System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能,特别涉及基于神经网络的盾构沉降形变模型构建方法。
技术介绍
1、目前,地铁盾构项目是一个庞大、复杂的系统,影响沉降的各个风险因素之间存在相互作和相互依赖性,而且这种相互性不仅存在因素集之间,还存在于因素集内部各因素之间。此外,地铁盾构施工环境位于地表以下,不确定的风险因素多,每个风险因素在不同地铁项目、乃至不同施工阶段对沉降的影响程度都不同。而现有的技术无法对多个影响因素和因素集的关系进行准确判断,导致对地铁盾构施工沉降风险无法进行准确的预测评价。
2、因此,本专利技术提出基于神经网络的盾构沉降形变模型构建方法。
技术实现思路
1、本专利技术提供基于神经网络的盾构沉降形变模型构建方法,通过通过从地铁盾构施工数据中提取影响地铁盾构施工的沉降影响因素,对沉降影响因素按照沉降影响类型进行划分,并分析各个沉降影响因素之间以及各个分析因素集之间在不同施工阶段的相互关系以及依赖关系,根据相互关系以及依赖关系,向每个沉降影响因素配置影响权重,同时,将每个施工阶段下的影响网络结构转换为影响向量、每个施工阶段下的不同历史形变数据构成的形变向量以及影响向量与形变向量的对照结果,依次输入到神经网络模型中进行训练,能够准确的对隧道变形进行准确的预测,解决了
技术介绍
中现有的技术无法对多个影响因素和因素集的关系进行准确判断,导致对地铁盾构施工沉降风险无法进行准确的预测评价的问题。
2、本专利技术提出基于神经网络的盾构沉降形变模型构建方法,该方法包括:
4、步骤2:对沉降影响因素按照沉降影响类型进行划分,分析各个分析因素集之间在不同施工阶段的第二相互关系以及第二依赖关系;
5、步骤3:根据第一相互关系以及第一依赖关系、第二相互关系以及第二依赖关系,向每个沉降影响因素配置影响权重,并构建得到基于地铁盾构在相应施工阶段的影响网络结构;
6、步骤4:将每个施工阶段下的影响网络结构转换为影响向量、每个施工阶段下的不同历史形变数据构成的形变向量以及影响向量与形变向量的对照结果,依次输入到神经网络模型中进行训练,构建得到隧道变形预测模型,进而对隧道变形进行合理预测。
7、优选的,从地铁盾构施工数据中提取影响地铁盾构施工的沉降影响因素,包括:
8、从地铁盾构施工数据获取施工工程指标数据和地铁盾构的操作状态数据;
9、对施工工程指标数据和地铁盾构的操作状态数据进行数据清洗;
10、将数据清洗后的施工工程指标数据和地铁盾构的操作状态数据进行关联整合,获取整合数据;
11、基于工程力学方程从整合数据中提取影响地铁盾构施工的沉降影响因素。
12、优选的,分析各个沉降影响因素之间在不同施工阶段的第一相互关系以及第一依赖关系,包括:
13、将各个沉降影响因素之间的相互关系表示为变量之间的关系图,其中每个节点表示一个沉降影响因素,每个边表示两个沉降影响因素之间的相互关系;
14、使用相关分析方法,确定任一沉降影响因素与其他沉降影响因素之间的相关系数和交互系数;
15、根据所述相关系数和交互系数确定各个沉降影响因素之间在不同施工阶段的第一相互关系和第一依赖关系;
16、基于所述第一相互关系和第一依赖关系确定各个沉降影响因素之间对地铁盾构施工的影响程度。
17、优选的,对沉降影响因素按照沉降影响类型进行划分,分析各个影响因素集之间在不同施工阶段的第二相互关系以及第二依赖关系,包括:
18、确定每个沉降影响因素对于施工的影响本质参数,根据影响本质参数对沉降影响因素按照沉降影响类型进行分类,获取多个影响因素集;
19、提取多个影响因素集每个集的集特征;
20、基于所述每个集的集特征确定不同影响因素集在不同施工阶段的作用;
21、基于所述不同影响因素集在不同施工阶段的作用确定各个影响因素集之间在不同施工阶段的第二相互关系以及第二依赖关系。
22、优选的,根据第一相互关系以及第一依赖关系、第二相互关系以及第二依赖关系,向每个沉降影响因素配置影响权重,并构建得到基于地铁盾构在相应施工阶段的影响网络结构,包括:
23、获取每个沉降影响因素在地铁盾构施工过程中的重要性、难易程度以及产生的影响程度;
24、根据第一相互关系和第一依赖关系、第二相互关系和第二依赖关系,将每个沉降影响因素与其相关的影响因素和依赖关系表示为节点,并获取节点之间的影响权重;
25、根据所述每个沉降影响因素在地铁盾构施工过程中的重要性、难易程度、产生的影响程度以及节点之间的影响权重向每个沉降影响因素配置影响权重;
26、基于所述每个沉降影响因素的影响权重构建得到基于地铁盾构在相应施工阶段的影响网络结构。
27、优选的,将每个施工阶段下的影响网络结构转换为影响向量,包括:
28、根据每个施工阶段下的影响网络结构确定该施工阶段下的影响节点和影响边;
29、根据每个施工阶段下的影响节点和影响边的延伸距离确定每个影响节点的影响权值;
30、将每个影响节点的影响权值按照预设转化关系转换为影响向量。
31、优选的,将每个施工阶段下的影响网络结构转换为影响向量、每个施工阶段下的不同历史形变数据构成的形变向量以及影响向量与形变向量的对照结果,依次输入到神经网络模型中进行训练,构建得到隧道变形预测模型,进而对隧道变形进行合理预测,包括:
32、确定影响向量与形变向量之间的对照结果确定二者之间的对照变化影响因子;
33、将影响向量与形变向量之间的对照变化影响因子和影响向量与形变向量之间的对照结果依次输入到神经网络模型中进行训练,构建得到隧道变形预测模型;
34、获取地铁盾构的执行方案的实时影响向量,将实时影响向量输入到隧道变形预测模型中,获取模型输出结果;
35、根据模型输出结果确定隧道的预测变形程度。
36、优选的,获取地铁盾构的执行方案的实时影响向量之前,还包括:
37、确定地铁盾构对应隧道内部的地质结构信息,并对地质结构信息进行分析;
38、对分析结果进行解析以生成地质预报表;
39、根据所述地质预报表确定隧道内部的不良地质体的结构和密度信息;
40、根据所述不良地质体的结构和密度信息构建不良地质体的虚拟模型,生成地铁盾构发出最大震动频率的震动波信号并将其输入到所述虚拟模型中;
41、根据虚拟模型的输出结果确定不良地质体对于震动波信号的反射波数据集和透射波数据集;
42、对所述反射波数据集和透射波数据集进行整合分析,根据分析结果确定在施工震动影响下施工地表面地下层的断层属性,根据所述断本文档来自技高网...
【技术保护点】
1.基于神经网络的盾构沉降形变模型构建方法,其特征在于,该方法包括:
2.根据权利要求1所述的基于神经网络的盾构沉降形变模型构建方法,其特征在于,从地铁盾构施工数据中提取影响地铁盾构施工的沉降影响因素,包括:
3.根据权利要求1所述的基于神经网络的盾构沉降形变模型构建方法,其特征在于,分析各个沉降影响因素之间在不同施工阶段的第一相互关系以及第一依赖关系,包括:
4.根据权利要求1所述的基于神经网络的盾构沉降形变模型构建方法,其特征在于,对沉降影响因素按照沉降影响类型进行划分,分析各个影响因素集之间在不同施工阶段的第二相互关系以及第二依赖关系,包括:
5.根据权利要求1所述的基于神经网络的盾构沉降形变模型构建方法,其特征在于,根据第一相互关系以及第一依赖关系、第二相互关系以及第二依赖关系,向每个沉降影响因素配置影响权重,并构建得到基于地铁盾构在相应施工阶段的影响网络结构,包括:
6.根据权利要求1所述的基于神经网络的盾构沉降形变模型构建方法,其特征在于,将每个施工阶段下的影响网络结构转换为影响向量,包括:
7.
8.根据权利要求7所述的基于神经网络的盾构沉降形变模型构建方法,其特征在于,获取地铁盾构的执行方案的实时影响向量之前,还包括:
...【技术特征摘要】
1.基于神经网络的盾构沉降形变模型构建方法,其特征在于,该方法包括:
2.根据权利要求1所述的基于神经网络的盾构沉降形变模型构建方法,其特征在于,从地铁盾构施工数据中提取影响地铁盾构施工的沉降影响因素,包括:
3.根据权利要求1所述的基于神经网络的盾构沉降形变模型构建方法,其特征在于,分析各个沉降影响因素之间在不同施工阶段的第一相互关系以及第一依赖关系,包括:
4.根据权利要求1所述的基于神经网络的盾构沉降形变模型构建方法,其特征在于,对沉降影响因素按照沉降影响类型进行划分,分析各个影响因素集之间在不同施工阶段的第二相互关系以及第二依赖关系,包括:
5.根据权利要求1所述的基于神经网络的盾构沉降形变模型构建方法,其特征在于,根据第一相互关系以及第一依赖关系、...
【专利技术属性】
技术研发人员:孔锤钢,王利军,潘毅,曾照发,丁锐,温少鹏,夏正茂,程文锋,王天梁,王鑫,刘陆东,嵇舒瀚,李红福,
申请(专利权)人:中电建铁路建设投资集团有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。