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】
本专利技术涉及隧道掘进领域,尤其涉及一种复合地层双模盾构掘进速度智能预测模型训练方法及设备。
技术介绍
1、双模盾构是一种应对地铁或市政隧道复合地层的盾构施工技术,可以在软硬交替、上软下硬等复合地层中高效、稳定地掘进,其中以epb(土压平衡)/tbm(硬岩掘进)双模盾构最为常见。相比传统的单一模式盾构,复合地层双模盾构能够更好地适应不同地质条件,提高施工效率和安全性。在复杂地层中使用双模盾构掘进过程中,需要综合考虑地质参数和掘进模式等因素,对掘进参数进行合理调控。
2、优化盾构掘进参数是确保盾构稳定有效掘进的关键所在。不合理的掘进参数设置会导致许多工程问题,例如地层超挖、盾构轴线偏离、掌子面失稳、刀盘刀具过度磨损破坏等,严重时甚至会导致盾构事故发生。因此,在盾构施工过程中,需要高度重视掘进参数的设置和调整,并严格遵守相关的施工规范和标准,以确保盾构施工的安全和高效。在进行复合地层盾构施工时,盾构机掘进速度会受到多个因素的干扰,其中包括地质条件、盾构施工参数以及环境因素等。这些因素与盾构机的掘进速度相关的因素存在着复杂的数学关系,需要进行进一步的深入研究和分析。为确保施工顺利进行,需要对这些因素进行精确的控制和调节。
3、掘进速度预测模型大多基于经验、理论或两者相结合,通过公式推导、模拟实验探索掘进速度与其他特征参数的运行规律。例如利用统计学方式对盾构掘进参数和地层建立关系并进行周密分析;或者通过对多条隧道的监测数据进行研究发现,掘进速率与岩体质量分类密切相关,两者可以用二次多项回归方程进行拟合;或者基于现
技术实现思路
1、本专利技术实施例提供了一种复合地层双模盾构掘进速度智能预测模型训练方法及设备,可以提高模型对掘进速度的预测精度和效率。
2、本专利技术第一方面提供了一种复合地层双模盾构掘进速度智能预测模型训练方法,包括:
3、获取对目标区域所进行盾构掘进的过程中每种盾构掘进模式所对应的多环盾构运行数据,所述盾构运行数据包括复合地层特征参数以及盾构机掘进参数;
4、对所述多环盾构运行数据中每环盾构运行数据进行预处理,以得到模型训练数据集;
5、对目标训练数据进行初次分解,以得到所述每种盾构掘进模式所对应的子序列集合和目标残差项,所述目标训练数据为所述模型训练数据集中的任意一个训练数据;
6、对所述目标残差项进行再次分解,以得到所述每种盾构掘进模式所对应的残差序列集合;
7、基于门控循环单元gru的神经网络构建初始掘进速度预测模型,所述初始掘进速度预测模型的超参数为隐藏层单元个数、学习率以及gru层数;
8、将所述子序列集合中每个子序列以及所述残差序列集合中每个残差分别输入所述初始掘进速度预测模型,以得到预设时间步长后的预测掘进速度;
9、根据所述预设时间步长后的预测掘进速度、贝叶斯优化算法以及模型正则化算法对所述初始掘进速度预测模型的超参数进行优化;
10、基于优化后的所述初始掘进速度预测模型的超参数进行迭代训练,直至达到预置的迭代终止条件,得到所述每种盾构掘进模式对应的掘进速度预测模型。
11、一种可能的设计中,所述对目标训练数据进行初次分解,以得到所述每种盾构掘进模式所对应的子序列集合和目标残差项包括:
12、通过如下公式对所述目标训练数据进行分解,以得到k个模态分量以及所述目标残差项:
13、
14、
15、其中,{uk}为第k个模态分量,{wk}为所述k个模态分量中每个模态分量的频率中心,δt为狄拉克函数,t为时间,j为虚数单位,*为做卷积运算,s.t为约束条件;
16、基于惩罚参数和拉格朗日乘子,通过如下公式对所述k个模态分量进行处理,以得到k个窄带模态分量以及所述目标残差项;
17、
18、其中,l({uk},{wk},λ)为第k个窄带模态分量,α为所述惩罚参数,λ为所述拉格朗日乘子,<>为做内积运算,||||为做范数运算;
19、根据交替乘子算法及傅里叶等距变换计算l({uk},{wk},λ)公式的鞍点直到小于给定精度ε,得到所述子序列集合。
20、一种可能的设计中,所述对所述目标残差项进行再次分解,以得到所述每种盾构掘进模式所对应的残差序列集合包括:
21、基于样本熵通过如下公式对所述目标残差项进行再次分解:
22、
23、rk=rk-1-ck;
24、其中,ck为再次分解得到的第k模态分量,rk为算法残差,n为添加高斯白噪声的次数,pk-1所述子序列集合中第k-1个子序列所对应增加的噪声与原始信噪比,w(i)为添加的高斯白噪声;ek-1为使用经验模态分解对所述目标残差项分解后得到的第k-1个值,所述样本熵通过如下公式进行表示:
25、
26、其中,am(r)为两个不同起始点开始的m个连续数据分别组成的两个序列匹配m+1个点的概率,bm(r)为两个序列在相似容限r下匹配m个点的概率,n为时间序列数据中的样本个数;
27、当所述目标残差项为单调函数不能继续分解时,输出所述残差序列集合。
28、一种可能的设计中,所述对所述多环盾构运行数据中每环盾构运行数据进行预处理,以得到模型训练数据集包括:
29、截取所述每环盾构运行数据所对应的稳态段数据;
30、对所述每环盾构运行数据所对应的稳态段数据进行数据标准化处理,以得到所述模型训练数据集。
31、一种可能的设计中,所述对所述每环盾构运行数据所对应的稳态段数据进行数据标准化处理,以得到所述模型训练数据集包括:
32、通过如下公式对所述每环盾构运行数据所对应的稳态段数据进行数据标准化处理:
33、
34、其中,x*为数据标准化后的所述每环盾构运行数据,x为所述每环盾构掘进运行数据,xmax和xmin分别为x所对应的列数据中的最大值和最小值。
35、一种可能的设计中,所述获取对目标区域进行盾构掘进的过程中每种盾构掘进模式所对应的多环盾构运行数据包括:
36、确定所述目标区域所对应的复合地层围岩等级以及复合地层软硬复合比;
37、获取对所述目标区域进行盾构掘进的过程中每种盾构掘进模式下掘进机的总推力、推进压力、刀盘扭矩及刀盘转速;
38、将所述复合地层围岩等级以及所述复合地层软硬复合比确定为所述复合地层特征参数;
39、将所述总推力、所述推进压力、所述刀盘扭矩及所述刀盘转速确定为所述盾构机掘进参数。
40、一种可能的设计中,所述确定本文档来自技高网...
【技术保护点】
1.一种复合地层双模盾构掘进速度智能预测模型训练方法,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,所述对目标训练数据进行初次分解,以得到所述每种盾构掘进模式所对应的子序列集合和目标残差项包括:
3.根据权利要求1所述的方法,其特征在于,所述对所述目标残差项进行再次分解,以得到所述每种盾构掘进模式所对应的残差序列集合包括:
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述对所述多环盾构运行数据中每环盾构运行数据进行预处理,以得到模型训练数据集包括:
5.根据权利要求4所述的方法,其特征在于,所述对所述每环盾构运行数据所对应的稳态段数据进行数据标准化处理,以得到所述模型训练数据集包括:
6.根据权利要求1至3、5中任一项所述的方法,其特征在于,所述获取对目标区域进行盾构掘进的过程中每种盾构掘进模式所对应的多环盾构运行数据包括:
7.根据权利要求6所述的方法,其特征在于,所述确定所述目标区域所对应的复合地层软硬复合比包括:
8.一种复合地层双模盾构掘进速度智能预测模型训练装置
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,其特征在于:所述计算机管理类程序被处理器执行时实现如权利要求1至7中任意一项所述的复合地层双模盾构掘进速度智能预测模型训练方法。
...【技术特征摘要】
1.一种复合地层双模盾构掘进速度智能预测模型训练方法,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,所述对目标训练数据进行初次分解,以得到所述每种盾构掘进模式所对应的子序列集合和目标残差项包括:
3.根据权利要求1所述的方法,其特征在于,所述对所述目标残差项进行再次分解,以得到所述每种盾构掘进模式所对应的残差序列集合包括:
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述对所述多环盾构运行数据中每环盾构运行数据进行预处理,以得到模型训练数据集包括:
5.根据权利要求4所述的方法,其特征在于,所述对所述每环盾构运行数据所对应的稳态段数据进行数据标准化处理...
【专利技术属性】
技术研发人员:黄兴,刘滨,文天,石红兵,周原,殷源,朱明双,张芷璇,刘安宇,
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。