[发明专利]一种基于神经网络优化的盾构机掘进速度预测方法

说明书

本发明提供一种基于神经网络优化的盾构机掘进速度预测方法，其中包括：S100，收集地质参数；S200，收集每一环盾构施工参数，并对地质参数和施工参数进行标准化处理，将处理后的数据划分为训练集与测试集；S300，确定模型的输入变量，并将盾构施工参数集中的盾构掘进速度作为输出变量，利用划分的训练集建立深度学习神经网络模型；S400，基于深度学习神经网络模型对盾构机在测试集上的掘进速度进行预测，并使用分层粒子群算法对神经网络预测模型进行动态优化。本发明预测结果与实际施工中的盾构机掘进速度吻合，预测结果准确可靠。

技术领域

本发明涉及一种盾构隧道技术领域中的技术方法，具体地，涉及一种基于多层粒子群算法和门控递归神经网络的盾构机掘进速度的智能预测方法。

背景技术

盾构法作为机械化程度较高的隧道施工方法，现已成为了地下空间开发的重要施工手段。盾构机在地下掘进时，不可避免地会存在孤岩或坚硬地层的情况，此时需要控制盾构机使其进行慢速掘进；在实际工程项目中，需要对项目进行进度规划，其中盾构机掘进速度是影响项目进度的一个关键因素。盾构施工参数与地层参数对掘进速度的影响一直是盾构工程所关注的重点难点，在均一地层开挖时，盾构掘进速度可以通过经验公式预测，但在土岩混合地层开挖时，盾构机掘进速度的预测是非常困难的，以往对于土岩混合地层中盾构机掘进速度的预测仍然沿用均一地层的经验公式，盾构机推进速度无论从宏观还是围观的角度分析都受到许多因素的影响，表现为典型的复杂非线性特征，因此简单的经验公式法或是解析法对土岩混合地质环境下的盾构机掘进速度预测可能存在较大误差，针对土岩混合地层提出一种智能化的盾构机掘进速度预测方法具有重要的工程意义。

经过对现有技术文献的检索发现，中国铁建重工集团有限公司于2014年发表在《铁道建筑技术》的文章：“以长沙轨道交通1号线五一广场到营盘路隧道工程为研究背景，现场采集盾构机掘进参数，应用支持向量机模型，建立了五营区间复合地层盾构机推进速度的预测数学模型，并对模型进行检测,检测结果表明该预测模型对推进速度预测的平均相对误差≤7％，验证了该模型对推进速度预测的有效性。”该文章采用了支持向量机模型，将刀盘转速，刀盘扭矩，刀具贯入度，总推力，螺旋机转速作为输入变量，预测了盾构机掘进速度。首先，该方法未考虑地质参数在盾构机掘进速度预测中的重要影响，适用性有限，对其他工程的预测误差较大，其次，该方法仅仅使用支持向量机一种模型，并未提出优化模型的方法，使得模型的稳定性非常有限，进而导致盾构机掘进速度的预测结果失准。

发明内容

本发明的目的在于，提供一种基于神经网络优化的盾构机掘进速度预测方法，以克服了现有传统单一模型方法的模型可靠度问题。

本发明第一方面，提供一种基于神经网络优化的盾构机掘进速度预测方法，包括：

S100，对盾构隧道掘进方向进行地质勘探确定采样点的地层分布，采用克里金插值法将每个采样点的间断的地层分布扩展为盾构隧道掘进方向连续的地层分布，并计算每一环的破碎带比率，所述盾构隧道掘进方向连续的地层分布和破碎带比率构成地质参数；

S200，收集每一环盾构施工参数，并对S100所述地质参数和所述施工参数进行标准化处理，将处理后的数据划分为训练集与测试集；

S300，利用所述训练集建立深度学习神经网络模型，其中深度学习神经网络模型的输入变量是标准化处理后的地质参数集和盾构施工参数集，输出变量为盾构施工参数集中的盾构掘进速度；

S400，基于所述深度学习神经网络模型对盾构机在所述测试集上的掘进速度进行预测，并使用分层粒子群算法对所述神经网络预测模型进行动态优化。

本发明第二方面，提供一种盾构机掘进速度预测终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，所述处理器执行所述程序时用于执行上述的盾构机掘进速度预测方法。

本发明第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于实现上述的盾构机掘进速度预测方法。