一种融合多元神经网络结构的盾构机掘进参数预测方法

1.本发明涉及计算机人工智能神经网络技术在土木工程领域的应用，具体涉及一种融合多元神经网络结构的盾构机掘进参数预测方法。


背景技术：

2.在隧道施工过程中，如何调整盾构掘进机的设备掘进参数，保障掘进工作安全且高效地进行，是隧道施工的一项重要任务。参数调整得当，就能有效避免设备的能耗和刀盘的磨损，提高隧道掘进的效率。盾构机掘进参数预测旨在隧道盾构掘进过程中，通过对实时采集到的地质条件数据和设备掘进参数序列进行分析，对下一时刻的目标掘进参数值进行预测，该预测结果也将随着施工人员对掘进参数的调整发生实时的变化，辅助施工人员将设备参数调整到一个适当的值，在一定程度上有效减少或避免设备的能耗以及刀盘的磨损。
3.已有的对掘进参数进行预测的方法有基于专家经验和理论知识的方法、基于3d软件的计算方法、基于传统机器学习的方法以及基于盾构机掘进参数的神经网络预测方法。
4.1)基于专家经验和理论知识的方法，如基于有限元和离散元的数值分析方法，常利用简单而又相互作用的几个指标对目标进行分析，所用的指标有限、得到的解为近似解且不能对时序的参数列进行分析，缺乏对实际工况的考量，不太适合地质复杂多变的情况。
5.2)基于3d软件的计算方法是通过从历史数据中提取重要的指标信息，利用3d建模软件构建相应的计算模型，该模型考虑的指标也有限，不能对时序的参数列进行分析，无法适应地质复杂多变的情况。
6.3)基于传统机器学习的预测方法，如基于随机森林、决策树等的掘进参数预测模型，其模型的输入为对上升段掘进参数取均值、求方差、计算斜率等得到的结果值，该类模型预测误差小。但是这类模型迭代更新代价大，且不能处理较大规模的数据。
7.4)基于盾构机掘进参数的神经网络预测方法，现有的方法如循环神经网络模型方法、长短期记忆神经网络模型方法、多层感知器模型方法等，相较于传统的机器学习模型，神经网络模型作为一个“黑盒”，能够拟合更为复杂的数学关系，模型预测代价小且能够基于新采集的数据不断迭代和更新。
8.现有的预测方法存在的缺点是，只对设备掘进参数进行计算，忽视了地质条件信息对设备掘进参数变化的影响。


技术实现要素：

9.本发明是为了解决上述问题而进行的，目的在于提供一种融合多元神经网络结构的盾构机掘进参数预测方法。
10.本发明提供了一种融合多元神经网络结构的盾构机掘进参数预测方法，具有这样的特征，包括以下步骤：步骤1，对时序掘进参数数据和非时序地质条件数据分别进行预处理，得到预处理后的时序掘进参数数据和预处理后的非时序地质条件数据；步骤2，将预处
理后的时序掘进参数数据和预处理后的非时序地质条件数据输入预测模型，运用预测模型对下一时刻的目标掘进参数进行预测与评估。其中，步骤1中，预处理采用多重插补法和移动平均法；步骤2中，预测模型包括多层感知器神经网络结构和循环神经网络结构。多层感知器神经网络结构用于处理非时序地质条件数据，循环神经网络结构用于处理时序掘进参数数据。
11.在本发明提供的融合多元神经网络结构的盾构机掘进参数预测方法中，还可以具有这样的特征：其中，步骤1中，时序掘进参数数据的数据特征包括数值特征。数值特征的时序掘进参数数据至少包括撑靴压力、刀盘转速、刀盘刹车压力、刀盘扭矩、刀盘功率、推进压力、贯入度、总推进力、推进速度以及推进位移。
12.在本发明提供的融合多元神经网络结构的盾构机掘进参数预测方法中，还可以具有这样的特征：其中，步骤1中，非时序地质条件数据的数据特征包括数值特征和类别特征。数值特征的非时序地质条件数据至少包括静水压力、动水压力；类别特征的非时序地质条件数据至少包括岩体完整性、岩石强度、岩体风化程度、不连续面产状、不连续面粗糙度、不连续面填充情况、不连续面风化蚀变程度。
13.在本发明提供的融合多元神经网络结构的盾构机掘进参数预测方法中，还可以具有这样的特征：其中，步骤1中，数据预处理过程包括以下子步骤：步骤1-1，采用多重插补法分别对时序掘进参数数据和非时序地质条件数据中的缺失值进行填充，得到缺失值填充后的时序掘进参数数据和缺失值填充后的非时序地质条件数据；步骤1-2，对缺失值填充后的时序掘进参数数据采用移动平均法进行平滑处理；步骤1-3，采用z-score方法对平滑处理后的时序掘进参数数据和缺失值填充后的非时序地质条件数据中的数值特征数据进行归一化处理，将每一个数值特征数据的值减去该数值特征数据所有取值的均值再除以标准差；步骤1-4，采用独热编码方法对缺失值填充后的非时序地质条件数据中的类别特征数据进行处理。
14.在本发明提供的融合多元神经网络结构的盾构机掘进参数预测方法中，还可以具有这样的特征：其中，步骤2中，预测模型对下一时刻的目标掘进参数进行预测时，预测模型的输入包括：起始时间到上一时刻时间段的预处理后的时序掘进参数数据；起始时间到上一时刻时间段的预处理后的非时序地质条件数据。
15.在本发明提供的融合多元神经网络结构的盾构机掘进参数预测方法中，还可以具有这样的特征：其中，预测模型进行评估时，计算预测值同真实值的均方根误差值作为损失值，评估指标采用均方根误差值和r2值，均方根误差越小、r2值越大，则说明预测模型的预测精度越高、拟合效果越好。
16.发明的作用与效果
17.根据本发明所涉及的融合多元神经网络结构的盾构机掘进参数预测方法，首先对时序掘进参数数据和非时序地质条件数据分别进行预处理，得到预处理后的时序掘进参数数据和预处理后的非时序地质条件数据；然后将预处理后的时序掘进参数数据和预处理后的非时序地质条件数据输入预测模型，运用预测模型对下一时刻的目标掘进参数进行预测与评估。其中，预处理采用多重插补法和移动平均法；预测模型包括多层感知器神经网络结构和循环神经网络结构。多层感知器神经网络结构用于处理非时序地质条件数据，循环神经网络结构用于处理时序掘进参数数据。上述过程中采用多重插补法对缺失值进行填补，
考虑到了缺失数据的不确定性，优于均值插补法、常数插补法以及knn插补法，且该方法更灵活，同时适用于数值特征数据和类别特征数据的缺失值填补。采用移动平均法对时序的掘进参数进行处理，消除了偶然因素对掘进参数变化的影响。
18.另外，本发明中对掘进参数进行预测时，同时考虑了历史掘进参数和地质条件数据对下一时刻掘进参数的影响，并通过不同的神经网络结构分别对这两类数据进行计算，综合分析结果对下一时刻的掘进参数进行预测，分析更为全面、预测结果更接近真实值。
附图说明
19.图1是本发明的实施例中融合多元神经网络结构的盾构机掘进参数预测方法流程图；
20.图2是本发明的实施例中数据预处理流程图；
21.图3是本发明的实施例中多重插补法流程图；
22.图4是本发明的实施例中移动平均法处理时序掘进参数数据示意图；以及
23.图5是本发明的实施例中循环神经网络结构图。
具体实施方式
24.为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明一种融合多元神经网络结构的盾构机掘进参数预测方法作具体阐述。
25.在本实施例中，提供了一种融合多元神经网络结构的盾构机掘进参数预测方法。
26.图1是本实施例中融合多元神经网络结构的盾构机掘进参数预测方法流程图。
27.如图1所示，本实施例所涉及的融合多元神经网络结构的盾构机掘进参数预测方法包括以下步骤：
28.步骤s1，对时序掘进参数数据和非时序地质条件数据分别进行预处理，得到预处理后的时序掘进参数数据和预处理后的非时序地质条件数据。
29.时序掘进参数数据的特征为数值特征，非时序地质条件数据的特征包括数值特征和类别特征。
30.表1为时序掘进参数数据和非时序地质条件数据的信息。
31.表1数据信息表
[0032][0033]
图2是本实施例中数据预处理流程图。
[0034]
如图2所示，数据预处理过程为：
[0035]
步骤s1-1，采用多重插补法分别对时序掘进参数数据和非时序地质条件数据中的缺失值进行填充，得到缺失值填充后的时序掘进参数数据和缺失值填充后的非时序地质条
件数据。
[0036]
多重插补法(mice)既能用于数值特征数据的填补，也能用于分类特征数据的填补。多重插补的思想来源于贝叶斯，是一种基于重复模拟的处理缺失值的方法。此方法从一个包含缺失值的数据集中生成一组完整的数据集，每个数据集中的缺失数据用蒙特卡洛方法来填补。
[0037]
图3是本实施例中的多重插补法流程图。
[0038]
表2是使用r语言进行多重插补的代码表。
[0039]
表2使用r语言进行多重插补代码
[0040][0041][0042]
如图3和表2所示，使用r语言中的mice包进行缺失值填充的是，主要函数及其作用包括：
[0043]
(1)mice()函数接收一个含有缺失值的数据集，返回一个包含多个(默认为5个)完整数据集的对象。其中每个完整数据集都是通过对原始数据集中的缺失值进行插补产生的。插补是随机的，故得到的每份完整数据集不同。
[0044]
(2)with()函数依次对(1)中产生的每个完整数据集应用统计模型(如线性模型或广义线性模型)进行统计分析。
[0045]
(3)pool()函数将每个单独的分析结果整合为一组结果。
[0046]
步骤s1-2，对缺失值填充后的时序掘进参数数据采用移动平均法进行平滑处理。
[0047]
设备掘进参数数据是时序的多维数据，且均是数值特征数据。在构造训练数据时，为了排除偶然因素对掘进参数的影响，采用移动平均法对时序掘进参数进行平滑处理。假设滑动窗口长度为w(3≤w≤10)，窗口滑动步长为s(一般取1)，平滑处理即将滑动窗口内的时序数据取均值作为新的特征数据，平滑处理后的序列长度为
[0048][0049]
满足：
[0050]
(m-w)％s＝0
[0051]
1≤s≤w《w
[0052]
m,s,w∈ν
*
[0053]
对缺失值填充后的时序掘进参数数据进行平滑处理的示例过程如图4所示。
[0054]
步骤s1-3，采用z-score方法对平滑处理后的时序掘进参数数据和缺失值填充后的非时序地质条件数据中的数值特征数据进行归一化处理，将每一个数值特征数据的值减去该数值特征数据所有取值的均值再除以标准差。
[0055]
步骤s1-4，采用独热编码方法对缺失值填充后的非时序地质条件数据中的类别特征数据进行处理。
[0056]
步骤s2，将预处理后的时序掘进参数数据和预处理后的非时序地质条件数据输入预测模型，运用预测模型对下一时刻的目标掘进参数进行预测与评估。
[0057]
预测模型的训练数据包含两种数据格式，一种是时序的设备掘进参数数据，一种是非时序的地质条件数据。为了能够同时处理两种不同类型的数据，预测模型融合了两种不同的神经网络结构分别对这两类数据进行处理。多层感知器神经网络结构可以学习地质条件数据对掘进参数的影响，循环神经网络结构可以学习时序掘进参数值的变化规律。
[0058]
由于掘进参数序列有多个，每个序列用一个循环神经网络(rnn)模块进行处理，故用rnn块取代了传统rnn结构中的隐藏层，最终处理掘进参数列的循环神经网络结构如图5所示。
[0059]
使用预测模型进行下一时刻的掘进参数预测时，预测模型的输入为t0～t
w-1
时间段经过数据预处理的非时序地质条件数据和时序掘进参数数据，输出为tw时刻的目标掘进参数值。
[0060]
基于训练集进行预测模型训练时，计算预测值同真实值之间的均方根误差作为损失值。基于测试集进行预测模型评估时，指标采用均方根误差和r2值。均方根误差越小、r2值越大，说明预测模型的预测精度越高、拟合效果越好。
[0061]
实施例的作用与效果
[0062]
根据本实施例所涉及的融合多元神经网络结构的盾构机掘进参数预测方法，首先对时序掘进参数数据和非时序地质条件数据分别进行预处理，得到预处理后的时序掘进参数数据和预处理后的非时序地质条件数据；然后将预处理后的时序掘进参数数据和预处理后的非时序地质条件数据输入预测模型，运用预测模型对下一时刻的目标掘进参数进行预测与评估。其中，预处理采用多重插补法和移动平均法；预测模型包括多层感知器神经网络结构和循环神经网络结构。多层感知器神经网络结构用于处理非时序地质条件数据，循环神经网络结构用于处理时序掘进参数数据。上述过程中采用多重插补法对缺失值进行填
补，考虑到了缺失数据的不确定性，优于均值插补法、常数插补法以及knn插补法，且该方法更灵活，同时适用于数值特征数据和类别特征数据的缺失值填补。采用移动平均法对时序的掘进参数进行处理，消除了偶然因素对掘进参数变化的影响。
[0063]
另外，本发明中对掘进参数进行预测时，同时考虑了历史掘进参数和地质条件数据对下一时刻掘进参数的影响，并通过不同的神经网络结构分别对这两类数据进行计算，综合分析结果对下一时刻的掘进参数进行预测，分析更为全面、预测结果更接近真实值。
[0064]
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。