基于袋外数据误差来进行输入变量的重要性评价,通过衡量随机置换后的均方残差减小量和模型精确度的减小量来评价特征变量的重要性,具体包括:
(1)建立回归决策树,假设随机森林有m颗决策树,用随机森林模型对袋外数据进行预测,可以得到b个袋外数据的均方残差,分别为MSE1,MSE2,…,MSEb,其计算式如下:
(2)生成误差矩阵,当构建回归决策树进行分裂时,特征变量是随机选取的,将变量Xj在b个袋外数据样本中随机置换,则可以形成一个新的OOB测试集,用已经建立的随机森林回归模型对新的测试集再次进行预测,可以得到新的OOB残差均方MSEij,生成误差矩阵A为:
其中,P为影响因素变量的个数,b为训练样本集的个数。
(3)进行重要性评分,用MSE1,MSE2,…,MSEb与矩阵A的对应行相减,对其取平均值后再除以标准误差就可以得到变量Xi的均方残差平均减小量,即特征变量的重要性评分VIMi(MSE),可表示为:
其中,MSEj为第j个样本的均方残差;SE为标准误差。
6.根据权利要求1所述的一种基于混合智能方法的暗挖隧道变形预测和优化方法,其特征在于,步骤三中所述的基于预测得到的优化目标与影响参数间的非线性回归映射关系,建立NSGA-Ⅲ模型中的目标优化函数,获取Pareto前沿解集,实现小间距暗挖隧道施工的多目标优化及预测,包括以下步骤:
(1)设计情景分析
基于施工参数重要性和影响规律确定多目标优化的约束参数,并通过调整参数设计不同的场景,进行情景分析;
(2)建立目标优化函数
利用随机森林预测模型得到地表沉降、相邻隧道沉降变形与土体加固强度、掘进速度及掌子面纵向间距的非线性函数关系,可根据经验公式获得目标函数,将所述非线性函数关系作为NSGA-Ⅲ算法的适应度函数;
(3)设置参数约束范围
设定各个参数的约束范围,并将盖约束范围作为优化的约束条件,约束条件一般表达为:
bbl<xi<bul
(5)
其中,xi代表第i个输入参数,bbl和bul分别表示第i个设计参数值的下限和上限;
(4)NSGA-Ⅲ多目标优化
基于NSGA-Ⅲ算法对设置的地表沉降、相邻隧道沉降变形与土体加固强度、掘进速度及掌子面纵向间距进行多目标优化。
7.根据权利要求6所述的一种基于混合智能方法的暗挖隧道变形预测和优化方法,其特征在于,所述基于NSGA-Ⅲ算法对设置的地表沉降、相邻隧道沉降变形与土体加固强度、掘进速度及掌子面纵向间距进行多目标优化具体包括:
(1)设置一个初始种群表示为Pt,根据给定的变量边界限制,随机生成决策变量,从而生成一个具有N个个体的初始化种群;
(2)对第一代种群进行选择、交叉、变异操作,得到与第一代种群规模相同的首批子代种群。合并两个种群,得到一个双倍规模的种群;
(3)对双倍规模种群进行非支配排序,确定个体的非支配层级,按照降序等级依次保留个体,直到下一代子代的集合大于初始种群的规模,记下此时的非支配层级;
(4)选取当前种群中个体的每一维目标的最小值,构成当前种群的理想点:
将种群做平移操作,将理想点变为原点,对每个目标函数进行标量化操作,寻找极值点,算出对应坐标轴上的截距,并进行归一化运算;
(5)计算多个目标函数上的参考点,成的参考点的数目取决于目标向量的维数M和另一个正整数H,如下式所示:
该方程解的数目可以按下式计算:
设(xj,1,xj,2,...,xj,m)T是方程的第j个解,参考点λj为:
理想点与参考点的连线作为参考线L,计算种群中的个体到各参考线的距离,个体与参考线距离最近则将该个体与对应的参考线建立联系,假设u是f(x)在参考线L上的投影,dj,1(x)是原点和u之间的距离,dj,2(x)是从f(x)到线L的垂直距离,距离计算公式为:
(6)筛选子代与删除参考点,每个参考点进行遍历,寻找到被引用次数最少的参考点,即被数量最少的种群个体所关联的参考点,假如这个参考点关联的种群个体数量为零,在有个体被关联到这个参考点向量,从中寻找距离最小的点并抽取,加入到被选择的下一代种群中,并被引用次数+1;如果没有个体被引用到该参考点,则删除该参考点向量,倘若被引用次数>0,则从中选择距离最近的参考点直到种群规模为N为止,获取Pareto最优解集。
8.一种基于混合智能方法的暗挖隧道变形预测和优化系统,其特征在于,包括:第一主模块:基于小间距暗挖隧道施工参数的监测数据,进行数据预处理;第二主模块,利用贝叶斯优化RF预测模型参数,进行超参数优化与影响参数重要性排序,得到预测结果;第三主模块,基于预测得到的优化目标与影响参数间的非线性回归映射关系,建立NSGA-Ⅲ模型中的目标优化函数,获取Pareto前沿解集,实现小间距暗挖隧道施工的多目标优化及预测。
9.一种电子设备,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7任一项权利要求所述的方法。
10.一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权利要求1至7中任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211738891.1A CN116050603A (zh) | 2022-12-31 | 2022-12-31 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211738891.1A CN116050603A (zh) | 2022-12-31 | 2022-12-31 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050603A true CN116050603A (zh) | 2023-05-02 |
Family
ID=86128966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211738891.1A Pending CN116050603A (zh) | 2022-12-31 | 2022-12-31 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050603A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383912A (zh) * | 2023-06-02 | 2023-07-04 | 深蓝(天津)智能制造有限责任公司 | 一种提高控制精度的微型电机结构优化方法及系统 |
CN117235874A (zh) * | 2023-11-14 | 2023-12-15 | 中电建铁路建设投资集团有限公司 | 一种基于盾构隧道掘进的轨道变形预测方法及系统 |
-
2022
- 2022-12-31 CN CN202211738891.1A patent/CN116050603A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383912A (zh) * | 2023-06-02 | 2023-07-04 | 深蓝(天津)智能制造有限责任公司 | 一种提高控制精度的微型电机结构优化方法及系统 |
CN116383912B (zh) * | 2023-06-02 | 2023-08-11 | 深蓝(天津)智能制造有限责任公司 | 一种提高控制精度的微型电机结构优化方法及系统 |
CN117235874A (zh) * | 2023-11-14 | 2023-12-15 | 中电建铁路建设投资集团有限公司 | 一种基于盾构隧道掘进的轨道变形预测方法及系统 |
CN117235874B (zh) * | 2023-11-14 | 2024-02-20 | 中电建铁路建设投资集团有限公司 | 一种基于盾构隧道掘进的轨道变形预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN114969953B (zh) | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 | |
CN113326660B (zh) | 基于GA-XGBoost模型的隧道围岩挤压变形预测方法 | |
CN109934398A (zh) | 一种钻爆法施工隧道瓦斯危险等级预测方法和装置 | |
KR101967978B1 (ko) | 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법 | |
Liu et al. | Multi-objective optimization control for tunnel boring machine performance improvement under uncertainty | |
CN106407493A (zh) | 一种基于多维高斯云模型的岩爆等级评价方法 | |
Majdi et al. | Applying evolutionary optimization algorithms for improving fuzzy C-mean clustering performance to predict the deformation modulus of rock mass | |
CN114662699A (zh) | 一种基于机器学习的盾构姿态预测方法 | |
CN115130375A (zh) | 一种岩爆烈度预测方法 | |
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 | |
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 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN116739176A (zh) | 一种基于深度置信网络的隧道机械化施工风险预测方法 | |
CN114387411A (zh) | 基于变权理论隶属度函数的三维地质模型精度评价方法 | |
Chen et al. | A new evaluation method for slope stability based on TOPSIS and MCS | |
CN116933920A (zh) | 一种矿山井下泥石流的预测预警方法及系统 | |
Liu et al. | An AI-powered approach to improving tunnel blast performance considering geological conditions | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
CN115018161A (zh) | 基于非洲秃鹫优化随机森林模型的岩爆智能预测方法 | |
CN113836812B (zh) | 一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法 | |
CN115577626A (zh) | 一种基于土质参数量化的地面沉降预测方法及系统 | |
CN113642785A (zh) | 基于先验信息的空间碎片轨道长期预报方法、系统及设备 | |
Zhang et al. | A semi-Naïve Bayesian rock burst intensity prediction model based on average one-dependent estimator and incremental learning | |
CN116523183B (zh) | 一种废弃矿山高陡边坡安全与生态修复综合评价方法 |
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 |