【技术实现步骤摘要】
本专利技术属于智能建造，具体是指一种基于深度学习的盾构隧道参数预测方法及系统。
技术介绍
1、盾构隧道参数预测利用深度学习技术对盾构隧道施工过程中产生的关键参数进行建模与预测，从而提前预估施工过程中潜在的安全问题，减少事故发生概率，保障施工过程中的安全。
2、但在已有的盾构隧道参数预测方法中，存在盾构隧道施工过程中各种参数变化较为复杂，既需要考虑复杂的时间变化带来的参数变化，也需要考虑其他复杂潜在特征的影响的技术问题；存在盾构隧道参数预测模型的参数复杂且层级较多，进行最优模型参数组合的计算难度也因此提升，而传统的参数优化算法不可避免的存在冗余特征较多且计算效率较低的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于深度学习的盾构隧道参数预测方法及系统，针对在已有的盾构隧道参数预测方法中，存在盾构隧道施工过程中各种参数变化较为复杂，既需要考虑复杂的时间变化带来的参数变化，也需要考虑其他复杂潜在特征的影响的技术问题，本方案创造性地采用结合自注意力的卷积双向长短期模型，进行预测模型构建，提升了复杂模式的理解和特征捕捉能力，提升了在盾构隧道参数预测过程中对隧道参数变化的适应性，从而提升了整体任务的准确性；针对在已有的盾构隧道参数预测方法中，存在盾构隧道参数预测模型的参数复杂且层级较多，进行最优模型参数组合的计算难度也因此提升，而传统的参数优化算法不可避免的存在冗余特征较多且计算效率较低的技术问题，本方案创造性地采用改进的花朵授粉算法进行模
2、本专利技术采取的技术方案如下：本专利技术提供的一种基于深度学习的盾构隧道参数预测方法，该方法包括以下步骤：
3、步骤s1：盾构隧道参数预测建模；
4、步骤s2：数据预处理层构建；
5、步骤s3：参数预测层构建；
6、步骤s4：模型优化层构建；
7、步骤s5：盾构隧道参数预测。
8、进一步地，在步骤s1中，所述盾构隧道参数预测建模，用于设计并构建盾构隧道参数预测的基本架构，具体为构建面向盾构隧道参数的预测模型，所述预测模型具体包括数据预处理层、参数预测层和模型优化层。
9、进一步地，在步骤s2中，所述数据预处理层构建，用于收集盾构隧道相关参数并进行数据预处理，包括以下步骤：
10、步骤s21：数据收集，具体为从盾构隧道施工过程收集盾构作业参数、隧道地质参数和隧道空间参数，得到盾构隧道参数；
11、步骤s22：数据预处理，具体为通过数据清洗、噪声过滤和归一化，对盾构隧道参数进行预处理，得到盾构隧道增强数据。
12、进一步地，在步骤s3中，所述参数预测层构建，用于构建预测模型的预测层，具体为采用结合自注意力的卷积双向长短期模型，进行参数预测层构建，得到盾构隧道参数预测模型；
13、所述结合自注意力的卷积双向长短期模型，包括输入层、卷积网络层、深度自注意力块、双向长短期网络层和全连接输出层；
14、所述卷积网络层，用于提取非线性局部特征并进行特征降维；
15、所述深度自注意力块，用于提取关键特征并抑制冗余特征；
16、所述双向长短期网络层，用于挖掘时间依赖关系；
17、所述参数预测层构建，包括以下步骤：
18、步骤s31：构建输入层，具体为通过输入层接收盾构隧道增强数据作为模型输入；
19、步骤s32：构建卷积网络层，具体为在卷积网络层中设置一维卷积层和池化层，通过一维卷积层提取模型输入的非线性局部特征，再通过池化层对非线性局部特征进行特征降维，得到卷积池化特征；
20、步骤s33：构建深度自注意力块，具体为通过使用深度可分离卷积层代替自注意力块中的所有全连接层，进行自注意力块改进，得到深度自注意力块，通过深度自注意力块计算得到关键特征，包括以下步骤：
21、步骤s331：特征映射，具体为通过三个独立的深度可分离卷积层对卷积池化特征进行映射，得到查询向量、键向量和值向量，计算公式为：
22、；
23、式中，q是查询向量，dscq(·)是深度可分离卷积查询向量计算函数，y是卷积池化特征，k是键向量，dsck(·)是深度可分离卷积键向量计算函数，v是值向量，dscv(·)是深度可分离卷积值向量计算函数；
24、步骤s332：计算每个注意力头的自注意力结果，计算公式为：
25、；
26、式中，i是自注意头索引，selfi（y）是第i个自注意头的注意力结果，δ(·)是softmax函数，t是转置操作，dimi是第i个自注意头的隐藏维度；
27、步骤s333：应用多头自注意力机制将每个注意力头的自注意力结果进行拼接，并进行深度可分离卷积操作，得到多头自注意力，计算公式为：
28、；
29、式中，mself（y）是多头自注意力，msconv(·)是深度可分离卷积操作，用于多头自注意力信息聚合，concat[·]是拼接操作，α是调节参数，用于控制对高频信息和低频信息关注度的比例，hn是自注意头数量；
30、步骤s334：通过深度自注意力块对卷积池化特征进行特征聚合，得到关键特征；
31、步骤s34：构建双向长短期网络层，具体为构建包含前向长短期网络子层和后向长短期网络子层的双向长短期网络层，通过双向长短期网络层对关键特征进行计算，得到双向时序特征；
32、步骤s35：构建全连接输出层，通过全连接输出层对双向时序特征进行计算，生成预测结果并输出；
33、步骤s36：参数预测模型训练，具体为通过所述构建输入层、所述构建卷积网络层、所述构建深度自注意力块、所述构建双向长短期网络层和所述构建全连接输出层，进行模型训练，得到盾构隧道参数预测模型。
34、进一步地，在步骤s4中，所述模型优化层构建，用于优化模型参数和性能，具体为采用改进的花朵授粉算法进行模型优化层构建，得到最优盾构隧道参数预测模型，包括以下步骤：
35、步骤s41：输入参数初始化，具体为构建输入参数组合，计算公式为：
36、；
37、式中，ifo是输入参数组合，f是目标函数，u是搜索空间水平约束，v是搜索空间垂直约束，es是精英替换机制规模参数；
38、步骤s42：初始化种群，具体为初始化花朵种群位置，所述花朵种群位置，用于表示模型优化层输出的盾构隧道参数预测模型的参数组合，并计算所有初始化花朵种群位置的适应度值，得到最佳初始适应度，并依照适应度值对所有初始化花朵种群位置进行升序排序；
39、步骤s43：子群划分，具体为采用动态调整方法，进行适应度更新，并通过适应度更新得到更新最佳适应度，依据更新最佳适应度进行子本文档来自技高网...
【技术保护点】
1.一种基于深度学习的盾构隧道参数预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的盾构隧道参数预测方法，其特征在于：在步骤S3中，所述参数预测层构建，用于构建预测模型的预测层，包括以下步骤：
3.根据权利要求2所述的一种基于深度学习的盾构隧道参数预测方法，其特征在于：在步骤S33中，所述构建深度自注意力块，包括以下步骤：
4.根据权利要求3所述的一种基于深度学习的盾构隧道参数预测方法，其特征在于：在步骤S4中，所述模型优化层构建，用于优化模型参数和性能，具体为采用改进的花朵授粉算法进行模型优化层构建，得到最优盾构隧道参数预测模型，包括以下步骤：
5.根据权利要求4所述的一种基于深度学习的盾构隧道参数预测方法，其特征在于：在步骤S5中，所述盾构隧道参数预测，具体为通过构建所述数据预处理层、参数预测层和模型优化层，进行盾构隧道参数预测，并通过使用最优盾构隧道参数预测模型，得到盾构隧道地表沉降预测数据，结合工程标准划分盾构隧道地表沉降风险等级。
6.根据权利要求5所述的一种基于深度学习的盾
7.根据权利要求6所述的一种基于深度学习的盾构隧道参数预测方法，其特征在于：在步骤S2中，所述数据预处理层构建，用于收集盾构隧道相关参数并进行数据预处理，包括以下步骤：
8.一种基于深度学习的盾构隧道参数预测系统，用于实现如权利要求1-7中任一项所述的一种基于深度学习的盾构隧道参数预测方法，其特征在于：包括盾构隧道参数预测建模模块、数据预处理层构建模块、参数预测层构建模块、模型优化层构建模块和盾构隧道参数预测模块。
9.根据权利要求8所述的一种基于深度学习的盾构隧道参数预测系统，其特征在于：所述盾构隧道参数预测建模模块，用于盾构隧道参数预测建模，通过盾构隧道参数预测建模，得到盾构隧道参数预测的基础架构，并依据盾构隧道参数预测的基础架构进行数据预处理层、参数预测层和模型优化层的构建；
...【技术特征摘要】
1.一种基于深度学习的盾构隧道参数预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的盾构隧道参数预测方法，其特征在于：在步骤s3中，所述参数预测层构建，用于构建预测模型的预测层，包括以下步骤：
3.根据权利要求2所述的一种基于深度学习的盾构隧道参数预测方法，其特征在于：在步骤s33中，所述构建深度自注意力块，包括以下步骤：
4.根据权利要求3所述的一种基于深度学习的盾构隧道参数预测方法，其特征在于：在步骤s4中，所述模型优化层构建，用于优化模型参数和性能，具体为采用改进的花朵授粉算法进行模型优化层构建，得到最优盾构隧道参数预测模型，包括以下步骤：
5.根据权利要求4所述的一种基于深度学习的盾构隧道参数预测方法，其特征在于：在步骤s5中，所述盾构隧道参数预测，具体为通过构建所述数据预处理层、参数预测层和模型优化层，进行盾构隧道参数预测，并通过使用最优盾构隧道参数预测模型，得到盾构隧道地表沉降预测数据，结合工程标准划分盾构隧道地表沉降风险等级。
6.根据权利要求...
【专利技术属性】
技术研发人员：耿占东，刘海乐，郭峰，李海溪，吴亮亮，陈艳强，马卫晓，王腾，肖玉超，王礼峰，何成昌，耿政，许晓杰，牛顺义，张哲强，
申请(专利权)人：北京金河水务建设集团有限公司，
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。