一种基于加权随机森林的TBM施工速度预测方法技术

本发明专利技术提供了一种基于加权随机森林的TBM施工速度预测方法，包括：构建考虑多源信息不确定性的TBM施工速度预测数据集；基于地质条件、掘进条件以及管理操作不确定性进行模型输入参数的筛选工作；利用加权随机森林方法向不同输入参数分配对应权重，并基于惩罚节点的错分来构建WRF算法框架；利用十折交叉验证与预测数据集对模型超参数进行优化，训练基于所述WRF算法框架的TBM施工速度预测模型；基于训练后的模型进行未知掘进段的TBM施工速度预测并对异常区段进行预警。保障TBM快速、安全施工。安全施工。安全施工。

【技术实现步骤摘要】
一种基于加权随机森林的TBM施工速度预测方法


[0001]本专利技术属于TBM掘进性能预测的
，具体涉及一种基于加权随机森林的TBM施工速度预测方法。

技术介绍

[0002]随着经济的高速发展，近年来TBM在众多长大隧洞掘进工作中被广泛推广开来。TBM掘进隧道主要包括在掌子面处连续开挖掘进，岩渣运输与处理，围岩支护和衬砌施作等步骤，其高效率的智能化机械施工使得掘进速度达到传统钻爆法的3～10倍，隧道开挖形成流水型施工，大大降低人工劳动强度。TBM掘进性能的合理预测与评价决定着TBM施工的成败与效益，对TBM的掘进风险进行有效评估关乎基础建设的工期与成本控制。因此，基于现场实测的岩体参数，机械参数以及掘进参数等信息，建立精确有效的TBM施工速度预测与评价模型，成为TBM施工领域研究的重点与难点。
[0003]然而，受限于施工设备、施工时间、实验经费以及施工人员的操作失误等原因，地质条件和掘进参数的获取存在一定的不确定性，而大多数TBM施工速度的点预测模型无法识别出输入参数自身的不确定性。若施工过程中TBM的掘进参数未能跟随地质情况进行实时调整，常会导致施工效率低下、刀具磨损问题严重，甚至造成卡机事故等。鉴于施工过程的风险性、地质参数的不确定性和人为因素的不可控性，针对TBM施工速度展开合理预测存在一定的挑战。
[0004]因此，本专利技术采用不同权重赋值的方法优化超参数，建立加权随机森林模型来改进不同影响因素的协同关系，该模型训练速度较快，不容易出现过拟合且无需复杂的调参处理步骤，具有高精度、泛化性能强等优点，可为TBM施工工期估算和施工风险预警等提供科学参考。

技术实现思路

[0005]针对现有技术存在的缺陷，本专利技术提供了一种基于加权随机森林的TBM施工速度预测方法，该方法提出分簇表征围岩地质条件、TBM机械性能、施工管理因素的有效指标，并根据具体工程特点及预测指标筛选出具有强特征重要性的模型输入参数。通过赋值各输入参数以不同权重，提出基于加权随机森林的TBM施工速度预测模型，在模型训练时赋予合理的权值进行学习，各项指标能够相互自适应的调整，预测结果对于保障TBM快速、安全施工具有重要的指导意义。
[0006]本专利技术提供一种基于加权随机森林的TBM施工速度预测方法，包括：
[0007]步骤一：构建考虑多源信息不确定性的TBM施工速度预测数据集；
[0008]步骤二：基于地质条件、掘进条件以及管理操作不确定性进行模型输入参数的筛选工作；
[0009]步骤三：利用加权随机森林方法向不同输入参数分配对应权重，并基于惩罚节点的错分来构建WRF算法框架；
[0010]步骤四：利用十折交叉验证与预测数据集对模型超参数进行优化，训练基于所述WRF算法框架的TBM施工速度预测模型；
[0011]步骤五：基于训练后的模型进行未知掘进段的TBM施工速度预测并对异常区段进行预警。
[0012]优选的，TBM施工速度预测数据集包含：不同地质区段的TBM施工速度与地质条件、设备参数以及管理操作参数。
[0013]优选的，模型输入参数的筛选工作，包括：
[0014]步骤2.1：通过对不同地质区段的输入参数进行数理统计分析，基于3σ法则清除最低与最高阈值两端的无效数据；
[0015]步骤2.2：对历史TBM施工速度预测的模型进行统计，结合高频使用参数与现场参数获取的易得性进行综合筛选；
[0016]步骤2.3：根据综合筛选结果，确定模型输入参数。
[0017]优选的，利用加权随机森林方法向不同输入参数分配对应权重，并基于惩罚节点的错分来构建WRF算法框架，包括：
[0018]步骤3.1：基于所述预测数据集形成训练集D＝{X,Y}和测试集，其中X是由具有M个属性的N个样本组成，Y为唯一的目标向量；
[0019]步骤二：采用Bootstrap重抽样方法对输入训练集D进行k次有放回重复抽样，得到k个伪样本；
[0020]步骤三：构建CART树进行训练，随机取m个属性作为当前节点的子集，根据加权不纯度G(u
i
,v
i
)来寻找最优的节点分离值；
[0021]步骤四：每棵树在分裂生长时不进行剪枝，m值在整个训练过程中保持不变，待其满足终止条件后停止生长；
[0022]步骤五：将k棵回归树组合生成随机森林，将所述测试集输入到训练的随机森林中，对单棵回归树的预测值取平均作为模型的输出，进而得到WRF算法框架。
[0023]优选的，利用十折交叉验证与预测数据集对模型超参数进行优化，训练基于所述WRF算法框架的TBM施工速度预测模型，包括：
[0024]将预测数据集划分为互斥的10个子集；
[0025]按顺序选取其中一个子集作为模型验证集，剩余9个子集合作为训练集，基于训练集进行模型的学习并在验证集上进行测试，进而实现对模型的10次交叉验证；
[0026]通过比较10组的各个评价指标的平均值选取最优模型参数；
[0027]基于最优的模型超参数以及WRF算法框架训练TBM施工速度预测模型。
[0028]优选的，基于训练后的模型进行未知掘进段的TBM施工速度预测并对异常区段进行预警，包括：
[0029]将未知掘进区段的岩土体参数、TBM机械运行参数与人为管理参数输入训练后的模型，得到对应的TBM施工速度预测值；
[0030]基于所述预测值与标准值的比较，来确定是否存在异常，若存在，进行预警警示。
[0031]优选的，对历史TBM施工速度预测模型进行统计，结合高频使用参数与现场参数获取的易得性进行综合筛选，包括：
[0032]基于统计结果，将所有历史TBM施工速度预测模型按照时间
‑
使用曲线，得到对应
每个历史TBM施工速度预测模型在不同施工场景的使用概率分布；
[0033]获取每个历史TBM施工速度预测模型的历史自身参数集合，并对所述历史自身参数集合中的优势参数以及劣势参数进行第一划分，同时，获取历史TBM施工速度预测模型的历史优化因子集合，并按照优化影响程度，对所述历史优化因子集合的进行第二划分；
[0034]根据第一划分结果中第一划分单元的优势个数以及优势偏向属性、第二划分单元的劣势个数以及劣势偏向属性与第二划分结果中优势因子的等级划分向量，从校验数据库中匹配得到对应的校验模式；
[0035]基于所述校验模式，向所述第一划分结果中的第一划分单元设置特殊校验元素，对所述第一划分单元的优势参数进行执行时间校验，同时，向所述第二划分结果中的第二划分单元上设置补充校验元素，对所述第二划分单元的劣势参数进行替换时间校验；
[0036]根据执行时间校验结果以及替换时间校验结果，筛选得到待参考参数；
[0037]对所有待参考参数进行同参数分析，构建同参数出现列表，并对高出现频次的第一参数进行第一标定；
[0038]根据使用概率分布，预估同个历史TBM施工速度预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于加权随机森林的TBM施工速度预测方法，其特征在于，包括：步骤一：构建考虑多源信息不确定性的TBM施工速度预测数据集；步骤二：基于地质条件、掘进条件以及管理操作不确定性进行模型输入参数的筛选工作；步骤三：利用加权随机森林方法向不同输入参数分配对应权重，并基于惩罚节点的错分来构建WRF算法框架；步骤四：利用十折交叉验证与预测数据集对模型超参数进行优化，训练基于所述WRF算法框架的TBM施工速度预测模型；步骤五：基于训练后的模型进行未知掘进段的TBM施工速度预测并对异常区段进行预警。2.根据权利要求1所述的一种基于加权随机森林的TBM施工速度预测方法，其特征在于，TBM施工速度预测数据集包含：不同地质区段的TBM施工速度与地质条件、设备参数以及管理操作参数。3.根据权利要求1所述的一种基于加权随机森林的TBM施工速度预测方法，其特征在于，模型输入参数的筛选工作，包括：步骤2.1：通过对不同地质区段的输入参数进行数理统计分析，基于3σ法则清除最低与最高阈值两端的无效数据；步骤2.2：对历史TBM施工速度预测的模型进行统计，结合高频使用参数与现场参数获取的易得性进行综合筛选；步骤2.3：根据综合筛选结果，确定模型输入参数。4.根据权利要求1所述的一种基于加权随机森林的TBM施工速度预测方法，其特征在于，利用加权随机森林方法向不同输入参数分配对应权重，并基于惩罚节点的错分来构建WRF算法框架，包括：步骤3.1：基于所述预测数据集形成训练集D＝{X,Y}和测试集，其中X是由具有M个属性的N个样本组成，Y为唯一的目标向量；步骤二：采用Bootstrap重抽样方法对输入训练集D进行k次有放回重复抽样，得到k个伪样本；步骤三：构建CART树进行训练，随机取m个属性作为当前节点的子集，根据加权不纯度G(u
i
,v
i
)来寻找最优的节点分离值；步骤四：每棵树在分裂生长时不进行剪枝，m值在整个训练过程中保持不变，待其满足终止条件后停止生长；步骤五：将k棵回归树组合生成随机森林，将所述测试集输入到训练的随机森林中，对单棵回归树的预测值取平均作为模型的输出，进而得到WRF算法框架。5.根据权利要求1所述的一种基于加权随机森林的TBM施工速度预测方法，其特征在于，利用十折交叉验证与预测数据集对模型超参数进行优化，训练基于所述WRF算法框架的TBM施工速度预测模型，包括：将预测数据集划分为互斥的10个子集；按顺序选取其中一个子集作为模型验证集，剩余9个子集合作为训练集，基于训练集进行模型的学习并在验证集上进行测试，进而实现对模型的10次交叉验证；
通过比较10组的各个评价指标的平均值选取最优模型参数；基于最优的模型超参数以及WRF算法框架训练TBM施工速度预测模型。6.根据权利要求1所述的一种基于加权随机森林的TBM施工速度预测方法，其特征在于，基于训练后的模型进行未知掘进段的TBM施工速度预测并对异常区段进行预警，包括：将未知掘进区段的岩土体参数、TBM机械运行参数与人为管理参数输入训练后的模型，得到对应的TBM施工速度预测值；基于所述预测值与标准值的比较，来确定是否存在异常，若存在，进行预警警示。7.根据权利要求3所述的一种基于加权随机森林的TBM施工速度预测方法，其特征在于，对历史TBM施工速度预测模型进行统计，结合高频使用参数与现场参数获取的易得性进行综合筛选，包括：基于统计结果，将所有历史TBM施工速度预测模型按照时间
‑
使用曲线，得到对应每个历史TBM施工速度预测模型在不同施工场景的使用概率分布；获取每个历史TBM施工速度预测模型的历史自身参数集合，并对所述历史自身参数集合中的优势参数以及劣势参数进行第一划分，同时，获取历史TBM施工速度预测模型的历史优化因子集合，并按照优化影响程度，对所述历史优化因子集合的进行第二划分；根据第一划分结果中第一划分单元的优势个数以及优势偏向属性、第二划分单元的劣势个数以及劣势偏向属性与第二划分结果中优势因子的等级划分向量，从校验数据库中匹配得到对应的校验模式；基于所述校验模式，向所述第一划分结果中的第一划分单元设置特殊校验元素，对所述第一划分单元的优势参数进行执行时间校验，同时，...

【专利技术属性】
技术研发人员：杨风威，闫长斌，汪鹤健，杨继华，齐三红，苗栋，
申请(专利权)人：黄河勘测规划设计研究院有限公司，
类型：发明
国别省市：