CN117052457A - 隧道施工粉尘治理控制方法、系统、设备及介质 - Google Patents
隧道施工粉尘治理控制方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117052457A CN117052457A CN202311108356.2A CN202311108356A CN117052457A CN 117052457 A CN117052457 A CN 117052457A CN 202311108356 A CN202311108356 A CN 202311108356A CN 117052457 A CN117052457 A CN 117052457A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- dust
- parameter data
- data
- treatment
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000010276 construction Methods 0.000 title claims abstract description 51
- 239000007921 spray Substances 0.000 claims abstract description 93
- 238000005507 spraying Methods 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 25
- 239000004094 surface-active agent Substances 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000005067 remediation Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 230000009467 reduction Effects 0.000 abstract description 9
- 239000003795 chemical substances by application Substances 0.000 description 25
- 238000013528 artificial neural network Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000003595 mist Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005641 tunneling Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F5/00—Means or methods for preventing, binding, depositing, or removing dust; Preventing explosions or fires
- E21F5/02—Means or methods for preventing, binding, depositing, or removing dust; Preventing explosions or fires by wetting or spraying
- E21F5/04—Spraying barriers
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种隧道施工粉尘治理控制方法、系统、设备及介质,涉及隧道施工粉尘治理技术领域,在喷雾参数的预设取值范围内进行多次取值,得到多个喷雾参数数据,对于每一喷雾参数数据,以喷雾参数数据和当前的隧道环境数据作为输入,利用训练好的预测模型得到喷雾参数数据对应的治理后隧道粉尘浓度的预测值,选取治理后隧道粉尘浓度的预测值的最小值所对应的喷雾参数数据作为目标参数数据,基于目标参数数据进行粉尘治理,从而能够根据隧道环境数据选取使治理后隧道粉尘浓度最小的喷雾参数数据来进行粉尘治理,可根据实际施工现场自动动态调节喷雾参数,提高降尘效果,降低降尘成本。
Description
技术领域
本发明涉及隧道施工粉尘治理技术领域,特别是涉及一种基于机器学习的隧道施工粉尘治理控制方法、系统、设备及介质。
背景技术
由于隧道本身具有狭长封闭的特点,致使隧道施工时的粉尘问题格外突出,隧道内的粉尘会使施工机械出现磨损、仪器精度降低和寿命缩短等问题,同时,作业人员长期处于高浓度粉尘环境中,易成为粉尘职业病患者。因此,在进行隧道施工过程中及时采取可靠的粉尘控制技术至关重要。
按照粉尘控制技术的原理和粉尘在隧道内扩散过程的不同,将除尘分为“减、降、排、除、阻”等技术手段,其中,常规通风方式很难有效排除微细粉尘,而个体防护技术不便于巷道内繁重的体力劳动,易产生安全生产事故。据相关研究表明,控制粉尘最经济和最有效的手段为喷雾降尘技术,然而,施工现场喷雾降尘过程中喷雾参数固定,不能依据实际施工现场进行喷雾参数的自动调节,造成降尘效果不佳及水资源浪费,降尘成本较高。
发明内容
本发明的目的是提供一种隧道施工粉尘治理控制方法、系统、设备及介质,可根据实际施工现场自动动态调节喷雾参数,提高降尘效果,降低降尘成本。
为实现上述目的,本发明提供了如下方案:
一种隧道施工粉尘治理控制方法,所述控制方法包括:
在喷雾参数的预设取值范围内进行多次取值,得到多个喷雾参数数据;每一次取值即产生一所述喷雾参数数据;
对于每一所述喷雾参数数据,以所述喷雾参数数据和当前的隧道环境数据作为输入,利用训练好的预测模型得到所述喷雾参数数据对应的治理后隧道粉尘浓度的预测值;
选取所述治理后隧道粉尘浓度的预测值的最小值所对应的喷雾参数数据作为目标参数数据,基于所述目标参数数据进行粉尘治理。
在一些实施例中,所述喷雾参数包括喷雾气压、喷雾水压、喷雾角度和表面活性剂浓度;所述隧道环境数据包括隧道环境的实际值,所述隧道环境包括隧道温度、隧道湿度、隧道风速和治理前隧道粉尘浓度。
在一些实施例中,在以所述喷雾参数数据和当前的隧道环境数据作为输入,利用训练好的预测模型得到所述喷雾参数数据对应的治理后隧道粉尘浓度的预测值之前,所述控制方法还包括:训练得到训练好的预测模型,具体包括:
获取数据集;所述数据集包括多个样本和每一所述样本对应的标签,所述样本包括样本喷雾参数数据和样本隧道环境数据,所述标签包括样本治理后隧道粉尘浓度的取值;
构建初始预测模型;
利用所述数据集对所述初始预测模型进行训练,得到训练好的预测模型。
在一些实施例中,所述初始预测模型采用BP神经网络模型,包括依次连接的输入层、隐藏层和输出层;所述隐藏层的节点个数根据经验公式确定。
在一些实施例中,在利用所述数据集对所述初始预测模型进行训练,得到训练好的预测模型之前,所述控制方法还包括:
对所述数据集进行归一化,得到归一化后数据集,并以所述归一化后数据集作为新的数据集。
在一些实施例中,在利用所述数据集对所述初始预测模型进行训练,得到训练好的预测模型之前,所述控制方法还包括:
采用猎人猎物优化算法确定所述初始预测模型的初始网络参数,得到参数初始化后模型,并以所述参数初始后模型作为新的初始预测模型。
在一些实施例中,在基于所述目标参数数据进行粉尘治理之后,所述控制方法还包括:获取治理后隧道粉尘浓度的实际值,以所述目标参数数据、所述隧道环境数据和所述治理后隧道粉尘浓度的实际值作为一新样本,将所述新样本添加到所述数据集中,得到更新后数据集;每隔预设时间,利用所述更新后数据集对所述训练好的预测模型进行再次训练,得到再训练模型,并以所述再训练模型作为下一次粉尘治理时所用的训练好的预测模型。
一种隧道施工粉尘治理控制系统,所述控制系统包括:
取值模块,用于在喷雾参数的预设取值范围内进行多次取值,得到多个喷雾参数数据;每一次取值即产生一所述喷雾参数数据;
预测模块,用于对于每一所述喷雾参数数据,以所述喷雾参数数据和当前的隧道环境数据作为输入,利用训练好的预测模型得到所述喷雾参数数据对应的治理后隧道粉尘浓度的预测值;
治理模块,用于选取所述治理后隧道粉尘浓度的预测值的最小值所对应的喷雾参数数据作为目标参数数据,基于所述目标参数数据进行粉尘治理。
一种隧道施工粉尘治理控制设备,包括:
处理器;以及
存储器,其中存储计算机可读程序指令,
其中,在所述计算机可读程序指令被所述处理器运行时执行上述的控制方法。
一种计算机可读存储介质,其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控制方法的步骤。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明用于提供一种隧道施工粉尘治理控制方法、系统、设备及介质,在喷雾参数的预设取值范围内进行多次取值,得到多个喷雾参数数据,对于每一喷雾参数数据,以喷雾参数数据和当前的隧道环境数据作为输入,利用训练好的预测模型得到喷雾参数数据对应的治理后隧道粉尘浓度的预测值,选取治理后隧道粉尘浓度的预测值的最小值所对应的喷雾参数数据作为目标参数数据,基于目标参数数据进行粉尘治理,从而能够根据隧道环境数据选取使治理后隧道粉尘浓度最小的喷雾参数数据来进行粉尘治理,可根据实际施工现场自动动态调节喷雾参数,提高降尘效果,降低降尘成本,解决不能依据实际施工现场进行喷雾参数的自动调节,造成降尘效果不佳及水资源浪费,降尘成本较高的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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1所提供的控制方法的方法流程图;
图2为本发明实施例2所提供的控制系统的系统框图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
本发明的目的是提供一种隧道施工粉尘治理控制方法、系统、设备及介质,可根据实际施工现场自动动态调节喷雾参数,提高降尘效果,降低降尘成本。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
本实施例用于提供一种隧道施工粉尘治理控制方法,适用于隧道掘进及日常生产作业过程中的粉尘治理。如图1所示,所述控制方法包括:
S1:在喷雾参数的预设取值范围内进行多次取值,得到多个喷雾参数数据;每一次取值即产生一所述喷雾参数数据;
S2:对于每一所述喷雾参数数据,以所述喷雾参数数据和当前的隧道环境数据作为输入,利用训练好的预测模型得到所述喷雾参数数据对应的治理后隧道粉尘浓度的预测值;
S3:选取所述治理后隧道粉尘浓度的预测值的最小值所对应的喷雾参数数据作为目标参数数据,基于所述目标参数数据进行粉尘治理。
粉尘是指自然力或机械力产生的可悬浮在空气中的细小固体颗粒,粒径小于75μm的国家级悬浮物在国际上被定义为粉尘。隧道施工粉尘主要是由硅尘组成,在隧道施工中常见使用喷雾降尘技术来进行粉尘治理,本实施例的目的即在于确定采用喷雾降尘技术的降尘设备的喷雾参数的最佳取值,喷雾降尘是指将水分散成雾滴喷向尘源的抑制和捕捉粉尘的方法与技术,其原理是利用高压泵将水进行加压,经高压管路送至高压喷嘴雾化,形成飘飞的水雾,由于水雾颗粒是微米级的,非常细小,能够吸附空气中杂质,营造良好清新的空气,达到降尘、加湿等多重功效。根据所采用的降尘设备的不同,喷雾参数的类别也会存在一定的区别,在实际应用时,用户可根据自己所采用的降尘设备的类别来确定喷雾参数的类别。作为一种示例,本实施例所用的降尘设备的工作过程为:在水中添加表面活性剂,利用高压泵对添加有表面活性剂的水进行加压,并将其输送至高压喷嘴,高压喷嘴同时接高压气体,利用高压气体对高压喷嘴内的添加有表面活性剂的水进行雾化,形成水雾,并由高压喷嘴以一定角度将水雾喷至尘源,达到降尘的目的,表面活性剂能够使形成的水雾分布均匀,提高降尘效率。基于上述工作过程,本实施例的喷雾参数包括喷雾气压(即高压气体的压力)、喷雾水压(即添加有表面活性剂的水的压力)、喷雾角度(即高压喷嘴将水雾喷出时的角度)和表面活性剂浓度。
在确定喷雾参数的类别后,本实施例即可在喷雾参数的预设取值范围内进行多次取值,每一次取值均会产生喷雾参数的一个取值,将喷雾参数的一个取值记为一个喷雾参数数据,多次取值即可得到多个喷雾参数数据,即本实施例的喷雾参数数据包括喷雾参数的一个取值。一般情况下,降尘设备会相应给出每一类别的喷雾参数的取值范围,该取值范围即为本实施例所述的喷雾参数的预设取值范围,如果未给出,可根据经验确定喷雾参数的预设取值范围。具体的,当喷雾参数包括喷雾气压、喷雾水压、喷雾角度和表面活性剂浓度时,在喷雾气压的预设取值范围、喷雾水压的预设取值范围、喷雾角度的预设取值范围和表面活性剂浓度的预设取值范围内各自取一个值,即可形成喷雾参数的一个取值,得到一个喷雾参数数据,多次重复,即可得到多个喷雾参数数据。
优选的,在喷雾参数的预设取值范围内进行多次取值时,可从该预设取值范围的最小值开始,按照预设间隔进行取值。具体的,当喷雾参数包括喷雾气压、喷雾水压、喷雾角度和表面活性剂浓度时,即可从喷雾气压的预设取值范围的最小值开始,按照第一预设间隔进行多次取值,从喷雾水压的预设取值范围的最小值开始,按照第二预设间隔进行多次取值,从喷雾角度的预设取值范围的最小值开始,按照第三预设间隔进行多次取值,从表面活性剂浓度的预设取值范围的最小值开始,按照第四预设间隔进行多次取值,每一类别的喷雾参数的预设间隔可以相同,也可以不同,每一类别的喷雾参数在第n次的取值即可形成喷雾参数的一个取值,得到一个喷雾参数数据。
本实施例的隧道环境数据包括隧道环境的实际值,隧道环境的类别可以根据隧道的实际情况而定,只要能够表征隧道环境即可,实际值是指利用传感器采集得到的隧道环境的取值。作为一种示例,本实施例的隧道环境包括隧道温度、隧道湿度、隧道风速和治理前隧道粉尘浓度。在需要进行粉尘治理时,本实施例即可读取传感器采集得到的隧道温度、隧道湿度、隧道风速和治理前隧道粉尘浓度各自的取值,得到当前的隧道环境的实际值,该当前的隧道环境的实际值即为当前的隧道环境数据。
在以喷雾参数数据和当前的隧道环境数据作为输入,利用训练好的预测模型得到喷雾参数数据对应的治理后隧道粉尘浓度的预测值之前,本实施例的控制方法还包括训练得到训练好的预测模型的步骤,该训练步骤可以包括:
(1)获取数据集,数据集包括多个样本和每一样本对应的标签,样本包括样本喷雾参数数据和样本隧道环境数据,标签包括样本治理后隧道粉尘浓度的取值。
本实施例可构建隧道施工粉尘治理影响因素数据库,进一步从该数据库中选取多组数据,以构成数据集。其中,构建隧道施工粉尘治理影响因素数据库的步骤如下:
1)建立隧道施工粉尘治理影响因素模型,即确定数据库中的数据类别,该数据库中的数据类别主要包含喷雾参数、隧道环境和治理后隧道粉尘浓度,喷雾参数主要包含喷雾气压、喷雾水压、喷雾角度和表面活性剂浓度,隧道环境主要包含隧道温度、隧道湿度、隧道风速和治理前隧道粉尘浓度。其中,治理前隧道粉尘浓度和治理后隧道粉尘浓度均可同时通过PM10和PM2.5进行表征,此时治理前隧道粉尘浓度和治理后隧道粉尘浓度均具有两个取值。
2)通过实验室内的粉尘实验平台,构建隧道施工粉尘治理影响因素数据库。在实验室的粉尘实验平台上模拟进行多变化状态下的喷雾雾化降尘的模拟实验,改变隧道温度、隧道湿度、隧道风速、治理前隧道粉尘浓度、喷雾气压、喷雾水压、喷雾角度及表面活性剂浓度,以模拟进行粉尘治理,然后利用粉尘浓度测试仪进行降尘后粉尘浓度测量,得到治理后隧道粉尘浓度,此时隧道温度、隧道湿度、隧道风速、治理前隧道粉尘浓度、喷雾气压、喷雾水压、喷雾角度、表面活性剂浓度及治理后隧道粉尘浓度组成数据库中的一组数据,多次重复模拟实验,即可得到多组数据。
(2)构建初始预测模型。
本实施例的初始预测模型可以采用任意的机器学习模型。作为一种示例,本实施例的初始预测模型采用BP神经网络模型,考虑到三层神经网络便能逼近任何复杂非线性系统,故本实施例的初始预测模型包括依次连接的一层输入层、一层隐藏层和一层输出层。其中,输入层的节点个数与数据集中的样本所包括的数据类别的个数相同,在本实施例中具体为8,输出层的节点个数与数据集中的标签所包括的数据类别的个数相同,在本实施例中具体为1,隐藏层的节点个数根据经验公式确定,经验公式为:其中,l为隐藏层的节点个数,m为输入层的节点个数,n为输出层的节点个数,a为取值在[1,10]之间的调节常数,该调节常数为整数。故本实施例的输入层的节点个数为8,依据经验公式确定隐藏层的节点个数,输出层的节点个数为1。
优选的,本实施例可通过试凑法确定隐藏层的节点个数的最佳取值,即通过比较不同节点个数模型的误差试凑出最佳隐藏层节点数,具体先通过经验公式确定隐藏层的节点个数的取值范围,然后对于该取值范围内的每一个取值,通过该取值确定一具体的初始预测模型,利用数据集对该初始预测模型进行训练和验证,得到该取值对应的误差,误差可采用平均相对误差值,平均相对误差值是指验证时所用的每一样本的预测值和实际值的差值的平均值,最后通过比较不同取值对应的误差来确定隐藏层的节点个数的最佳取值,误差的最小值所对应的取值即为隐藏层的节点个数的最佳取值。本实施例具体进行测试后,发现当隐藏层的节点个数为10时,误差最小,故隐藏层的节点个数的最佳取值为10,因此初始预测模型的结构被确定为8-10-1。
(3)利用数据集对初始预测模型进行训练,得到训练好的预测模型。
本实施例将隧道温度、隧道湿度、隧道风速、治理前隧道粉尘浓度、喷雾气压、喷雾水压、喷雾角度及表面活性剂浓度作为特征参数,将治理后隧道粉尘浓度作为标签参数,输入初始预测模型中,经由多次迭代运算,待模型达到收敛精度后,即可得到对应的训练好的预测模型。
数据集中不同类别的数据的量纲和量纲单位往往不同,经常会出现数据的值不在同一量级上的情况,这会导致神经网络在训练过程中遇到难以收敛或者梯度爆炸等问题,因此优选对数据集中的原始数据进行归一化处理。故在利用数据集对初始预测模型进行训练,得到训练好的预测模型之前,本实施例的控制方法还包括:对数据集进行归一化,得到归一化后数据集,并以归一化后数据集作为新的数据集,执行后续利用数据集对初始预测模型进行训练的步骤。
本实施例可使用Min-Max归一化将原始数据映射到[0,1]范围内。Min-Max归一化也可称为离差标准化,是对原始数据的线性变换,使变换结果值映射到[0,1]之间,对于每一类别的数据,所用的转换函数具体如下:
其中,xnew为变换后数据;x为原始数据;xmin为原始数据的最小值;xmax为原始数据的最大值。
传统的神经网络在训练过程中容易陷入局部最优解的问题,导致训练后的网络性能不理想。为了解决这一问题,在利用数据集对初始预测模型进行训练,得到训练好的预测模型之前,本实施例的控制方法还包括:采用猎人猎物优化算法(HPO)确定初始预测模型的初始网络参数,得到参数初始化后模型,并以参数初始后模型作为新的初始预测模型,执行后续的利用数据集对初始预测模型进行训练的步骤。当初始预测模型为BP神经网络模型时,初始网络参数包括初始权重和初始阈值,具体包括输入层到隐藏层的权重和偏置以及隐藏层到输出层的权重和偏置,此时的初始预测模型可记为HPO-BP神经网络模型。
采用猎人猎物优化算法确定初始预测模型的初始网络参数的过程如下:(1)生成初始群体,初始群体包括多个搜索代理。
猎人猎物优化算法会在搜索空间内随机生成一定数量的搜索代理(其分为猎人和猎物),每个搜索代理都是具有一定空间维度的向量组(其代表搜索代理的位置),在BP神经网络的初始网络参数的优化问题中,该向量组就代表着权重和阈值的一个潜在最优解,向量组的空间维度由神经网络中待优化的权重和阈值的总数量决定。根据已经确定的BP神经网络的结构,可以通过N=n+l+m×l+n×l计算出向量组的空间维度N。
(2)计算初始群体中每一搜索代理的适应度,得到初始群体的适应度最优值。
适应度函数的构造是采用猎人猎物优化算法实现对BP神经网络优化的重要步骤,本实施例采用的适应度函数如下:
其中,F为适应度;N为向量组的空间维度;Yi为神经网络的预测输出值;yi为神经网络的期望输出值,即标签值。通过搜索代理的位置确定初始预测模型的初始网络参数后,利用数据集对初始预测模型进行训练和验证,即可利用训练好的预测模型确定神经网络的预测输出值,以进一步计算得到适应度。
通过上述公式计算得到每一搜索代理的适应度,选取适应度的最小值作为初始群体的适应度最优值。
(3)对初始群体进行更新,得到更新后群体。
搜索代理可分为猎人和猎物,初始群体中每一搜索代理的更新公式如下:
其中,xi(t)为第i个猎人的当前位置;C为平衡参数;Z为自适应参数;Ppos(j)为第j个猎物的位置;μ(j)为初始群体中所有搜索代理的位置的平均值;R5为[0,1]范围内的随机数;β为调节参数;Tpos为全局最优位置,即初始群体的适应度最优值对应的搜索代理的位置;R4为范围[-1,1]内的随机数。
对于初始群体中的每一搜索代理,生成一个随机数R5,判断R5是否小于调节参数β,若是,则将该搜索代理视为猎人,利用更新公式的第一条猎人更新公式进行该搜索代理的位置更新,若否,则将该搜索代理视为猎物,利用更新公式的第二条猎物更新公式进行该搜索代理的位置更新,从而对整个初始群体进行位置更新,得到更新后群体。
(4)计算更新后群体中每一搜索代理的适应度,得到更新后群体的适应度最优值。
(5)判断是否达到迭代终止条件;若是,则以更新后群体的适应度最优值所对应的搜索代理的位置作为初始预测模型的初始网络参数,若否,则以更新后群体作为下一迭代的初始群体,以更新后群体的适应度最优值作为下一迭代的初始群体的适应度最优值,返回“对初始群体进行更新,得到更新后群体”的步骤。
本实施例的迭代终止条件可为达到最大迭代次数。
本实施例采用猎人猎物优化算法对BP神经网络的初始阈值和初始权重进行优化,建立HPO-BP神经网络模型,解决传统神经网络易于陷入局部最优的问题,得到更高效和精准的预测模型,即采用HPO算法对BP初始权重和初始阈值进行优化,有效提高了神经网络模型的预测精度。
优选的,为了设置合理的搜索代理数量和迭代次数,本实施例采用不同数量的搜索代理进行对比优化试验,得到了各数量适应度收敛时的迭代次数区间以及收敛后的适应度大小,结果如表1所示。其中,收敛时的迭代次数采用区间的形式是因为即使收敛后适应度也会出现小范围的波动,因此无法精确到某一个迭代次数,采用区间的表示方法更加合理准确。
表1
从表1中结果可以看出,当搜索代理数量为200时,收敛后的适应度值最小,表明在该搜索代理数量下对于BP神经网络的初始权重和初始阈值的优化效果最好。此外,不同的搜索代理数量下适应度达到收敛时的迭代次数均落在了[300,500]的区间中。基于上述结果,为了在保证在对神经网络充分优化的同时减小迭代次数,以提升运算的效率,设置搜索代理数量为200,迭代次数为500。
在需要进行粉尘治理时,分别将现场传感器采集的当前的隧道环境数据和每一喷雾参数数据输入训练好的预测模型中,利用训练好的预测模型得到每一喷雾参数数据对应的治理后隧道粉尘浓度的预测值,治理后隧道粉尘浓度的预测值是指预测得到的在当前的隧道环境下,按照该喷雾参数数据进行粉尘治理后的隧道粉尘浓度,以基于治理后隧道粉尘浓度的预测值来确定喷雾参数的最佳取值,具体选取治理后隧道粉尘浓度的预测值的最小值所对应的喷雾参数数据作为目标参数数据,目标参数数据包括最佳的喷雾气压、喷雾水压、喷雾角度和表面活性剂浓度,基于目标参数数据进行粉尘治理,即控制降尘设备以该目标参数数据进行工作。
本实施例还可预先设置隧道粉尘治理达标值,在得到每一喷雾参数数据对应的治理后隧道粉尘浓度的预测值之后,先将每一喷雾参数数据对应的治理后隧道粉尘浓度的预测值均与隧道粉尘治理达标值进行比较,若每一喷雾参数数据对应的治理后隧道粉尘浓度的预测值均大于隧道粉尘治理达标值,则再次利用S1进行取值,以保证基于目标参数数据进行粉尘治理后能够达到粉尘治理标准。
本实施例可将训练好的预测模型集成在施工现场粉尘治理控制系统上,施工现场粉尘治理控制系统与传感器和降尘设备通信连接,由传感器实时传输现场数据,基于现场数据进行预测,将得出的最佳粉尘浓度控制参数(即目标参数数据)传输至降尘设备,即可完成降尘设备的喷雾参数设置,能够进行喷雾参数的快速动态调节,实现自动化精准治理粉尘。
本实施例公开了一种基于机器学习的隧道施工粉尘治理控制方法,对隧道施工过程中的粉尘影响因素进行研究,构建隧道施工粉尘治理影响因素数据库,基于数据库生成数据集,将数据集输入基于猎人猎物优化算法的初始预测模型中,以隧道环境数据(隧道温度、隧道湿度、隧道风速和治理前隧道粉尘浓度)和喷雾参数数据(喷雾气压、喷雾水压、喷雾角度和表面活性剂浓度)作为特征参数,以治理后隧道粉尘浓度作为标签参数,对初始预测模型进行训练,得到训练好的预测模型,后续可进一步利用该训练好的预测模型来确定某种隧道环境下喷雾参数的最佳取值,以更好的进行粉尘治理,本实施例的控制方法可适用于各种隧道掘进及日常生产作业过程中的粉尘治理,减轻粉尘治理人员的压力,实现自动化精准治理粉尘,提高粉尘治理效果,同时节约粉尘治理成本。
优选的,由于数据库中的数据有限,本实施例利用隧道粉尘治理后的数据进行反馈控制,形成闭环,在治理的同时,将治理完成后的数据更新至隧道施工粉尘治理影响因素数据库,每间隔固定时间进行神经网络迭代训练,进化神经网络,提高预测精度。具体的,收集在每一次完成基于喷雾参数的粉尘治理后现场实际的粉尘浓度,将施工现场的进行降尘治理后的粉尘浓度重新补充至数据集,进行数据集更新,引入神经网络模型自修正功能,利用更新后数据集对神经网络模型进行修正,使其在使用过程中精度不断提升,实现数据预测的闭环,此时的控制方法可称为闭环控制方法,该闭环控制方法可以修正预测模型的准确性,可以推广适用于所有隧道掘进施工。
故在基于目标参数数据进行粉尘治理之后,本实施例的控制方法还包括:获取治理后隧道粉尘浓度的实际值,以目标参数数据、隧道环境数据和治理后隧道粉尘浓度的实际值作为一新样本,将新样本添加到数据集中,得到更新后数据集。每隔预设时间,利用更新后数据集对训练好的预测模型进行再次训练,得到再训练模型,并以再训练模型作为下一次粉尘治理时所用的训练好的预测模型。需要说明的是,每隔预设时间后,更新后数据集内的新样本的数量与在这段时间内进行粉尘治理的次数相同。
本实施例运用机器学习算法,在对隧道施工粉尘影响因素进行充分考量后,构建隧道施工微细粉尘治理效果与局部环境参数、粉尘浓度以及喷雾参数的相关关系,结合实验室模拟实验的理论数据,完成机器学习模型的训练,得到训练好的机器学习模型,实现了对于多种类隧道施工微细粉尘治理的自适应参数调整,为隧道施工环境变化的动态降尘系统参数智能化调节提供基础。同时,结合正反馈理论,将调节后的喷雾参数、环境参数、粉尘治理前后浓度作为反馈值,重新输入数据库中,通过定时迭代更新神经网络,使得此方法在满足高精度、智能化降尘的基础上,对不同巷道除尘的适应度大大提升。本实施例在隧道施工微细粉尘治理环境中考虑动态环境变化因素,使用机器学习方法结合现场传感器的实时动态数据,进行喷雾参数优化调节,并结合信息反馈机制,更新机器学习模型,提高环境适应性,在实现隧道施工微细粉尘的精准治理的同时节约水资源和降低降尘成本。本实施例的控制方法使得隧道内的粉尘浓度得到了明显降低,有效解决了隧道施工粉尘降尘过程中参数难以动态调整、浓度去除效果不佳的问题,对维护周边自然生态具有重要意义,且对绿色施工过程中的粉尘污染防治具有一定的参考价值。
实施例2:
本实施例用于提供一种隧道施工粉尘治理控制系统,如图2所示,所述控制系统包括:
取值模块M1,用于在喷雾参数的预设取值范围内进行多次取值,得到多个喷雾参数数据;每一次取值即产生一所述喷雾参数数据;
预测模块M2,用于对于每一所述喷雾参数数据,以所述喷雾参数数据和当前的隧道环境数据作为输入,利用训练好的预测模型得到所述喷雾参数数据对应的治理后隧道粉尘浓度的预测值;
治理模块M3,用于选取所述治理后隧道粉尘浓度的预测值的最小值所对应的喷雾参数数据作为目标参数数据,基于所述目标参数数据进行粉尘治理。
实施例3:
本实施例用于提供一种隧道施工粉尘治理控制设备,包括:
处理器;以及
存储器,其中存储计算机可读程序指令,
其中,在所述计算机可读程序指令被所述处理器运行时执行如实施例1所述的控制方法。
实施例4:
本实施例用于提供一种计算机可读存储介质,其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实施例1所述控制方法的步骤。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种隧道施工粉尘治理控制方法,其特征在于,所述控制方法包括:
在喷雾参数的预设取值范围内进行多次取值,得到多个喷雾参数数据;每一次取值即产生一所述喷雾参数数据;
对于每一所述喷雾参数数据,以所述喷雾参数数据和当前的隧道环境数据作为输入,利用训练好的预测模型得到所述喷雾参数数据对应的治理后隧道粉尘浓度的预测值;
选取所述治理后隧道粉尘浓度的预测值的最小值所对应的喷雾参数数据作为目标参数数据,基于所述目标参数数据进行粉尘治理。
2.根据权利要求1所述的控制方法,其特征在于,所述喷雾参数包括喷雾气压、喷雾水压、喷雾角度和表面活性剂浓度;所述隧道环境数据包括隧道环境的实际值,所述隧道环境包括隧道温度、隧道湿度、隧道风速和治理前隧道粉尘浓度。
3.根据权利要求1所述的控制方法,其特征在于,在以所述喷雾参数数据和当前的隧道环境数据作为输入,利用训练好的预测模型得到所述喷雾参数数据对应的治理后隧道粉尘浓度的预测值之前,所述控制方法还包括:训练得到训练好的预测模型,具体包括:
获取数据集;所述数据集包括多个样本和每一所述样本对应的标签,所述样本包括样本喷雾参数数据和样本隧道环境数据,所述标签包括样本治理后隧道粉尘浓度的取值;
构建初始预测模型;
利用所述数据集对所述初始预测模型进行训练,得到训练好的预测模型。
4.根据权利要求3所述的控制方法,其特征在于,所述初始预测模型采用BP神经网络模型,包括依次连接的输入层、隐藏层和输出层;所述隐藏层的节点个数根据经验公式确定。
5.根据权利要求3所述的控制方法,其特征在于,在利用所述数据集对所述初始预测模型进行训练,得到训练好的预测模型之前,所述控制方法还包括:
对所述数据集进行归一化,得到归一化后数据集,并以所述归一化后数据集作为新的数据集。
6.根据权利要求3所述的控制方法,其特征在于,在利用所述数据集对所述初始预测模型进行训练,得到训练好的预测模型之前,所述控制方法还包括:
采用猎人猎物优化算法确定所述初始预测模型的初始网络参数,得到参数初始化后模型,并以所述参数初始后模型作为新的初始预测模型。
7.根据权利要求3所述的控制方法,其特征在于,在基于所述目标参数数据进行粉尘治理之后,所述控制方法还包括:获取治理后隧道粉尘浓度的实际值,以所述目标参数数据、所述隧道环境数据和所述治理后隧道粉尘浓度的实际值作为一新样本,将所述新样本添加到所述数据集中,得到更新后数据集;每隔预设时间,利用所述更新后数据集对所述训练好的预测模型进行再次训练,得到再训练模型,并以所述再训练模型作为下一次粉尘治理时所用的训练好的预测模型。
8.一种隧道施工粉尘治理控制系统,其特征在于,所述控制系统包括:
取值模块,用于在喷雾参数的预设取值范围内进行多次取值,得到多个喷雾参数数据;每一次取值即产生一所述喷雾参数数据;
预测模块,用于对于每一所述喷雾参数数据,以所述喷雾参数数据和当前的隧道环境数据作为输入,利用训练好的预测模型得到所述喷雾参数数据对应的治理后隧道粉尘浓度的预测值;
治理模块,用于选取所述治理后隧道粉尘浓度的预测值的最小值所对应的喷雾参数数据作为目标参数数据,基于所述目标参数数据进行粉尘治理。
9.一种隧道施工粉尘治理控制设备,其特征在于,包括:
处理器;以及
存储器,其中存储计算机可读程序指令,
其中,在所述计算机可读程序指令被所述处理器运行时执行如权利要求1-7任一项所述的控制方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108356.2A CN117052457A (zh) | 2023-08-30 | 2023-08-30 | 隧道施工粉尘治理控制方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108356.2A CN117052457A (zh) | 2023-08-30 | 2023-08-30 | 隧道施工粉尘治理控制方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117052457A true CN117052457A (zh) | 2023-11-14 |
Family
ID=88666158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311108356.2A Pending CN117052457A (zh) | 2023-08-30 | 2023-08-30 | 隧道施工粉尘治理控制方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117052457A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117284817A (zh) * | 2023-11-24 | 2023-12-26 | 张家港市华申工业橡塑制品有限公司 | 用于带式输送机的除尘方法及系统 |
-
2023
- 2023-08-30 CN CN202311108356.2A patent/CN117052457A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117284817A (zh) * | 2023-11-24 | 2023-12-26 | 张家港市华申工业橡塑制品有限公司 | 用于带式输送机的除尘方法及系统 |
CN117284817B (zh) * | 2023-11-24 | 2024-02-06 | 张家港市华申工业橡塑制品有限公司 | 用于带式输送机的除尘方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN107194625B (zh) | 基于神经网络的风电场弃风电量评估方法 | |
CN109657881A (zh) | 一种适用于小样本的神经网络光伏发电预测方法及系统 | |
CN111047012A (zh) | 基于深度双向长短期记忆网络的空气质量预测方法 | |
CN117052457A (zh) | 隧道施工粉尘治理控制方法、系统、设备及介质 | |
CN106599586A (zh) | 基于神经网络的scr智能喷氨优化方法及装置 | |
CN104408518A (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN111308896A (zh) | 基于可变误差的非线性系统自适应最优控制方法 | |
CN114706353B (zh) | 一种自动化控制虚拟仿真制造平台 | |
CN112685841B (zh) | 一种带有连接关系的结构的有限元建模、修正方法及系统 | |
CN113610243A (zh) | 基于耦合机器学习和相关性分析的大气污染物溯源方法 | |
US20230062408A1 (en) | Adaptive path planning method based on neutral networks trained by the evolutional algorithms | |
CN111415010A (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
CN105469142A (zh) | 一种基于样本增量驱动的神经网络增量型前馈算法 | |
CN115019510A (zh) | 一种基于动态自适应生成对抗网络的交通数据修复方法 | |
CN111680823A (zh) | 一种风向信息预测方法及系统 | |
CN116451567A (zh) | 一种瓦斯负压抽采管道泄漏评估及智能处置方法 | |
CN103279030A (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN109214500A (zh) | 一种基于混合智能算法的变压器故障识别方法 | |
CN112862063A (zh) | 一种基于深度信念网络的复杂管网泄漏定位方法 | |
CN111414927A (zh) | 一种海水水质评价的方法 | |
CN114202106A (zh) | 一种基于深度学习的空调系统负荷预测方法 | |
Hu et al. | Neural network-assisted expensive optimisation algorithm for pollution source rapid positioning of drinking water | |
CN108596781A (zh) | 一种电力系统数据挖掘与预测整合方法 |
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 |