一种盾构掘进参数预测方法及系统与流程

本发明涉及盾构掘进参数预测领域，更具体的说，是涉及一种盾构掘进参数预测方法及系统。

背景技术：

1、盾构在掘进施工过程中，不可避免的会对前方土层造成扰动，这种扰动的大小和规律，主要取决于盾构掘进参数的调整是否合理。然而，由于目前盾构技术的限制，盾构掘进过程中掘进参数的调整很大程度上依赖盾构操作人员的经验和直觉，这不仅增加了盾构施工的不确定性，也加大了对地层扰动的风险。

2、影响盾构工程施工的因素众多，主要包括盾构机本身的设计参数、施工地层的地质条件以及掘进过程中的盾构掘进参数等。然而，目前控制盾构施工掘进对地层的扰动影响主要依靠盾构机手的施工经验，这一方式在很大程度上受制于地层条件及盾构参数等客观因素。

3、为了改善这种情况，近年来出现了基于机器学习的盾构掘进参数预测方法。然而，现有针对盾构掘进参数的机器学习预测方法大多将各种参数全部采集作为训练集，没有考虑到不同参数之间的关联性和敏感性差异。由于盾构施工各类参数的影响因素种类众多，且各参数之间可能存在复杂的相互关系，这种无差别的参数输入方式不仅增加了预测工作的复杂性，也降低了预测的精度，导致盾构掘进状态预测工作工作量大且精度较低。因此，需要建立科学合理的数学模型来评估盾构掘进参数之间的相关性，并进一步预测盾构施工状态，降低盾构施工对地层的扰动影响。

技术实现思路

1、本发明的目的在于提供一种盾构掘进参数预测方法及系统，通过对盾构掘进参数进行预测分析，并结合预测参数进一步给出盾构掘进状态，可以为工程施工提供参考依据，提高盾构施工的质量，降低盾构施工对地层的扰动影响。

2、为了实现上述目的，本发明提供一种盾构掘进参数预测方法，该方法包括：

3、步骤s1：获取盾构掘进参数，所述盾构掘进参数包括：盾构机设计参数、施工掘进参数和地质参数；

4、步骤s2：对所述盾构掘进参数进行预处理，获得预处理后的掘进参数；

5、步骤s3：将预处理后的任一掘进参数作为自变量，其它掘进参数作为因变量，基于自变量和因变量建立灰色关联分析模型，以确定因变量中各个数据与自变量的敏感性关系；

6、步骤s4：基于皮尔逊相关系数方法度量自变量和因变量中各个数据之间的相关程度，并基于相关程度确定各个相关系数；

7、步骤s5：建立机器学习预测模型，基于不同相关系数的盾构掘进参数进行训练；

8、步骤s6：训练后获取盾构掘进参数的预测值，并与盾构掘进参数的真实值进行偏差计算。

9、优选地，所述步骤s2包括：对所述盾构掘进参数中的空值进行处理，对所述盾构掘进参数中的时序数据去噪，并对盾构掘进参数进行标准化、特征向量提取以及训练集和测试集的划分。

10、优选地，所述步骤s3包括：

11、步骤s3.1：将地表沉降监测数据作为自变量，n个影响因素作为因变量，由n个影响因素组成的参考序列矩阵作为子序列满足公式(1)，

12、

13、其中，表示影响因素参考序列矩阵，xmn表示第m个沉降值对应的第n个影响因素的数据值；

14、由n个影响因素对应地表沉降数据所组成的矩阵作为母序列，母序列满足公式(2)，

15、

16、其中，表示地表沉降数据矩阵，ymn表示第n个影响因素对应的第m个沉降值；

17、步骤s3.2：采用极差变化法对子序列和母序列进行归一化处理，极差变化法满足公式(3)，

18、

19、其中，x/表示归一化处理后的子序列，y/表示归一化处理后的母序列，min(xij)表示xij的最小值，min(yij)表示yij的最小值；

20、步骤s3.3：将处理后的母序列与子序列进行变换，得到差异序列矩阵，差异序列矩阵满足公式(4)，

21、δ＝|x/-y/|                                (4)

22、其中，δ表示差异序列矩阵；

23、步骤s3.4：取差异序列矩阵δ中的最大值δmax和最小值δmin，并根据公式(3)计算关联系数矩阵aij满足公式(5)，

24、

25、其中，δ为分辨系数，表示关联系数矩阵，aij表示第i个沉降值下第j个影响因素对应的关联系数的值，m表示地表沉降值数量，n表示影响因素个数，i表示第i个沉降值，i＝1,2，…m；j表示第j个影响因素，j＝1,2，…n，δmin表示差异序列矩阵δij中的最小值，δmax表示差异序列矩阵δij中的最大值；

26、步骤s3.5：根据公式(5)计算n个影响因素对地表沉降的敏感程度，满足公式(6)，

27、

28、其中，g表示n个影响因素对地表沉降的敏感程度，t表示系数，n表示影响因素个数。

29、优选地，皮尔逊相关系数方法满足公式(7)，

30、

31、其中，r表示皮尔逊相关系数，xi表示第i个地表沉降数据，yi表示第i个影响因素，表示地表沉降数据的平均值，表示影响因素的平均值，n表示影响因素个数。

32、优选地，所述步骤s5包括：

33、步骤s5.1：建立总推进力的机器学习预测模型，对不同相关系数的盾构掘进参数数据集采用k折交叉验证对训练集测试集数据进行划分；

34、步骤s5.2：对总推进力的机器学习预测模型进行训练，获得模型预测结果；

35、步骤s5.3：通过度量模型拟合优度的决定系数、衡量模型预测效果的均方误差以及平均绝对误差三种指标以对模型预测结果进行评估；

36、优选地，训练后获取盾构掘进参数的预测值，采用随机森林方法与盾构掘进参数的真实值进行偏差计算。

37、与现有技术相比，本发明提供的一种盾构掘进参数预测方法具有如下有益效果：本发明提供一种盾构掘进参数预测方法，该方法包括：获取盾构掘进参数，所述盾构掘进参数包括：盾构机设计参数、施工掘进参数和地质参数；对所述盾构掘进参数进行预处理，获得预处理后的掘进参数；将预处理后的任一掘进参数作为自变量，其它掘进参数作为因变量，基于自变量和因变量建立灰色关联分析模型，以确定因变量中各个数据与自变量的敏感性关系；基于皮尔逊相关系数方法度量自变量和因变量中各个数据之间的相关程度，并基于相关程度确定各个相关系数；建立机器学习预测模型，基于不同相关系数的盾构掘进参数进行训练；训练后获取盾构掘进参数的预测值，并与盾构掘进参数的真实值进行偏差计算。本发明通过对盾构掘进参数进行预处理，采用灰色关联分析和皮尔逊相关系数方法度量参数间的相关性和敏感性，进而建立基于机器学习的盾构掘进参数预测模型，通过对盾构掘进参数进行预测分析，并结合预测参数进一步给出盾构掘进状态，可以为工程施工提供参考依据，提高盾构施工的质量，降低盾构施工对地层的扰动影响。

38、本发明还提供一种盾构掘进参数预测系统，该系统包括：

39、获取模块，用于获取盾构掘进参数，所述盾构掘进参数包括：盾构机设计参数、施工掘进参数和地质参数；

40、预处理模块，用于对所述盾构掘进参数进行预处理，获得预处理后的掘进参数；

41、敏感关系模块，用于将预处理后的任一掘进参数作为自变量，其它掘进参数作为因变量，基于自变量和因变量建立灰色关联分析模型，以确定因变量中各个数据与自变量的敏感性关系；

42、皮尔逊系数模块，用于基于皮尔逊相关系数方法度量自变量和因变量中各个数据之间的相关程度，并基于相关程度确定各个相关系数；

43、训练模块，用于建立机器学习预测模型，基于不同相关系数的盾构掘进参数进行训练；

44、偏差计算模块，用于训练后获取盾构掘进参数的预测值，并与盾构掘进参数的真实值进行偏差计算。

45、优选地，所述预处理模块中对所述盾构掘进参数进行预处理，获得预处理后的掘进参数，包括：

46、对所述盾构掘进参数中的空值进行处理，对所述盾构掘进参数中的时序数据去噪。

47、优选地，所述敏感关系模块包括：

48、子序列和母序列单元，用于将地表沉降监测数据作为自变量，n个影响因素作为因变量，由n个影响因素组成的参考序列矩阵作为影响因素子序列，子序列满足公式(1)，

49、

50、其中，表示影响因素参考序列矩阵，xmn表示第m个沉降值对应的第n个影响因素的数据值；

51、由n个影响因素对应地表沉降数据所组成的矩阵作为母序列，母序列满足公式(2)，

52、

53、其中，表示地表沉降数据矩阵，ymn表示第n个影响因素对应的第m个沉降值；

54、归一化处理单元，用于采用极差变化法对子序列和母序列进行归一化处理，极差变化法满足公式(3)，

55、

56、其中，x/表示归一化处理后的子序列，y/表示归一化处理后的母序列，min(xij)表示xij的最小值，min(yij)表示yij的最小值；

57、差异序列计算单元，用于将处理后的母序列与子序列进行变换，得到差异序列矩阵，差异序列矩阵满足公式(4)，

58、δ＝|x/-y/|                                (4)

59、其中，δ表示差异序列矩阵；

60、关联系数计算单元，用于取差异序列矩阵δ中的最大值δmax和最小值δmin，并根据公式(3)计算关联系数矩阵aij满足公式(5)，

61、

62、其中，δ为分辨系数，表示关联系数矩阵，aij表示第i个沉降值下第j个影响因素对应的关联系数的值，m表示地表沉降值数量，n表示影响因素个数，i表示第i个沉降值，i＝1,2，…m；j表示第j个影响因素，j＝1,2，…n，δmin表示差异序列矩阵δij中的最小值，δmax表示差异序列矩阵δij中的最大值；

63、敏感程度计算单元，用于根据公式(5)计算n个影响因素对地表沉降的敏感程度，满足公式(6)，

64、

65、其中，g表示n个影响因素对地表沉降的敏感程度，t表示系数，n表示影响因素个数。

66、优选地，皮尔逊相关系数方法满足公式(7)，

67、

68、其中，r表示皮尔逊相关系数，xi表示第i个地表沉降数据，yi表示第i个影响因素，表示地表沉降数据的平均值，表示影响因素的平均值，n表示影响因素个数。

69、与现有技术相比，本发明提供的一种盾构掘进参数预测系统的有益效果与上述技术方案所述一种盾构掘进参数预测方法的有益效果相同，在此不做赘述。

70、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。