CN116644799A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116644799A CN116644799A CN202310927023.6A CN202310927023A CN116644799A CN 116644799 A CN116644799 A CN 116644799A CN 202310927023 A CN202310927023 A CN 202310927023A CN 116644799 A CN116644799 A CN 116644799A
- Authority
- CN
- China
- Prior art keywords
- vibration acceleration
- neural network
- network model
- training
- tunneling
- 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
- 230000001133 acceleration Effects 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 96
- 230000005641 tunneling Effects 0.000 title claims abstract description 69
- 238000003062 neural network model Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 230000015572 biosynthetic process Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 16
- 230000035515 penetration Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 11
- 210000000349 chromosome Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 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
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- Geology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种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,涉及隧道机械掘进技术领域,包括确定与振动加速度预测相关的多个影响参数;采集不同现场的多个影响参数值和对应的振动加速度,构建多组样本数据集;根据多组样本数据集分别搭建对应的BP神经网络模型,并利用遗传算法确定每个BP神经网络模型的初始权重和阈值;利用样本数据集训练对应的BP神经网络模型,并计算完成后的BP神经网络模型的精度,将精度最高的BP神经网络模型作为振动加速度预测模型;本发明通过确定推进系统的参数与振动加速度的关联性,从而预测出隧道掘进时的地层振动加速度。
Description
技术领域
本发明涉及隧道机械掘进技术领域,具体而言,涉及一种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。
背景技术
双护盾TBM是集机、电、气、液,以及传感器等于一体的大型全自动岩石掘进机。TBM施工时振动加速度主要发生在掘进阶段,所以掘进参数(总推力、刀盘扭矩、掘进速度、贯入度、转速)与振动加速度直接相关。在双护盾TBM施工时,总推力、刀盘转速是人工主动控制的,扭矩、贯入度和掘进速度是根据总推力、刀盘转速以及当前地质情况等因素被动获得。因此,可通过确定推进系统的参数与振动加速度的关联性,再通过关联性计算出振动加速度,从而通过人为的控制掘进参数来控制振动加速度,以减少对周边环境振动影响。因此,亟需研发一种根据掘进参数计算振动加速度的方法。
发明内容
本发明的目的在于提供一种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,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种基于隧道掘进参数的地层振动加速度预测方法,包括:
基于斯皮尔曼相关系数法确定与振动加速度预测相关的多个影响参数;
采集不同现场的多个影响参数值和对应的振动加速度,将振动加速度作为输出标签、多个影响参数值分别作为多组不同的输入标签以构建多组样本数据集;
根据多组样本数据集分别搭建对应的BP神经网络模型,并利用遗传算法确定每个BP神经网络模型的初始权重和阈值;
利用样本数据集训练对应的BP神经网络模型,并计算完成后的BP神经网络模型的精度,将精度最高的BP神经网络模型作为振动加速度预测模型;
将待预测的影响参数值输入振动加速度预测模型中得到预测的振动加速度。
第二方面,本申请还提供了一种基于隧道掘进参数的地层振动加速度预测装置,包括:
确定模块:用于基于斯皮尔曼相关系数法确定与振动加速度预测相关的多个影响参数;
构建模块:用于采集不同现场的多个影响参数值和对应的振动加速度,将振动加速度作为输出标签、多个影响参数值分别作为多组不同的输入标签以构建多组样本数据集;
模型搭建模块:用于根据多组样本数据集分别搭建对应的BP神经网络模型,并利用遗传算法确定每个BP神经网络模型的初始权重和阈值;
训练模块:用于利用样本数据集训练对应的BP神经网络模型,并计算完成后的BP神经网络模型的精度,将精度最高的BP神经网络模型作为振动加速度预测模型;
预测模块:用于将待预测的影响参数值输入振动加速度预测模型中得到预测的振动加速度。
第三方面,本申请还提供了一种基于隧道掘进参数的地层振动加速度预测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述基于隧道掘进参数的地层振动加速度预测方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于隧道掘进参数的地层振动加速度预测方法的步骤。
本发明的有益效果为:
本发明研究了双护盾TBM隧道施工振动加速度的影响因素,确定与振动加速度预测相关的多个影响参数,利用遗传算法的全局性和BP神经网络的梯度逼近原理,改进了遗传算法初始种群的迭代训练方式,建立了基于改进GA优化的BP神经网络预测模型,在保证误差不变的前提下,大大提高模型的计算速度。将现场实测的掘进参数与振动加速度带入模型中进行训练,最后通过对比了测试集的预测值和实际值,得到振动加速度预测的误差较小、预测精度较高的振动加速度。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中所述的基于隧道掘进参数的地层振动加速度预测方法流程示意图;
图2为掘进参数与振动加速度相关性分析图;
图3为本发明实施例中第一组BP神经网络模型的回归关系图;
图4为本发明实施例中第一组BP神经网络模型的振动加速度预测值与实际值的对比图;
图5为本发明实施例中第二组BP神经网络模型的回归关系图;
图6为本发明实施例中第二组BP神经网络模型的振动加速度预测值与实际值的对比图;
图7为本发明实施例中第三组BP神经网络模型的回归关系图;
图8为本发明实施例中第三组BP神经网络模型的振动加速度预测值与实际值的对比图;
图9为本发明实施例中所述的基于隧道掘进参数的地层振动加速度预测装置结构示意图;
图10为本发明实施例中所述的基于隧道掘进参数的地层振动加速度预测设备结构示意图。
图中标记:
800、基于隧道掘进参数的地层振动加速度预测设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种基于隧道掘进参数的地层振动加速度预测方法。
参见图1,图中示出了本方法包括:
S1.基于斯皮尔曼相关系数法确定与振动加速度预测相关的多个影响参数;
具体的,所述步骤S1包括:
S11.将TBM初始参数分别与振动加速度进行斯皮尔曼相关系数法分析,确定TBM初始参数与振动加速度的相关程度,所述TBM初始参数包括推力、扭矩、转速、贯入度以及掘进速度;
将推力、扭矩、转速、贯入度以及掘进速度与XYZ三个方向的振动加速度进行Spearman分析,结果如图2所示,从图中可知:
推力与XYZ三个方向的振动加速度有效值的相关性系数分别为0.75,0.76,0.72,均属于强相关;
扭矩与X方向的振动加速度的相关性系数为0.61,属于强相关;与Y和Z方向振动加速度的相关性分别为0.54,0.47,均属于中等程度相关;
刀盘转速与X和Z向振动加速度的相关性系数分别为-0.51和-0.49,为负中等程度相关,与Y向的相关性为-0.29,为弱相关;
贯入度和掘进速度与XYZ向的振动加速度的相关性均较小,均表现为弱相关性或者不相关。
S12.采用P值法检验TBM初始参数与振动加速度的相关程度的显著性,确定与振动加速度相关性最高的TBM初始参数,所述相关性最高的TBM初始参数为推力和扭矩;
本实施例中,5个掘进参数与振动加速度显著性P值如表1所示:
表1
表1中,表示P值<0.01,说明相关性显著。
从表1可以看出,推力与扭矩的P值,以及转速、贯入度与掘进速度三者之间的P值均小于0.01,说明推力与扭矩之间的相关性显著,转速与贯入度、掘进速度之间的相关性显著。就振动加速度而言,XYZ三个方向之间的振动加速度P值均小于0.01,三个方向的振动加速度相关性显著。
从显著性检验的P值来看,贯入度和掘进速度与振动加速度三个方向的P值均大于0.1,表明贯入度和掘进速度与振动加速度的相关性不显著,而推力和扭矩与XYZ三个方向之间的振动加速度P值均小于0.01,其与振动加速度相关性显著。转速与X和Z向振动加速度相关性显著,而与Y向振动加速度P值为0.09>0.01,相关性不显著。
由此可以得到,在TBM主要的掘进参数中,推力和扭矩与振动加速度具有相关性,其中推力与振动加速度相关性显著,为强相关;扭矩与振动加速度相关性也较为显著,为中等程度相关。可以采用推力和扭矩作为重要的掘进参数对双护盾TBM隧道施工引起的振动加速度进行预测。
S13.将推力、扭矩和TBM刀盘距监测面的距离作为与振动加速度预测相关的影响参数;
由于TBM施工振动产生于TBM刀盘上,所以距TBM刀盘的距离是影响振动大小的关键因素。在现有的振动的传播和衰减的研究中,无论横向还是纵向,监测断面距离刀盘较远时,振动加速度越小;监测断面距离刀盘越近,振动加速度就越大。且刀盘到达监测断面处时,实测振动加速度达到最大,由此可知,距TBM刀盘的距离是振动加速度的影响因素。
基于以上实施例,本方法还包括:
S2.采集不同现场的多个影响参数值和对应的振动加速度,将振动加速度作为输出标签、多个影响参数值分别作为多组不同的输入标签以构建多组样本数据集;
具体的,所述S2包括以下步骤:
采集不同现场的推力、扭矩和TBM刀盘距监测面的距离和对应的振动加速度,如表2所示;
表2
将推力和TBM刀盘距监测面的距离作为输入标签、振动加速度作为输出标签构建一组样本数据集;
将扭矩和TBM刀盘距监测面的距离作为输入标签、振动加速度作为输出标签构建一组样本数据集;
将推力、扭矩和TBM刀盘距监测面的距离作为输入标签、振动加速度作为输出标签构建一组样本数据集。
基于以上实施例,本方法还包括:
S3.根据多组样本数据集分别搭建对应的BP神经网络模型,并利用遗传算法确定每个BP神经网络模型的初始权重和阈值;
具体的,所述步骤S3包括:
S31.根据样本数据集的输入标签搭建包括输入层、隐含层和输出层的BP神经网络模型,并随机生成神经网络模型的权重预设值和权重阈值的预设值;
本实施例中,根据三组样本数据集搭建三个对应的BP神经网络模型,其中,BP神经网络模型的基本架构参数如表3所示:
表3
本实施例中,在确定BP神经网络模型的网络拓扑结构后,生成0到1之间的随机数,然后对随机数采用实数编码的形式生成初始种群的染色体,即神经网络模型的权重预设值和权重阈值的预设值。
S31.将权重预设值和权重阈值的预设值代入BP神经网络模型中前馈计算,得到训练结果的误差;
S32.以误差的倒数作为适应度函数,利用遗传算法更新权重和权重的阈值,得到全局最优的权重和权重的阈值;
本实施例中,为了简化现有的GA-BP算法中初始权值的赋值过程,采用BP神经网络对样本数据进行训练时,只需要神经网络计算向前传递,直接将实际值与输出值计算得到的误差作为适应度值即可。基于此,本实施例对GA-BP算法中的适应度函数进行改进,适应度函数计算中仅保留了BP算法的前向传递功能,并将训练得到输出值与实际值的误差作为适应度值。
具体的,在遗传算法寻最优解过程中,设置总的进化迭代次数100次,初始种群的规模为50个。假定种群内交叉的概率为0.4,种群内变异的概率为0.05。
采用fitness函数计算各种群的适应度值,得到适应度值最小的种群和种群的平均适应度值,并进行记录,所述fitness函数的计算公式为:
;(1)
式中,表示适应度,/>表示绝对值函数,/>为第i个样本的预测值,/>为第i个样本的实际值,/>表示样本的数量。
将初始种群带入遗传算法中进行交叉、选择和变异操作,得到种群中适应度最大值和最小值的染色体并记录他们的位置。当新种群的适应度值比原种群中父代小时,则对父代染色体进行替换,并对每一代中的最佳适应度值和平均适应度值进行记录,当达到总的进化迭代次数时,将适应度值最小的种群的染色体进行解码,得到全局最优的权重和权重的阈值。
S33.将所述全局最优的权重和权重的阈值作为BP神经网络模型初始权重和权重的阈值。
基于以上实施例,本方法还包括:
S4.利用样本数据集训练对应的BP神经网络模型,并计算完成后的BP神经网络模型的精度,将精度最高的BP神经网络模型作为振动加速度预测模型;
具体的,所述步骤S4包括:
S41.按照7:2:1的比例将样本数据集划分为训练集、验证集和测试集;
具体的,还包括对训练集、验证集和测试集中的数据进行归一化处理:
(2)
式中,为归一化后的输出值;/>为样本输入值;/>为样本输入值的最小值;/>为样本输入值的最大值。
S42.将训练集输入对应的BP神经网络模型中进行训练;
S43.将验证集输入训练后的BP神经网络模型中得到预测振动加速度;
S44.计算所述预测的振动加速度与验证集中真实振动加速度的均方根误差,当均方根误差达到最小值时,得到训练完成的BP神经网络模型。
S45.将测试集分别输入对应的训练完成的BP神经网络模型中,得到预测振动加速度;
S46.分别计算每个BP神经网络模型的预测的振动加速度与测试集中真实的振动加速度的均方根误差,具体的,均方根误差的计算公式为:
;(3)
式中:为样本的实际值;/>为模型的预测值;/>为样本数量。
S47.比较每个BP神经网络模型的均方根误差的大小,将均方根误差最小值的BP神经网络模型作为振动加速度预测模型。
1)第一组BP神经网络模型的训练、验证和测试过程(步骤S3~S4)如下:
将对应的样本数据集输入第一组BP神经网络模型中,首先对数据样本进行100次的试算,得到模型总体的均方误差范围在0.92888~21.53254;为了提高预测模型的精度,调取均方误差最小的实验过程数据,得到该次计算时遗传算法迭代寻优的过程,在进行寻优迭代过程中,100次迭代后适应度值逐渐处于收敛,种群的最小适应度值为3.83444,对最佳种群的染色体进行解码,得到的数值对BP神经网络的初始权重和阈值进行赋值。
然后继续进行BP神经网络的训练,在第29轮训练时,得到BP神经网络的均方误差最小,误差为0.00018508。再将神经网路计算各样本数据集进行回归,得到训练集、验证集和测试集以及总体样本的回归关系,如图3所示,从图中可知通过回归分析得到训练集的回归系数R为0.99899,验证集的回归系数R为0.97881,测试集的回归系数R为0.97171,所有样本数据集的回归系数为0.99762。
将测试集输入训练好的BP神经网络模型中进行预测,得到振动加速度的预测值与实测值的对比图,如图4所示,计算得到预测模型的均方根误差(RMSE)为0.9289。
2)第二组BP神经网络模型的训练、验证和测试过程如下:
将对应的样本数据集输入第二组BP神经网络模型中,经过100次的实验试算,总体样本数据的均方误差在1.4096~22.16631之间。选取实验计算中均方误差最小的一次,得到其遗传迭代寻优过程,100次迭代计算后的种群适应度趋于收敛,最佳的适应度值为2.1134,对最佳种群的染色体进行解码,得到的数值对BP神经网络的初始权重和阈值进行赋值。
然后继续进行BP神经网络的训练,在第2轮训练时,得到BP神经网络的均方误差最小,误差为0.020932。再将神经网路计算各样本数据集进行回归,得到训练集、验证集和测试集以及总体样本的回归关系,如图5所示,从图中可知通过回归分析得到训练集的回归系数为0.96399,验证集的回归系数为0.99424,测试集的数据的回归系数为0.95052,所有样本数据的回归系数为0.96452。
将测试集输入训练好的BP神经网络模型中进行预测,得到振动加速度的预测值与实测值的对比图,如图6所示,计算得到预测模型的均方根误差为1.4096。
3)第三组BP神经网络模型的训练、验证和测试过程如下:
将对应的样本数据集输入第三组BP神经网络模型中,经过100次的实验试算,总体样本数据的均方误差在1.3297~24.9998之间。选取实验计算中均方误差最小的一次,得到其遗传迭代寻优过程,100次迭代计算后的种群适应度趋于收敛,最佳的适应度值为2.56915,对最佳种群的染色体进行解码,得到的数值对BP神经网络的初始权重和阈值进行赋值。
然后继续进行BP神经网络的训练,在第4轮训练时,得到BP神经网络的均方误差最小,误差为0.024759。再将神经网路计算各样本数据集进行回归,得到训练集、验证集和测试集以及总体样本的回归关系,如图7所示,从图中可知通过回归分析得到训练集的回归系数0.99694,验证集的回归系数0.9898,测试集的回归系数0.9987,所有样本数据的回归系数为0.99106。
将测试集输入训练好的BP神经网络模型中进行预测,得到振动加速度的预测值与实测值的对比图,如图8所示,计算得到预测模型的均方根误差为1.3297。
由此可知,第一组BP神经网络模型的均方根误差最小,因此将训练完成的第一组BP神经网络模型作为振动加速度预测模型。
基于以上实施例,本方法还包括:
S5.将待预测的影响参数值输入振动加速度预测模型中得到预测的振动加速度。
具体的,将待预测的8组影响参数值输入振动加速度预测模型后,得到的预测的振动加速度如表4所示,表中还包括了振动加速度的实测值。
表4
可见,基于推力和距离的振动加速度预测模型可以较为准确的预测地层中的振动加速度,预测的结果误差小,预测精度高。
实施例2:
如图9所示,本实施例提供了一种基于隧道掘进参数的地层振动加速度预测装置,所述装置包括:
确定模块:用于基于斯皮尔曼相关系数法确定与振动加速度预测相关的多个影响参数;
构建模块:用于采集不同现场的多个影响参数值和对应的振动加速度,将振动加速度作为输出标签、多个影响参数值分别作为多组不同的输入标签以构建多组样本数据集;
模型搭建模块:用于根据多组样本数据集分别搭建对应的BP神经网络模型,并利用遗传算法确定每个BP神经网络模型的初始权重和阈值;
训练模块:用于利用样本数据集训练对应的BP神经网络模型,并计算完成后的BP神经网络模型的精度,将精度最高的BP神经网络模型作为振动加速度预测模型;
预测模块:用于将待预测的影响参数值输入振动加速度预测模型中得到预测的振动加速度。
基于以上实施例, 确定模块包括:
第一确定单元:用于将TBM初始参数分别与振动加速度进行斯皮尔曼相关系数法分析,确定TBM初始参数与振动加速度的相关程度,所述TBM初始参数包括推力、扭矩、转速、贯入度以及掘进速度;
第二确定单元:用于采用P值法检验TBM初始参数与振动加速度的相关程度的显著性,确定与振动加速度相关性最高的TBM初始参数,所述相关性最高的TBM初始参数为推力和扭矩;
第三确定单元:用于将推力、扭矩和TBM刀盘距监测面的距离作为与振动加速度预测相关的影响参数。
基于以上实施例, 构建模块包括:
采集单元:用于采集不同现场的推力、扭矩和TBM刀盘距监测面的距离和对应的振动加速度;
第一构建单元:用于将推力和TBM刀盘距监测面的距离作为输入标签、振动加速度作为输出标签构建一组样本数据集;
第二构建单元:用于将扭矩和TBM刀盘距监测面的距离作为输入标签、振动加速度作为输出标签构建一组样本数据集;
第三构建单元:用于将推力、扭矩和TBM刀盘距监测面的距离作为输入标签、振动加速度作为输出标签构建一组样本数据集。
基于以上实施例, 模型搭建模块包括:
搭建单元:用于根据样本数据集的输入标签搭建包括输入层、隐含层和输出层的BP神经网络模型,并随机生成神经网络模型的权重预设值和权重阈值的预设值;
第一计算单元:用于将权重预设值和权重阈值的预设值代入BP神经网络模型中前馈计算,得到训练结果的误差;
第二计算单元:用于以误差的倒数作为适应度函数,利用遗传算法更新权重和权重的阈值,得到全局最优的权重和权重的阈值;
第三计算单元:用于将所述全局最优的权重和权重的阈值作为BP神经网络模型初始权重和权重的阈值。
基于以上实施例, 训练模块包括:
划分单元:用于按照7:2:1的比例将样本数据集划分为训练集、验证集和测试集;
训练单元:用于将训练集输入对应的BP神经网络模型中进行训练;
验证单元:用于将验证集输入训练后的BP神经网络模型中得到预测振动加速度;
第四计算单元:用于计算所述预测的振动加速度与验证集中真实振动加速度的均方根误差,当均方根误差达到最小值时,得到训练完成的BP神经网络模型。
基于以上实施例, 训练模块还包括:
测试单元:用于将测试集分别输入对应的训练完成的BP神经网络模型中,得到预测振动加速度;
第五计算单元:用于分别计算每个BP神经网络模型的预测的振动加速度与测试集中真实的振动加速度的均方根误差;
比较单元:用于比较每个BP神经网络模型的均方根误差的大小,将均方根误差最小值的BP神经网络模型作为振动加速度预测模型。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种基于隧道掘进参数的地层振动加速度预测设备,下文描述的一种基于隧道掘进参数的地层振动加速度预测设备与上文描述的一种基于隧道掘进参数的地层振动加速度预测方法可相互对应参照。
图10是根据示例性实施例示出的一种基于隧道掘进参数的地层振动加速度预测设备800的框图。如图10所示,该基于隧道掘进参数的地层振动加速度预测设备800可以包括:处理器801,存储器802。该基于隧道掘进参数的地层振动加速度预测设备800还可以包括多媒体组件803, I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该基于隧道掘进参数的地层振动加速度预测设备800的整体操作,以完成上述的基于隧道掘进参数的地层振动加速度预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于隧道掘进参数的地层振动加速度预测设备800的操作,这些数据例如可以包括用于在该基于隧道掘进参数的地层振动加速度预测设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于隧道掘进参数的地层振动加速度预测设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,基于隧道掘进参数的地层振动加速度预测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(DigitalSignal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的基于隧道掘进参数的地层振动加速度预测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的基于隧道掘进参数的地层振动加速度预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由基于隧道掘进参数的地层振动加速度预测设备800的处理器801执行以完成上述的基于隧道掘进参数的地层振动加速度预测方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种基于隧道掘进参数的地层振动加速度预测方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的基于隧道掘进参数的地层振动加速度预测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,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以权利要求的保护范围为准。
Claims (10)
1.一种基于隧道掘进参数的地层振动加速度预测方法,其特征在于,包括:
基于斯皮尔曼相关系数法确定与振动加速度预测相关的多个影响参数;
采集不同现场的多个影响参数值和对应的振动加速度,将振动加速度作为输出标签、多个影响参数值分别作为多组不同的输入标签以构建多组样本数据集;
根据多组样本数据集分别搭建对应的BP神经网络模型,并利用遗传算法确定每个BP神经网络模型的初始权重和阈值;
利用样本数据集训练对应的BP神经网络模型,并计算完成后的BP神经网络模型的精度,将精度最高的BP神经网络模型作为振动加速度预测模型;
将待预测的影响参数值输入振动加速度预测模型中得到预测的振动加速度。
2.根据权利要求1所述的基于隧道掘进参数的地层振动加速度预测方法,其特征在于,基于斯皮尔曼相关系数法确定与振动加速度预测相关的多个影响参数,包括:
将TBM初始参数分别与振动加速度进行斯皮尔曼相关系数法分析,确定TBM初始参数与振动加速度的相关程度,所述TBM初始参数包括推力、扭矩、转速、贯入度以及掘进速度;
采用P值法检验TBM初始参数与振动加速度的相关程度的显著性,确定与振动加速度相关性最高的TBM初始参数,所述相关性最高的TBM初始参数为推力和扭矩;
将推力、扭矩和TBM刀盘距监测面的距离作为与振动加速度预测相关的影响参数。
3.根据权利要求1所述的基于隧道掘进参数的地层振动加速度预测方法,其特征在于,根据样本数据集搭建BP神经网络模型,并利用遗传算法确定BP神经网络模型的初始权重和阈值,包括:
根据样本数据集的输入标签搭建包括输入层、隐含层和输出层的BP神经网络模型,并随机生成神经网络模型的权重预设值和权重阈值的预设值;
将权重预设值和权重阈值的预设值代入BP神经网络模型中前馈计算,得到训练结果的误差;
以误差的倒数作为适应度函数,利用遗传算法更新权重和权重的阈值,得到全局最优的权重和权重的阈值;
将所述全局最优的权重和权重的阈值作为BP神经网络模型初始权重和权重的阈值。
4.根据权利要求1所述的基于隧道掘进参数的地层振动加速度预测方法,其特征在于,利用样本数据集和训练对应的BP神经网络模型,包括:
按照7:2:1的比例将样本数据集划分为训练集、验证集和测试集;
将训练集输入对应的BP神经网络模型中进行训练;
将验证集输入训练后的BP神经网络模型中得到预测振动加速度;
计算所述预测的振动加速度与验证集中真实振动加速度的均方根误差,当均方根误差达到最小值时,得到训练完成的BP神经网络模型。
5.一种基于隧道掘进参数的地层振动加速度预测装置,其特征在于,包括:
确定模块:用于基于斯皮尔曼相关系数法确定与振动加速度预测相关的多个影响参数;
构建模块:用于采集不同现场的多个影响参数值和对应的振动加速度,将振动加速度作为输出标签、多个影响参数值分别作为多组不同的输入标签以构建多组样本数据集;
模型搭建模块:用于根据多组样本数据集分别搭建对应的BP神经网络模型,并利用遗传算法确定每个BP神经网络模型的初始权重和阈值;
训练模块:用于利用样本数据集训练对应的BP神经网络模型,并计算完成后的BP神经网络模型的精度,将精度最高的BP神经网络模型作为振动加速度预测模型;
预测模块:用于将待预测的影响参数值输入振动加速度预测模型中得到预测的振动加速度。
6.根据权利要求5所述的基于隧道掘进参数的地层振动加速度预测装置,其特征在于,所述确定模块包括:
第一确定单元:用于将TBM初始参数分别与振动加速度进行斯皮尔曼相关系数法分析,确定TBM初始参数与振动加速度的相关程度,所述TBM初始参数包括推力、扭矩、转速、贯入度以及掘进速度;
第二确定单元:用于采用P值法检验TBM初始参数与振动加速度的相关程度的显著性,确定与振动加速度相关性最高的TBM初始参数,所述相关性最高的TBM初始参数为推力和扭矩;
第三确定单元:用于将推力、扭矩和TBM刀盘距监测面的距离作为与振动加速度预测相关的影响参数。
7.根据权利要求5所述的基于隧道掘进参数的地层振动加速度预测装置,其特征在于,所述模型搭建模块包括:
搭建单元:用于根据样本数据集的输入标签搭建包括输入层、隐含层和输出层的BP神经网络模型,并随机生成神经网络模型的权重预设值和权重阈值的预设值;
第一计算单元:用于将权重预设值和权重阈值的预设值代入BP神经网络模型中前馈计算,得到训练结果的误差;
第二计算单元:以误差的倒数作为适应度函数,利用遗传算法更新权重和权重的阈值,得到全局最优的权重和权重的阈值;
第三计算单元:用于将所述全局最优的权重和权重的阈值作为BP神经网络模型初始权重和权重的阈值。
8.根据权利要求5所述的基于隧道掘进参数的地层振动加速度预测装置,其特征在于,所述训练模块包括:
划分单元:用于按照7:2:1的比例将样本数据集划分为训练集、验证集和测试集;
训练单元:用于将训练集输入对应的BP神经网络模型中进行训练;
验证单元:用于将验证集输入训练后的BP神经网络模型中得到预测振动加速度;
第四计算单元:用于计算所述预测的振动加速度与验证集中真实振动加速度的均方根误差,当均方根误差达到最小值时,得到训练完成的BP神经网络模型。
9.一种基于隧道掘进参数的地层振动加速度预测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述基于隧道掘进参数的地层振动加速度预测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于隧道掘进参数的地层振动加速度预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310927023.6A CN116644799B (zh) | 2023-07-27 | 2023-07-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310927023.6A CN116644799B (zh) | 2023-07-27 | 2023-07-27 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116644799A true CN116644799A (zh) | 2023-08-25 |
CN116644799B CN116644799B (zh) | 2023-10-17 |
Family
ID=87625207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310927023.6A Active CN116644799B (zh) | 2023-07-27 | 2023-07-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644799B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200011176A1 (en) * | 2017-08-01 | 2020-01-09 | Dalian University Of Technology | Vibration and strain monitoring method for key positions of tunnel boring machine |
US20200267456A1 (en) * | 2019-02-18 | 2020-08-20 | Institute Of Rock And Soil Mechanics, Chinese Academy Of Sciences | Method and Apparatus for Monitoring the Interaction between Surrounding Rocks and TBM in TBM Tunneling Process |
CN112183993A (zh) * | 2020-09-22 | 2021-01-05 | 中国科学院武汉岩土力学研究所 | 一种tbm掘进控制参数智能预测及优化决策方法 |
US20220120714A1 (en) * | 2020-01-17 | 2022-04-21 | Tongji University | Tunnel defect detection and management system based on vibration signal of moving train |
CN115408925A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 用于隧道施工的岩体参数预测方法和装置 |
CN115422821A (zh) * | 2022-07-22 | 2022-12-02 | 北京交通大学 | 用于岩体参数预测的数据处理方法和装置 |
CN115618222A (zh) * | 2022-06-21 | 2023-01-17 | 北京交通大学 | 一种隧道掘进响应参数的预测方法 |
CN115711667A (zh) * | 2022-11-02 | 2023-02-24 | 中铁十八局集团有限公司 | 一种基于振动信号的tbm掘进参数的预测方法 |
-
2023
- 2023-07-27 CN CN202310927023.6A patent/CN116644799B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200011176A1 (en) * | 2017-08-01 | 2020-01-09 | Dalian University Of Technology | Vibration and strain monitoring method for key positions of tunnel boring machine |
US20200267456A1 (en) * | 2019-02-18 | 2020-08-20 | Institute Of Rock And Soil Mechanics, Chinese Academy Of Sciences | Method and Apparatus for Monitoring the Interaction between Surrounding Rocks and TBM in TBM Tunneling Process |
US20220120714A1 (en) * | 2020-01-17 | 2022-04-21 | Tongji University | Tunnel defect detection and management system based on vibration signal of moving train |
CN112183993A (zh) * | 2020-09-22 | 2021-01-05 | 中国科学院武汉岩土力学研究所 | 一种tbm掘进控制参数智能预测及优化决策方法 |
CN115618222A (zh) * | 2022-06-21 | 2023-01-17 | 北京交通大学 | 一种隧道掘进响应参数的预测方法 |
CN115408925A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 用于隧道施工的岩体参数预测方法和装置 |
CN115422821A (zh) * | 2022-07-22 | 2022-12-02 | 北京交通大学 | 用于岩体参数预测的数据处理方法和装置 |
CN115711667A (zh) * | 2022-11-02 | 2023-02-24 | 中铁十八局集团有限公司 | 一种基于振动信号的tbm掘进参数的预测方法 |
Non-Patent Citations (4)
Title |
---|
XIAOMING GUAN等: "Vibration response and failure modes analysis of the temporary support structure under blasting excavation of tunnels", ENGINEERING FAILURE ANALYSIS * |
YINGRAN FANG等: "Intelligent real-time identification technology of stratum characteristics during slurry TBM tunneling", TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY * |
刘泽亮等: "隧道联络通道爆破监测及振动特性研究", 低温建筑技术 * |
朱北斗;龚国芳;周如林;刘国斌;: "基于盾构掘进参数的BP神经网络地层识别", 浙江大学学报(工学版), no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN116644799B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Performance evaluation of hybrid GA–SVM and GWO–SVM models to predict earthquake-induced liquefaction potential of soil: a multi-dataset investigation | |
Collin et al. | Extending approximate Bayesian computation with supervised machine learning to infer demographic history from genetic polymorphisms using DIYABC Random Forest | |
CN109657805B (zh) | 超参数确定方法、装置、电子设备及计算机可读介质 | |
Papadimitriou | Pareto optimal sensor locations for structural identification | |
CN110263538B (zh) | 一种基于系统行为序列的恶意代码检测方法 | |
US11521016B2 (en) | Method and apparatus for generating information assessment model | |
CN108766496B (zh) | 一种在线动态预测闪存芯片寿命的方法及装置 | |
EP3616065A1 (en) | Machine learned decision guidance for alerts originating from monitoring systems | |
TWI584134B (zh) | 製程異因分析方法與製程異因分析系統 | |
CN111951901A (zh) | 优化设备、优化系统、优化方法及记录介质 | |
CN101339562A (zh) | 引入兴趣模型反馈更新机制的门户个性化推荐服务系统 | |
CN113065279A (zh) | 预测总有机碳含量的方法、装置、设备及存储介质 | |
JP2021082066A (ja) | 分子の化学反応の解析方法 | |
CN113419271A (zh) | 一种地震震级预测方法、装置、设备及可读存储介质 | |
CN116644799B (zh) | 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 | |
CN112612393A (zh) | 界面功能的交互方法及装置 | |
CN116612814A (zh) | 基于回归模型的基因样本污染批量检测方法、装置、设备及介质 | |
CN112016598A (zh) | 基于sdae的局部放电模式识别方法、计算机设备和存储介质 | |
CN111401551A (zh) | 基于强化学习的弱监督自学习方法 | |
JPWO2008072459A1 (ja) | 能動学習システム、能動学習方法、及び能動学習用プログラム | |
Tiryaki | Estimating rock cuttability using regression trees and artificial neural networks | |
CN115982908A (zh) | 基于多任务优化算法的矿井数字孪生系统传感器配置方法 | |
CN112580885A (zh) | 一种配件合格率的预测方法、装置、设备及存储介质 | |
CN113469244B (zh) | 小众app分类系统 | |
CN111240652A (zh) | 数据处理方法及装置、计算机存储介质、电子设备 |
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 |