【技术实现步骤摘要】
本专利技术涉及隧道掘进领域，尤其涉及一种基于增量学习的掘进参数预测模型的训练方法及相关设备。
技术介绍
1、在隧道掘进机(盾构)的施工过程中，控制参数的选择和调整直接关系到隧道掘进的性能和施工效率。目前，盾构(隧道掘进机)的控制参数主要依赖于操作员的经验进行调整，然而，这并非一种高度准确的方法。在某些情况下，掘进机驱动器的操作错误可能导致刀盘严重磨损、地表沉降严重、掌子面失稳、掘进机受损等一系列问题，从而影响掘进速度和施工安全。因此，为了确保掘进机施工的安全性和高效性，应当根据当前的地质条件和掘进参数来精确制定掘进控制参数。
2、目前掘进机掘进参数的预测大多通过实验、模拟和机器学习算法等手段实时预测盾构下穿掘进速率。这些方法多数只针对特定数据段建立模型，由此训练得到的模型只能针对特征数据段进行预测，导致模型的泛化能力不强，且模型的预测精度不高。
技术实现思路
1、本专利技术提供了一种基于增量学习的掘进参数预测模型的训练方法及相关设备，可以提高模型的泛化能力，同时提高模型的预测精度。
2、本专利技术第一方面提供了一种基于增量学习的掘进参数预测模型的训练方法，包括：
3、获取目标区域所对应的掘进机环报、施工地质报告和现场调研报告；
4、对所述掘进机环报、所述施工地质报告和所述现场调研报告进行处理，以得到模型输入数据集；
5、对所述模型输入数据集进行标准化处理；
6、基于双向长短时间记忆网络构建初始掘进参数预测模型，
7、将目标输入数据输入所述初始掘进参数预测模型，以得到预测掘进参数，所述目标输入数据为标准化处理后的所述模型输入数据集中的任意一个数据；
8、基于量子粒子群算法、所述预测掘进参数以及标定掘进参数对所述初始掘进参数预测模型的超参数组合进行优化，所述标定掘进参数为所述目标输入数据所对应的下一时刻的盾构掘进参数；
9、基于增量学习机制以及优化后的所述初始掘进参数预测模型的超参数组合进行迭代训练，直至达到预置的迭代终止条件，得到基于增量学习的掘进参数预测模型。
10、一种可能的设计中，所述对所述掘进机环报、所述施工地质报告和所述现场调研报告进行处理，以得到模型输入数据包括：
11、基于皮尔逊相关性系数对所述掘进机环报进行筛选，以得到盾构掘进数据；
12、根据所述施工地质报告和所述现场调研报告确定所述目标区域的围岩等级以及岩石强度；
13、将所述盾构掘进数据、所述围岩等级以及所述岩石强度确定为所述模型输入数据集。
14、一种可能的设计中，所述基于皮尔逊相关性系数对所述掘进机环报中的数据进行筛选，以得到盾构掘进数据包括：
15、通过如下公式对所述掘进机环报中的数据进行筛选，得到所述掘进机环报中每个数据的初始参数值：
16、
17、其中，xi为一组盾构掘进数据的第i个样本，yi为另一组盾构掘进数据的第i个样本，n为样本数量，和分别为两组盾构掘进数据的均值，rxy为所述初始参数值；
18、将所述掘进机环报中所述初始参数值处于预设参数区间的数据确定为所述盾构掘进数据。
19、一种可能的设计中，所述基于量子粒子群算法、所述预测掘进参数以及标定掘进参数对所述初始掘进参数预测模型的超参数组合进行优化包括：
20、通过如下公式对所述初始掘进参数预测模型的超参数组合进行优化：
21、
22、其中，xi(t+1)为第t+1次迭代的输出参数，xi(t)为第t次迭代的输出参数，pi(t)为第t次迭代所对应的所述标定掘进参数，mbest表示所有粒子个体最优位置的平均值，xi(t)为0～1之间的随机数，β为收缩扩张因子。
23、一种可能的设计中，所述方法还包括：
24、判断当前迭代次数是否达到预置数值；
25、若所述当前迭代次数达到所述预置数值，则确定达到所述预置的迭代终止条件；
26、或，
27、判断所述初始掘进参数预测模型的超参数组合是否收敛；
28、若所述初始掘进参数预测模型的超参数组合收敛，则确定达到所述预置的迭代终止条件。
29、一种可能的设计中，所述方法还包括：
30、确定基于增量学习的掘进参数预测模型的评价指标，所述评价指标包括均方对数误差、平均绝对误差、均方根误差以及平均绝对百分比误差中的至少两个；
31、基于所述评价指标对基于增量学习的掘进参数预测模型进行评价，得到评价结果；
32、根据所述评价结果对基于增量学习的掘进参数预测模型进行调整。
33、一种可能的设计中，所述方法还包括：
34、获取当前时刻之前的m环掘进参数，所述m为大于或等于5的整数；
35、将所述m环掘进参数输入基于增量学习的掘进参数预测模型，以得到所述当前时刻的目标预测掘进参数；
36、基于所述量子粒子群算法、所述目标预测掘进参数以及所述当前时刻的实际掘进参数所述超参数组合进行调整。
37、本专利技术第二方面提供了一种基于增量学习的掘进参数预测模型的训练装置，包括：
38、获取模块，用于获取目标区域所对应的掘进机环报、施工地质报告和现场调研报告；
39、第一处理模块，用于对所述掘进机环报、所述施工地质报告和所述现场调研报告进行处理，以得到模型输入数据集；
40、第二处理模块，用于对所述模型输入数据集进行标准化处理；
41、构建模块，用于基于双向长短时间记忆网络构建初始掘进参数预测模型，所述初始掘进参数预测模型包括输入层、第一隐藏层、输出层以及n层第二隐藏层，所述n层第二隐藏层的激活函数为非饱和激活函数；
42、输入模块，用于将目标输入数据输入所述初始掘进参数预测模型，以得到预测掘进参数，所述目标输入数据为标准化处理后的所述模型输入数据集中的任意一个数据；
43、优化模块，用于基于量子粒子群算法、所述预测掘进参数以及标定掘进参数对所述初始掘进参数预测模型的超参数组合进行优化，所述标定掘进参数为所述目标输入数据所对应的下一时刻的盾构掘进参数；
44、训练模块，用于基于增量学习机制以及优化后的所述初始掘进参数预测模型的超参数组合进行迭代训练，直至达到预置的迭代终止条件，得到基于增量学习的掘进参数预测模型。
45、本专利技术实施例第三方面提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如上述第一方面所述的基于增量学习的掘进参数预测模型的训练方法的步骤。
46、本专利技术实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如上本文档来自技高网...
【技术保护点】
1.一种基于增量学习的掘进参数预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述掘进机环报、所述施工地质报告和所述现场调研报告进行处理，以得到模型输入数据包括：
3.根据权利要求2所述的方法，所述基于皮尔逊相关性系数对所述掘进机环报中的数据进行筛选，以得到盾构掘进数据包括：
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述基于量子粒子群算法、所述预测掘进参数以及标定掘进参数对所述初始掘进参数预测模型的超参数组合进行优化包括：
5.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
8.一种基于增量学习的掘进参数预测模型的训练装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被
...【技术特征摘要】
1.一种基于增量学习的掘进参数预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述掘进机环报、所述施工地质报告和所述现场调研报告进行处理，以得到模型输入数据包括：
3.根据权利要求2所述的方法，所述基于皮尔逊相关性系数对所述掘进机环报中的数据进行筛选，以得到盾构掘进数据包括：
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述基于量子粒子群算法、所述预测掘进参数以及标定掘进参数对所述初始掘进参数预测模型的超参数组合进行优化包括：
5.根据权利要...
【专利技术属性】
技术研发人员：黄兴，文天，刘滨，刘泉声，桑昊旻，盛光祖，杨泰华，邓鹏海，余宏淦，
申请(专利权)人：中国科学院武汉岩土力学研究所，
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。