半监督的盾构隧道掌子面地质类型预估方法及系统技术方案

本发明专利技术提供了一种半监督的盾构隧道掌子面地质类型预测方法及系统，包括如下步骤：从机器数据中筛选出与地质条件有关的机器参数；对筛选出的机器参数进行预处理；根据预处理后的机器参数构造无标签数据集和带标签数据集；建立预测隧道掌子面地质条件的半监督框架，得到地质特征提取器和特征分类器；利用带约束的DenseNet自编码网络与无标签数据集训练地质特征提取器；利用深度神经网络与带标签数据集训练地质特征分类器，最终实现对掌子面前方地质类型的预测。本发明专利技术具有更高的分类精度和更好的泛化性能，能更有效地指导盾构施工，提高盾构掘进效率。盾构掘进效率。盾构掘进效率。

【技术实现步骤摘要】
骤：
[0008]步骤1：从机器数据中筛选出与地质条件有关的机器参数；
[0009]步骤2：对筛选出的机器参数进行预处理；
[0010]步骤3：根据预处理后的机器参数构造无标签数据集和带标签数据集；
[0011]步骤4：建立预测隧道掌子面地质条件的半监督框架，得到地质特征提取器和特征 分类器；
[0012]步骤5：利用带约束的DenseNet自编码网络与无标签数据集训练地质特征提取器；
[0013]步骤6：利用深度神经网络与带标签数据集训练地质特征分类器，最终实现对掌子 面前方地质类型的预测。
[0014]优选的，所述步骤5还包括在原始的损失函数中加上环内提取的特征具有相似性的 约束以及邻近环提取的特征与该环提取的特征具有相似性的约束。
[0015]优选的，所述步骤5还包括改进的损失函数如下：
[0016][0017]其中，m
k
为第k环样本大小，x
i,k
为第k环的第i个样本，为x
i,k
的重构结果， f
i,k
为第k环第i个样本提取的特征，为第k环提取的特征的平均值，为第k环后 面第j环特征的平均值，为第k环前面第j环特征的平均值，λ0和λ
j
为对应的权重 因子,Loss为损失函数，用于训练神经网络进行调参。
[0018]优选的，所述步骤2包括如下步骤：
[0019]步骤2.1：利用孤立森林算法对筛选的机器参数的异常值进行检测，并删除异常值；
[0020]步骤2.2：利用筛选的机器参数的额定值或者量程对异常值处理后的数据进行归一 化处理。
[0021]优选的，所述步骤3包括：对不同的地质类型进行编号，利用各环筛选的机器参数 构造无标签数据集，利用带地质标签的环的机器参数构造带标签数据集。
[0022]优选的，所述步骤3中对无标签数据集和带标签数据集的划分方式如下：
[0023]对于无标签数据集，将一条隧道前L环数据用于构造无标签训练集，将其余环数据 用于构造无标签验证集；
[0024]对于带标签数据集，将一条隧道部分环数据用于构造带标签训练集与带标签验证集， 将该隧道其余环数据用于构造第一带标签测试集，同时将另一条隧道的数据用于构造第 二带标签测试集。
[0025]优选的，该方法还包括步骤7：利用带地质标签数据集验证盾构隧道掌子面地质类 型预测模型的有效性，并与多种常用的有监督学习算法的识别结果进行比较，最终证明 了所提的方法的有效性与优越性。
[0026]根据本专利技术提供的一种半监督的盾构隧道掌子面地质类型预测系统，其特征在
于， 应用权利要求1
‑
7任一所述的一种半监督的盾构隧道掌子面地质类型预测方法，包括如 下模块：
[0027]模块M1：从机器数据中筛选出与地质条件有关的机器参数；
[0028]模块M2：对筛选出的机器参数进行预处理；
[0029]模块M3：根据预处理后的机器参数构造无标签数据集和带标签数据集；
[0030]模块M4：建立预测隧道掌子面地质条件的半监督框架，得到地质特征提取器和特征 分类器；
[0031]模块M5：利用带约束的DenseNet自编码网络与无标签数据集训练地质特征提取器；
[0032]模块M6：利用深度神经网络与带标签数据集训练地质特征分类器，最终实现对掌子 面前方地质类型的预测。
[0033]优选的，所述模块M5还包括在原始的损失函数中加上环内提取的特征具有相似性 的约束以及邻近环提取的特征与该环提取的特征具有相似性的约束。
[0034]优选的，所述模块M5还包括改进的损失函数如下：
[0035][0036]其中，m
k
为第k环样本大小，x
i,k
为第k环的第i个样本，为x
i,k
的重构结果， f
i,k
为第k环第i个样本提取的特征，为第k环提取的特征的平均值，为第k环后 面第j环特征的平均值，为第k环前面第j环特征的平均值，λ0和λ
j
为对应的权重 因子,Loss为损失函数，用于训练神经网络进行调参。
[0037]与现有技术相比，本专利技术具有如下的有益效果：
[0038]1、本专利技术提出了一种预测盾构隧道掌子面地质条件的半监督框架，相对于现有的 无监督和有监督方法，能充分利用有限的带地质标签的机器数据和大量的无地质标签的 机器数据来训练地质类型预测模型，同时在无监督训练中加入邻近空间地质特征具有相 似性的约束以提高地质特征提取的精度，相比于传统的仅利用有标签数据的有监督学习 方法，具有更高的分类精度和更好的泛化性能，能更有效地指导盾构施工，提高盾构掘 进效率；
[0039]2、本专利技术提出了一种新的基于带约束的DenseNet自编码(CDAE)与深度神经网络 (DNN)的盾构隧道掌子面地质类型预测方法，在无监督学习的损失函数中加入环内与 环间特征具有相似性的约束，保证提取的特征与地质类型有关，提升了盾构隧道掌子面 前方地质类型预测模型的分类精度和泛化性能，能为盾构司机优化操作提供指导，最终 提升隧道施工效率和安全性。
[0040]3、本专利技术能在无监督学习中提取出与地质类型有关的特征，并进一步利用有监督 学习算法对特征进行分类识别，能充分利用无地质标签的机器数据和带地质标签的机器 数据，最终提升模型的分类精度和泛化性能。
附图说明
[0041]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、 目的和优点将会变得更明显：
[0042]图1为本专利技术基于带约束的DenseNet自编码与深度神经网络的半监督的盾构隧道 掌子面地质类型预测方法流程图；
[0043]图2为基于带约束的DenseNet自编码与深度神经网络的半监督的盾构隧道掌子面 地质类型预测方法所提算法的优越性的验证图；
具体实施方式
[0044]下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人 员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技 术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于 本专利技术的保护范围。
[0045]本专利技术实施例公开了一种半监督的盾构隧道掌子面地质类型预测方法及系统，如图 1所示，包括如下步骤如下：
[0046]步骤1：筛选出与地质条件有关的机器参数，这些参数来自推进系统、刀盘驱动系 统、注浆系统、土仓添加剂注入系统、盾尾密封系统、排土系统及电气系统等，共177 个机器参数，作为模型的输入特征。推进系统相关机器参数有推力、液压缸推进速度、 铰接油缸角度等。刀盘驱动系统相关机器参数有刀盘转速、扭矩、电机功率等。注浆系 统相关机器参数有A/B液流量、A/B液压力等。土仓添加剂注入系统相关机器参数有土 仓压力、膨润土/聚合物/泡沫流量等，盾尾密封系统相关机器参数有密封油本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种半监督的盾构隧道掌子面地质类型预测方法，其特征在于，包括如下步骤：步骤1：从机器数据中筛选出与地质条件有关的机器参数；步骤2：对筛选出的机器参数进行预处理；步骤3：根据预处理后的机器参数构造无标签数据集和带标签数据集；步骤4：建立预测隧道掌子面地质条件的半监督框架，得到地质特征提取器和特征分类器；步骤5：利用带约束的DenseNet自编码网络与无标签数据集训练地质特征提取器；步骤6：利用深度神经网络与带标签数据集训练地质特征分类器，最终实现对掌子面前方地质类型的预测。2.根据权利要求1所述的一种半监督的盾构隧道掌子面地质类型预测方法，其特征在于，所述步骤5还包括在原始的损失函数中加上环内提取的特征具有相似性的约束以及邻近环提取的特征与该环提取的特征具有相似性的约束。3.根据权利要求2所述的一种半监督的盾构隧道掌子面地质类型预测方法，其特征在于，所述步骤5还包括改进的损失函数如下：其中，m
k
为第k环样本大小，x
i，k
为第k环的第i个样本，为x
i，k
的重构结果，f
i，k
为第k环第i个样本提取的特征，为第k环提取的特征的平均值，为第k环后面第j环特征的平均值，为第k环前面第j环特征的平均值，λ0和λ
j
为对应的权重因子，Loss为损失函数，用于训练神经网络进行调参。4.根据权利要求1所述的一种半监督的盾构隧道掌子面地质类型预测方法，其特征在于，所述步骤2包括如下步骤：步骤2.1：利用孤立森林算法对筛选的机器参数的异常值进行检测，并删除异常值；步骤2.2：利用筛选的机器参数的额定值或者量程对异常值处理后的数据进行归一化处理。5.根据权利要求1所述的一种半监督的盾构隧道掌子面地质类型预测方法，其特征在于，所述步骤3包括：对不同的地质类型进行编号，利用各环筛选的机器参数构造无标签数据集，利用带地质标签的环的机器参数构造带标签数据集。6.根据权利要求5所述的一种半监督的盾构隧道掌子面地质类型预测方法，其特征在于，所述步骤3中对无标签数据集和带标签数据集的划分方式如下：对于无标签数据集，将一条...

【专利技术属性】
技术研发人员：陶建峰，余宏淦，刘飞香，覃程锦，刘成良，刘明阳，孙浩，石岗，雷军波，
申请(专利权)人：中国铁建重工集团股份有限公司，
类型：发明
国别省市：