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。