基于集成学习的复杂工程施工安全评估方法技术

本发明专利技术涉及一种基于集成学习的复杂工程施工安全评估方法。本发明专利技术首先对于反直觉数据的识别，设计了一个多侧写集成学习过程，用于反直觉数据的初始识别，每个侧写都提供了一个人工视角来检查原始数据集，实现每个侧写都代表原始数据集，同时彼此保持不同；然后通过多模型集成学习过程进行进一步确认；最后通过在地铁隧道施工安全评估模型构建过程中对识别的反直觉数据进行降低权重来处理，从而获得更为准确可靠的安全评估模型。为准确可靠的安全评估模型。为准确可靠的安全评估模型。

【技术实现步骤摘要】
基于集成学习的复杂工程施工安全评估方法


[0001]本专利技术属于工程安全
，涉及一种基于集成学习的复杂工程施工安全评估方法。

技术介绍

[0002]安全是地下地铁隧道施工的基本要求之一，要保证地铁隧道施工的安全不仅要关注地下隧道施工活动的安全，还要关注附近建筑物的安全。而建筑物安全指标之一是地下隧道施工引起的附近建筑物倾斜率。具体来说，隧道掘进机在地质条件和建筑条件的影响下运行所造成的不均匀沉降而影响了建筑物倾斜率。因此，能够准确对建筑物倾斜率做出预测，对地铁隧道安全施工具有重要意义。
[0003]目前，基于机器学习的方法在地铁隧道施工中作为一种新的安全性评估方法引入。基于机器学习的安全评估模型将建筑物倾斜率作为输出，多个地质、建筑、隧道和隧道掘进机等相关参数作为输入。但其所建立的模型所针对的数据都是输入和输出符合因果逻辑关系的，即直觉数据。但也会有一小部分数据其输入和输出不符合因果逻辑关系，这是与上述直觉数据相反的反直觉数据。在实际地铁隧道施工条件下，反直觉数据占所有数据的少数，但基于传统机器学习的方法得到的安全评估模型预计不会识别这些数据。如果直觉数据和反直觉数据都被安全评估模型识别，这将产生巨大的冲突。为了进一步提高评估的准确性，提出了一种新的方法，实现对反直觉数据的识别和处理，获得更为准确的安全评估模型。

技术实现思路

[0004]本专利技术提出了一种新的复杂工程施工安全评估方法，能够识别和处理地铁隧道施工安全评估中的反直觉数据问题。
[0005]本专利技术包括以下各步骤：
[0006]步骤(1)利用传感器，收集多组地铁隧道施工的数据；
[0007]其中：
[0008]输入包括以下数据：隧道相关参数、隧道掘进机相关参数、地质参数和建筑相关参数；
[0009]输出为：建筑物倾斜率；
[0010]步骤(2)将采集得到的多组数据随机划分为训练集D
T
和测试集D
V
；
[0011]步骤(3)生成多个子误差：
[0012]将原始完整训练数据集D
T
分为S个部分数据集B
TS
，保证每个部分数据集都是D
T
的子集，且B
TS
的大小占D
T
的大多数；
[0013]使用上述部分数据集B
TS
，选取两种以上机器学习方法来构建S个子模型，并产生S个子误差；
[0014]步骤(4)根据设定的边际误差阈值，以及第p组数据的子误差e
pS
和第S个子模型的
权重，识别初始直觉数据和反直觉数据；
[0015]步骤(5)通过多模型集成学习，进一步验证反直觉数据；
[0016]步骤(6)通过更新权重来处理反直觉数据；所述反直觉数据的权重与该数据被机器学习方法确认的次数有关；
[0017]步骤(7)根据步骤(6)更新后的权重，使用完整的训练数据集构建最终模型，对测试数据集的预测准确性和数据类型识别进行验证。
[0018]本专利技术的有益效果：
[0019]一、本专利技术通过对反直觉数据的识别和处理，相对于传统的识别正常/异常数据的方法和基于机器学习的方法，能够更加准确对地铁隧道施工进行安全评估。
[0020]二、用给定数据集识别反直觉数据的困难在于数据的输入
‑
输出因果关系未知。本专利技术通过提出多侧写集成学习方法，每个侧写都提供了一个人工视角来检查原始数据集，因为每个侧写中的子数据集是使用大多数数据构建的，所以并不完全是原始数据集。因此，可以保证每个侧写都代表原始数据集，同时彼此保持不同。
[0021]三、无论设计了多少侧写，多侧写集成学习仍然无法排除劣质机器学习方法的可能干扰。换言之，当一组数据被识别为反直觉数据时，有多个可能的原因。它可能本质上就是反直觉数据，但也有可能是因为所选机器学习方法无法实现。因此，本专利技术采用多种机器学习方法来排除后者。
附图说明
[0022]图1是本专利技术方法的流程图。
[0023]图2是本专利技术对直觉数据、反直觉数据和传统异常数据定义的说明图。
[0024]图3是本专利技术用于多个子误差生成的多侧写集成学习的说明图。
[0025]图4是本专利技术测试数据集的比较验证:(a)BPNN、(b)GPR和(c)平均结果。
具体实施方式
[0026]以下结合附图对本专利技术作进一步说明：
[0027]如图1所述，本专利技术包括以下各步骤：
[0028](1)利用传感器，收集多组地铁隧道施工的数据。每组数据包含16个输入即隧道相关参数(x1：隧道覆盖深度、x2:盖夸比)、地质参数(x3：土壤摩擦角、x4：土壤压缩模量、x5：土壤凝聚力)、隧道掘进机相关参数(x6：疏散速度、x7：割刀扭矩、x8：推力、x9：割具转速、x
10
：土仓压力、x
11
：灌浆量)和建筑相关参数(x
12
：相对水平距离、x
13
：相对垂直距离、x
14
：相对纵向距离、x
15
：建筑物基础完整性、x
16
：建筑物完好状态)与1个输出y即建筑物倾斜率。
[0029](2)进行参数设置，按照4:1的比例，将采集得到的多组数据随机划分为训练集D
T
和测试集D
V
。选择两种或两种以上机器学习方法并进行相关参数设置，同时为反直觉数据识别设置边际误差阈值，其中反直觉数据是根据数据输入和输出之间的因果逻辑关系定义的，见图2。本申请通过使用一种新的多侧写多模型集成学习方法进行识别反直觉数据，然后通过在地铁隧道施工安全评估模型构建过程中对其进行降低权重来处理，从而获得更为准确可靠的安全评估模型。
[0030](3)用于多个子误差生成的多侧写集成学习。首先将原始完整训练数据集D
T
分为S
个部分数据集要保证每个部分数据集都是D
T
的子集，且的大小占D
T
的大多数。然后使用上述部分数据集通过(2)中所选取的机器学习方法来构建S个子模型，并产生S个子误差。
[0031](4)根据(2)中的边际误差阈值，以及第p组数据的子误差和第S个子模型的权重，识别初始直觉和反直觉数据。
[0032](5)通过多模型集成学习，进一步验证反直觉数据。通过比较(2)中机器学习方法的结果，进一步确认直觉和反直觉数据。如果其中一种机器学习方法将第p组数据识别为反直觉数据，然后再通过其他机器学习方法进一步证实它是反直觉数据。从这个意义上说，只有当一组数据被(2)中所有的机器学习方法都认为是直觉数据，那么它才被认定为直觉数据。
[0033](6)通过更新权重来处理反直觉数据。反直觉数据应根据数据被(2)中机器学习方法确认的次数来更新权重。具体来说，如果更多的机器学习方法已经确认，则第p组中已确认的反直本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于集成学习的复杂工程施工安全评估方法，针对地铁隧道施工，其特征在于该方法包括以下各步骤：步骤(1)利用传感器，收集多组地铁隧道施工的数据；其中：输入包括以下数据：隧道相关参数、隧道掘进机相关参数、地质参数和建筑相关参数；输出为：建筑物倾斜率；步骤(2)将采集得到的多组数据随机划分为训练集D
T
和测试集D
V
；步骤(3)生成多个子误差：将原始完整训练数据集D
T
分为S个部分数据集保证每个部分数据集都是D
T
的子集，且的大小占D
T
的大多数；使用上述部分数据集选取两种以上机器学习方法来构建S个子模型，并产生S个子误差；步骤(4)根据设定的边际误差阈值，以及第p组数据的子误差和第S个子模型的权重，识别初始直觉数据和反直觉数据；步骤(5)通过多模型集成学习，进一步验证反直觉数据；步骤(6)通过更新权重来处理反直觉数据；所述反直觉数据的权重与该数据被机器学习方法确认的次数有关；步骤(7)根据步骤(6)更新后的权重，使用完整的训练数据集构建最终模型，对测试数据集的预测准确性和数据类型识别进行验证。2.根据权利要求1所述的基于集成学习的复杂工程施工安全评估方法，其特征在于：所述隧道相关参数包括隧道覆盖深度和盖夸比；所述地质参数包括土壤摩擦角、土壤压缩模量和土壤凝聚力；所述隧道掘进机相关参数包括疏散速度、割刀扭矩、推力、割具转速、土仓压力和灌浆量；所述建筑相关参数包括相对水平距离、相对垂直距离、相对纵向距离、建筑物基础完整性和建筑物完好状态。3.根据权利要求1所述的基于集成学习的复杂工程施工安全评估方法，其特征在于：步骤(3)中计算第S个子模型的各自绝对误差作为其子误差。4.根据权利要求3所述的基于集成学习的复杂工程施工安全评估方法，其特征在于：步骤(4)具体是：(4.1)根据第S个子模型的结果计算其子模型的权重，计算子模型的平均绝对百分比误差MAPE
S
，所述平均绝对百分比误差MAPE
S
用于计算子模型的权重w
S
：w
S
＝1

【专利技术属性】
技术研发人员：常雷雷，李翔，侯平智，徐晓滨，陶志刚，王嘉，章振杰，冯静，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：