基于自动深度学习框架的盾构掘进姿态预测方法技术

本发明专利技术公开了基于自动深度学习框架的盾构掘进姿态预测方法，收集原始数据集，预处理、特征提取，搭建自动深度学习框架；进行神经网络训练，使用粒子群优化算法优化模型超参数；输出验证后的深度学习模型，得到不同数据规范化方法、深度学习算法和模型超参数组合下的若干深度学习模型，对若干深度学习模型进行评估，得到表现最优的深度学习模型，进行盾构掘进姿态预测。本发明专利技术用以解决现有技术中深度学习技术在盾构掘进姿态预测中所面临的执行难度高、成本高、效率低等问题，实现降低对开发人员专业技能的苛刻要求，以及降低深度学习进入盾构智能控制领域的门槛，使得深度学习技术能够低成本、高效、高精度地用于盾构姿态预测任务中。务中。务中。

【技术实现步骤摘要】
基于自动深度学习框架的盾构掘进姿态预测方法


[0001]本专利技术涉及盾构施工领域，具体涉及基于自动深度学习框架的盾构掘进姿态预测方法。

技术介绍

[0002]随着轨道交通的快速发展，盾构施工技术因其对土体扰动小、效率高、安全等优点，日益成为城市地下隧道的主要施工方法。在盾构掘进过程中，盾构姿态的预测和控制是确保隧道施工质量的关键技术之一。盾构掘进姿态偏差会造成其运动路径偏离所设计的隧道轴线，进而影响隧道成环质量，造成管片裂纹、渗漏等安全隐患。因此，有必要在掘进过程中对盾构姿态偏差进行提前预估。
[0003]目前常用的盾构姿态纠偏方法是基于操作人员的主观判断，该方法存在两个明显缺点，难以满足工程安全性和可靠性要求。一是滞后现象，只有姿态偏差发生后才能进行纠偏操作；二是准确性，控制决策是根据人员知识和经验生成的，决策因人而异，缺乏科学依据。
[0004]伴随着传感网络技术及人工智能技术的快速发展，数据挖掘驱动的盾构智能控制正获得越来越多的关注。但现有方法在数据处理、特征工程、算法选择、超参数调优方面仍然需要大量的时间和人力，尚缺乏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自动深度学习框架的盾构掘进姿态预测方法，其特征在于，包括：收集盾构掘进原始数据集，对所述原始数据集做预处理；对预处理后的数据集做特征提取，将特征提取后的数据集划分为第一训练集、第一验证集和第一测试集；搭建自动深度学习框架，使所述深度学习框架包含至少两种数据规范化方法、至少两种深度学习算法、以及粒子群优化算法；并基于特征提取结果确定输入变量、输出变量；将第一训练集的输入变量、输出变量代入至所述自动深度学习框架中进行神经网络训练，训练过程中使用粒子群优化算法优化模型超参数；输出经第一验证集验证后的深度学习模型，得到不同数据规范化方法、深度学习算法和模型超参数组合下的若干深度学习模型，使用第一测试集对所述若干深度学习模型进行评估，得到表现最优的深度学习模型；以所述表现最优的深度学习模型进行盾构掘进姿态预测。2.根据权利要求1所述的基于自动深度学习框架的盾构掘进姿态预测方法，其特征在于，对所述原始数据集做预处理的方法包括：剔除原始数据集中的数据缺失值；对异常值和噪声数据做无效处理。3.根据权利要求2所述的基于自动深度学习框架的盾构掘进姿态预测方法，其特征在于，所述剔除原始数据集中的数据缺失值的方法包括：通过如下公式计算第一决策值F，若F＝0，则剔除：F＝f(x1)f(x2)f(x3)
…
f(x
n
)，式中：x1,x2,x3,
…
,x
n
为某数据中的n个盾构掘进参数特征；f(x
i
)为用于检查盾构掘进参数特征x
i
是否是0值或缺失值的检查函数；i＝1,2,3,
…
n；所述对异常值和噪声数据做无效处理的方法包括：通过如下公式计算第二决策值F
k
，若F
k
＝0，则判定为无效：F
k
＝f(x
k1
)f(x
k2
)f(x
k3
)
…
f(x
kn
)；)；式中：为所有第i个盾构掘进参数特征的平均值；S为所有第i个盾构掘进参数特征的标准差；x
ki
为盾构掘进参数特征x
i
的标准分；f(x
ki
)为用于判定盾构掘进参数特征x
i
是否无效的判定函数；m为设定的上限值。4.根据权利要求1所述的基于自动深度学习框架的盾构掘进姿态预测方法，其特征在于，对预处理后的数据集做特征提取的方法包括：选择表征盾构掘进状态的基础特征；随机删除部分基础特征后代入至深度学习模型进行训练，迭代若干次后，筛除对模型
精度提升程度小于设定阈值的基础特征。5.根据权利要求1所述的基于自动深度学习框架的盾构掘进姿态预测方法，其特征在于，所述自动深度学习框架中：数据规范化方法包括归一化、标准化和最大绝对值标准化；深度学...

【专利技术属性】
技术研发人员：潘越，秦剑君，孙林，翁晨刚，罗鑫，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：