一种基于迁移学习的盾构机土仓压力实时预测调整方法技术

本发明专利技术公开了一种基于迁移学习的盾构机土仓压力实时预测调整方法，包括：S1、判断是否有已训练好的源域任务预测模型；S2、收集盾构收集数据集，构建训练样本集；S3、构建经济效益评价指标W；S4、以步骤S2中训练样本集对预先构建的神经网络预测模型进行训练，得到初始土仓压力预测模型；S5、使用盾构机现场施工数据，对初始土仓压力预测模型进行迁移学习；S6、使用最终土仓压力预测模型对目标域的盾构机土仓压力进行实时预测，判定预测土仓压力是否合理，以反馈调整掘进参数。本发明专利技术运用迁移学习神经网络模型，提高对目标域盾构压力预测的准确性及预测速度，并考虑不同掘进参数取值情况下对经济效益影响，以经济效益最大化优化盾构的掘进参数。的掘进参数。的掘进参数。

【技术实现步骤摘要】
一种基于迁移学习的盾构机土仓压力实时预测调整方法


[0001]本专利技术涉及隧道盾构施工
，具体涉及一种基于迁移学习的盾构机土仓压力实时预测调整方法。

技术介绍

[0002]盾构法隧道施工技术具有安全性高、施工效率高、经济效益相比于矿山法好，被广泛应用于城市轨道交通建设中。安全施工的重要保证是在盾构掘进过程中能够保持开挖掌子面的稳定，盾构通过刀盘切削盾构前方的土体，并通过刀盘上的开口使开挖土体顺利进入盾构机的土仓内，土仓内的渣土形成一定的土仓压力与掌子面前面压力进行平衡进而保持掌子面的稳定。当实际监测盾构土仓压力值小于设定土仓压力值时，会造成地层的塌陷，此时可降低螺旋输送机的转速，降低渣土排出的速度，提高盾构土仓压力值；当实际监测盾构土仓压力值大于设定土仓压力值时，会造成盾构前方地层的隆起，此时可降提高螺旋输送机的转速，提高渣土排出的速度，降低盾构土仓压力值。由此可以看出，合适土仓压力值的设定在盾构掘进过程中至关重要。
[0003]目前，盾构主要依据施工地层的条件进行经验判断，设定土仓压力值，且通过土仓内压力传感器对土仓内的压力进行实时监测，无法对接下来土仓压力的变化情况进行合理预测，也就不能提前对于掘进参数进行预测调整，根据土仓内的压力实时监测数据反馈调整掘进参数具有一定的滞后性，难以保证盾构施工的安全，难以满足地表沉降控制的要求，另一方面也不利于及时调整选取合适的掘进参数来降低掘进成本，满足经济性的要求。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提出一种基于迁移学习的盾构机土仓压力实时预测调整方法，合理构建土仓压力预测模型，能够高效、准确预测盾构区域内的土仓压力值，并根据预测的土仓压力值反馈调节盾构掘进参数，极大提高了盾构施工的安全保障和经济效率。
[0005]为了实现上述目的，本专利技术提供了一种基于迁移学习的盾构机土仓压力实时预测调整方法，包括以下步骤：
[0006]S1、判断是否有已训练好的源域任务预测模型：若是，则将其作为初始的土仓压力预测模型，跳转至步骤S5；若否，则继续下一步；其中，所述源域任务预测模型的输入参数个数和输出参数个数，分别与用于目标域土仓压力预测的输入参数个数和输出参数个数相同；
[0007]S2、收集盾构掘进参数、地层类型、地层参数、盾构埋深、地层沉降监测值以及对应的土仓压力值，对收集数据集采用异常值检测处理和归一化处理进行预处理，构建训练样本集；所述盾构掘进参数包括：土仓压力、总推力、刀盘扭矩、贯入度、推进速度、刀盘转速、螺旋机转速、膨润土用量监测值、泡沫原液用量监测值、工业用水量监测值、用电量监测值；
[0008]S3、构建经济效益评价指标W，来评价不同的掘进参数取值，造成直接产生经济的
损失值：
[0009]W＝α1w1+α2w2+α3w3+α4w4；
[0010]其中，w1为膨润土用量监测值，α1为膨润土单价，w2为泡沫原液用量监测值，α2为泡沫原液单价，w3为工业用水量监测值，α3为工业用水单价，w4为用电量监测值，α4为用电单价；
[0011]S4、以步骤S2中训练样本集中的盾构掘进参数、地层类型、地层参数、盾构埋深、地层沉降监测值作为输入，以训练样本中的土仓压力值为输出，对预先构建的神经网络预测模型进行训练，得到初始土仓压力预测模型；
[0012]S5、使用盾构机现场施工数据，对初始土仓压力预测模型进行迁移学习，对初始土仓压力预测模型中的权重和偏置进行修正，得到适用于现场最终土仓压力预测模型；
[0013]S6、使用最终土仓压力预测模型，根据现场实时的盾构掘进参数、地层类型、地层参数、盾构埋深和地层沉降监测值，对目标域的盾构机土仓压力进行实时预测，并判定预测的土仓压力是否处于上限值与下限值之间，以反馈调整掘进参数：
[0014]S61、当预测盾构的土仓压力值处于上限值与下限值之间，则保持相应的掘进参数继续掘进；
[0015]S62、当预测盾构的土仓压力值不处于上限值与下限值之间，则根据土仓压力的上限值与下限值，通过最终土仓压力预测模型反向预测出掘进参数的取值范围，在掘进参数的取值范围内计算经济效益指标W，当W取值最小时对应的掘进参数作为合适的掘进参数进行掘进。
[0016]作为优选，所述地层步骤S2中的地层类型分为破碎带、砂石地层和黏土地层。
[0017]作为优选，所述地层步骤S2中的地层参数包括土体密度、粘聚力、内摩擦角、孔隙比和弹性模量。
[0018]作为优选，所述步骤S2中收集数据集的异常值检测处理采用3σ方法处理，处理步骤如下：
[0019]对收集数据集中的每种类型数据，包括多种不同的掘进参数、地层参数、盾构埋深、地层沉降监测值和土仓压力值，分别计算各自的均值及标准值σ
i
，其中i用于表示不同类型的数据；
[0020]当数据集中的数据或时，则判定数据x
i,j
为异常数据，否则判定数据x
i,j
为正常数据；下标j用于区分同种类型下的不同数据。
[0021]作为优选，根据收集数据量对所述异常数据根据收集数据的量采用不同的处理方法：
[0022]当收集数据量>300组时，则将该异常数据及对应的其余数据均剔除；
[0023]当收集数据量≤300组时，对异常数据按以下方式处理：
[0024][0025]式中，x
i,j
和x'
i,j
分别为数据集中第j组数据中的第i种类型对应的原始数据和异常值处理得到的数据；异常值处理得到的数据x'
i,j
作为正常数据使用。
[0026]作为优选，所述步骤S4中预先构建神经网络采用网格搜索算法对神经网络中每层神经元的个数与网络层数进行优化，获得预先构建神经网络预测模型的最优参数。
[0027]作为优选，所述步骤S6中土仓压力的上限值和下限值的计算公式如下：
[0028]土仓压力的上限值：P
fu
＝P1+P2+P3；
[0029]土仓压力的下限值：P
f1
＝P1+P2'+P3；
[0030]其中，P1：江水压力(kPa)；
[0031]P2：静止土压力(kPa)；
[0032]P'2：主动土压力(kPa)；
[0033]P3：预备压力，取20kPa
[0034]与现有技术相比，本专利技术具有以下有益效果：
[0035]1、本专利技术提供的一种基于迁移学习的盾构机土仓压力实时预测调整方法，通过迁移学习，将其它预测网络模型(源域任务预测模型)中权重参数及偏置项参数，或其它盾构项目的土仓压力预测模型(源域任务预测模型)的权重及偏置项参数，引用到目标域土仓压力的预测模型(目标域任务预测模型)中，可省略现场盾构机土仓压力预测模型的初始化，提前获得盾构机土仓压力变化情况，对土仓压力值进行预测，提高现场盾构机土仓压力预测模型的预测精度与预测时间，对土仓压力进行精准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的盾构机土仓压力实时预测调整方法，其特征在于，包括以下步骤：S1、判断是否有已训练好的源域任务预测模型：若是，则将其作为初始的土仓压力预测模型，跳转至步骤S5；若否，则继续下一步；其中，所述源域任务预测模型的输入参数个数和输出参数个数，分别与用于目标域土仓压力预测的输入参数个数和输出参数个数相同；S2、收集盾构掘进参数、地层类型、地层参数、盾构埋深、地层沉降监测值以及对应的土仓压力值，对收集数据集采用异常值检测处理和归一化处理进行预处理，构建训练样本集；所述盾构掘进参数包括：土仓压力、总推力、刀盘扭矩、贯入度、推进速度、刀盘转速、螺旋机转速、膨润土用量监测值、泡沫原液用量监测值、工业用水量监测值、用电量监测值；S3、构建经济效益评价指标W，来评价不同的掘进参数取值，造成直接产生经济的损失值：W＝α1w1+α2w2+α3w3+α4w4；其中，w1为膨润土用量监测值，α1为膨润土单价，w2为泡沫原液用量监测值，α2为泡沫原液单价，w3为工业用水量监测值，α3为工业用水单价，w4为用电量监测值，α4为用电单价；S4、以步骤S2中训练样本集中的盾构掘进参数、地层类型、地层参数、盾构埋深、地层沉降监测值作为输入，以训练样本中的土仓压力值为输出，对预先构建的神经网络预测模型进行训练，得到初始土仓压力预测模型；S5、使用盾构机现场施工数据，对初始土仓压力预测模型进行迁移学习，对初始土仓压力预测模型中的权重和偏置进行修正，得到适用于现场最终土仓压力预测模型；S6、使用最终土仓压力预测模型，根据现场实时的盾构掘进参数、地层类型、地层参数、盾构埋深和地层沉降监测值，对目标域的盾构机土仓压力进行实时预测，并判定预测的土仓压力是否处于上限值与下限值之间，以反馈调整掘进参数：S61、当预测盾构的土仓压力值处于上限值与下限值之间，则保持相应的掘进参数继续掘进；S62、当预测盾构的土仓压力值不处于上限值与下限值之间，则根据土仓压力的上限值与下限值，通过最终土仓压力预测模型反向预测出掘进参数的取值范围，在掘进参数的取值范围内计算经济效益指标W，当W取值最小时对应的掘进参数作为合适的掘进参数进行掘进。2.根据权利要求1所述的基于迁移学习的盾构机土仓压力实时预测调整方法，其特征在于，所述地层步骤S2中的地层类...

【专利技术属性】
技术研发人员：佟彬，周子豪，张斌，王树英，刘国强，刘鹏鹏，营伟乐，张晓龙，史杨鹏，王晓龙，阳军生，马东，朱珍科，
申请(专利权)人：中南大学，
类型：发明
国别省市：