一种基于深度学习的盾构机土舱压力空间分布预测方法技术

本发明专利技术提供一种基于深度学习的盾构机土舱压力空间分布预测方法，包括如下步骤：构建土舱压力空间分布特征函数：收集盾构过程中的施工参数和地质参数，形成数据集；构建CNN

【技术实现步骤摘要】
一种基于深度学习的盾构机土舱压力空间分布预测方法


[0001]本专利技术涉及盾构施工
，具体涉及一种基于深度学习的盾构机土舱压力空间分布预测方法。

技术介绍

[0002]盾构施工作为地铁隧道建设的常用方法，盾构施工过程中的核心要点是要保证掌子面的稳定性，而土舱压力是维持掌子面稳定和减小地层扰动的关键指标，由于掘进过程涉及岩土和机械的耦合作用，土舱压力形成演化机制非常复杂，岩土方面需要考虑地层力学性质变化等影响，机械方面需要考虑施工参数变化等影响，难以建立完善的数学或者数值模型精准描述土舱压力与各参数的关联性。
[0003]相关技术中，土舱压力的数据驱动方法从掘进过程的施工参数出发对土舱压力进行预测，对于土舱压力的预测多是平均值，没有考虑土舱压力的空间分布。但是根据传感器实测的土舱压力数据中，土舱压力存在有上下梯度和左右差异的一般规律，这些差异会对盾构机壳体、刀盘、液压油缸受力产生影响，而采用平均值的预测方式会忽略掉这部分影响。因此，实有必要提供一种基于深度学习的盾构机土舱压力空间分布预测方法以解决上述问题。

技术实现思路

[0004]本专利技术公开了一种基于深度学习的盾构机土舱压力空间分布预测方法，构建了土舱压力空间分布特征函数，通过CNN
‑
GRU模型学习得到土舱压力空间分布特征函数的系数，实现了土舱压力的空间分布规律的预测。
[0005]为实现上述目的，本专利技术的技术方案为：一种基于深度学习的盾构机土舱压力空间分布预测方法，包括如下步骤：S1：选定土舱内顶部的土舱压力传感器为初始点，构建土舱压力空间分布特征函数：式中，表示土舱内任意空间点相比于初始点逆时针旋转的角度，a、b、c、d表示土舱压力空间分布特征函数的系数；S2：收集盾构过程中的施工参数和地质参数，对数据进行预处理后形成数据集；S3：构建CNN
‑
GRU混合模型，将数据集作为所述CNN
‑
GRU混合模型的输入，通过CNN模型提取施工参数和地质参数在过去时刻的特征向量，通过GRU模型捕捉土舱压力在过去时间尺度的关联性，将所述CNN模型和所述GRU模型的输出结果通过第三串联层，然后与当前时刻的施工参数和地质参数共同作为输入，经过第五全连接层后输出土舱压力空间分布特征函数的预测系数，将预测得到的系数代入所述土舱压力空间分布特征函数；
S4：采用所述土舱压力空间分布特征函数进行土舱压力的空间分布预测。
[0006]优选的，所述CNN模型包括卷积层、池化层、第一全连接层、第一串联层和第二全连接层；所述数据集以矩阵的形式输入所述CNN模型，所述卷积层通过卷积核提取输入矩阵的特征，其运算过程表示为：式中：表示所述卷积层的输出，表示输入矩阵，表示所述卷积层的权重矩阵，表示所述卷积层的偏差，表示矩阵运算，表示激活函数，采用Relu激活函数；所述池化层通过最大池化方法对卷积后的特征进行降维，提高模型的鲁棒性，其运算过程表示为；式中：表示所述池化层的输出，表示所述池化层的偏差，表示最大值函数；所述第一全连接层将展平后的抽象特征进行整合，实现特征非线性关系的学习，其运算过程表示为：式中：表示所述第一全连接层的输出，表示所述第一全连接层的权重系数，表示所述第一全连接层的偏差，表示激活函数，采用Relu或Linear激活函数；所述第一串联层的作用是将所述第一全连接层的输出与当前时刻的输入矩阵合并，其运算过程表示为：式中：表示第一串联层的输出，表示当前时刻的输入矩阵；所述第二全连接层与所述第一全连接层的架构相同，其运算过程表示为：式中：表示第二全连接层的输出，表示所述第二全连接层的权重系数，表示所述第二全连接层的偏差，表示激活函数，采用Relu或Linear激活函数；所述CNN模型的输出即为所述第二全连接层的输出：
。
[0007]优选的，所述GRU模型包括GRU层、第三全连接层、第二串联层及第四全连接层；所述GRU层的核心结构是更新门和重置门，更新门用于决定记忆或遗忘过去隐藏状态的比例，重置门用于决定考虑新的候选隐藏状态和旧隐藏状态的比例，二者的运算过程表示为：式中为所述更新门的输出，为所述重置门的输出，、输出的取值区间都为[0,1]；为sigmoid函数，为上一个时刻的隐藏状态，、为所述更新门的权重系数，、为所述重置门的权重系数；所述GRU层的运算过程表示为：式中为新的候选隐藏状态，为所述GRU层的输出，表示更新后的隐藏状态，为上一个时刻的隐藏状态，为双曲正切函数，取值区间为[
‑
1,1]，、为隐藏状态更新的权重系数，表示矩阵的哈达玛乘积；当更新门的输出为0时，表示所述GRU层的输出只考虑当前的输入状态；当所述重置门的输出为0时，表示所述GRU层的输出只考虑新的候选隐藏状态；所述第三全连接层将所述GRU层的输出特征进行整合，实现特征非线性关系的学习，其运算过程表示为：式中：表示所述第三全连接层的输出，表示所述第三全连接层的权重系数，表示所述第三全连接层的偏差，表示激活函数，采用Relu或Linear激活函数；所述第二串联层的作用是将所述第三全连接层的输出与当前时刻的输入矩阵合并，其运算过程表示为：
式中：表示所述第二串联层的输出；所述第四全连接层与所述第三全连接层的架构相同，其运算过程表示为：式中：表示所述第二全连接层的输出，表示所述第二全连接层的权重系数，表示所述第二全连接层的偏差，表示激活函数，采用Relu或Linear激活函数；所述GRU模型的输出G即为所述第四全连接层的输出，表示为：。
[0008]优选的，“将所述CNN模型和所述GRU模型的输出通过第三串联层与当前时刻的输入矩阵合并，然后通过第五全连接层对特征进行整合”运算过程表示为：运算过程表示为：式中：表示所述第三串联层的输出，表示所述第五全连接层的输出，表示所述第五全连接层的权重系数，表示所述第五全连接层的偏差，表示激活函数，采用Relu或Linear激活函数；所述CNN
‑
GRU混合模型的输出即为所述第五全连接层的输出，表示为：。
[0009]优选的，在模型的训练的过程中，将数据集按照4：1的比例划分为训练集和测试集，使用学习率衰减法和早停法进行训练；对于学习率衰减法，以验证集的损失为指标，设置每4个回合模型在验证集的损失没有变化则将学习率衰减40%；对于早停法，若20个回合模型在验证集的损失都没有优化则停止模型训练，此时模型为最优模型。
[0010]优选的，所述施工参数包括：土舱压力、设备侧滚、设备倾角、刀盘速度、油缸推进压力、推进速度平均值、贯入度、总推进力、螺旋机速度测量值、螺旋机上卸料门开度、螺旋机下卸料门开度、膨润土流量、砂浆注入口压力、泡沫进水管压力、泡沫枪液体流量及泡沫枪压力；所述地质参数包括隧道埋深、地下水位、标准贯入次数、动力触探次数、单轴抗压强度及掌子面静止土压力，其中地质参数按照每类地层的厚度对其物理力学指标进行加权修正。
[0011]优选的，预处理过程包括：去除停机阶段数据、筛选离群值、降噪处理、数据归一化，并按照环号对数据进行平均处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的盾构机土舱压力空间分布预测方法，其特征在于，包括如下步骤：S1：选定土舱内顶部的土舱压力传感器为初始点，构建土舱压力空间分布特征函数：式中，表示土舱内任意空间点相比于初始点逆时针旋转的角度，a、b、c、d表示土舱压力空间分布特征函数的系数；S2：收集盾构过程中的施工参数和地质参数，对数据进行预处理后形成数据集；S3：构建CNN
‑
GRU混合模型，将数据集作为所述CNN
‑
GRU混合模型的输入，通过CNN模型提取施工参数和地质参数在过去时刻的特征向量，通过GRU模型捕捉土舱压力在过去时间尺度的关联性，将所述CNN模型和所述GRU模型的输出结果通过第三串联层，然后与当前时刻的施工参数和地质参数共同作为输入，经过第五全连接层后输出土舱压力空间分布特征函数的预测系数a、b、c、d，将预测得到的系数a、b、c、d代入所述土舱压力空间分布特征函数，完成所述土舱压力空间分布特征函数的构建；S4：采用所述土舱压力空间分布特征函数进行土舱压力的空间分布预测。2.根据权利要求1所述的基于深度学习的盾构机土舱压力空间分布预测方法，其特征在于，所述CNN模型包括卷积层、池化层、第一全连接层、第一串联层和第二全连接层；所述数据集以矩阵的形式输入所述CNN模型，所述卷积层通过卷积核提取输入矩阵的特征，其运算过程表示为：式中：表示所述卷积层的输出，表示输入矩阵，表示所述卷积层的权重矩阵，表示所述卷积层的偏差，表示矩阵运算，表示激活函数，采用Relu激活函数；所述池化层通过最大池化方法对卷积后的特征进行降维，提高模型的鲁棒性，其运算过程表示为；式中：表示所述池化层的输出，表示所述池化层的偏差，表示最大值函数；所述第一全连接层将展平后的抽象特征进行整合，实现特征非线性关系的学习，其运算过程表示为：式中：表示所述第一全连接层的输出，表示所述第一全连接层的权重系数，表示所述第一全连接层的偏差，表示激活函数，采用Relu或Linear激活函数；所述第一串联层的作用是将所述第一全连接层的输出与当前时刻的输入矩阵合并，其
运算过程表示为：式中：表示所述第一串联层的输出，表示当前时刻的输入矩阵；所述第二全连接层与所述第一全连接层的架构相同，其运算过程表示为：式中：表示第二全连接层的输出，表示所述第二全连接层的权重系数，表示所述第二全连接层的偏差，表示激活函数，采用Relu或Linear激活函数；所述CNN模型的输出即为所述第二全连接层的输出：。3.根据权利要求2所述的基于深度学习的盾构机土舱压力空间分布预测方法，其特征在于，所述GRU模型包括GRU层、第三全连接层、第二串联层及第四全连接层；所述GRU层的核心结构是更新门和重置门，更新门用于决定记忆或遗忘过去隐藏状态的比例，重置门用于决定考虑新的候选隐藏状态和旧隐藏状态的比例，二者的运算过程表示为：式中为所述更新门的输出，为所述重置门的输出，、输出的取值区间都为[0,1]；为sigmoid函数，为上一个时刻的隐藏状态，、为所述更新门的权重系数，、为所述重置门的权重系数；所述GRU层的运算过程表示为：式中为新的候选隐藏状态，为所述GRU层的输出，表示更新后的隐藏状态，为上一个时刻的隐藏状态，为双曲正切函数，取值区间...

【专利技术属性】
技术研发人员：张超，朱闽湘，陈仁朋，任昱豪，耿自恒，龚杨凯，邓鹏，程红战，
申请(专利权)人：湖南大学，
类型：发明
国别省市：