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】
本申请属于隧道盾构,具体涉及一种基于迁移学习的盾构掘进诱发地层沉降预测方法。
技术介绍
1、在隧道盾构领域,盾构掘进诱发的地层沉降控制对于保障隧道施工的正常开挖和周边建筑物的安全稳定有着至关重要的作用。数据驱动的机器学习方法是研究隧道诱发地层沉降的一种新趋势,机器学习方法可以借助大量前期隧道数据,建立地层沉降与盾构机运行、地质条件和隧道几何形状的高维非线性关系,在后期隧道的施工过程中对地层沉降进行有效预测。然而在大多数新建盾构掘进项目中,利用已有的机器学习模型预测地层沉降往往并不出色,一方面,基于其他数据库训练好的机器学习模型都存在过拟合,无法良好推广至目标地区的问题;另一方面,依据目标地区前期少量的隧道掘进数据重新训练一个新的机器学习模型又会面临欠拟合的风险。
2、因此,实有必要提供一种基于迁移学习的盾构掘进诱发地层沉降预测方法,以解决上述
技术介绍
中提出的问题。
技术实现思路
1、本申请提供一种基于迁移学习的盾构掘进诱发地层沉降预测方法,通过迁移学习的方式,对预训练随机森林模型进行扩展和剪枝,有效解决了现有技术中采用其他数据库训练好的机器学习模型存在过拟合,无法良好推广到目标地区的问题以及采用目标地区前期少量数据重新训练新的机器学习模型存在欠拟合的技术问题,使其能更好的适应目标地区的数据分布,提高模型的泛化能力。
2、为解决上述技术问题,本申请的技术方案在于:
3、一种基于迁移学习的盾构掘进诱发地层沉降预测方法,包括如下步骤:
4、
5、s2:采集目标地区的盾构掘进数据,形成与源地区数据样本特征相同的目标地区数据样本,通过迁移学习的方式以所述目标地区数据样本为基础对所述预训练随机森林模型重新进行迭代训练,在训练过程中对所述预训练随机森林模型进行扩展和剪枝,得到适用于目标地区的新随机森林模型;
6、扩展包括如下过程:
7、从根节点开始,依次检查所述预训练随机森林模型每一个节点的向外分支度,若当前节点的向外分支度等于0,说明当前节点是叶节点,通过cart算法来构建一个新的子树,使用该子树的根节点替换目标位置的叶节点,完成对当前节点的扩展;若当前节点的向外分支度不等于0,说明当前节点不是叶节点,保留当前节点;
8、剪枝包括如下过程:
9、从根节点开始,依次检查所述预训练随机森林模型每一个节点,比较当前节点的叶节点误差和子树误差,使用均方误差作为评价叶节点误差和子树误差的指标,若当前节点的叶节点误差小于子树误差,则删除当前节点的子树,并将当前节点的向外分支度设置为0,使其重新变回为叶节点;若当前节点的叶节点误差不小于子树误差,则保留当前节点的子树;
10、s3:采用新随机森林模型进行目标地区的盾构掘进诱发地层沉降值预测。
11、优选的,在步骤s1之前还包括如下步骤:
12、s0:采集源地区的盾构掘进数据,预处理后形成源地区数据样本,以所述源地区数据样本为基础进行随机森林模型的预训练,训练完成后得到用于预测源地区地层沉降值的预训练随机森林模型。
13、优选的,所述源地区数据样本的特征包括地质参数、盾构机运行参数、隧道几何参数以及对应的地层沉降观测值。
14、优选的,步骤s0中,预处理的过程包括数据清洗、特征工程及归一化。
15、优选的,预训练完成后,采用交叉验证的方法检查是否存在过拟合或欠拟合,若是,则调整模型参数、增加样本量或者进行特征选择重新进行训练。
16、优选的,叶节点对样本的预测值用表示,子树对样本的预测值用表示,y表示样本的实际值,叶节点误差和子树误差的计算过程如下:
17、叶节点误差的计算过程表示为:;
18、子树误差的计算过程表示为:;
19、式中, i表示样本序号; n表示样本总数;表示第 i个样本的实际值;表示叶节点对第 i个样本的预测值;表示子树对第 i个样本的预测值。
20、本申请的有益效果在于:
21、本申请通过迁移学习的方式,对预训练随机森林模型进行扩展和剪枝,有效解决现有技术中采用其他数据库训练好的机器学习模型存在过拟合的问题以及采用前期少量数据重新训练新的机器学习模型存在欠拟合的技术问题,使其能更好的适应目标地区的数据分布,提高模型的泛化能力。
本文档来自技高网...【技术保护点】
1.一种基于迁移学习的盾构掘进诱发地层沉降预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于迁移学习的盾构掘进诱发地层沉降预测方法,其特征在于,在步骤S1之前还包括如下步骤:
3.根据权利要求2所述的基于迁移学习的盾构掘进诱发地层沉降预测方法,其特征在于,所述源地区数据样本的特征包括地质参数、盾构机运行参数、隧道几何参数以及对应的地层沉降观测值。
4.根据权利要求2所述的基于迁移学习的盾构掘进诱发地层沉降预测方法,其特征在于,步骤S0中,预处理的过程包括数据清洗、特征工程及归一化。
5.根据权利要求1所述的基于迁移学习的盾构掘进诱发地层沉降预测方法,其特征在于,预训练完成后,采用交叉验证的方法检查是否存在过拟合或欠拟合,若是,则调整模型参数、增加样本量或者进行特征选择重新进行训练。
6.根据权利要求1所述的基于迁移学习的盾构掘进诱发地层沉降预测方法,其特征在于,叶节点对样本的预测值用表示,子树对样本的预测值用表示,y表示样本的实际值,叶节点误差和子树误差的计算过程如下:
【技术特征摘要】
1.一种基于迁移学习的盾构掘进诱发地层沉降预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于迁移学习的盾构掘进诱发地层沉降预测方法,其特征在于,在步骤s1之前还包括如下步骤:
3.根据权利要求2所述的基于迁移学习的盾构掘进诱发地层沉降预测方法,其特征在于,所述源地区数据样本的特征包括地质参数、盾构机运行参数、隧道几何参数以及对应的地层沉降观测值。
4.根据权利要求2所述的基于迁移学习的盾构掘进诱发地层沉降预测方法,其特征在于...
【专利技术属性】
技术研发人员:张超,戴熠,陈仁朋,李凯,杨子汉,耿自恒,张羽,
申请(专利权)人:湖南大学,
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。