【技术实现步骤摘要】
本专利技术属于盾构施工中的智能算法预测及优化领域，具体涉及一种结合ngboost算法和nsga-ⅲ的混合机器学习以优化盾构管片设计的方法。
技术介绍
1、盾构隧道的优化设计，主要是对管片参数的优化设计；管片的设计及质量关系到隧道的整体安全与质量，盾构管片优化设计是盾构隧道结构设计中的关键环节；对于隧道来说，影响新建隧道管片设计及优化的因素很多。在隧道结构研究中，传统的方法是根据理论公式、数值仿真或者试验的数据分析结构变形和受力规律并进行设计。但为了更好的实现设计目标，考虑多因素综合影响，使得所有参数组合进行模拟或者试验耗时缩短、精度提高，则采用机器学习算法可以有效克服相关技术中的缺陷。机器学习算法便也成为业界亟待解决的技术难题之一。
2、机器学习算法(ml)具有强大的数据处理与分析能力，能够快速寻找最优解，适合求解多种因素作用下的复杂非线性问题，被广泛应用于预测、优化及分析等相关的工程研究中。工程领域应用较多的机器学习算法主要是rf、bp、gbdt(包括xgboost、ngboost)等几种。gbdt是现有的最先进的梯度增强决策树算法之一，可以解决非线性、数据噪声和依赖关系等复杂问题的预测分析。gbdt是一种采用加法模型(即基函数的线性组合)与前向分步算法并以决策树作为基函数的提升方法，即该算法由多棵决策树组成，所有树的结论加起来形成最终答案。
3、然而，gbdt易产生梯度偏差和预测偏移问题，在输出目标与施工参数、管片参数、地质参数之间存在着复杂的非线性关系，其目标函数无法直接用具体的数学函数式进行表达。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供一种基于ngboost-nsga-ⅲ的盾构隧道绿色智能设计方法及设备，选取九个影响因素指标，通过搜集数据优化参数以建立ngboost模型，并引入nsga-ⅲ算法对影响盾构隧道设计的拱顶沉降、道床沉降、道床水平位移、截面收敛、单位长度造价五个相关参数进行多目标优化控制，最终获得所需的最优解，从而实现盾构管片参数的优化。
2、为了实现上述目的，按照本专利技术的第一方面，提供一种基于ngboost-nsga-ⅲ的盾构隧道绿色智能设计方法，包括以下步骤：
3、s100，构建盾构施工扰动下的管片优化影响因素指标体系，影响因素指标包括：管片参数：管片厚度x1、管片幅宽x2、等效抗弯刚度x3；盾构施工参数；总推力x4；地质参数土仓压力x5、刀盘扭矩x6、推进速度x7、注浆压力x8、地层弹性模量x9；
4、s200，基于所述影响因素指标体系，选取所述的9个影响因素指标作为输入变量并对参数加以优化，以拱顶沉降、道床沉降、道床水平位移、截面收敛、单位长度造价作为输出变量，由此建立ngboost预测模型并评价；
5、s300，引入nsga-ⅲ函数对所述ngboost模型生成目标函数，对决策变量设置约束条件，并进行多目标优化以获得盾构施工参数pareto解集；
6、s400，基于所述pareto解集，采用模糊决策法对每个解定义隶属度函数并计算其综合支配值，经过比较选择出最优决策方案；
7、s500，验证所述ngboost-nsga-ⅲ优化模型的有效性，获得最优方案。
8、具体而言，在步骤s200的具体过程包括：
9、进一步地，s201，数据处理及样本划分：获得典型样本数据，并进行归一化处理；
10、获得典型样本数据，随机抽取80％的样本数据作为训练集，剩余20％的样本数据用于测试集模型；对样本数据进行[-1,1]之间的归一化处理，以消除不同样本特征尺寸不同对预测精度和效率的影响；其中，归一化处理的计算公式具体如下：
11、
12、其中，xnor表示归一化之后的标准值，和分别默认是1和0，表示归一化后的最大值和最小值，x代表样本值，xmax和xmin分别是样本值的最大值和最小值；
13、进一步地，s202，模型参数优化：对模型的超参数进行优选，选择最优参数组合；
14、采用网格搜索方法对模型的四个超参数learning_rate、minibatch_frac、col_sample、n_estimators进行优化选择，并结合5折交叉验证法进行模型精度验证，从而确定精度最高的参数组合为ngboost预测模型的最佳参数；其中，learning_rate表示学习率，minibatch_frac表示超参数优化梯度下降过程，col_sample表示抽样率，n_estimators表示决策树的数量；
15、进一步地，s203，预测模型建立及评价：基于所述参数优化结果，建立ngboost预测模型，并引入指标加以评价；
16、将ngboost模型中既有的拱顶沉降、道床沉降、道床水平位移、截面收敛、单位长度造价预测模型的样本训练集用来进行训练，然后将测试集用来检验ngboost模型中既有的拱顶沉降、道床沉降、道床水平位移、截面收敛、单位长度造价预测模型的泛化性能和预测精度；
17、引入决定系数(r2)、均方误差(mse)、均方根误差(rmse)三个常用指标来评估预测模型的性能表现；评估指标的计算公式如下：
18、
19、
20、
21、其中，n为样本数据集中的数据总数；和分别表示模型预测值和实际观测值。
22、具体而言，在步骤s300的具体过程包括：
23、进一步地，s301，引入nsga-ⅲ回归函数作为ngboost模型的目标函数，基于ngboost模型生成目标函数；拱顶沉降的目标函数为ming1、道床沉降的目标函数为ming2、道床水平位移的目标函数为ming3、截面收敛的目标函数为ming4、单位长度造价的目标函数为ming5
24、ming1(ngboost(x))
25、ming2(ngboost(x))
26、ming3(ngboost(x)) (5)
27、ming4(ngboost(x))
28、ming5(ngboost(x))
29、其中，x＝(χ1,χ2,χ3,χ4,χ5,χ6,χ7,χ8,χ9)；χ1表示管片厚度、χ2表示管片幅宽、χ3表示等效抗弯刚度、χ4表本文档来自技高网...
【技术保护点】
1.一种基于NGBoost-NSGA-Ⅲ的盾构隧道绿色智能设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于NGBoost-NSGA-Ⅲ的盾构隧道绿色智能设计方法，其特征在于，在步骤S200包括：
3.根据权利要求2所述的一种基于NGBoost-NSGA-Ⅲ的盾构隧道绿色智能设计方法，其特征在于，在步骤S200包括：
4.根据权利要求3所述的一种基于NGBoost-NSGA-Ⅲ的盾构隧道绿色智能设计方法，其特征在于，在步骤S200包括：
5.根据权利要求1-4中任一项所述的一种基于NGBoost-NSGA-Ⅲ的盾构隧道绿色智能设计方法，其特征在于，在步骤S300包括：
6.根据权利要求5所述的一种基于NGBoost-NSGA-Ⅲ的盾构隧道绿色智能设计方法，其特征在于，在步骤S300包括：
7.根据权利要求1-4中任一项所述的一种基于NGBoost-NSGA-Ⅲ的盾构隧道绿色智能设计方法，其特征在于，在步骤S400中，
8.一种基于NGBoost-NSGA-Ⅲ的盾构隧道绿色智能设
9.一种电子设备，其特征在于，包括：
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种基于ngboost-nsga-ⅲ的盾构隧道绿色智能设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于ngboost-nsga-ⅲ的盾构隧道绿色智能设计方法，其特征在于，在步骤s200包括：
3.根据权利要求2所述的一种基于ngboost-nsga-ⅲ的盾构隧道绿色智能设计方法，其特征在于，在步骤s200包括：
4.根据权利要求3所述的一种基于ngboost-nsga-ⅲ的盾构隧道绿色智能设计方法，其特征在于，在步骤s200包括：
5.根据权利要求1-4中任一项所述的一种基于ngboost-nsga-ⅲ的盾构隧道绿色智能设计方法，其特征在...
【专利技术属性】
技术研发人员：吴贤国，陈虹宇，张海波，林福龙，胡耀峰，朱海军，钟启凯，刘文，刘文黎，覃亚伟，李培振，周鸣亮，刘俊，冯宗宝，
申请(专利权)人：华中科技大学，
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。