水下曲线顶管的推力预测方法技术

本发明专利技术公开了一种水下曲线顶管的推力预测方法，包括步骤：1：在施工过程中采集数据；2：数据预处理并划分为多个时间切片，作为推力预测模型的输入；3：在所有时间切片中随机抽取训练集和测试集；4：在

【技术实现步骤摘要】
水下曲线顶管的推力预测方法


[0001]本专利技术涉及一种顶管的顶进施工方法，尤其涉及一种水下曲线顶管的推力预测方法
。

技术介绍

[0002]推力控制是减少水下曲线顶管工程风险事故发生的关键因素之一，合理的推力设置能够保障施工过程的安全性
。
现有技术的水下曲线顶管的推力设置主要依靠缩尺试验
、
全尺试验和数值模拟等方式确定推力的大小
。
受限于经济
、
人力和物力等因素，上述方式均无法有效的对推力的真实大小做出预测，且所得到的结果在真实工程中无法做到实时预测
。
[0003]目前，已经有将深度学习方法用于解决常规的盾构或顶管工程预测的问题，但对于水下曲线顶管推力预测方面的研究则几近空白，同时，对于曲线顶管的时间相关性和空间相关性的探索也较少
。
因此，需要提供一种水下曲线顶管的推力预测方法，能够解决现有技术中没有采用深度学习方法实时预测水下曲线顶管推力及研究曲线顶管的时间相关性和空间相关性的问题
。

技术实现思路

[0004]本专利技术的目的在于提供一种水下曲线顶管的推力预测方法，能够解决现有技术中没有采用深度学习方法实时预测水下曲线顶管推力及研究曲线顶管的时间相关性和空间相关性的问题
。
[0005]本专利技术是这样实现的：
[0006]一种水下曲线顶管的推力预测方法，包括以下步骤：
[0007]步骤1：在施工过程中采集数据，该数据包括洋流参数
、
地质参数和操作参数；
[0008]步骤2：对数据进行预处理，并将数据划分为多个时间切片，作为推力预测模型的输入；
[0009]步骤3：在所有时间切片中随机抽取一部分数据作为推力预测模型的训练集，剩余部分数据作为推力预测模型的测试集；
[0010]步骤4：在
GRU
预测器的基础上集成
GCN
和
SA
，建立
GCN
‑
GRU
‑
SA
推力预测模型；
[0011]步骤5：通过训练集训练
GCN
‑
GRU
‑
SA
推力预测模型，并通过测试集优化
GCN
‑
GRU
‑
SA
推力预测模型，得到最佳的推力预测模型；推力预测模型的输入为时间切片，输出为推力；
[0012]步骤6：通过评价指标对推力预测模型的性能进行评估；
[0013]步骤7：通过
SHAP
确定对推力影响大的关键参数；
[0014]步骤8：通过
DirectLiNGAM
可视化揭示输入特征之间空间相关性，通过
SA
的权重信息可视化揭示输入特征之间的时间相关性
。
[0015]所述的洋流参数包括水深和波浪周期；地质参数包括所属地层
、
弹性模量
、
内摩擦角
、
凝聚力和埋深；操作参数包括角速度
、
角度
、
水压传感器
、
土压传感器和扭矩
。
[0016]所述的预处理包括数据清洗
、
数据融合和数据归一化
。
[0017]所述的所有时间切片中随机抽取
80
％的数据作为训练集，剩余
20
％的数据作为测试集
。
[0018]所述的推力预测模型是一个包含特征提取器
GCN
以及预测器
GRU
和
Self
‑
attention
的编码器，
GCN
‑
GRU
‑
SA
推力预测模型中包含了由两层
GCN
组成的特征提取模块，由两层
GRU
组成的预测器模块
、SA
模块和3层全连接层
。
[0019]在所述的步骤5中，时间切片通过
GCN
的图卷积模块时被作为含有
n
个节点的图结构数据进行处理，数据的特征
x
n
可被视为图结构的第
n
个节点；两层
GCN
网络将对输出相关的特征信息和结构信息进行提取；通过
GRU
从时间角度处理
GCN
提取的特征信息，通过
SA
增强
GCN
‑
GRU
‑
SA
推力预测模型的长时间特征提取能力；最后通过由全连接层组成的解码器输出相应时间步长的节点预测结果
。
[0020]所述的评价指标包括
RMSE、MAE
和
R2。
[0021]所述的关键参数包括：角度
、
埋深
、
所属地层
、
水压和土压
。
[0022]本专利技术与现有技术相比，具有以下有益效果：
[0023]1、
本专利技术建立的推力预测模型能够很好胜任水下曲线顶管的推力预测任务，在
10
个时间步长上的平均
MAE
为
8.20kN
，
RMSE
为
10.22kN
，
R2为
0.967
，相比现有技术的其他模型，推力预测模型具有稳定的长时间预测精度和较高的平均预测精度，模型的
R2最高提高了
0.195。
[0024]2、
本专利技术通过
SHAPinvestigate
揭示了对推力预测影响较大的五个特征，即角度
、
埋深
、
所属地层
、
水压
、
土压，通过对时间的步长进行分析，确定了近距离的历史时间对输出结果的影响更大
。
[0025]3、
本专利技术通过因果分析明确了输入特征之间的空间相关性，以及地层变化是引起后续变化的主要原因；同时对
SA
模型的权重进行可视化，确定了时间切片在时间维度的时间相关性，有效的利用历史数据对未来推力进行预测，更好的切合工程需要，且根据不同的工程能够实现实时的动态预测
。
附图说明
[0026]图1是本专利技术水下曲线顶管的推力预测方法的推力预测模型的激活函数直线；
[0027]图2是本专利技术水下曲线顶管的推力预测方法的推力预测模型的
MSE
值曲线图；
[0028]图3是本专利技术水下曲线顶管的推力预测方法的推力预测模型的预测值与真实值之间的对比图；
[0029]图4是本专利技术水下曲线顶管的推力预测方法的推力预测模型的预测值与真实值之间的误差图；
...

【技术保护点】

【技术特征摘要】
1.
一种水下曲线顶管的推力预测方法，其特征是：包括以下步骤：步骤1：在施工过程中采集数据，该数据包括洋流参数
、
地质参数和操作参数；步骤2：对数据进行预处理，并将数据划分为多个时间切片，作为推力预测模型的输入；步骤3：在所有时间切片中随机抽取一部分数据作为推力预测模型的训练集，剩余部分数据作为推力预测模型的测试集；步骤4：在
GRU
预测器的基础上集成
GCN
和
SA
，建立
GCN
‑
GRU
‑
SA
推力预测模型；步骤5：通过训练集训练
GCN
‑
GRU
‑
SA
推力预测模型，并通过测试集优化
GCN
‑
GRU
‑
SA
推力预测模型，得到最佳的推力预测模型；推力预测模型的输入为时间切片，输出为推力；步骤6：通过评价指标对推力预测模型的性能进行评估；步骤7：通过
SHAP
确定对推力影响大的关键参数；步骤8：通过
DirectLiNGAM
可视化揭示输入特征之间空间相关性，通过
SA
的权重信息可视化揭示输入特征之间的时间相关性
。2.
根据权利要求1所述的水下曲线顶管的推力预测方法，其特征是：所述的洋流参数包括水深和波浪周期；地质参数包括所属地层
、
弹性模量
、
内摩擦角
、
凝聚力和埋深；操作参数包括角速度
、
角度
、
水压传感器
、
土压传感器和扭矩
。3.
根据权利要求1所述的水下曲线顶管的推力预测方法，其特征是：所述的预处理包括数据清洗
、
数据融合和数据归一化
。4.
根据权利要求1所述的水下曲线顶管的推力预测方法，其特征是：所...

【专利技术属性】
技术研发人员：李培楠，戴泽余，刘俊，寇晓勇，陈培新，范杰，何国军，翟一欣，
申请(专利权)人：上海隧道工程有限公司，
类型：发明
国别省市：