一种盾构机掘进参数预测方法及预测终端机技术

本发明专利技术提供一种盾构机掘进参数预测方法及预测终端机，建立GA

【技术实现步骤摘要】
一种盾构机掘进参数预测方法及预测终端机


[0001]本专利技术涉及工程数据预测
，尤其涉及一种基于GA
‑
GRNN算法的盾构机掘进参数预测方法及预测终端机。

技术介绍

[0002]盾构施工技术是一种暗挖隧道施工法，通过盾构机实现隧道建造。盾构施工技术涉及到的技术包括光、声、电、液压等多方面，是一项交叉技术科学。盾构机可根据工作原理划分为以下四种：手掘式盾构、挤压式盾构、半机械式盾构、机械式盾构。在这四种盾构机当中机械式盾构应用的最为广泛。机械式盾构机又分为开胸式切削盾构、气压式盾构、泥水加压盾构、土压平衡盾构、混合型盾构、异型盾构。
[0003]经过盾构施工技术的不断应用，目前盾构施工技术得到了发展与突破，其主要应用于水下隧道和城市地铁。盾构施工技术中的很多技术问题都得到了解决，但针对盾构掘进参数数据的研究仍存在研究方法单一、无系统化研究、预测参数算法精度低等问题。

技术实现思路

[0004]本专利技术为解决上述问题将提出一种基于GA
‑
GRNN算法的盾构机掘进参数预测方法，预测方法在算法轻量级和泛化能力等方面具有一定的创新。
[0005]盾构机掘进参数预测方法包括：
[0006]建立GA
‑
GRNN网络结构；
[0007]GA
‑
GRNN网络结构的输入为X＝[x1,x2,
…
,xn]，输出为Y＝[y1,y2,
…
,yk]；
[0008]GA
>‑
GRNN网络结构中的包括：输入层、模式层、求和层以及输出层；
[0009]输入层：用于获取输入的学习样本和参数矩阵，将参数矩阵传递给模式层；
[0010]模式层：用于对盾构机掘进参数进行建模，并保存着训练集数据，对输入的样本和训练集样本进行计算；
[0011]求和层包含两种神经元；
[0012]输出层具有第j个神经元的输出；
[0013]对GA
‑
GRNN模型进行训练，通过训练数据集计算输入变量x和输出变量y之间的联合概率密度f(x,y)；
[0014]通过联合概率密度函数得出输入变量X的预测值
Y
∧，通过GA算法选取联合概率函数光滑因子；
[0015]完成模型训练和参数预测曲线。
[0016]进一步需要说明的是，基于GA算法寻找最优光滑因子的方式包括：
[0017]步骤S1，定义GRNN随机初始化种群，确定基因尺寸dn，种群规模pn，交叉率pc和变异率pm；随机初始化个体基因，使用二进制编码，设定平滑因子σ取值范围，其取值范围由GA算法进行计算得出，定义个体基因翻译数学模型；
[0018]步骤S2，选取适应度函数计算个体适应度；
[0019]步骤S3，在构造完适应度函数之后，对种群执行自然选择操作，对个体进行选择、交叉和变异操作使种群进化：
[0020]步骤S4，重复步骤S2、步骤S3，直到满足预设精度或最大迭代次数停止运算。
[0021]完成模型训练和参数预测曲线。
[0022]进一步需要说明的是，步骤S1中，定义个体基因翻译数学模型为：
[0023][0024]进一步需要说明的是，步骤S2中，采用GRNN预测模型的预测误差来构造适应度函数：
[0025][0026]式中：f(σ)为适应度函数，E(σ)为GRNN预测误差。
[0027]进一步需要说明的是，步骤S3中，
[0028]选择适应度高的个体构建新的种群；
[0029]按照交叉率选择两个个体基因进行重组；
[0030]按照变异率改变个体基因某一位的取值，从0变为1或从1变为0。
[0031]进一步需要说明的是，模式层中保存训练集数据，对输入样本和训练集样本进行计算,并定义激活函数：
[0032][0033]式中：X为网络输入变量；X
i
为模式层第i个神经元对应的训练样本；σ为GRNN的光滑因子。
[0034]进一步需要说明的是，求和层包含的两种不同神经元分别为：
[0035][0036][0037]进一步需要说明的是，输出层中第j个神经元的输出为：
[0038][0039]式中：y
ij
为训练集样本中，第i个样本的第j个元素。
[0040]进一步需要说明的是，对GA
‑
GRNN模型进行训练,通过训练数据集计算输入变量x和输出变量y之间的联合概率密度f(x,y)；
[0041]通过联合概率密度函数得出输入变量X的预测值可表示为：
[0042][0043]式中：是输入为X的条件下，Y的预测值。
[0044]本专利技术还提供一种实现盾构机掘进参数预测方法的预测终端机，包括：
[0045]存储器，用于存储计算机程序及盾构机掘进参数预测方法；
[0046]处理器，用于执行所述计算机程序及盾构机掘进参数预测方法，以实现盾构机掘进参数预测方法的步骤。
[0047]从以上技术方案可以看出，本专利技术具有以下优点：
[0048]本专利技术提供的盾构机掘进参数预测方法可以实现数据内在关联性分析，进而实现数据清洗和优化。
[0049]本专利技术提供的盾构机掘进参数预测方法通过GA算法选取GRNN中的平滑因子，可最大程度提高算法运算精度。
[0050]本专利技术提供的盾构机掘进参数预测方法可以使计算过程简便、运算精度高，且具有良好的鲁棒性和稳定性。
附图说明
[0051]为了更清楚地说明本专利技术的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0052]图1为GA
‑
GRNN网络结构图。
[0053]图2为GA
‑
GRNN算法运算流程图。
[0054]图3为GA算法选取光滑因子训练曲线图。
[0055]图4为基于GA
‑
GRNN算法的参数预测结果图。
具体实施方式
[0056]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0057]本专利技术提供的盾构机掘进参数预测方法中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种盾构机掘进参数预测方法，其特征在于，方法包括：建立GA
‑
GRNN网络结构；GA
‑
GRNN网络结构的输入为X＝[x1,x2,
…
,x
n
]，输出为Y＝[y1,y2,
…
,y
k
]；GA
‑
GRNN网络结构中的包括：输入层、模式层、求和层以及输出层；输入层：用于获取输入的学习样本和参数矩阵，将参数矩阵传递给模式层；模式层：用于对盾构机掘进参数进行建模，并保存着训练集数据，对输入的样本和训练集样本进行计算；求和层包含两种神经元；输出层具有第j个神经元的输出；对GA
‑
GRNN模型进行训练，通过训练数据集计算输入变量x和输出变量y之间的联合概率密度f(x,y)；通过联合概率密度函数得出输入变量X的预测值
Y
∧，通过GA算法选取联合概率函数光滑因子；完成模型训练和参数预测曲线。2.根据权利要求1所述的盾构机掘进参数预测方法，其特征在于，基于GA算法寻找最优光滑因子的方式包括：步骤S1，定义GRNN随机初始化种群，确定基因尺寸dn，种群规模pn，交叉率pc和变异率pm；随机初始化个体基因，使用二进制编码，设定平滑因子σ取值范围，其取值范围由GA算法进行计算得出，定义个体基因翻译数学模型；步骤S2，选取适应度函数计算个体适应度；步骤S3，在构造完适应度函数之后，对种群执行自然选择操作，对个体进行选择、交叉和变异操作使种群进化：步骤S4，重复步骤S2、步骤S3，直到满足预设精度或最大迭代次数停止运算；完成模型训练和参数预测曲线。3.根据权利要求2所述的盾构机掘进参数预测方法，其特征...

【专利技术属性】
技术研发人员：马泽坤，常勇，陆野，王浩，
申请(专利权)人：中铁十四局集团大盾构工程有限公司，
类型：发明
国别省市：