CN117725842A - 基于迁移学习的盾构掘进诱发地层沉降预测方法 - Google Patents

Abstract

本申请提供一种基于迁移学习的盾构掘进诱发地层沉降预测方法，属于隧道盾构技术领域。本申请通过迁移学习的方式以目标地区数据样本为基础对预训练随机森林模型重新进行迭代训练，在训练过程中，对预训练随机森林模型进行扩展和剪枝，得到适用于目标地区的新随机森林模型，有效解决了现有技术中采用其他数据库训练好的机器学习模型存在过拟合，无法良好推广到目标地区的问题以及采用目标地区前期少量数据重新训练新的机器学习模型存在欠拟合的问题。新随机森林模型能更好的适应目标地区的数据分布，提高了模型的泛化能力。

Description

基于迁移学习的盾构掘进诱发地层沉降预测方法

技术领域

本申请属于隧道盾构技术领域，具体涉及一种基于迁移学习的盾构掘进诱发地层沉降预测方法。

背景技术

在隧道盾构领域，盾构掘进诱发的地层沉降控制对于保障隧道施工的正常开挖和周边建筑物的安全稳定有着至关重要的作用。数据驱动的机器学习方法是研究隧道诱发地层沉降的一种新趋势，机器学习方法可以借助大量前期隧道数据，建立地层沉降与盾构机运行、地质条件和隧道几何形状的高维非线性关系，在后期隧道的施工过程中对地层沉降进行有效预测。然而在大多数新建盾构掘进项目中，利用已有的机器学习模型预测地层沉降往往并不出色，一方面，基于其他数据库训练好的机器学习模型都存在过拟合，无法良好推广至目标地区的问题；另一方面，依据目标地区前期少量的隧道掘进数据重新训练一个新的机器学习模型又会面临欠拟合的风险。

因此，实有必要提供一种基于迁移学习的盾构掘进诱发地层沉降预测方法，以解决上述背景技术中提出的问题。

发明内容

本申请提供一种基于迁移学习的盾构掘进诱发地层沉降预测方法，通过迁移学习的方式，对预训练随机森林模型进行扩展和剪枝，有效解决了现有技术中采用其他数据库训练好的机器学习模型存在过拟合，无法良好推广到目标地区的问题以及采用目标地区前期少量数据重新训练新的机器学习模型存在欠拟合的技术问题，使其能更好的适应目标地区的数据分布，提高模型的泛化能力。

为解决上述技术问题，本申请的技术方案在于：

一种基于迁移学习的盾构掘进诱发地层沉降预测方法，包括如下步骤：

S1：获取源地区的预训练随机森林模型；

S2：采集目标地区的盾构掘进数据，形成与源地区数据样本特征相同的目标地区数据样本，通过迁移学习的方式以所述目标地区数据样本为基础对所述预训练随机森林模型重新进行迭代训练，在训练过程中对所述预训练随机森林模型进行扩展和剪枝，得到适用于目标地区的新随机森林模型；

扩展包括如下过程：

从根节点开始，依次检查所述预训练随机森林模型每一个节点的向外分支度，若当前节点的向外分支度等于0，说明当前节点是叶节点，通过CART算法来构建一个新的子树，使用该子树的根节点替换目标位置的叶节点，完成对当前节点的扩展；若当前节点的向外分支度不等于0，说明当前节点不是叶节点，保留当前节点；

剪枝包括如下过程：

从根节点开始，依次检查所述预训练随机森林模型每一个节点，比较当前节点的叶节点误差和子树误差，使用均方误差作为评价叶节点误差和子树误差的指标，若当前节点的叶节点误差小于子树误差，则删除当前节点的子树，并将当前节点的向外分支度设置为0，使其重新变回为叶节点；若当前节点的叶节点误差不小于子树误差，则保留当前节点的子树;

S3：采用新随机森林模型进行目标地区的盾构掘进诱发地层沉降值预测。

优选的，在步骤S1之前还包括如下步骤：

S0：采集源地区的盾构掘进数据，预处理后形成源地区数据样本，以所述源地区数据样本为基础进行随机森林模型的预训练，训练完成后得到用于预测源地区地层沉降值的预训练随机森林模型。

优选的，所述源地区数据样本的特征包括地质参数、盾构机运行参数、隧道几何参数以及对应的地层沉降观测值。

优选的，步骤S0中，预处理的过程包括数据清洗、特征工程及归一化。

优选的，预训练完成后，采用交叉验证的方法检查是否存在过拟合或欠拟合，若是，则调整模型参数、增加样本量或者进行特征选择重新进行训练。

优选的，叶节点对样本的预测值用表示，子树对样本的预测值用/>表示，y表示样本的实际值，叶节点误差和子树误差的计算过程如下：

叶节点误差的计算过程表示为：/>；

子树误差的计算过程表示为：/>；

式中，i表示样本序号；n表示样本总数；表示第i个样本的实际值；/>表示叶节点对第i个样本的预测值；/>表示子树对第i个样本的预测值。

本申请的有益效果在于：

本申请通过迁移学习的方式，对预训练随机森林模型进行扩展和剪枝，有效解决现有技术中采用其他数据库训练好的机器学习模型存在过拟合的问题以及采用前期少量数据重新训练新的机器学习模型存在欠拟合的技术问题，使其能更好的适应目标地区的数据分布，提高模型的泛化能力。

附图说明

图1表示预训练随机森林模型的网络架构图；

图2表示对示预训练随机森林模型进行扩展、剪枝示意图；

图3新随机森林模型的网络架构图；

图4表示Z市迁移模型迭代13次后的相关系数图；

图5表示Z市训练模型的相关系数图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

请结合参阅图1-图5，本申请提供一种基于迁移学习的盾构掘进诱发地层沉降预测方法，包括如下步骤：

S0：采集源地区的盾构掘进数据，预处理后形成源地区数据样本，以所述源地区数据样本为基础进行随机森林模型的预训练，训练完成后得到用于预测源地区地层沉降值的预训练随机森林模型。

预训练开始之前，首先需要从源地区的盾构掘进项目中收集大量的数据，然后对数据进行预处理形成源地区数据样本。预处理的过程包括数据清洗、特征工程、归一化等，以确保数据样本的质量和适用性。预处理的具体实现手段采用本领域的常规技术即可，本实施方式对此不作赘述。

所述源地区数据样本的数据特征包括地质参数（如土层类型、地下水位等）、盾构机运行参数（如推进速度、盾构刀盘转速等）、隧道几何参数（如直径、倾斜角等）以及对应的地层沉降观测值。

将采集的数据样本输入随机森林模型，进行随机森林模型的训练，预测源地区的地层沉降值。随机森林模型训练的过程同样采用本领域的常规技术，通过集成多个决策树来进行预测，每棵决策树都是在随机选择的子样本和随机选择的特征上独立进行训练，然后再通过投票或取平均的方式得到最终的预测结果。

预训练完成后，需要对模型进行评估和调优，评估的过程采用交叉验证的方法检查是否存在过拟合或欠拟合等问题，如果模型性能不理想，需要调整模型参数、增加样本量或者进行特征选择等操作，以提高模型的预测准确性和稳定性。

上述操作完成，即可得到一个在源地区可以精准预测地层沉降的预训练随机森林模型，以备后续的迁移学习。

S1：获取源地区的预训练随机森林模型。

S2：采集目标地区的盾构掘进数据，形成与源地区数据样本特征相同的目标地区数据样本，通过迁移学习的方式以所述目标地区数据样本为基础对所述预训练随机森林模型重新进行迭代训练，在训练过程中对所述预训练随机森林模型进行扩展和剪枝，得到适用于目标地区的新随机森林模型。

由于地质条件、地层结构等条件与源地区不同，目标地区数据样本中数据分布与源地区数据样本的数据分布往往不同，由此带来的领域适应问题可能导致随机森林模型在目标地区预测性能的下降，使在源地区预测良好的模型无法直接适用于目标地区。因此，本申请需要通过迁移学习的方式对模型进行扩展和剪枝，通过对决策树的结构进行修改，得到能够反映目标地区数据特征的新随机森林模型，提高在源地区预训练随机森林模型在目标地区的预测能力。

其中，扩展包括如下过程：

请再次结合参阅图1-图2，其中图2中的A区域表示扩展的子树。从根节点开始，依次检查所述预训练随机森林模型每一个节点的向外分支度，若当前节点的向外分支度等于0，说明当前节点是叶节点，则通过CART（Classification and Regression Trees，分类与回归树）算法来构建一个新的子树，使用该子树的根节点替换目标位置的叶节点，完成对当前节点的扩展；若当前节点的向外分支度不等于0，说明当前节点不是叶节点，保留当前节点。

剪枝包括如下过程：

请再次结合参阅图1-图2，其中图2中的B1、B2、B3区域表示剪切的子树。从根节点开始，依次检查所述预训练随机森林模型每一个节点，比较当前节点的叶节点误差和子树误差，使用均方误差作为评价叶节点误差和子树误差的指标，叶节点和子树拥有相同的数据样本，但对这些样本有不同的预测值。若当前节点的叶节点误差小于子树误差，则说明当前节点的子节点不是必要的，即对该叶节点的子树是不必要的拓展，我们可以将其剪掉，删除当前节点的子树，将当前节点的向外分支度设置为0，使其重新变回为叶节点；若当前节点的叶节点误差不小于子树误差，则说明当前节点的子树是必要的扩展，需要保留子树。

叶节点对样本的预测值用表示，子树对样本的预测值用/>表示，y表示样本的实际值。叶节点误差和子树误差的计算过程如下：

叶节点误差的计算过程表示为：/>；

子树误差的计算过程表示为：/>；

式中，i表示样本序号；n表示样本总数；表示第i个样本的实际值；/>表示叶节点对第i个样本的预测值；/>表示子树对第i个样本的预测值。

需要说明的是，剪枝需要在扩展完成之后执行，以避免无用的扩展添加到决策树中。

利用少量目标域数据，递归地对已有随机森林的树结构进行扩展和剪枝操作，不仅能调整随机森林模型的结构，使其能更好的适应新地区的数据分布，提高模型的泛化能力，而且能减少重新训练一个随机森林模型所带来的时间成本。

S3：采用新随机森林模型进行目标地区的盾构掘进诱发地层沉降值预测。

实施例1

在本实施例中，选取C市地铁四号线施工背景下的盾构掘进数据作为源地区数据样本（定义为C市数据），该数据样本的特征包括地质参数（修正标准贯入试验、修正动态贯入实验、修正单轴抗压强度、地下水位高度、巷道工作面条件）、盾构机运行参数（推力、扭矩、注浆量、侵彻速度、硐室压力、盾构机停机时间）、隧道几何参数（隧道深度）共计12个参数作为输入参数，选取实测得到的地层沉降值作为输出值，训练得到预训练随机森林模型，定义为C市模型，并通过超参数寻优等措施对模型进行优化。最终所得到的C市模型在C市数据的测试集上测试得到相关性系数为0.84，表现良好。

在目标任务中，选择Z市三号线施工过程为目标地区，采集Z市三号线施工过程中的122个数据作为目标地区数据样本（定义为Z市数据），Z市数据的特征与C市数据相同，输入数据同样由地质参数（修正标准贯入试验、修正动态贯入实验、修正单轴抗压强度、地下水位高度、巷道工作面条件）、盾构机运行参数（推力、扭矩、注浆量、侵彻速度、硐室压力、盾构机停机时间）、隧道几何参数（隧道深度）等12个参数作为输入参数，输出为Z市地层沉降值。

将这122个数据按照3：1的比例划分为训练集和测试集，在Z市数据训练集基础上使用本申请的迁移学习的方法，对C市模型中的所有决策树进行拓展、剪枝操作，迁移得到Z市数据背景下的随机森林模型，定义为Z市迁移模型。

通过Z市数据的测试集来评估Z市迁移模型在目标任务上的性能，得到结果如下：在迭代1次后，Z市迁移模型预测值与Z市沉降实际值的相关性系数为0.75，与C市模型在C市数据测试集上表现出来的性能有一定的差距；分别对Z市迁移模型迭代5次，10次可得到相关性系数依次为0.797和0.809。在迭代13次后Z市迁移模型达到最优情况，预测值与Z市沉降实际值的相关性系数为0.821，接近C市模型在C市数据上的预测表现，表明使用本申请迁移学习方法得到的模型相比于源模型，具备良好的泛化能力，可以更好的适应目标地区的数据分布，同时保持良好的预测精度。

作为对比，使用相同的Z市数据直接训练随机森林模型，将其定义为Z市训练模型。经过模型优化，Z市训练模型在Z市数据测试集上得到的预测值与实际值的相关性系数为0.76，低于Z市迁移模型的0.821。

请对比参阅图4及图5，图4表示Z市迁移模型迭代13次后的相关系数图，图5表示Z市训练模型的相关系数图，图4中，散点更接近于对角线，说明Z市迁移模型的预测值更符合实际值，表明Z市迁移模型的预测性能要优于Z市训练模型，说明在目标任务数据量较少的情况下，使用本申请的迁移学习方法得到的模型具有更高的预测精准性。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (6)

1.一种基于迁移学习的盾构掘进诱发地层沉降预测方法，其特征在于，包括如下步骤：

S1：获取源地区的预训练随机森林模型；

S2：采集目标地区的盾构掘进数据，形成与源地区数据样本特征相同的目标地区数据样本，通过迁移学习的方式以所述目标地区数据样本为基础对所述预训练随机森林模型重新进行迭代训练，在训练过程中对所述预训练随机森林模型进行扩展和剪枝，得到适用于目标地区的新随机森林模型；

扩展包括如下过程：

从根节点开始，依次检查所述预训练随机森林模型每一个节点的向外分支度，若当前节点的向外分支度等于0，说明当前节点是叶节点，通过CART算法来构建一个新的子树，使用该子树的根节点替换目标位置的叶节点，完成对当前节点的扩展；若当前节点的向外分支度不等于0，说明当前节点不是叶节点，保留当前节点；

剪枝包括如下过程：

从根节点开始，依次检查所述预训练随机森林模型每一个节点，比较当前节点的叶节点误差和子树误差，使用均方误差作为评价叶节点误差和子树误差的指标，若当前节点的叶节点误差小于子树误差，则删除当前节点的子树，并将当前节点的向外分支度设置为0，使其重新变回为叶节点；若当前节点的叶节点误差不小于子树误差，则保留当前节点的子树;

S3：采用新随机森林模型进行目标地区的盾构掘进诱发地层沉降值预测。

2.根据权利要求1所述的基于迁移学习的盾构掘进诱发地层沉降预测方法，其特征在于，在步骤S1之前还包括如下步骤：

S0：采集源地区的盾构掘进数据，预处理后形成源地区数据样本，以所述源地区数据样本为基础进行随机森林模型的预训练，训练完成后得到用于预测源地区地层沉降值的预训练随机森林模型。

3.根据权利要求2所述的基于迁移学习的盾构掘进诱发地层沉降预测方法，其特征在于，所述源地区数据样本的特征包括地质参数、盾构机运行参数、隧道几何参数以及对应的地层沉降观测值。

4.根据权利要求2所述的基于迁移学习的盾构掘进诱发地层沉降预测方法，其特征在于，步骤S0中，预处理的过程包括数据清洗、特征工程及归一化。

5.根据权利要求1所述的基于迁移学习的盾构掘进诱发地层沉降预测方法，其特征在于，预训练完成后，采用交叉验证的方法检查是否存在过拟合或欠拟合，若是，则调整模型参数、增加样本量或者进行特征选择重新进行训练。

6.根据权利要求1所述的基于迁移学习的盾构掘进诱发地层沉降预测方法，其特征在于，叶节点对样本的预测值用表示，子树对样本的预测值用/>表示，y表示样本的实际值，叶节点误差和子树误差的计算过程如下：

叶节点误差的计算过程表示为：/>；

子树误差的计算过程表示为：/>；

式中，i表示样本序号；n表示样本总数；表示第i个样本的实际值；/>表示叶节点对第i个样本的预测值；/>表示子树对第i个样本的预测值。