CN117610128A - 知识图谱驱动的隧道洞门结构方案设计方法 - Google Patents
知识图谱驱动的隧道洞门结构方案设计方法 Download PDFInfo
- Publication number
- CN117610128A CN117610128A CN202311592458.6A CN202311592458A CN117610128A CN 117610128 A CN117610128 A CN 117610128A CN 202311592458 A CN202311592458 A CN 202311592458A CN 117610128 A CN117610128 A CN 117610128A
- Authority
- CN
- China
- Prior art keywords
- tunnel portal
- graph
- knowledge
- portal structure
- tunnel
- 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
- 238000013461 design Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000011835 investigation Methods 0.000 claims abstract description 108
- 238000012549 training Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims description 100
- 238000010586 diagram Methods 0.000 claims description 31
- 230000004927 fusion Effects 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 230000002452 interceptive effect Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 abstract description 6
- 238000012938 design process Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000009933 burial Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及陆路交通设计技术领域,公开了一种知识图谱驱动的隧道洞门结构方案设计方法,该方法包括:构建隧道洞门结构知识图谱本体,其中,隧道洞门结构知识图谱本体中包括隧道洞口勘察参数;将隧道洞门结构知识图谱本体输入至隧道洞门结构预测模型进行训练,得到训练后的隧道洞门结构预测模型;通过训练后的隧道洞门结构预测模型根据待预测勘察参数进行预测,得到隧道洞门设计参数。本发明通过隧道洞口知识图谱本体训练隧道洞门结构预测模型,通过训练后的隧道洞门结构预测模型预测隧道洞门设计参数,进而展示洞门设计方案,解决了矿山法隧道洞门设计过程中设计经验传递差及历史案例没有充分利用难点导致设计效率低问题,提高隧道洞门设计效率。
Description
技术领域
本发明涉及陆路交通设计技术领域,尤其涉及一种知识图谱驱动的隧道洞门结构方案设计方法。
背景技术
随着隧道工程技术不断发展,隧道洞口的设计技术日趋先进。然而,在隧道工程领域,实际存在十分庞大且冗杂的知识框架,从设计规范到工程数据实际上是错综复杂的,但目前没有基于知识图谱的隧道洞门结构智能设计方法的研究,而传统机器学习没有深入考虑隧道洞门勘察参数间的内部结构信息和关系,矿山法隧道洞门设计过程中设计经验传递差及历史案例没有充分利用难点,导致隧道洞门设计效率低,隧道洞口设计的效率亟待提高。
发明内容
本发明的主要目的在于提供一种知识图谱驱动的隧道洞门结构方案设计,旨在解决矿山法隧道洞门设计过程中设计经验传递差及历史案例没有充分利用难点导致设计效率低的技术问题。
为实现上述目的,本发明提供了一种知识图谱驱动的隧道洞门结构方案设计方法,所述方法包括以下步骤:
设计隧道洞门结构知识图谱本体,依据知识图谱本体构建隧道洞门结构知识图谱,其中,所述隧道洞门结构知识图谱中包括隧道洞口勘察参数;
将所述隧道洞门结构知识图谱案例实体作为样本集,输入至隧道洞门结构预测模型进行训练,得到训练后的隧道洞门结构预测模型,其中,所述隧道洞门结构预测模型包括预处理层、子图构建层、实体匹配层、图池化层和预测层;
通过所述训练后的隧道洞门结构预测模型根据待预测勘察参数进行预测,得到隧道洞门结构设计参数。
可选地,所述将所述隧道洞门结构知识图谱包含案例实体样本集输入至隧道洞门结构预测模型进行训练,得到训练后的隧道洞门结构预测模型,包括:
通过所述预处理层对隧道洞口勘察参数进行编码处理,输出目标特征向量;
通过所述子图构建层基于所述特征向量构建勘察参数节点,并构建勘察参数节点间的全连接图;
通过所述实体匹配层对所述全连接图的属性进行交互建模,得到融合特征;
通过图池化层对所述融合特征进行学习,得到目标嵌入向量;
通过所述预测层基于所述目标嵌入向量进行融合与降维,得到预测结果,并根据所述预测结果进行反向传播训练,训练后的隧道洞门结构预测模型。
可选地,所述通过所述预处理层对隧道洞口勘察参数进行编码处理,输出目标特征向量,包括:
获取所述隧道洞口勘察参数中的离散值和连续值,并将所述隧道洞口勘察参数中的离散值属性和连续值属性作为隧道洞门结构知识图谱中的属性嵌入;
对所述隧道洞口勘察参数中的离散值属性采用第一编码方式进行编码,得到第一特征向量;
对所述隧道洞口勘察参数中的连续值属性采用第二编码方式进行编码,得到第二特征向量;
根据所述第一特征向量和所述第二特征向量得到目标特征向量。
可选地,所述通过所述实体匹配层对所述全连接图的属性进行交互建模,得到融合特征,包括:
将所述全连接图中的任一节点依次与所述节点的相邻节点进行属性交互,得到节点原本特征;
获取所述节点原本特征中各个维度的特征值,并将所述节点原本特征中各个维度的特征值进行全连接,得到不同节点之间的交互信息;
将所述不同节点之间的交互信息进行聚合,得到节点匹配特征;
将所述节点原本特征和所述节点匹配特征进行融合,得到融合特征。
可选地,所述通过图池化层对所述融合特征进行学习,得到目标嵌入向量,包括:
将所述融合特征和隧道洞门结构知识图谱本体进行融合,得到隧道勘察参数本体;
根据所述隧道勘察参数本体进行计算,得到上下文信息;
根据所述隧道勘察参数本体中每个节点的嵌入向量和所述上下文信息进行计算,得到各节点的注意力权重;
根据所述隧道勘察参数本体中所有节点的嵌入向量与对应节点注意力系数进行计算,得到目标嵌入向量。
可选地,所述根据所述预测结果进行反向传播训练,训练后的隧道洞门结构预测模型,包括:
通过预设损失函数基于所述预测结果和真实结果进行计算,得到预测差异;
根据所述预测差异确定所述隧道洞门结构预测模型的预测准确度;
在所述预测准确度达到预设准确度阈值时,将当前隧道洞门结构预测模型作为训练后的隧道洞门结构预测模型;
在所述预测准确度未达到预设准确度阈值时,进行反向传播训练直至预测准确度达到预设准确度阈值,得到训练后的隧道洞门结构预测模型。
可选地,所述构建隧道洞门结构知识图谱本体,包括:
设置多个节点标签,并基于所述节点标签从隧道洞口勘察设计数据库获取各个节点标签对应的数据,得到知识图谱节点;
根据知识图谱三元组规则确定所述知识图谱节点之间的关系;
根据所述知识图谱节点和所述知识图谱节点之间的关系构建隧道洞门结构知识图谱本体。
此外,为实现上述目的,本发明还提出一种知识图谱驱动的隧道洞门结构方案设计装置,所述知识图谱驱动的隧道洞门结构方案设计装置包括:
构建模块,用于构建隧道洞门结构知识图谱本体,其中,所述隧道洞门结构知识图谱本体中包括隧道洞口勘察参数;
训练模块,用于将所述隧道洞门结构知识图谱本体输入至隧道洞门结构预测模型进行训练,得到训练后的隧道洞门结构预测模型,其中,所述隧道洞门结构预测模型包括预处理层、子图构建层、实体匹配层、图池化层和预测层;
预测模块,用于通过所述训练后的隧道洞门结构预测模型根据待预测勘察参数进行预测,得到隧道洞门设计参数。
此外,为实现上述目的,本发明还提出一种知识图谱驱动的隧道洞门结构方案设计设备,所述知识图谱驱动的隧道洞门结构方案设计设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的知识图谱驱动的隧道洞门结构方案设计程序,所述知识图谱驱动的隧道洞门结构方案设计程序配置为实现如上文所述的知识图谱驱动的隧道洞门结构方案设计方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有知识图谱驱动的隧道洞门结构方案设计程序,所述知识图谱驱动的隧道洞门结构方案设计程序被处理器执行时实现如上文所述的知识图谱驱动的隧道洞门结构方案设计方法的步骤。
本发明通过构建隧道洞门结构知识图谱本体,其中,隧道洞门结构知识图谱本体中包括隧道洞口勘察参数;将隧道洞门结构知识图谱本体输入至隧道洞门结构预测模型进行训练,得到训练后的隧道洞门结构预测模型;通过训练后的隧道洞门结构预测模型根据待预测勘察参数进行预测,得到隧道洞门设计参数。通过上述方式,通过隧道洞口知识图谱本体训练隧道洞门结构预测模型,通过训练后的隧道洞门结构预测模型预测隧道洞门设计参数,进而展示洞门设计方案,解决了矿山法隧道洞门设计过程中设计经验传递差及历史案例没有充分利用难点导致设计效率低问题,提高隧道洞门设计效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的知识图谱驱动的隧道洞门结构方案设计设备的结构示意图;
图2为本发明知识图谱驱动的隧道洞门结构方案设计方法第一实施例的流程示意图;
图3为本发明知识图谱驱动的隧道洞门结构方案设计方法一实施例的隧道洞门结构知识图谱本体图;
图4为本发明知识图谱驱动的隧道洞门结构方案设计方法一实施例的隧道洞门结构预测模型框架图;
图5为本发明知识图谱驱动的隧道洞门结构方案设计方法第二实施例的流程示意图;
图6为本发明知识图谱驱动的隧道洞门结构方案设计方法一实施例的隧道洞门连续勘察数据Autodis编码流程图;
图7为本发明知识图谱驱动的隧道洞门结构方案设计方法一实施例的知识图谱节点全连接神经网络计算示意图;
图8为本发明知识图谱驱动的隧道洞门结构方案设计方法一实施例的循环门控神经网络GRU模型计算示意图;
图9为本发明知识图谱驱动的隧道洞门结构方案设计方法一实施例的勘察参数知识图谱实体节点连接图;
图10为本发明知识图谱驱动的隧道洞门结构方案设计方法一实施例的图卷积层网络架构图;
图11为本发明知识图谱驱动的隧道洞门结构方案设计方法一实施例的洞门类型智能设计可解释性结果图;
图12为本发明知识图谱驱动的隧道洞门结构方案设计方法一实施例的洞门类型预测混淆矩阵示意图;
图13为本发明知识图谱驱动的隧道洞门结构方案设计装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的知识图谱驱动的隧道洞门结构方案设计设备结构示意图。
如图1所示,该知识图谱驱动的隧道洞门结构方案设计设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM),也可以是稳定的非易失性存储器(Non-VolatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对知识图谱驱动的隧道洞门结构方案设计设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及知识图谱驱动的隧道洞门结构方案设计程序。
在图1所示的知识图谱驱动的隧道洞门结构方案设计设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明知识图谱驱动的隧道洞门结构方案设计设备中的处理器1001、存储器1005可以设置在知识图谱驱动的隧道洞门结构方案设计设备中,所述知识图谱驱动的隧道洞门结构方案设计设备通过处理器1001调用存储器1005中存储的知识图谱驱动的隧道洞门结构方案设计程序,并执行本发明实施例提供的知识图谱驱动的隧道洞门结构方案设计方法。
本发明实施例提供了一种知识图谱驱动的隧道洞门结构方案设计方法,参照图2,图2为本发明知识图谱驱动的隧道洞门结构方案设计方法第一实施例的流程示意图。
本实施例中,所述知识图谱驱动的隧道洞门结构方案设计方法包括以下步骤:
步骤S10:构建隧道洞门结构知识图谱本体,其中,所述隧道洞门结构知识图谱本体中包括隧道洞口勘察参数。
需要说明的是,本实施例的执行主体为知识图谱驱动的隧道洞门结构方案设计设备,还可为其他可实现相同或相似功能的设备,本实施例对此不加以限定,本实施例以知识图谱驱动的隧道洞门结构方案设计设备为例进行说明。
可以理解的是,隧道洞门结构知识图谱本体由多个实体和实体间的关系构成,实体即为隧道洞门结构知识图谱本体中的各个节点,实体间的关系即为各个节点间的连接线。隧道洞门结构知识图谱中可以包括隧道实体、影响因素实体、设计参数实体等,其中,影响因素实体又可以分为隧道长度、外接类型、外接角度等,设计参数实体可以分为隧道洞门长度实体、洞门类型实体以及开孔数量实体,本实施例对此不作具体限制,影响因素实体即为隧道洞口勘察参数,即隧道洞门结构知识图谱本体中包括隧道洞口勘察参数。
进一步地,所述构建隧道洞门结构知识图谱本体,包括:设置多个节点标签,并基于所述节点标签从隧道洞口勘察设计数据库获取各个节点标签对应的数据,得到知识图谱节点;根据知识图谱三元组规则确定所述知识图谱节点之间的关系;根据所述知识图谱节点和所述知识图谱节点之间的关系构建隧道洞门结构知识图谱本体。
需要说明的是,将隧道实体、影响因素实体、设计参数实体作为节点标签,匹配隧道洞口勘察设计数据库中各个数据的标签,得到各个节点标签对应的数据,即知识图谱节点。
可以理解的是,将实体与实体间的关系映射到知识图谱中即为不同节点之间的关系,知识图谱节点关系的建立过程可以例如:按照知识图谱三元组的规则,即按照“实体-关系-实体”、“实体-属性-值”的模式概括。
在具体实现中,基于隧道洞口勘察设计数据库,从众多标签中通过数据挖掘和信息检索,将隧道洞口勘察设计数据库中相应标签下的数据读入到图谱中的实体中,实现实体抽取和数据读入,进而对数据层进行规范和约束。
如图3所示,图3为隧道洞门结构知识图谱本体图,隧道洞门结构知识图谱本体采用自顶向下的方式构建,隧道洞门结构知识图谱本体由多个实体和实体间的关系构成,实体即为隧道洞门结构知识图谱本体中的各个节点,实体间的关系即为各个节点间的连接线。隧道洞门结构知识图谱本体中包括隧道实体、勘测参数实体、设计参数实体等,勘测参数实体可以分为隧道长度、外接类型、外接角度、纵断面坐标、关键断面和洞口处等实体,洞口处实体可以分为埋深实体和岩土力学参数实体,岩土力学参数实体可以分为岩性、施工等级、风化程度和承载能力等实体,设计参数实体可以分为洞门结构参数和仰边坡参数,洞门结构参数分为隧道洞门长度实体、洞门类型实体以及开孔数量实体,仰边坡参数分为仰坡坡率实体和边坡坡率实体。
步骤S20:将所述隧道洞门结构知识图谱本体输入至隧道洞门结构预测模型进行训练,得到训练后的隧道洞门结构预测模型,其中,所述隧道洞门结构预测模型包括预处理层、子图构建层、实体匹配层、图池化层和预测层。
需要说明的是,隧道洞门结构知识图谱本体还包含了隧道洞门设计经验,收集隧道洞口设计案例建立隧道洞门设计案例知识图谱,隧道洞门设计案例知识图谱融合隧道洞口知识图谱本体中的设计经验,进一步训练,得到隧道洞门结构预测模型。
可以理解的是,将隧道洞门设计案例知识图谱中的隧道洞口设计案例和隧道洞门结构知识图谱本体中的隧道洞口勘察参数作为样本结合隧道洞门设计经验,对隧道洞门结构预测模型进行训练。
可以理解的是,预处理层用于对不同类型的输入数据进行编码处理,输出维度相同的向量;子图构建层用于充分学习勘察参数实体之间的相互关系;实体匹配层用于利用全连接神经网络和循环门单元学习实体节点特征;图池化层即图卷积层,用于采用注意力机制强化内部特征学习得到嵌入向量;预测层利用三层全连接层,对嵌入向量进行融合与降维,最终输出分类结果,并使用交叉熵损失函数计算分类结果与标签的差异,进行反向传播训练。
如图4所示,图4为隧道洞门结构预测模型框架图,隧道洞门结构预测模型包括预处理层、子图构建层、实体匹配层、图卷积层和预测层,通过输入层将岩性、风化程度、承载能力、隧道长度和外接角度等隧道洞口勘察参数输入至预处理层,通过预处理层对岩性、风化程度、承载能力、隧道长度和外接角度等隧道洞口勘察参数进行编码处理,输出维度相同的向量,将维度相同的向量输入至子图构建层建立勘察参数实体和勘察参数实体之间的全连接图,实体匹配层通过全连接网络MLP和循环门控神经网络GRU对勘察参数实体间全连接图中的属性进行交互建模,学习实体节点特征,得到融合特征,图卷积层,利用基于经验知识构建的隧道洞口勘察参数知识图谱本体图搭建三层图卷积层捕捉隧道洞口勘察参数之间的属性关系。同时采用注意力机制强化内部特征学习,得到本体图的嵌入向量,预测层利用全连接网络MLP对嵌入向量进行融合与降维,预测隧道洞门长度、洞门类型或开孔数量。
步骤S30:通过所述训练后的隧道洞门结构预测模型根据待预测勘察参数进行预测,得到隧道洞门设计参数。
需要说明的是,隧道洞门设计参数可以为隧道洞门长度、洞门类型和开孔数量等,本实施例对此不作具体限制,本实施例以门洞类型为例进行具体说明。训练后的隧道洞门结构预测模型每次仅预测一种隧道洞门设计参数,需要对隧道洞门长度、洞门类型和开孔数量进行分别预测。
在具体实现中,得到隧道洞门设计参数之后,通过bim引擎将智能决策得到的洞门设计参数进行三维呈现,形成隧道洞门结构方案,实现了洞门设计方案的三维可视化展示。
本实施例通过构建隧道洞门结构知识图谱本体,其中,隧道洞门结构知识图谱本体中包括隧道洞口勘察参数;将隧道洞门结构知识图谱本体输入至隧道洞门结构预测模型进行训练,得到训练后的隧道洞门结构预测模型;通过训练后的隧道洞门结构预测模型根据待预测勘察参数进行预测,得到隧道洞门设计参数。通过上述方式,通过隧道洞口知识图谱本体训练隧道洞门结构预测模型,通过训练后的隧道洞门结构预测模型预测隧道洞门设计参数,进而展示洞门设计方案,解决了矿山法隧道洞门设计过程中设计经验传递差及历史案例没有充分利用难点导致设计效率低问题,提高隧道洞门设计效率。
参考图5,图5为本发明知识图谱驱动的隧道洞门结构方案设计方法第二实施例的流程示意图。
基于上述第一实施例,本实施例知识图谱驱动的隧道洞门结构方案设计方法中所述步骤S20,包括:
步骤S201:通过所述预处理层对隧道洞口勘察参数进行编码处理,输出目标特征向量。
需要说明的是,预处理层对隧道洞口勘察参数进行编码处理,输出维度相同的向量,即目标特征向量。
进一步地,所述通过所述预处理层对隧道洞口勘察参数进行编码处理,输出目标特征向量,包括:获取所述隧道洞口勘察参数中的离散值和连续值,并将所述隧道洞口勘察参数中的离散值和连续值作为隧道洞门结构知识图谱中的属性嵌入;对所述隧道洞口勘察参数中的离散值采用第一编码方式进行编码,得到第一特征向量;对所述隧道洞口勘察参数中的连续值采用第二编码方式进行编码,得到第二特征向量;根据所述第一特征向量和所述第二特征向量得到目标特征向量。
需要说明的是,隧道勘察参数中的离散值,例如岩性、风化程度、施工等级等,勘察参数中的连续值,例如隧道长度、外界角度、洞口埋深等,本实施例对此不作具体限制。
可以理解的是,第一编码方式可以为onehot编码,onehot编码是一种将分类变量转换为几个二进制列的方法,第二编码方式可以为Autodis编码。
在具体实现中,对离散值采用onehot进行编码,具体包括:将每个离散值转换为onehot编码的向量,向量的维度取所有隧道勘察参数中的最大值,向量维度为26,如风化程度为1,则onehot编码后的向量为[0,1,0,0,...,0],向量维度为26;在onehot编码的基础上右乘一个权重矩阵完成对输入数据的嵌入,得到输出值/>即为第一特征向量。在训练过程中进行梯度反向传播更新权重,寻找让loss减小的embedding方式,输出值Ei如下式1:
Ei=onehot(Ti)*W (式1)
在式1中,Ei为输出值,Ti为onehot编码的向量,W为权重矩阵。
连续值采用Autodis进行编码,具体包括:通过一个两层的神经网络将连续数值特征xj离散到26个桶中,在计算过程中对数据特征进行正态化分布处理,特征映射结果的向量维度为26,将特征映射结果使用SoftMax进行归一化得到特征向量定义一组共享meta-embeddings:/>通过这些meta-embeddings可以提高模型为每个连续数值特征的表达能力。输入的连续数值特征xj进行进行上采样处理变成将共享meta-embeddings与xj点乘得到向量为/>通过一定的方式聚合这Hj个嵌入向量,从而得到最终的连续数值特征的嵌入表示。在训练过程中,Meta-Embedding也属于可变向量空间。在聚合计算过程中,将特征向量/>与向量进行点乘,并将对应的行数相加,得到第二编码向量/>如图6所示,图6为隧道洞门连续勘察数据Autodis编码流程图。
步骤S202:通过所述子图构建层基于所述特征向量构建勘察参数节点,并构建勘察参数节点间的全连接图。
需要说明的是,利用子图构建层充分学习勘察参数实体之间的相互关系,即在数据预处理完成后,构建隧道洞门结构知识图谱中的隧道勘察参数实体间进行全连接,即所有勘察参数实体两两连接,表示勘察参数属性节点之间的交互关系,得到勘察参数节点间的全连接图。
步骤S203:通过所述实体匹配层对所述全连接图的属性进行交互建模,得到融合特征。
需要说明的是,实体匹配层对勘察参数实体间全连接图中的属性进行交互建模,利用全连接神经网络和循环门单元学习实体节点特征。
进一步地,所述通过所述实体匹配层对所述全连接图的属性进行交互建模,得到融合特征,包括:将所述全连接图中的任一节点依次与所述节点的相邻节点进行属性交互,得到节点原本特征;获取所述节点原本特征中各个维度的特征值,并将所述节点原本特征中各个维度的特征值进行全连接,得到不同节点之间的交互信息;将所述不同节点之间的交互信息进行聚合,得到节点匹配特征;将所述节点原本特征和所述节点匹配特征进行融合,得到融合特征。
在具体实现中,将知识图谱全连接图中每一个节点依次与它相邻的节点/>进行点乘运算,计算节点i与节点j的初步交互表示/>即为节点原本特征,如下式2:
Eij=Ei*Ej (式2)
在式2中,Eij为节点i与节点j的初步交互表示,即节点原本特征,Ei为节点i,Ej为节点i的相邻节点j。
建立全连接网络MLP的结构,输入为节点i与节点j的初步交互表示Eij,输入层的每个点ek代表Eij中的一个维度的特征值,在经过两层的全连接之后,得到进一步的交互结果Pij,同理,输出层的每个点Pk代表Pij中的一个维度的特征值,其中输入输出维度均为64,隐藏层维度为128。全连接网络MLP中每个点hk都与前一层中所有点相连,从而将不同点的特征进行充分融合,并将每层的输出通过Relu激活函数传递给下一层,最终经过两层的全连接之后,有效捕捉了不同节点间的交互信息,如图7所示,图7为知识图谱节点全连接神经网络计算示意图,计算公式如下式3:
Eij=Ei*Ejhk=wk1*e1+wk2*e2+…+wk64*e64+bk (式3)
式3中,Eij为节点i与节点j的初步交互表示,即节点原本特征,Ei为节点i,Ej为节点i的相邻节点j,e1,e2,...,e64是输入层的点,hk为隐藏层的节点,wk1,wk2,...,wk64是全连接层的权重,bk是当前全连接层的偏置项,二者都是可学习的参数。
将节点i与它所有的邻居节点的属性交互结果进行聚合,得到节点匹配特征如下式4:
式3中,Ni为节点i的邻居节点个数,Mi表示节点i与所有它邻居节点内部交互建模后得到的节点i的嵌入表示,即节点匹配特征,Pij为节点i与其邻居节点j的属性交互结果。
使用循环门控神经网络GRU模型将经过全连接神经网络MLP得到的图谱节点匹配信息Mt与节点原本特征Et-1进行融合,如图8所示,图8为循环门控神经网络GRU模型计算示意图。通过GRU自适应地将节点原本特征Et-1与实体匹配特征Mt进行融合,充分学习原本特征和实体匹配特征。
步骤S204:通过图池化层对所述融合特征进行学习,得到目标嵌入向量。
需要说明的是,图池化层即图卷积层,利用基于经验知识构建的隧道洞口勘察参数知识图谱本体图,搭建三层图卷积层捕捉隧道洞口勘察参数之间的属性关系。同时采用注意力机制强化内部特征学习,得到本体图的嵌入向量,即目标嵌入向量。
进一步地,所述通过图池化层对所述融合特征进行学习,得到目标嵌入向量,包括:将所述融合特征和隧道洞门结构知识图谱本体进行融合,得到隧道勘察参数本体;根据所述隧道勘察参数本体进行计算,得到上下文信息;根据所述隧道勘察参数本体中每个节点的嵌入向量和所述上下文信息进行计算,得到各节点的注意力权重;根据所述隧道勘察参数本体中所有节点的嵌入向量与对应节点注意力系数进行计算,得到目标嵌入向量。
需要说明的是,融合节点实体特征和知识图谱本体,让图神经网络学习隧道洞门设计过程中的先验知识和知识图谱本体中的相互关系。将隧道全连接图中的邻接矩阵改为本体图中的邻接矩阵,从而构建隧道勘察参数本体图。
如图9所示,图9为勘察参数知识图谱实体节点连接图,勘测参数实体可以分为隧道长度、外接类型、外接角度、纵断面坐标、关键断面和洞口处等实体,洞口处实体可以分为埋深实体和岩土力学参数实体,岩土力学参数实体可以分为岩性、施工等级、风化程度和承载能力等实体。
如图10所示,图10为图卷积层网络架构图,搭建了三层图卷积层来捕获隧道勘察参数本体图的属性交互信息。并在每个图卷积层后添加Relu激活函数,以增强模型的非线性能力,提高模型稀疏性。为了对隧道勘察参数本体图进行分类,需将所有属性节点融合为一个一维向量,采用注意力池化操作增强重要实体节点和次要实体节点特征。如图10中的注意力池化,将本体图中勘察参数属性节点的特征矩阵G与一个可学习的权重矩阵W相乘,再取均值便得到了本体图的上下文信息,此时C具有了本体图的全局信息,如下式5:
在式5中,C为上下文信息,N表示本体图中勘察参数节点数,gi是本体图中每个勘察参数节点的嵌入向量,gi∈R1×d,d表示嵌入向量的维度,本实施例中,N为19,d为128,本实施例对此不作具体限制。
本体图中每个节点的嵌入向量gi与上下文信息的转置CT做内积,得到该节点的注意力权重ai,最终每个节点的注意力权重组成向量A,通过这种操作,使本体图中与全局上下文信息相似的节点具有更高的注意力系数,节点的注意力权重ai,如下式6:
ai=gi*CT (式6)
在式6中,ai为每个节点的嵌入向量,CT为上下文信息的转置,gi为每个节点的嵌入向量。
将本体图中所有节点的嵌入向量与相应注意力系数进行加权求和,便得到了最终的本体图的嵌入向量vG,即目标嵌入向量。
步骤S205:通过所述预测层基于所述目标嵌入向量进行融合与降维,得到预测结果,并根据所述预测结果进行反向传播训练,训练后的隧道洞门结构预测模型。
需要说明的是,利用三层全连接层,对嵌入向量进行融合与降维,最终输出预测结果,并使用交叉熵损失函数计算预测结果与标签的差异,进行反向传播训练。
进一步地,所述根据所述预测结果进行反向传播训练,训练后的隧道洞门结构预测模型,包括:通过预设损失函数基于所述预测结果和真实结果进行计算,得到预测差异;根据所述预测差异确定所述隧道洞门结构预测模型的预测准确度;在所述预测准确度达到预设准确度阈值时,将当前隧道洞门结构预测模型作为训练后的隧道洞门结构预测模型;在所述预测准确度未达到预设准确度阈值时,进行反向传播训练直至预测准确度达到预设准确度阈值,得到训练后的隧道洞门结构预测模型。
需要说明的是,预设损失函数可以为交叉熵损失函数,也可以为其他损失函数,本实施例对此不作具体限制,在得到本体图的嵌入向量,即目标嵌入向量之后,采用三层全连接层,对目标嵌入向量进行融合与降维。为了避免训练的隧道推荐模型产生过拟合,在第二、三层全连接层之间添加dropout操作,最终输出预测结果。使用交叉熵损失函数计算预测结果与真实结果的差异,进行反向传播训练,损失函数如下式7:
在式7中,L为交叉熵损失函数,N为样本数量,M为类别数量,如洞门类型类别数量M为5,yij属于符号函数,如果样本i的真实类别等于j则取1,否则取0,Pij为模型预测样本i属于类别j的概率值。
在具体实现中,对训练后的隧道洞门结构预测模型对隧道洞门类型进行预测进行验证测试:采用隧道数据400条,其中,隧道勘察参数共13个,包括9个连续参数,分别为隧道长度、外接角度、洞口左埋深、洞口中埋深、洞口右埋深、承载能力、关键断面左埋深、关键断面中埋深、关键断面右埋深;离散参数4个,分别为外接类型、岩性、风化程度、施工等级。此外,在绘制隧道勘察参数的本体图时,为了描述各个勘察参数的所属关系,人为添加6个参数,分别为勘察参数、关键断面、关键断面埋深、洞口处、洞口处埋深、洞口处岩土力学参数,并且为了不对模型产生干扰这6个参数均取1。隧道洞门类型主要分为四类:切式洞门-0,直切式洞门-1,墙式洞门-2,明洞洞门-3,其他洞门-4,通过训练后的隧道洞门结构预测模型对隧道洞门类型进行预测。
可以理解的是,为了探究不同勘察参数对模型最终结果的影响力,使用可解释性算法GNNExplainer对训练好的模型进行可解释性分析,输出勘察参数中每个节点的重要性权重,并进行归一化操作。勘察参数对模型输出结果影响通过连线上标明了权重大小来进行表示,如图11所示,图11为洞门类型智能设计可解释性结果图。
值得说明的是,通过模型训练学习,最终得到隧道洞门类型预测准确率如图12所示,图12为洞门类型预测混淆矩阵示意图,横坐标为预测洞门类型,纵坐标为实际洞门类型,其中预测准确率为87.5%。
本实施例通过所述预处理层对隧道洞口勘察参数进行编码处理,输出目标特征向量;通过所述子图构建层基于所述特征向量构建勘察参数节点,并构建勘察参数节点间的全连接图;通过所述实体匹配层对所述全连接图的属性进行交互建模,得到融合特征;通过图池化层对所述融合特征进行学习,得到目标嵌入向量;通过所述预测层基于所述目标嵌入向量进行融合与降维,得到预测结果,并根据所述预测结果进行反向传播训练,训练后的隧道洞门结构预测模型。通过上述方式,预处理层对隧道洞口勘察参数进行编码处理,子图构建层构建勘察参数节点间的全连接图,实体匹配层对全连接图的属性进行交互建模,得到融合特征,图池化层对所述融合特征进行学习,得到目标嵌入向量,预测层基于目标嵌入向量进行预测,从而实现对隧道洞门结构预测模型,提高预测准确率。
参照图13,图13为本发明知识图谱驱动的隧道洞门结构方案设计装置第一实施例的结构框图。
如图13所示,本发明实施例提出的知识图谱驱动的隧道洞门结构方案设计装置包括:
构建模块10,用于构建隧道洞门结构知识图谱本体,其中,所述隧道洞门结构知识图谱本体中包括隧道洞口勘察参数;
训练模块20,用于将所述隧道洞门结构知识图谱本体输入至隧道洞门结构预测模型进行训练,得到训练后的隧道洞门结构预测模型,其中,所述隧道洞门结构预测模型包括预处理层、子图构建层、实体匹配层、图池化层和预测层;
预测模块30,用于通过所述训练后的隧道洞门结构预测模型根据待预测勘察参数进行预测,得到隧道洞门设计参数。
本实施例通过构建隧道洞门结构知识图谱本体,其中,隧道洞门结构知识图谱本体中包括隧道洞口勘察参数;将隧道洞门结构知识图谱本体输入至隧道洞门结构预测模型进行训练,得到训练后的隧道洞门结构预测模型;通过训练后的隧道洞门结构预测模型根据待预测勘察参数进行预测,得到隧道洞门设计参数。通过上述方式,通过隧道洞口知识图谱本体训练隧道洞门结构预测模型,通过训练后的隧道洞门结构预测模型预测隧道洞门设计参数,进而展示洞门设计方案,解决了矿山法隧道洞门设计过程中设计经验传递差及历史案例没有充分利用难点导致设计效率低问题,提高隧道洞门设计效率。
在一实施例中,所述训练模块20,还用于通过所述预处理层对隧道洞口勘察参数进行编码处理,输出目标特征向量;通过所述子图构建层基于所述特征向量构建勘察参数节点,并构建勘察参数节点间的全连接图;通过所述实体匹配层对所述全连接图的属性进行交互建模,得到融合特征;通过图池化层对所述融合特征进行学习,得到目标嵌入向量;通过所述预测层基于所述目标嵌入向量进行融合与降维,得到预测结果,并根据所述预测结果进行反向传播训练,训练后的隧道洞门结构预测模型。
在一实施例中,所述训练模块20,还用于获取所述隧道洞口勘察参数中的离散值和连续值,并将所述隧道洞口勘察参数中的离散值和连续值作为隧道洞门结构知识图谱中的属性嵌入;对所述隧道洞口勘察参数中的离散值采用第一编码方式进行编码,得到第一特征向量;对所述隧道洞口勘察参数中的连续值采用第二编码方式进行编码,得到第二特征向量;根据所述第一特征向量和所述第二特征向量得到目标特征向量。
在一实施例中,所述训练模块20,还用于将所述全连接图中的任一节点依次与所述节点的相邻节点进行属性交互,得到节点原本特征;获取所述节点原本特征中各个维度的特征值,并将所述节点原本特征中各个维度的特征值进行全连接,得到不同节点之间的交互信息;将所述不同节点之间的交互信息进行聚合,得到节点匹配特征;将所述节点原本特征和所述节点匹配特征进行融合,得到融合特征。
在一实施例中,所述训练模块20,还用于将所述融合特征和隧道洞门结构知识图谱本体进行融合,得到隧道勘察参数本体;根据所述隧道勘察参数本体进行计算,得到上下文信息;根据所述隧道勘察参数本体中每个节点的嵌入向量和所述上下文信息进行计算,得到各节点的注意力权重;根据所述隧道勘察参数本体中所有节点的嵌入向量与对应节点注意力系数进行计算,得到目标嵌入向量。
在一实施例中,所述训练模块20,还用于通过预设损失函数基于所述预测结果和真实结果进行计算,得到预测差异;根据所述预测差异确定所述隧道洞门结构预测模型的预测准确度;在所述预测准确度达到预设准确度阈值时,将当前隧道洞门结构预测模型作为训练后的隧道洞门结构预测模型;在所述预测准确度未达到预设准确度阈值时,进行反向传播训练直至预测准确度达到预设准确度阈值,得到训练后的隧道洞门结构预测模型。
在一实施例中,所述构建模块10,还用于设置多个节点标签,并基于所述节点标签从隧道洞口勘察设计数据库获取各个节点标签对应的数据,得到知识图谱节点;根据知识图谱三元组规则确定所述知识图谱节点之间的关系;根据所述知识图谱节点和所述知识图谱节点之间的关系构建隧道洞门结构知识图谱本体。
此外,为实现上述目的,本发明还提出一种知识图谱驱动的隧道洞门结构方案设计设备,所述知识图谱驱动的隧道洞门结构方案设计设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的知识图谱驱动的隧道洞门结构方案设计程序,所述知识图谱驱动的隧道洞门结构方案设计程序配置为实现如上文所述的知识图谱驱动的隧道洞门结构方案设计方法的步骤。
由于本知识图谱驱动的隧道洞门结构方案设计设备采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有知识图谱驱动的隧道洞门结构方案设计程序,所述知识图谱驱动的隧道洞门结构方案设计程序被处理器执行时实现如上文所述的知识图谱驱动的隧道洞门结构方案设计方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的知识图谱驱动的隧道洞门结构方案设计方法,此处不再赘述。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
应该理解的是,虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种知识图谱驱动的隧道洞门结构方案设计方法,其特征在于,所述方法包括:
构建隧道洞门结构知识图谱本体,其中,所述隧道洞门结构知识图谱本体中包括隧道洞口勘察参数;
将所述隧道洞门结构知识图谱本体输入至隧道洞门结构预测模型进行训练,得到训练后的隧道洞门结构预测模型,其中,所述隧道洞门结构预测模型包括预处理层、子图构建层、实体匹配层、图池化层和预测层;
通过所述训练后的隧道洞门结构预测模型根据待预测勘察参数进行预测,得到隧道洞门设计参数。
2.如权利要求1所述的方法,其特征在于,所述将所述隧道洞门结构知识图谱本体输入至隧道洞门结构预测模型进行训练,得到训练后的隧道洞门结构预测模型,包括:
通过所述预处理层对隧道洞口勘察参数进行编码处理,输出目标特征向量;
通过所述子图构建层基于所述特征向量构建勘察参数节点,并构建勘察参数节点间的全连接图;
通过所述实体匹配层对所述全连接图的属性进行交互建模,得到融合特征;
通过图池化层对所述融合特征进行学习,得到目标嵌入向量;
通过所述预测层基于所述目标嵌入向量进行融合与降维,得到预测结果,并根据所述预测结果进行反向传播训练,训练后的隧道洞门结构预测模型。
3.如权利要求2所述的方法,其特征在于,所述通过所述预处理层对隧道洞口勘察参数进行编码处理,输出目标特征向量,包括:
获取所述隧道洞口勘察参数中的离散值和连续值,并将所述隧道洞口勘察参数中的离散值和连续值作为隧道洞门结构知识图谱中的属性嵌入;
对所述隧道洞口勘察参数中的离散值采用第一编码方式进行编码,得到第一特征向量;
对所述隧道洞口勘察参数中的连续值采用第二编码方式进行编码,得到第二特征向量;
根据所述第一特征向量和所述第二特征向量得到目标特征向量。
4.如权利要求2所述的方法,其特征在于,所述通过所述实体匹配层对所述全连接图的属性进行交互建模,得到融合特征,包括:
将所述全连接图中的任一节点依次与所述节点的相邻节点进行属性交互,得到节点原本特征;
获取所述节点原本特征中各个维度的特征值,并将所述节点原本特征中各个维度的特征值进行全连接,得到不同节点之间的交互信息;
将所述不同节点之间的交互信息进行聚合,得到节点匹配特征;
将所述节点原本特征和所述节点匹配特征进行融合,得到融合特征。
5.如权利要求2所述的方法,其特征在于,所述通过图池化层对所述融合特征进行学习,得到目标嵌入向量,包括:
将所述融合特征和隧道洞门结构知识图谱本体进行融合,得到隧道勘察参数本体;
根据所述隧道勘察参数本体进行计算,得到上下文信息;
根据所述隧道勘察参数本体中每个节点的嵌入向量和所述上下文信息进行计算,得到各节点的注意力权重;
根据所述隧道勘察参数本体中所有节点的嵌入向量与对应节点注意力系数进行计算,得到目标嵌入向量。
6.如权利要求2所述的方法,其特征在于,所述根据所述预测结果进行反向传播训练,训练后的隧道洞门结构预测模型,包括:
通过预设损失函数基于所述预测结果和真实结果进行计算,得到预测差异;
根据所述预测差异确定所述隧道洞门结构预测模型的预测准确度;
在所述预测准确度达到预设准确度阈值时,将当前隧道洞门结构预测模型作为训练后的隧道洞门结构预测模型;
在所述预测准确度未达到预设准确度阈值时,进行反向传播训练直至预测准确度达到预设准确度阈值,得到训练后的隧道洞门结构预测模型。
7.如权利要求1至6中任一项所述的方法,其特征在于,所述构建隧道洞门结构知识图谱本体,包括:
设置多个节点标签,并基于所述节点标签从隧道洞口勘察设计数据库获取各个节点标签对应的数据,得到知识图谱节点;
根据知识图谱三元组规则确定所述知识图谱节点之间的关系;
根据所述知识图谱节点和所述知识图谱节点之间的关系构建隧道洞门结构知识图谱本体。
8.一种知识图谱驱动的隧道洞门结构方案设计装置,其特征在于,所述知识图谱驱动的隧道洞门结构方案设计装置包括:
构建模块,用于构建隧道洞门结构知识图谱本体,其中,所述隧道洞门结构知识图谱本体中包括隧道洞口勘察参数;
训练模块,用于将所述隧道洞门结构知识图谱本体输入至隧道洞门结构预测模型进行训练,得到训练后的隧道洞门结构预测模型,其中,所述隧道洞门结构预测模型包括预处理层、子图构建层、实体匹配层、图池化层和预测层;
预测模块,用于通过所述训练后的隧道洞门结构预测模型根据待预测勘察参数进行预测,得到隧道洞门设计参数。
9.一种知识图谱驱动的隧道洞门结构方案设计设备,其特征在于,所述知识图谱驱动的隧道洞门结构方案设计设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的知识图谱驱动的隧道洞门结构方案设计程序,所述知识图谱驱动的隧道洞门结构方案设计程序配置为实现如权利要求1至7中任一项所述的知识图谱驱动的隧道洞门结构方案设计方法。
10.一种存储介质,其特征在于,所述存储介质上存储有知识图谱驱动的隧道洞门结构方案设计程序,所述知识图谱驱动的隧道洞门结构方案设计程序被处理器执行时实现如权利要求1至7中任一项所述的知识图谱驱动的隧道洞门结构方案设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311592458.6A CN117610128A (zh) | 2023-11-24 | 2023-11-24 | 知识图谱驱动的隧道洞门结构方案设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311592458.6A CN117610128A (zh) | 2023-11-24 | 2023-11-24 | 知识图谱驱动的隧道洞门结构方案设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117610128A true CN117610128A (zh) | 2024-02-27 |
Family
ID=89947634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311592458.6A Pending CN117610128A (zh) | 2023-11-24 | 2023-11-24 | 知识图谱驱动的隧道洞门结构方案设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117610128A (zh) |
-
2023
- 2023-11-24 CN CN202311592458.6A patent/CN117610128A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109887282B (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
Han et al. | Semisupervised and weakly supervised road detection based on generative adversarial networks | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN110473592B (zh) | 一种多视角人类协同致死基因预测方法 | |
CN110929080B (zh) | 基于注意力和生成对抗网络的光学遥感图像检索方法 | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN109344992B (zh) | 一种融合时空因素的智能家居用户操控行为习惯建模方法 | |
CN113762595B (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
CN113222068B (zh) | 基于邻接矩阵指导标签嵌入的遥感图像多标签分类方法 | |
CN113516304B (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
CN113988147B (zh) | 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置 | |
CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
CN113486190A (zh) | 一种融合实体图像信息和实体类别信息的多模态知识表示方法 | |
CN115796932B (zh) | 一种工程造价预测方法、装置、电子设备及存储介质 | |
CN114331122A (zh) | 重点人员风险等级评估方法及相关设备 | |
CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
CN115862324A (zh) | 一种智慧交通的时空同步图卷积神经网络及交通预测方法 | |
CN117610128A (zh) | 知识图谱驱动的隧道洞门结构方案设计方法 | |
CN114153996B (zh) | 多图注意力协同的地学知识图谱更新方法和装置 | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
CN112508170A (zh) | 一种基于生成对抗网络的多相关时间序列预测系统及方法 | |
ABBAS | A survey of research into artificial neural networks for crime prediction | |
CN113935458A (zh) | 基于卷积自编码深度学习的空气污染多站点联合预测方法 | |
Kiavarz et al. | Room-based energy demand classification of bim data using graph supervised learning | |
CN117454762B (zh) | Markov-神经网络的穿煤隧道掌子面瓦斯浓度预测方法 |
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 |