一种基于深度学习的盾尾间隙高精测量和控制方法及系统

本发明属于盾构机安全，尤其涉及一种基于深度学习的盾尾间隙高精测量和控制方法及系统。

背景技术：

1、盾构机(tbm)作为一种先进的隧道掘进设备，已广泛应用于地铁隧道的开挖。然而，在隧道开挖过程中，如果盾尾间隙过小，导致盾尾与衬砌管片之间过度挤压，降低掘进速度，加速盾尾密封刷的磨损，甚至造成隧道渗漏或地面沉降。因此，在盾构隧道开挖过程中，采取有效的方法实现盾尾间隙的控制是确保盾构隧道安全施工的关键一步。

2、目前，关于盾尾间隙的工作主要集中在盾尾间隙测量方面。常用的间隙测量方法是理论分析法、人工测量法、接触式测量法和非接触式测量法。然而，这些测量方法因未挖掘盾尾间隙与其他tbm运行参数之间潜在的因果关系，所以无法实施盾尾间隙的优化和控制。为了解决这一问题，有必要关注基于因果分析的深度学习方法来进行盾尾间隙的测量和优化。然而，传统的深度学习方法对训练数据的数量和质量要求较高，而且存在鲁棒性低和缺乏物理可解释性问题。因此，亟需一种提出一种先进的盾尾间隙测量和控制方法来应对上述挑战。

3、通过上述分析，现有技术存在的问题及缺陷为：传统的间隙测量方法无法实施盾尾间隙控制作业和对源数据要求较高。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种基于深度学习的盾尾间隙高精测量和控制方法及系统，融合online pdnn和nsga-ii来测量和控制盾尾间隙，旨在实现tbm开挖作业过程中盾尾间隙的在线预测与实时控制，有效规避因盾尾间隙过小导致隧道安全事故的发生。

2、本发明是这样实现的，一种基于深度学习的盾尾间隙高精测量和控制方法，包括：

3、s1，盾尾间隙计算：基于最小盾尾间隙计算理论，假定衬砌环的拼装处于理想状态，则有六种最小盾尾间隙计算模型；

4、s2，首先将所推导的任意位置盾尾间隙计算方程作为物理约束嵌入dnn框架，得到pdnn模型。然后以在线学习方式训练pdnn，使其能够根据输入的观测流自适应地更新模型超参数，从而实现盾尾间隙的准确估计；

5、s3，选择五个统计指标来进行模型性能评估检验所建立的online pdnn模型的性能；采用shapley additive explanations方法来分析每个输入特征对模型的边际贡献，并确定输入特征的重要性排名；

6、s4，首先，利用非支配排序搜寻moo问题的帕累托解集。然后，通过计算每个解的拥挤距离，以维持解集的多样性和均匀分布；最后，采用拥挤比较运算符进行两个解的比较，其中秩较低的解和拥挤距离较大的解往往会被选择。重复上述步骤直至最大迭代次数，最终生成帕累托前沿。

7、进一步，s1具体包括：基于最小盾尾间隙计算理论，假定衬砌环的拼装处于理想状态，则有六种最小盾尾间隙(δmin)计算模型，其数学表达式见公式(1)。

8、

9、式中，δ0是初始盾尾间隙；δ1是由俯仰角α变化引起的盾尾间隙的变化量；δ2是由于盾构机沿偏转角η和隧道曲线半径r的路线掘进时而产生的盾尾间隙的变化量，其数学表达式分别见公式(2)和(3)；

10、δ1＝l tanα (2)

11、

12、式中，l是盾尾覆盖管片长度；α是俯仰角；r是隧道曲线半径，d是衬砌环的外径；

13、以o为圆心的三个同心圆分别代表半径为d/2的衬砌环和半径为(d/2+δmin)和(d/2+δmax)的两个辅助圆；以o'为圆心的椭圆是盾构外壳的1-1截面。f1和f2是椭圆的两个焦点；椭圆的长轴和短轴分别为2r/cosα和2r。根据椭圆定义和余弦定理，可以推导出用于任意位置盾尾间隙(δp)计算的物理方程为公式(4)；

14、

15、式中，β是水平角，表示所需计算盾尾间隙的位置；|of1|和|of2|可分别通过公式(5)和(6)计算；

16、

17、

18、式中，|of1|和|of2|分别为衬砌环中心o到椭圆焦点f1和f2的距离。

19、进一步，s2中pdnn模型的构建具体包括：

20、将所推导的任意位置盾尾间隙计算方程作为物理规律整合到dnn模型的损失函数中，用于约束模型的训练过程，这有利于弥补纯数据驱动的dnn模型存在过度依赖数据和缺乏物理系统内部机制合理解释的不足；根据用于盾尾间隙测量的pdnn框架可知，耦合物理机制后的pdnn模型的损失函数由观测损失mse和物理损失msep两部分构成，数学表达式为公式(7)：

21、

22、式中，λ1和λ2分别代表了mse和msep的权重；δr、δp和分别为盾尾间隙的观测值、理论值和pdnn模型的预测值。

23、进一步，s2中pdnn模型的在线更新机制具体包括：

24、为了增强pdnn模型的实用性和泛化性，采用在线学习的方式训练模型；具体来说，用于开发online pdnn模型的数据是随着开挖作业的进行而逐渐更新的，并且模型的超参数也随着数据集的更新而动态调整；在在线预测概念中，假设初始数据集包含n0个样本；然后，从n0个样本中选取n1个样本作为训练数据训练模型，剩余的n2个样本作为测试数据验证模型性能；采用bo算法自动搜索online pdnn模型的最优超参数组合。

25、进一步，s3中online pdnn模型的评估具体包括：

26、为了检验所建立的online pdnn模型的性能，选择了常用的五个统计指标来进行模型性能评估，包括决定系数(r2)、a20_index、方差解释(vaf)、平均绝对误差(mae)，以及均方根误差(rmse)，其数学表达式见公式(8)-(12)。通常情况下，r2、vaf和a20_index的值越接近1，mae和rmse的值越接近0，则模型的预测精度越高；

27、

28、

29、

30、

31、

32、式中，n是样本总数；和yi分别是预测值和观测值；是所有样本的平均值；m20是误差不超过观测值±20％的样本数量。

33、进一步，s3中online pdnn模型的可解释性具体包括：

34、为了理解所开发的online pdnn模型做出决策的策略，本研究采用shapleyadditive explanations方法来分析每个输入特征对模型的边际贡献，并确定输入特征的重要性排名，shapley值的数学表达式见公式(13)：

35、

36、式中，z是所有输入特征的集合，其维度为m；s是输入特征的子集，其维度为|s|；fx(s)＝e[f(x)|xs]是基于训练子集s计算得出的样本均值；

37、基于加性特征归因方法的shap分析可以将复杂的模型简化为线性函数:

38、

39、式中，φ0为估计值的平均值；z'j∈{0,1}m描述特征i是否被观测到，z'j＝0和z'j＝1分别表示特征不存在或存在。

40、进一步，s4具体包括：在最小moo问题中，需要考虑四个组成部分，包括k维目标向量f(x)、m个不等式约束、n个等式约束，以及p维决策变量x，其数学表示见公式(15)-(17)：

41、minimize f(x)＝(f1(x),f2(x),...,fk(x)),k≥2 (15)

42、

43、x＝(x1,x2,...,xp)∈ω (17)

44、式中，fi(x)是第i个目标函数；ω是p个独立变量的决策空间；

45、基于online pdnn和nsga-ii优化盾尾间隙的主要步骤是：首先，利用非支配排序搜寻moo问题的帕累托解集。然后，通过计算每个解的拥挤距离，以维持解集的多样性和均匀分布；最后，采用拥挤比较运算符进行两个解的比较，其中秩较低的解和拥挤距离较大的解往往会被选择；重复上述步骤直至最大迭代次数，最终生成帕累托前沿；为了从pareto前沿中确定最优解，采用公式(18)计算pareto最优解向量与理想解向量之间的距离，选择其中具有最小距离的解作为最优解：

46、

47、式中，是第i个目标函数在第j个pareto解中的值；oi是第i个目标函数的理想值；k是所有目标函数的个数。

48、本发明的另一目的在于提供一种实现所述基于深度学习的盾尾间隙高精测量和控制方法的基于深度学习的盾尾间隙高精测量和控制系统，包括：

49、盾尾间隙计算模块，用于基于最小盾尾间隙计算理论，假定衬砌环的拼装处于理想状态，有六种最小盾尾间隙计算模型；

50、pdnn模型获得模块，用于将所推导的任意位置盾尾间隙计算方程作为物理约束嵌入dnn框架，得到pdnn模型；

51、pdnn模型训练模块，用于以在线学习方式训练pdnn，使其能够根据输入的观测流自适应地更新模型超参数，从而实现盾尾间隙的准确估计；

52、pdnn模型评估模块，用于选择五个统计指标来进行模型性能评估；

53、pdnn模型可解释性分析模块，用于采用shapley additive explanations方法来分析每个输入特征对模型的边际贡献，并确定输入特征的重要性排名；

54、盾尾间隙moo执行模块，用于执行盾尾间隙的moo。

55、本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于深度学习的盾尾间隙高精测量和控制方法的步骤。

56、本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于深度学习的盾尾间隙高精测量和控制方法的步骤。

57、本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的基于深度学习的盾尾间隙高精测量和控制系统。

58、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

59、第一，针对现有的盾尾间隙测量方法存在无法有效控制盾尾间隙的大小，而且对源数据的质量和数量要求较高等问题，本发明提出了一种基于深度学习的盾尾间隙高精测量和控制方法。具体研发过程和取得的有益效果描述如下：

60、1、任意位置盾尾间隙计算理论的发现。盾构施工过程中，现场的工作人员往往关注不同方位盾尾间隙的大小。然而，现有的最小盾尾间隙计算理论仅能够估计最小盾尾间隙值，不能提供最小盾尾间隙发生的位置，无法满足现场作业的需求。因此，本发明提出了一种改进的盾尾间隙计算理论，建立了盾尾间隙与俯仰角和水平角等参数之间的物理关系，为理论计算不同位置的盾尾间隙提供了依据。

61、2、online pdnn模型的开发。由于理论分析方法无法考虑油缸行程和盾尾偏差等运行参数对盾尾间隙的影响，加之，纯数据驱动的机器学习或深度学习模型具有黑箱属性，无法向用户提供有关物理机制的潜在可解释信息，而且训练后的代理模型具有较低的鲁棒性。所以本发明旨在开发一个基于物理信息指导的深度学习模型。考虑到工程前期可用的现场数据较少，因此，本发明在pdnn模型的基础上进一步耦合了在线更新机制，构建了online pdnn模型。具体开发过程为：(1)源数据的获取和预处理。本发明选取某在建隧道工程实例的监测数据，包括俯仰角、盾尾和切口的水平位移、竖向位移及相应的位移趋势、总推力、总挤压力、掘进速度、土仓压力、刀盘转速和扭矩、油缸行程等。采集到的监测数据往往存在重复值、空缺值和异常值，所以需要对其进行数据清洗。而且为了消除特征变量之间的属性差异，采用最小-最大归一化方法对数据集进行标准化。(2)online pdnn模型结构的搭载。online pdnn模型开发的关键是：(a)将所推导的任意位置盾尾间隙计算的理论模型作为物理约束嵌入到dnn损失函数的框架中。即，online pdnn模型的损失函数由观测损失mse和物理损失msep两部分构成。(b)online pdnn模型的可用数据集随着隧道开挖环数的增加而逐渐扩大，模型的最优超参数随着数据集的更新而动态更新。即，假设初始数据集包含n0个样本，然后，从n0个样本中选取n1个样本作为训练数据训练模型，剩余的n2个样本作为测试数据验证模型性能，若模型的评估结果达到可接受的标准，则将该模型应用于新的样本n3的预测，若预测结果准确，则模型的超参数不更新；否则，online pdnn模型将利用更新后的数据集(n0+n3)重新训练，模型的最优超参数组合由基于高斯过程作为代理模型和期望增量作为采集函数的贝叶斯优化(bo)算法自动搜索确定。基于bo获得的最优超参数组合在训练过程中总能够最小化损失函数，最大化模型的预测精度。

62、3、online pdnn模型与nsga-ii优化算法的集成。现有的盾尾间隙测量方法无法实现盾尾间隙控制的主要原因是其未考虑盾尾间隙与其他关键运行参数之间的因果关系，从而无法应用优化算法解决盾尾间隙的多目标优化问题。然而，盾尾间隙的控制对于隧道开挖的顺利进行具有重要意义，所以本发明在所开发的面向因果分析的online pdnn模型基础上，集成nsga-ii优化算法，实现盾尾间隙的多目标优化。即，将最小化不同位置的盾尾间隙作为优化目标，盾构机的运行参数作为可调整的决策变量，通过计算决策变量在不同调节范围下，盾尾间隙的整体优化度，确定可调参数的最佳变化空间，为tbm掘进过程中盾尾间隙的控制提供有价值的指导。

63、4、所开发的online pdnn与nsga-ii混合模型的有益效果。以某在建隧道施工的tbm应用为例，online pdnn模型在预测不同位置的盾尾间隙时，r2得分可达0.9及以上，vaf高达90％以上，a20_index指标值接近于1，rmse和mse均小于4，这表明所提出的onlinepdnn模型具有较高的预测精度和较强的鲁棒性。将online pdnn与nsga-ii集成后的混合模型用于寻求盾尾间隙moo的最优解时，发现可调参数的最优变异空间是20％自值上下范围内，而且在该约束条件下，盾尾间隙平均减小了30.87％。综上所述，本发明提出的集成online pdnn和nsga-ii的混合模型，能够可靠、稳定地预测和控制盾尾间隙，提高隧道开挖过程的施工动态安全性。

64、第二，本发明所提出的一种基于深度学习的盾尾间隙高精测量和控制方法及系统，不依赖于工业相机和超声测距仪等特殊设备进行盾尾间隙数据的采集和测量，这意味着本发明所提出的方法将在实际的隧道工程项目中更加实用。

65、本发明所提出的一种基于深度学习的盾尾间隙高精测量和控制方法，可以以0.9及以上的r2得分准确地估计盾尾间隙的大小。进一步地通过moo可以确定盾构机可调参数的最优变化空间为20％的自值上下范围内，而且在该约束条件下，可以合理地显著降低盾尾间隙值，避免衬砌与盾壳的接触挤压和盾尾刷的磨损，提升了隧道施工的安全水平。

66、本发明所提出的一种基于深度学习的盾尾间隙高精测量和控制方法，不仅可以弱化数据驱动模型对数据集规模的依赖性，提高模型的可解释性和鲁棒性，而且moo生成的决策方案可以为现场工作人员控制盾尾间隙提供有效的建议。

67、第三，本发明的技术方案填补了国内外业内技术空白：本发明的技术方案填补了国内外盾尾间隙控制工作实施的技术空白。现有的盾尾间隙研究成果大多集中于盾尾间隙的测量，未考虑盾尾间隙的优化和控制。针对这一研究空白，本发明提出了一种基于深度学习的盾尾间隙高精测量和控制方法，该方法的创新点可以从两个关键方面进行总结:(a)将所推导的任意位置盾尾间隙计算的物理方程和在线更新机制整合到dnn框架中，生成能够准确预测盾尾间隙的online pdnn模型；(b)将开发的在线pdnn模型与nsga-ii算法相结合，实现了任意位置盾尾间隙的智能控制。

68、第四，本发明提供的基于深度学习的盾尾间隙高精度测量和控制方法展现了显著的技术进步，具体体现在以下几个方面：

69、1.高精度的盾尾间隙计算：该方法基于最小盾尾间隙计算理论，通过假定衬砌环的拼装处于理想状态，推导出了六种最小盾尾间隙计算模型。这种理论模型和计算方法的引入，提高了盾尾间隙计算的精度，为后续的测量和控制提供了更为准确的数据基础。

70、2.深度学习与物理约束的结合：该方法将所推导的任意位置盾尾间隙计算方程作为物理约束嵌入深度神经网络(dnn)框架，得到物理深度神经网络(pdnn)模型。这种结合使得模型能够根据输入的观测流自适应地更新模型超参数，从而实现盾尾间隙的准确估计。这种创新性的方法不仅提高了测量精度，还增强了模型的适应性和鲁棒性。

71、3.模型性能评估和特征重要性分析：该方法通过选择五个统计指标来评估所建立的online pdnn模型的性能，并采用shapley additive explanations方法来分析每个输入特征对模型的边际贡献，确定输入特征的重要性排名。这种评估和分析方法不仅有助于了解模型的性能优劣，还能够为模型的优化和改进提供有价值的参考信息。

72、4.多目标优化问题的处理：在盾尾间隙的控制过程中，往往需要同时考虑多个优化目标。该方法利用非支配排序搜寻多目标优化(moo)问题的帕累托解集，并通过计算每个解的拥挤距离来维持解集的多样性和均匀分布。这种处理方法能够在多个优化目标之间找到一种平衡，使得盾尾间隙的控制更加全面和有效。

73、本发明提供的基于深度学习的盾尾间隙高精度测量和控制方法通过引入高精度计算模型、深度学习与物理约束的结合、模型性能评估和特征重要性分析以及多目标优化问题的处理等技术手段，实现了显著的技术进步。这些技术进步不仅提高了盾尾间隙的测量精度和控制效果，还为相关领域的技术发展提供了有益的借鉴和启示。