一种基于知识蒸馏的隧道挖进机性能预测方法技术

本发明专利技术涉及一种基于知识蒸馏的隧道挖进机性能预测方法。包括以下步骤：S1：获得一个数据库，计算数据库数据不同特征的皮尔森系数，剔除掉数据中相关性较高的特征；S2将处理后的数据库划分为训练集和测试集；S3搭建LSTM网络模型，该网络模型作为知识蒸馏的学生网络；S4搭建Bi

【技术实现步骤摘要】
一种基于知识蒸馏的隧道挖进机性能预测方法


[0001]本专利技术涉及工程施工
，更具体地说，涉及一种基于知识蒸馏的隧道挖进机性能预测方法。

技术介绍

[0002]隧道掘进机(Tunnel Boring Machine，TBM)因具有众多优势，例如挖掘速度快、安全性强、能够减弱对周围土体岩石的破坏从而降低成本，现已逐渐取代传统的钻爆法，成为用于地下空间隧道建设的主流方式。然而，TBM在复杂工程地质条件下适用性较差，导致TBM开挖时出现诸多问题，甚至引发严重地质工程事故，造成巨大的经济损失。
[0003]在TBM施工过程中遇到岩性变化或不良工程地质时，如果不能及时调整机器掘进参数，使得TBM与相关地质条件相互匹配，往往会造成掘进效率低下，甚至引发地质灾害。TBM性能预测可以帮助施工人员根据不同的地质环境调整机器参数。渗透率(Penetration rate，PR)是衡量TBM性能最重要的指标之一。准确预测TBM渗透率的研究具有较强的实用价值。然而，TBM的性能受各种地质条件的影响很大，且实际数据获取较难，因此，当前TBM数据库的数据量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识蒸馏的隧道挖进机性能预测方法，其特征在于，包括以下步骤：步骤S1、获得一个数据库，计算数据库数据中不同特征的皮尔森系数，剔除掉数据中相关性较高的特征；步骤S2、将处理后的数据库划分为训练集和测试集；步骤S3、搭建LSTM网络模型，该网络作为知识蒸馏的学生网络；步骤S4、搭建Bi
‑
LSTM网络及注意力机制网络模型，该网络作为知识蒸馏的教师网络；步骤S5、构建用于训练教师网络和学生网络的联合损失函数；步骤S6、利用Z
‑
score算法对训练集数据进行归一化，并利用归一化数据对网络模型进行训练，Z
‑
score算法归一化公式如下：其中，X
st
是由Z
‑
Score归一化处理得到的数据,x
mean
和x
σ
分别为总体数据的均值和标准差，x是归一化之前的原始数据；步骤S7、对测试集数据进行归一化并输入LSTM学生网络进行预测，经过反归一化处理得到最终预测结果。2.根据权利要求1所述的一种基于知识蒸馏的隧道挖进机性能预测方法，其特征在于，所述步骤S1具体包括以下步骤：步骤S11、计算数据库中不同特征间的皮尔森系数，公式如下：公式如下：公式如下：式中corr(X,Y)为2个不同特征X,Y的皮尔森相关系数，σ
X
σ
Y
为特征X,Y的标准差，x
i
,y
i
分别为特征X,Y的第i个数值，分别为特征X,Y数据的平均值。步骤S12、设定阈值τ，当两个特征的皮尔森相关系数高于阈值τ时，从数据库中剔除其中一个特征。3.根据权利要求1所述的一种基于知识蒸馏的隧道挖进机性能预测方法，其特征在于，所述步骤S3中LSTM网络计算公式如下：f
t
＝sigmoid(W
f
·
[h
t
‑1,x
t
]+b
f
)i
t
＝sigmoid(W
i
·
[h
t
‑1,x
t
]+b
i
)c
t
＝i
t
ranh(W
c
·
[h
t
‑1,x
t
]+b
c
)+f
t
c
t
‑1s
t
＝sigmoid(W
o
·
[h
t
‑1,x
t
]+b
o
)h
t
＝o
t
tanh(c
t
)式中字母sigmoid和tanh分别代表sigmoid激活函数和tanh激活函数，W
f
和b
f
分别为遗
忘门的权重系数矩阵和偏置向量，h
t
‑1为前一时刻上一个单元输出，x
t
为当前单元的输入，W
i
和W
c
分别为输入门中经过激活函数处理的权重系数矩阵，b
i
和b
c
为输入门中的偏置向量，W
o
为输出门的权重系数矩...

【专利技术属性】
技术研发人员：徐志军，宗飞龙，安瑞军，彭舒停，程勇，陶华伟，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：