一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法技术

本发明专利技术提供一种基于RF

【技术实现步骤摘要】
一种基于RF
‑
PSO的泥水平衡式盾构掘进参数优化方法


[0001]本专利技术涉及一种基于RF
‑
PSO的泥水平衡式盾构掘进参数优化方法。

技术介绍

[0002]盾构法施工由于具有对环境影响小、开挖效率高等优点，在我国各类地下空间施工建设中得到广泛应用。其中，由于泥水盾构对维持开挖面稳定具有显著的作用，因此广泛应用于各类海底隧道建设。然而，以往盾构在掘进过程中的掘进参数选择及调整主要依靠人工经验与操作手册，面对复杂多变的地质条件，掘进参数选择缺乏科学依据，泥水盾构控制参数选择不当，难以适应复杂岩体地质条件，是造成掘进效率低、工期延误、刀具损耗增加与掘进成本剧增的重要诱因。因此，开展泥水盾构控制参数优化决策方法的研究，建立泥水盾构控制参数优化决策模型，对于泥水盾构安全、高效施工具有重要的指导意义。
[0003]目前常见的盾构施工优化方法是针对TBM整个掘进过程，通过对岩体地质信息与历史掘进数据的挖掘与分析，优化盾构掘进过程中的主要控制参数乃至整个控制过程。如张娜等(2018)釆用数据挖掘的方法建立岩
‑
机信息感知互馈模型，通过分析TBM主司机操作过程构建了智能决策控制体系；Li等(2019)指出，常规地层与不良地层下的TBM智能控制与掘进应采用不同思路，在不良地层中，智能控制应超前地质勘探相结合，在专家系统防灾救灾经验的指导下，确保 TBM安全掘进，而在常规地层中，智能控制应根据其实时监测的岩体力学信息和TBM开挖状态，对掘进参数进行调整、控制和优化； Min等(2008)以工期最短，成本最低为优化目标，提出了TBM施工隧道建设工序规划及资源分配方法，并据此开发了隧道施工决策辅助工具(Decision Aids for Tunneling,DAT)；Xing等(2008)提出了一种智能专家控制系统，可在自动识别地质条件变化的基础上，自适应改变刀盘的驱动功率；段理文(2019)利用XGBOOST算法，从历史掘进数据中提取控制参数的变化规律，进而给出控制参数的预测结果，以协助司机进行参数调整并提高掘进性能；江俊杰(2012)通过多智能体系统方法，解决掘进机状况识别和控制参数决策等相关问题。
[0004]当前已有部分盾构掘进优化决策方法或辅助施工软件，为盾构控制参数优化提供了良好的思路与方案。其中，不少研究采用目标优化的方法来获取最优控制参数，这些研究大多采用单一的优化目标来评判控制参数的优劣，难以得到多项指标综合最优的控制参数决策结果。同时，决策过程缺少多元约束，决策结果易超出合理的取值范围，影响盾构施工安全。对此，应从盾构施工的实际需求出发，充分利用岩机映射关系构建多元约束与综合优化目标，进而通过多目标优化方法，构建更为科学合理的控制参数优化模型。

技术实现思路

[0005]为解决上述问题，提供一种基于RF
‑
PSO的泥水平衡式盾构掘进参数优化方法，本专利技术采用了如下技术方案：
[0006]本专利技术提供了一种基于RF
‑
PSO的泥水平衡式盾构掘进参数优化方法，用于对盾构掘进参数进行优化，其特征在于，包括以下步骤：步骤S1，确定掘进参数，并采集与掘进参数
相对应的掘进数据，得到掘进数据集。步骤S2，对掘进数据集进行标准化处理，得到标准化数据集。步骤S3，构建采用操作参数、泥水仓压力和地质信息参数对掘进荷载参数进行预测的随机森林岩机映射模型，并确定掘进荷载参数和操作参数的约束条件。步骤S4，将标准化数据集输入到随机森林岩机映射模型，并利用网络搜索法对随机森林岩机映射模型的超参数进行训练，得到最优超参数，将最优超参数代入到随机森林岩机映射模型，得到最优随机森林岩机映射模型。步骤S5，构建掘进速度v的优化目标函数。步骤S6，根据最优随机森林岩机映射模型，基于优化目标函数利用粒子群算法得到最优掘进速度、最优贯入度和最优刀盘转速。随机森林岩机映射模型包括总推力F的预测子模型和刀盘扭矩T的预测子模型，超参数包括bagging框架的参数和决策树的参数。bagging框架的参数包括决策树数量k，决策树的参数包括最大特征数m以及决策树最大深度d，掘进速度v的优化目标函数具体表达式为：maxv＝f(p,n)＝p
×
n，式中，p代表贯入度，n代表刀盘转速。
[0007]本专利技术提供的一种基于RF
‑
PSO的泥水平衡式盾构掘进参数优化方法，还可以具有这样的技术特征，其中，步骤S4包括以下步骤：步骤S4
‑
1，根据掘进参数的取值范围，利用将标准化数据集对随机森林岩机映射模型进行训练，得到最优的决策树数量k。步骤S4
‑
2，最优决策树数量代入随机森林岩机映射模型，并根据掘进参数的取值范围，通过网格搜索得到最优的最大特征数m和最优的决策树最大深度d。步骤S4
‑
3，将最优的超参数组合代入到随机森林岩机映射模型，得到最优随机森林岩机映射模型。
[0008]本专利技术提供的一种基于RF
‑
PSO的泥水平衡式盾构掘进参数优化方法，还可以具有这样的技术特征，其中，步骤S6包括以下步骤：步骤S6
‑
1，设置粒子群算法的初始参数。步骤S6
‑
2，构建初始种群为当前种群，当前种群中的每个粒子是包括贯入度p和刀盘转速n的参数组合。步骤S6
‑
3，将优化目标函数作为适应度函数，根据优化目标函数的具体表达式计算每个粒子的适应度。步骤S6
‑
4，将每个粒子的参数组合代入到最优随机森林岩机映射模型，该模型输出相应的总推力F和刀盘扭矩T。步骤S6
‑
5，判断每个粒子是否满足约束条件，如果满足约束条件的粒子，根据适应度进行更新其历史最优位置，并在此基础上更新种群的全局最优位置，如果不满足约束条件的粒子进行丢弃。步骤S6
‑
6，重复步骤S6
‑
3至步骤S6
‑
5，直到最大迭代次数达到预定次数。步骤S6
‑
7，输出最优贯入度、最优刀盘转速以及最优掘进速度。
[0009]本专利技术提供的一种基于RF
‑
PSO的泥水平衡式盾构掘进参数优化方法，还可以具有这样的技术特征，其中，初始参数包括种群数量、惯性权重、加速度常量和最大迭代次数。
[0010]本专利技术提供的一种基于RF
‑
PSO的泥水平衡式盾构掘进参数优化方法，还可以具有这样的技术特征，其中，掘进参数包括地质信息、泥水仓压力、操作参数和掘进荷载参数，地质信息包括上一环推力切深指数FPI的均值、上一环推力切深指数FPI的方差、上一环旋转切深指数TPI的均值、上一环旋转切深指数TPI的方差，操作参数包括掘进速度v、刀盘转速n和贯入度p，掘进荷载参数包括总推力F和刀盘扭矩T。
[0011]本专利技术提供的一种基于RF
‑
PSO的泥水平衡式盾构掘进参数优化方法，还可以具有这样的技术特征，其中，数据标准化处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RF
‑
PSO的泥水平衡式盾构掘进参数优化方法，用于对盾构掘进参数进行优化，其特征在于，包括以下步骤：步骤S1，确定掘进参数，并采集与所述掘进参数相对应的掘进数据，得到掘进数据集；步骤S2，对所述掘进数据集进行标准化处理，得到标准化数据集；步骤S3，构建采用操作参数、泥水仓压力和地质信息参数对掘进荷载参数进行预测的随机森林岩机映射模型，并确定所述掘进荷载参数和所述操作参数的约束条件；步骤S4，将所述标准化数据集输入到所述随机森林岩机映射模型，并利用网络搜索法对所述随机森林岩机映射模型的超参数进行训练，得到最优超参数，将所述最优超参数代入到所述随机森林岩机映射模型，得到最优随机森林岩机映射模型；步骤S5，构建掘进速度v的优化目标函数；步骤S6，根据所述最优随机森林岩机映射模型，基于所述优化目标函数利用粒子群算法得到最优掘进速度、最优贯入度和最优刀盘转速；所述随机森林岩机映射模型包括总推力F的预测子模型和刀盘扭矩T的预测子模型，所述超参数包括bagging框架的参数和决策树的参数，所述bagging框架的参数包括决策树数量k，所述决策树的参数包括最大特征数m以及决策树最大深度d，所述掘进速度v的优化目标函数具体表达式为：max v＝f(p,n)＝p
×
n式中，p代表贯入度，n代表刀盘转速。2.根据权利要求1所述的一种基于RF
‑
PSO的泥水平衡式盾构掘进参数优化方法，其特征在于：其中，所述步骤S4包括以下步骤：步骤S4
‑
1，根据所述掘进参数的取值范围，利用将所述标准化数据集对所述随机森林岩机映射模型进行训练，得到最优的所述决策树数量k；步骤S4
‑
2，最优决策树数量代入所述随机森林岩机映射模型，并根据所述掘进参数的取值范围，通过网格搜索得到最优的所述最大特征数m和最优的所述决策树最大深度d；步骤S4
‑
3，将最优的超参数组合代入到所述随机森林岩机映射模型，得到所述最优随机森林岩机映射模型。3.根据权利要求1所述的一种基于RF
‑
PSO的泥水平衡式盾构掘进参数优化方法，其特征在于：其中，所述步骤S6包括以下步骤：步骤S6
‑
1，设置粒子群算法的初始参数；步骤S6
‑
2，构建初始种群为当前种群，所述当前种群中的每个粒子是包括所述贯入度p和所述刀盘转速n的参数组合；步骤S6
‑
3，将所述优化目标函数作为适应度函数，根据所述优化目标函数的具体表达式计算所述每个粒子的适应度；步骤S6
‑
4，将所述每个粒子的所述参数组合代入到所述最优随机森林岩机映射模型，该模型输出相应的总推力F和刀盘扭矩T；步骤S6
‑
5，判断所述每个粒子是否满足所述约束条件，如果满足所述约束条件的粒子，

【专利技术属性】
技术研发人员：赵思成，王志云，李晓军，叶文坤，张双俐，
申请(专利权)人：同济大学，
类型：发明
国别省市：