一种基于多影响因素的泥水盾构泥水仓压力预测方法技术

本发明专利技术公开了一种基于多影响因素的泥水盾构泥水仓压力预测方法，包括以下步骤：步骤1，获取泥水盾构PLC系统采集的数据；步骤2，进行泥水仓压力影响因素分析，得到影响因素；步骤3，根据影响因素对数据进行清洗、特征提取和样本划分，得到训练集数据和测试集数据；步骤4，基于训练集数据，采用遗传算法结合K折交叉验证优化神经网络拓扑结构，得到最优网络拓扑结构信息并构建最优模型；步骤5，基于训练集数据对最优模型进行训练，得到拟合模型，并基于测试集数据对拟合模型进行评估，若未达标则重复步骤4～5，直至模型预测效果达标；步骤6，使用达标的模型对下一时刻的泥水仓压力进行预测，对预测值是否处于合适的范围进行分析并给出反馈信息。出反馈信息。出反馈信息。

【技术实现步骤摘要】
一种基于多影响因素的泥水盾构泥水仓压力预测方法


[0001]本专利技术涉及计算机人工智能神经网络技术在土木工程领域的应用，具体涉及一种基于多影响因素的泥水盾构泥水仓压力预测方法。

技术介绍

[0002]在泥水盾构掘进中，通过泥水压力平衡控制系统在线调节开挖面的实际泥水支护压力，尽量使其等于水土压力的期望值，是盾构顺利掘进的重要基础和保障。间接式泥水盾构掘进的开挖面实际泥水支护压力同时受气体压力、泥水液位和其他掘进参数的影响，有效建立期望水土压力与实际泥水支护压力之间的平衡关系是维持开挖面稳定的关键。
[0003]为了在泥水盾构施工中维持掌子面稳定和避免地表沉降，现有的基于机理分析的优化算法、基于李雅普诺夫反向步进方法的非线性自适应控制技术、模糊免疫控制技术等方法均被广泛用于土压平衡控制，如将非线性LS
‑
SVM预测器与改进的蚁群算法相结合对密封舱土壤压力进行控制等。但由于长距离的泥水循环，对泥水盾构机泥水仓中泥水支护压力的调节往往具有明显的时滞现象，因此以上关于土压平衡的控制模型不适用于具有复杂时变特性的泥水压力平衡控制，且现有的模型主要通过大量的离线模拟训练来确定模型参数，不能够根据实际遇到的地质条件自动重新调整相关的模型参数。

技术实现思路

[0004]本专利技术是为了解决上述问题而进行的，目的在于提供一种基于多影响因素的泥水盾构泥水仓压力预测方法。
[0005]本专利技术提供了一种基于多影响因素的泥水盾构泥水仓压力预测方法，具有这样的特征，包括以下步骤：步骤1，获取泥水盾构PLC系统采集的数据；步骤2，根据泥水盾构PLC系统采集的数据，进行泥水仓压力影响因素分析，得到影响因素；步骤3，根据影响因素，对泥水盾构PLC系统采集的数据进行清洗，并进行特征提取和样本划分，得到训练集数据和测试集数据；步骤4，基于训练集数据，采用遗传算法结合K折交叉验证优化神经网络拓扑结构，得到最优网络拓扑结构信息并构建最优模型；步骤5，基于训练集数据对最优模型进行训练，得到拟合模型，并基于测试集数据对拟合模型进行评估以对模型的预测效果进行进一步验证，若未达标则重复步骤4～步骤5，直至模型预测效果达标；步骤6，使用预测效果验证达标的模型对下一时刻的泥水仓压力进行预测，对预测值是否处于合适的范围进行分析并给出相应的反馈信息。
[0006]在本专利技术提供的基于多影响因素的泥水盾构泥水仓压力预测方法中，还可以具有这样的特征：其中，步骤2中，影响因素包括直接因素和间接因素。直接因素为预设的下一时刻的气垫仓压力和泥浆液位；间接因素为当前时刻的掘进参数，包括贯入度、刀盘扭矩、刀盘转速、总推进力、推进速度、进浆流量以及出浆流量。
[0007]在本专利技术提供的基于多影响因素的泥水盾构泥水仓压力预测方法中，还可以具有这样的特征：其中，步骤3包括以下子步骤：步骤3
‑
1，将PLC系统采集的数据进行空值处理和
异常值处理；步骤3
‑
2，将处理后的数据以分钟为刻度重新整理；步骤3
‑
3，将整理后的数据进行归一化处理，得到数据样本；步骤3
‑
4，将数据样本划分成训练集数据和测试集数据。
[0008]在本专利技术提供的基于多影响因素的泥水盾构泥水仓压力预测方法中，还可以具有这样的特征：其中，步骤3
‑
1中，空值处理采用删除法，直接删除空值所在时间点的参数行；异常值处理采用3σ准则和经验法相结合的方法。步骤3
‑
2中，以分钟为刻度重新整理数据的过程具体分为以下子步骤：步骤3
‑2‑
1，时间跨度判断：PLC控制系统数据采集频率为1s，当以分钟为刻度时，若60条数据内所采集数据的时间跨度超过70s，则剔除该段时间数据；步骤3
‑2‑
2，新时间刻度下的特征值计算：计算60条数据内各个特征值的均值作为新时间刻度下的特征值。步骤3
‑
3中，归一化处理采用z
‑
score方法，即用整理后的数据的每个特征值减去其所有取值的均值再除以标准差。步骤3
‑
4中，将数据样本按照4:1的比例划分成训练集数据和测试集数据。
[0009]在本专利技术提供的基于多影响因素的泥水盾构泥水仓压力预测方法中，还可以具有这样的特征：其中，步骤4包括以下子步骤：步骤4
‑
1，参数初始化：遗传算法中使用到的参数包括种群个数、遗传代数、交叉概率、变异概率以及个体基因，个体基因包括神经网络隐藏层层数、各隐藏层节点数、激励函数以及优化函数；步骤4
‑
2，种群初始化：随机产生基因不同的m个个体；步骤4
‑
3，适应度计算：基于测试集，采用K折交叉验证，将各个模型评分均值作为适应度值；步骤4
‑
4，选择、遗传、变异产生新一代种群：根据适应度值对父代进行排序并选出满足条件的父代，并随机选择优秀父代进行交叉、变异产生子代，父代和子代共同构成含有m个个体的新种群；步骤4
‑
5，重复步骤4
‑
3～步骤4
‑
4，直至满足算法终止条件，获得最优个体，从而获得最优网络拓扑结构信息。
[0010]在本专利技术提供的基于多影响因素的泥水盾构泥水仓压力预测方法中，还可以具有这样的特征：其中，步骤4
‑
3中，模型评分均值采用的是K折交叉验证中模型基于验证集的R2值。
[0011]在本专利技术提供的基于多影响因素的泥水盾构泥水仓压力预测方法中，还可以具有这样的特征：其中，步骤4
‑
5中的算法终止条件包括：1)达到最大代数；2)最优个体评分满足设定的最优评分阈值。
[0012]在本专利技术提供的基于多影响因素的泥水盾构泥水仓压力预测方法中，还可以具有这样的特征：其中，步骤5中，评估的指标采用均方根误差和R2值。均方根误差越小、R2值越大，说明模型拟合效果越好、预测精度越高。
[0013]在本专利技术提供的基于多影响因素的泥水盾构泥水仓压力预测方法中，还可以具有这样的特征：其中，步骤6中，使用训练完成的模型，对下一时刻的泥水仓压力进行预测，若泥水仓压力预测值超出给定的范围，则给予操作人员气垫仓压力和泥浆液位预设调节提醒，辅助控制泥水支护压力以平衡掌子面的水土压力达到泥水平衡。
[0014]专利技术的作用与效果
[0015]根据本专利技术所涉及的基于多影响因素的泥水盾构泥水仓压力预测方法，首先获取泥水盾构PLC系统采集的数据；然后根据泥水盾构PLC系统采集的数据，进行泥水仓压力影响因素分析，得到影响因素；然后根据影响因素，对泥水盾构PLC系统采集的数据进行清洗，并进行特征提取和样本划分，得到训练集数据和测试集数据；然后基于训练集数据，采用遗传算法结合K折交叉验证优化神经网络拓扑结构，得到最优网络拓扑结构信息并构建最优
模型；然后基于训练集数据对最优模型进行训练，得到拟合模型，并基于测试集数据对拟合模型进行评估以对模型的预测效果进行进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多影响因素的泥水盾构泥水仓压力预测方法，其特征在于，包括以下步骤：步骤1，获取泥水盾构PLC系统采集的数据；步骤2，根据所述泥水盾构PLC系统采集的数据，进行泥水仓压力影响因素分析，得到影响因素；步骤3，根据所述影响因素，对所述泥水盾构PLC系统采集的数据进行清洗，并进行特征提取和样本划分，得到训练集数据和测试集数据；步骤4，基于所述训练集数据，采用遗传算法结合K折交叉验证优化神经网络拓扑结构，得到最优网络拓扑结构信息并构建最优模型；步骤5，基于所述训练集数据对所述最优模型进行训练，得到拟合模型，并基于所述测试集数据对所述拟合模型进行评估以对模型的预测效果进行进一步验证，若未达标则重复步骤4～步骤5，直至模型预测效果达标；步骤6，使用预测效果验证达标的模型对下一时刻的泥水仓压力进行预测，对预测值是否处于合适的范围进行分析并给出相应的反馈信息。2.根据权利要求1所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法，其特征在于：其中，步骤2中，所述影响因素包括直接因素和间接因素，所述直接因素为预设的下一时刻的气垫仓压力和泥浆液位，所述间接因素为当前时刻的掘进参数，包括贯入度、刀盘扭矩、刀盘转速、总推进力、推进速度、进浆流量以及出浆流量。3.根据权利要求1所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法，其特征在于：其中，步骤3包括以下子步骤：步骤3
‑
1，将所述PLC系统采集的数据进行空值处理和异常值处理；步骤3
‑
2，将处理后的数据以分钟为刻度重新整理；步骤3
‑
3，将整理后的数据进行归一化处理，得到数据样本；步骤3
‑
4，将所述数据样本划分成训练集数据和测试集数据。4.根据权利要求4所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法，其特征在于：其中，步骤3
‑
1中，所述空值处理采用删除法，直接删除所述空值所在时间点的参数行，所述异常值处理采用3σ准则和经验法相结合的方法，步骤3
‑
2中，以分钟为刻度重新整理数据的过程具体分为以下子步骤：步骤3
‑2‑
1，时间跨度判断：PLC控制系统数据采集频率为1s，当以分钟为刻度时，若60条数据内所采集数据的时间跨度超过70s，则剔除该段时间数据；步骤3
‑2‑
2，新时间刻度下的特征值计算：计算60条数据内各个特征值的均值作为新时间刻度下的特...

【专利技术属性】
技术研发人员：张双俐，周耀强，杜庆峰，谢伟杰，李晓军，赵思成，
申请(专利权)人：同济大学，
类型：发明
国别省市：