地表收敛沉降预测模型训练方法、系统及应用方法、系统与流程

1.本发明涉及地铁施工地表沉降预测领域，特别是涉及一种地表收敛沉降预测模型训练方法、系统及应用方法、系统。


背景技术：

2.在城市盾构隧道的施工过程中，由盾构施工所引起的地层扰动不可避免地会对临近土体和既有构筑物产生附加荷载，继而引发沉降和变形。当地铁施工所诱发的地表最大变形超出既有构筑物的允许值，则会影响其正常服役甚至引发工程事故。故工程中需要对盾构施工引起的地表收敛沉降进行超前预测。目前大量研究提出采用智能方法实现盾构施工地表超前预测。但是由于盾构机掌子面与预测点位之间的盾构机参数部分未知，目前大量的智能方法都没有考虑盾构机的技术参数，抛弃盾构机技术参数的地表收敛沉降超前预测由于缺少输入参数，所以模型的预测效果差，模型精度低。


技术实现要素：

3.本发明的目的是提供一种地表收敛沉降预测模型训练方法、系统及应用方法、系统，本发明能够实现高精度的盾构施工地表沉降预测。
4.为实现上述目的，本发明提供了如下方案：
5.一种地表收敛沉降预测模型训练方法，所述训练方法包括以下步骤：
6.基于神经网络构建地表收敛沉降预测模型，所述地表收敛沉降预测模型包括辅助模型和主要模型，所述辅助模型用于预测目标位置对应的盾构机的响应参数，所述主要模型用于预测目标位置对应的地表收敛沉降量；
7.获取每一掘进层对应的工程数据，所述掘进层为盾构机掌子面对应的施工层；所述工程数据包括：几何参数、盾尾注浆参数、盾构掘进参数、地质参数和地表收敛沉降量，所述盾构掘进参数包括：盾构机的主动控制参数和盾构机的响应参数；
8.将第一掘进层对应的盾构机的主动控制参数和第二掘进层对应的地质参数输入所述辅助模型；所述第一掘进层为所有掘进层中的任一层，所述第二掘进层为所述第一掘进层后的任一层；
9.根据所述辅助模型的输出和所述第二掘进层对应的盾构机的响应参数，确定第一损失函数；
10.根据所述第一损失函数优化所述辅助模型中的参数，以对所述辅助模型进行训练，得到训练好的辅助模型；
11.将所述第一掘进层对应的几何参数、所述第一掘进层对应的盾尾注浆参数、所述第二掘进层对应的盾构掘进参数和所述第二掘进层对应的地质参数输入所述主要模型；
12.根据所述主要模型的输出和所述第二掘进层对应的地表收敛沉降量，确定第二损失函数；
13.根据所述第二损失函数优化所述主要模型中的参数，以对所述主要模型进行训
练，得到训练好的主要模型。
14.可选的，所述训练方法还包括：
15.对获取的每一掘进层对应的工程数据进行对齐处理，得到处理后的数据。
16.可选的，所述几何参数包括隧道直径、隧道埋深、衬砌厚度；所述盾尾注浆参数包括注浆压力、注浆量与盾尾间隙；所述盾构掘进参数包括土舱压力、总推力、推进速度、刀盘扭矩和刀盘转速；所述地质参数包括土层厚度、土壤类型、地下水位和力学参数。
17.本发明还提供了一种地表收敛沉降预测模型应用方法，所述应用方法包括以下步骤：
18.获取目标位置对应的地质参数、当前掘进层对应的几何参数、当前掘进层对应的盾尾注浆参数和当前掘进层对应的盾构机的主动控制参数；
19.将所述目标位置对应的地质参数和所述当前掘进层对应的盾构机的主动控制参数输入辅助模型，得到目标位置对应的盾构机的响应参数，所述辅助模型为根据上述所述的地表收敛沉降预测模型训练方法训练好的模型；
20.根据所述当前掘进层对应的盾构机的主动控制参数和所述目标位置对应的盾构机的响应参数，确定目标位置对应的盾构掘进参数；
21.将所述当前掘进层对应的几何参数、当前掘进层对应的盾尾注浆参数、所述目标位置对应的地质参数和所述目标位置对应的盾构掘进参数输入主要模型，得到目标位置对应的地表收敛沉降量，所述主要模型为根据上述所述的地表收敛沉降预测模型训练方法训练好的模型。
22.本发明还提供了一种地表收敛沉降预测模型训练系统，所述训练系统包括：
23.模型构建单元，用于基于神经网络构建地表收敛沉降预测模型，所述地表收敛沉降预测模型包括辅助模型和主要模型，所述辅助模型用于预测目标位置对应的盾构机的响应参数，所述主要模型用于预测目标位置对应的地表收敛沉降量；
24.工程数据获取单元，用于获取每一掘进层对应的工程数据，所述掘进层为盾构机掌子面对应的施工层；所述工程数据包括：几何参数、盾尾注浆参数、盾构掘进参数、地质参数和地表收敛沉降量，所述盾构掘进参数包括：盾构机的主动控制参数和盾构机的响应参数；
25.第一输入单元，用于将第一掘进层对应的盾构机的主动控制参数和第二掘进层对应的地质参数输入所述辅助模型；所述第一掘进层为所有掘进层中的任一层，所述第二掘进层为所述第一掘进层后的任一层；
26.第一损失函数确定单元，用于根据所述辅助模型的输出和所述第二掘进层对应的盾构机的响应参数，确定第一损失函数；
27.第一训练单元，用于根据所述第一损失函数优化所述辅助模型中的参数，以对所述辅助模型进行训练，得到训练好的辅助模型；
28.第二输入单元，用于将所述第一掘进层对应的几何参数、所述第一掘进层对应的盾尾注浆参数、所述第二掘进层对应的盾构掘进参数和所述第二掘进层对应的地质参数输入所述主要模型；
29.第二损失函数确定单元，用于根据所述主要模型的输出和所述第二掘进层对应的地表收敛沉降量，确定第二损失函数；
30.第二训练单元，用于根据所述第二损失函数优化所述主要模型中的参数，以对所述主要模型进行训练，得到训练好的主要模型。
31.可选的，所述训练系统还包括：
32.对齐处理单元，用于对获取的每一掘进层对应的工程数据进行对齐处理，得到处理后的数据。
33.可选的，所述几何参数包括隧道直径、隧道埋深、衬砌厚度；所述盾尾注浆参数包括注浆压力、注浆量与盾尾间隙；所述盾构掘进参数包括土舱压力、总推力、推进速度、刀盘扭矩和刀盘转速；所述地质参数包括土层厚度、土壤类型、地下水位和力学参数。
34.本发明还提供了一种地表收敛沉降预测模型应用系统，所述应用系统包括：
35.参数获取单元，用于获取目标位置对应的地质参数、当前掘进层对应的几何参数、当前掘进层对应的盾尾注浆参数和当前掘进层对应的盾构机的主动控制参数；
36.盾构机的响应参数预测单元，用于将所述目标位置对应的地质参数和所述当前掘进层对应的盾构机的主动控制参数输入辅助模型，得到目标位置对应的盾构机的响应参数，所述辅助模型为根据上述所述的地表收敛沉降预测模型训练方法训练好的模型；
37.盾构掘进参数确定单元，用于根据所述当前掘进层对应的盾构机的主动控制参数和所述目标位置对应的盾构机的响应参数，确定目标位置对应的盾构掘进参数；
38.地表收敛沉降量预测单元，用于将所述当前掘进层对应的几何参数、当前掘进层对应的盾尾注浆参数、所述目标位置对应的地质参数和所述目标位置对应的盾构掘进参数输入主要模型，得到目标位置对应的地表收敛沉降量，所述主要模型为根据上述所述的地表收敛沉降预测模型训练方法训练好的模型。
39.根据本发明提供的具体实施例，本发明公开了以下技术效果：
40.本发明提供了一种地表收敛沉降预测模型训练方法、系统及应用方法、系统，在本发明中，获取每一掘进层对应的工程数据，根据第一掘进层对应的盾构机的主动控制参数和第二掘进层对应的地质参数训练辅助模型，所述第一掘进层为所有掘进层中的任一层，所述第二掘进层为所述第一掘进层后的任一层；根据第一掘进层对应的几何参数、第一掘进层对应的盾尾注浆参数、第二掘进层对应的盾构掘进参数和第二掘进层对应的地质参数训练主要模型；将目标位置对应的地质参数和当前掘进层对应的盾构机的主动控制参数输入训练好的辅助模型，可以得到目标位置对应的盾构机的响应参数；根据当前掘进层对应的盾构机的主动控制参数和目标位置对应的盾构机的响应参数，可以确定目标位置对应的盾构掘进参数；将当前掘进层对应的几何参数、当前掘进层对应的盾尾注浆参数、目标位置对应的地质参数和目标位置对应的盾构掘进参数输入主要模型，可以得到目标位置对应的地表收敛沉降量。本发明通过辅助模型可以得到完整的盾构掘进参数，进而可以保证盾构施工地表收敛沉降超前预测盾构机技术参数的完整性。与现有技术相比，本发明通过辅助模型解决了对于盾构施工地表收敛沉降超前预测盾构机技术参数不完整的问题，通过完整的盾构机技术参数和主要模型，实现了高精度的盾构施工地表沉降预测。
附图说明
41.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1为本发明实施例1提供的一种地表收敛沉降预测模型训练方法的流程图；
43.图2为盾构施工地表收敛沉降预测图；
44.图3为本发明实施例2提供的一种地表收敛沉降预测模型应用方法的流程图；
45.图4为主要模型结构图；
46.图5为本发明实施例3提供的一种地表收敛沉降预测模型训练系统的结构框图；
47.图6为本发明实施例4提供的一种地表收敛沉降预测模型应用系统的结构框图。
具体实施方式
48.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
49.在城市盾构隧道的施工过程中，由盾构施工所引起的地层扰动不可避免地会对临近土体和既有构筑物产生附加荷载，继而引发沉降和变形。当施工所诱发的变形超出既有构筑物的允许值，则会影响其正常服役甚至引发工程事故。故工程中需要建立对盾构施工引起的地表沉降进行超前预测。目前，不存在盾构三维施工塑性理论解；数值模拟手段因为需要输入确定而详尽的土体参数，导致预测效果普遍较差；模型试验虽然准确度高，但是成本过高，不能大量采用。目前大量研究提出采用智能方法实现盾构施工地表超前预测。但是由于盾构机掌子面与预测点位之间的盾构机参数部分未知(如图2所示)，目前大量的智能方法只能实现盾构机掌子面上方沉降预测或者不考虑盾构机技术参数的地表收敛沉降超前预测。盾构机掌子面上方的沉降预测过晚，不能留出足够时间供工程施工人员采取辅助控制措施，故在工程中实用性不高。抛弃盾构机技术参数的地表收敛沉降超前预测由于缺少输入参数，所以模型的预测效果差，模型精度低。
50.本发明的目的是提供一种地表收敛沉降预测模型训练方法、系统及应用方法、系统，本发明能够实现高精度的盾构施工地表沉降预测。
51.术语解释：
52.盾构施工：地铁隧道施工时，对于以土质为主的区间，采用盾构机施工的地铁隧道施工。
53.地层损失：地下隧道中，会不可避免的造成地层超挖与土体变形，这些因素造成地层位移，这些因素统称为地层损失。
54.盾构施工沉降：由于盾构施工时会不可避免的造成地层扰动，而地层扰动进一步发展到地表是就会发生地表沉降。
55.盾构机的主动控制参数：土压平衡盾构机施工过程中，盾构机驾驶主要是通过控制盾构机的推进速度与刀盘转速稳定在一定数值范围内来控制盾构机参数的，所以盾构机的土舱压力，刀盘转速和推进速度可以作为盾构机控制的洞控制参数。
56.盾构机的响应参数：盾构机在控制推进速度、刀盘转速和土舱压力在不同的地层中掘进时，盾构机的刀盘扭矩与总推力会由于地层的不同而不同，是盾构机的响应参数。
57.地表收敛沉降超前预测：在隧道施工时，盾构机掌子面距离预测点位处仍有一段距离时，实现地表沉降的预测。
58.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
59.实施例1：
60.请参阅图1，本发明提供了一种地表收敛沉降预测模型训练方法，所述训练方法以下步骤：
61.a1：基于神经网络构建地表收敛沉降预测模型，所述地表收敛沉降预测模型包括辅助模型和主要模型，所述辅助模型用于预测目标位置对应的盾构机的响应参数，所述主要模型用于预测目标位置对应的地表收敛沉降量；
62.a2：获取每一掘进层对应的工程数据，所述掘进层为盾构机掌子面对应的施工层；所述工程数据包括：几何参数、盾尾注浆参数、盾构掘进参数、地质参数和地表收敛沉降量，所述盾构掘进参数包括：盾构机的主动控制参数和盾构机的响应参数；其中，所述几何参数包括隧道直径、隧道埋深、衬砌厚度，代表了工程的基本特征；所述盾尾注浆参数包括注浆压力、注浆量与盾尾间隙；所述盾构掘进参数包括土舱压力、总推力、推进速度、刀盘扭矩和刀盘转速；所述地质参数包括土层厚度、土壤类型、地下水位和力学参数，可以从地质勘探中获得。
63.a3：将第一掘进层对应的盾构机的主动控制参数和第二掘进层对应的地质参数输入所述辅助模型；所述第一掘进层为所有掘进层中的任一层，所述第二掘进层为所述第一掘进层后的任一层；
64.需要说明的是，每一掘进层对应的工程数据都是按盾构机前进顺序获取的，所述第二掘进层为所述第一掘进层后的任一层表示第二掘进层对应的工程数据是在获取第一掘进层对应的工程数据之后获取的。
65.a4：根据所述辅助模型的输出和所述第二掘进层对应的盾构机的响应参数，确定第一损失函数；
66.a5：根据所述第一损失函数优化所述辅助模型中的参数，以对所述辅助模型进行训练，得到训练好的辅助模型；
67.a6：将所述第一掘进层对应的几何参数、所述第一掘进层对应的盾尾注浆参数、所述第二掘进层对应的盾构掘进参数和所述第二掘进层对应的地质参数输入所述主要模型；
68.a7：根据所述主要模型的输出和所述第二掘进层对应的地表收敛沉降量，确定第二损失函数；
69.a8：根据所述第二损失函数优化所述主要模型中的参数，以对所述主要模型进行训练，得到训练好的主要模型。
70.作为一种可能的实现方式，所述训练方法还包括：
71.对获取的每一掘进层对应的工程数据进行对齐处理，得到处理后的数据。
72.在对辅助模型进行训练时，将包括盾构机的主动控制参数和地质参数的数据集分为训练集和测试集，两者之间的比例为8.5:1.5。先利用训练集对辅助模型进行训练，在训练的同时，需要计算辅助模型在训练集上的损失函数。随着训练的进行，辅助模型对于训练集的损失函数会逐渐减小，拟合效果不断提升，可能会将数据中噪声也学习进模型，导致其
在测试集上的拟合效果不佳，这称为“过拟合”。为防止辅助模型过拟合，需要提前终止训练。最后辅助模型训练完毕，利用测试集进行辅助模型测试。
73.同样的，在对主要模型进行训练时，将包括几何参数、盾尾注浆参数、盾构掘进参数和地质参数的数据集分为训练集和测试集，两者之间的比例为8.5:1.5。先利用训练集对主要模型进行训练，在训练的同时，需要计算主要模型在训练集上的损失函数。随着训练的进行，主要模型对于训练集的损失函数会逐渐减小，拟合效果不断提升，可能会将数据中噪声也学习进模型，导致其在测试集上的拟合效果不佳，这称为“过拟合”。为防止主要模型过拟合，需要提前终止训练。最后主要模型训练完毕，利用测试集进行主要模型测试。
74.通过训练好的辅助模型可以预测得到目标位置对应的盾构机的响应参数，根据所述当前掘进层对应的盾构机的主动控制参数和所述目标位置对应的盾构机的响应参数，可以确定目标位置对应的盾构掘进参数，即可以获得完整的盾构掘进参数，通过完整的盾构掘进参数，与几何参数、地质参数和盾构机盾尾注浆参数可以预测目标位置对应的地表收敛沉降量。由于本发明考虑了盾构机技术参数不完整的问题，进而可以实现高精度的盾构施工地表沉降预测。
75.实施例2：
76.请参阅图3，本发明提供了一种地表收敛沉降预测模型应用方法，所述应用方法包括以下步骤：
77.b1：获取目标位置对应的地质参数、当前掘进层对应的几何参数、当前掘进层对应的盾尾注浆参数和当前掘进层对应的盾构机的主动控制参数；
78.b2：将所述目标位置对应的地质参数和所述当前掘进层对应的盾构机的主动控制参数输入辅助模型，得到目标位置对应的盾构机的响应参数，所述辅助模型为根据实施例1所述的地表收敛沉降预测模型训练方法训练好的模型；
79.b3：根据所述当前掘进层对应的盾构机的主动控制参数和所述目标位置对应的盾构机的响应参数，确定目标位置对应的盾构掘进参数；
80.b4：将所述当前掘进层对应的几何参数、当前掘进层对应的盾尾注浆参数、所述目标位置对应的地质参数和所述目标位置对应的盾构掘进参数输入主要模型，得到目标位置对应的地表收敛沉降量，所述主要模型为根据实施例1所述的地表收敛沉降预测模型训练方法训练好的模型。
81.在实际应用时，如图4所示，基于辅助模型补全盾构掘进参数后，可以获得完整的几何参数、地质参数、盾构掘进参数和盾尾注浆参数。然后分别将各个参数进行编码，如几何参数可以编码为1
×
6的数组，地质参数可以编码为5
×
20
×
2的数组，其中5代表获取的掘进层的个数，而盾构机掘进参数会形成5
×
15的数组，其中15代表获取的掘进层的个数，盾尾注浆参数会形成3
×
8的数组，其中8代表获取的掘进层的个数。地质参数数组首先利用cnn(卷积神经网络)缩小为1
×5×
2的数组，再用dnn(稠密神经网络)形成1
×
3的数组。对于盾构掘进参数数组，首先利用lstm(长短时记忆网络)形成1
×
15的数组，再用dnn(稠密神经网络)形成1
×
3的数组。对于盾尾注浆参数数组，首先利用bi-lstm(双向长短时记忆网络)形成1
×
8的数组，再用dnn(稠密神经网络)形成1
×
3的数组。将未处理的几何参数数组与处理后的地质参数数组、盾构掘进数组和盾尾注浆数组相连接。形成1
×
15的数组，最后利用dnn(稠密神经网络)输出地表收敛沉降。
82.本发明通过辅助模型可以得到完整的盾构机技术参数，进而可以保证盾构施工地表收敛沉降超前预测盾构机技术参数的完整性。与现有技术相比，本发明通过辅助模型解决了对于盾构施工地表收敛沉降超前预测盾构机技术参数不完整的问题，通过完整的盾构机技术参数和主要模型，实现了高精度的盾构施工地表沉降预测。
83.实施例3：
84.请参阅图5，本发明提供了一种地表收敛沉降预测模型训练系统，所述训练系统包括：
85.模型构建单元m1，用于基于神经网络构建地表收敛沉降预测模型，所述地表收敛沉降预测模型包括辅助模型和主要模型，所述辅助模型用于预测目标位置对应的盾构机的响应参数，所述主要模型用于预测目标位置对应的地表收敛沉降量；
86.工程数据获取单元m2，用于获取每一掘进层对应的工程数据，所述掘进层为盾构机掌子面对应的施工层；所述工程数据包括：几何参数、盾尾注浆参数、盾构掘进参数、地质参数和地表收敛沉降量，所述盾构掘进参数包括：盾构机的主动控制参数和盾构机的响应参数；其中，所述几何参数包括隧道直径、隧道埋深、衬砌厚度；所述盾尾注浆参数包括注浆压力、注浆量与盾尾间隙；所述盾构掘进参数包括土舱压力、总推力、推进速度、刀盘扭矩和刀盘转速；所述地质参数包括土层厚度、土壤类型、地下水位和力学参数。
87.第一输入单元m3，用于将第一掘进层对应的盾构机的主动控制参数和第二掘进层对应的地质参数输入所述辅助模型；所述第一掘进层为所有掘进层中的任一层，所述第二掘进层为所述第一掘进层后的任一层；
88.第一损失函数确定单元m4，用于根据所述辅助模型的输出和所述第二掘进层对应的盾构机的响应参数，确定第一损失函数；
89.第一训练单元m5，用于根据所述第一损失函数优化所述辅助模型中的参数，以对所述辅助模型进行训练，得到训练好的辅助模型；
90.第二输入单元m6，用于将所述第一掘进层对应的几何参数、所述第一掘进层对应的盾尾注浆参数、所述第二掘进层对应的盾构掘进参数和所述第二掘进层对应的地质参数输入所述主要模型；
91.第二损失函数确定单元m7，用于根据所述主要模型的输出和所述第二掘进层对应的地表收敛沉降量，确定第二损失函数；
92.第二训练单元m8，用于根据所述第二损失函数优化所述主要模型中的参数，以对所述主要模型进行训练，得到训练好的主要模型。
93.具体的，所述训练系统还包括：
94.对齐处理单元，用于对获取的每一掘进层对应的工程数据进行对齐处理，得到处理后的数据。
95.实施例4：
96.请参阅图6，本发明提供了一种地表收敛沉降预测模型应用系统，所述应用系统包括：
97.参数获取单元n1，用于获取目标位置对应的地质参数、当前掘进层对应的几何参数、当前掘进层对应的盾尾注浆参数和当前掘进层对应的盾构机的主动控制参数；
98.盾构机的响应参数预测单元n2，用于将所述目标位置对应的地质参数和所述当前
掘进层对应的盾构机的主动控制参数输入辅助模型，得到目标位置对应的盾构机的响应参数，所述辅助模型为根据实施例1所述的地表收敛沉降预测模型训练方法训练好的模型；
99.盾构掘进参数确定单元n3，用于根据所述当前掘进层对应的盾构机的主动控制参数和所述目标位置对应的盾构机的响应参数，确定目标位置对应的盾构掘进参数；
100.地表收敛沉降量预测单元n4，用于将所述当前掘进层对应的几何参数、当前掘进层对应的盾尾注浆参数、所述目标位置对应的地质参数和所述目标位置对应的盾构掘进参数输入主要模型，得到目标位置对应的地表收敛沉降量，所述主要模型为根据实施例1所述的地表收敛沉降预测模型训练方法训练好的模型。
101.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
102.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。