一种基于混合深度学习的TBM操作参数多目标优化方法技术

本发明专利技术公开了一种基于混合深度学习的TBM操作参数多目标优化方法，包括：获取TBM掘进过程实时记录的机械参数信息，并对数据进行预处理以构建数据库，将数据转换成图数据并划分数据集；基于混合深度学习，以机械参数信息为输入，以当前掘进速度和破岩比能为输出，构建一个考虑时空特征信息的多目标预测模型；基于所建立的考虑时空特征信息的多目标预测模型，给出以提高掘进速度、降低破岩比能为目标的TBM的刀盘转速和总推进力的建议值。本发明专利技术可以根据不同的施工条件对TBM操作参数进行智能优化，对于复杂地质下TBM长距离施工具有重要意义。

【技术实现步骤摘要】

本专利技术属于tbm操作参数优化，具体涉及一种基于混合深度学习的tbm操作参数多目标优化方法。

技术介绍

1、隧道掘进机(tbm，tunnel boring machine)是一种重型隧道施工设备，具有施工效率高、成洞质量好、施工扰动小、安全可靠等优点，特别是在深埋长距离隧道施工时具有显著优势。值得注意的是，tbm的有效掘进取决于操作参数和地质条件的匹配度。若匹配度较低，则会导致tbm掘进效率过低，甚至造成卡机、刀具异常磨损、施工成本增加等问题。现场工作人员主要依据施工经验调整操作参数，这具有一定的主观性且缺乏量化的评估。因此，建立一种科学的tbm操作参数调整方法，对提高tbm掘进效率、降低能耗成本、避免施工事故具有重要意义。

技术实现思路

1、本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于混合深度学习的tbm操作参数多目标优化方法，仅需输入机械参数，以部分响应参数来间接表征岩体性质,使用智能算法进行多目标优化，能更加客观快速有效的进行寻优，将多个指标作为优化目标，相比于单一目标更具全本文档来自技高网...

【技术保护点】

1.一种基于混合深度学习的TBM操作参数多目标优化方法，其特征在于，包括：

2.按照权利要求1所述的一种基于混合深度学习的TBM操作参数多目标优化方法，其特征在于：所述的机械参数信息包括刀盘转速、刀盘扭矩、总推进力、主推油缸压力和辅推油缸压力。

3.按照权利要求1所述的一种基于混合深度学习的TBM操作参数多目标优化方法，其特征在于：使用孤立森林算法进行数据库异常值的快速准确处理。

4.按照权利要求1所述的一种基于混合深度学习的TBM操作参数多目标优化方法，其特征在于：所述考虑时空特征信息的多目标预测模型包括GCN图卷积神经网络层，将表格数据转换成图数据...

【技术特征摘要】

1.一种基于混合深度学习的tbm操作参数多目标优化方法，其特征在于，包括：

2.按照权利要求1所述的一种基于混合深度学习的tbm操作参数多目标优化方法，其特征在于：所述的机械参数信息包括刀盘转速、刀盘扭矩、总推进力、主推油缸压力和辅推油缸压力。

3.按照权利要求1所述的一种基于混合深度学习的tbm操作参数多目标优化方法，其特征在于：使用孤立森林算法进行数据库异常值的快速准确处理。

4.按照权利要求1所述的一种基于混合深度学习的tbm操作参数多目标优化方法，其特征在于：所述考虑时空特征信息的多目标预测模型包括gcn图卷积神经网络层，将表格数据转换成图数据，实现对空间信息的提取。

5.按照权利要求1所述的一种基于混合深度学习的tbm操作参数多目标优化方法，其特征在于：所述考虑时空特征信息的多目标预测模型包括lstm长短时记忆网络层，提取时间序列信息，实现对掘进速度和破岩比能的同时预测。

6.按照权利要求1所述的一种基于混合深度学习的tbm操作参数多目标优化方法，其特征在于：在掘进过程中，可以动态地将新记录的数据加入到训练数据集中，从而更新考虑时空特征信息的多目标预测模型中参数，...

【专利技术属性】
技术研发人员：李东锋，佘磊，冯兴予，胡成成，李炎隆，赵阳，宋卿，郑继光，王刚，张引兵，韩永生，陈桂萍，何海鹏，
申请(专利权)人：中国水利水电第三工程局有限公司，
类型：发明
国别省市：