[发明专利]基于图网络学习的盾构开挖面稳定性智能预测方法及设备

说明书

本发明公开了一种基于图网络学习的盾构开挖面稳定性智能预测方法及设备，属于盾构掘进安全领域。所述方法包括：S1：获得盾构压力舱的压力数据，并根据Hilbert‑Huang变换表征实时的盾构掘进稳定性；S2：基于各项盾构参数间的偏相关系数，构建盾构参数偏相关阈值网络，以将盾构参数降维，并使盾构各参数间的关系可视化；S3：利用图网络学习算法，构建盾构开挖面稳定性与盾构参数网络特征的图网络学习模型并进行训练；S4：利用图网络学习模型预测盾构开挖面稳定性。本发明能够提高盾构掘进施工的效率和建设质量，提高盾构掘进开挖面稳定性。

技术领域

本发明属于盾构掘进安全领域，更具体地，涉及一种基于图网络学习的盾构开挖面稳定性智能预测方法及设备。

背景技术

盾构掘进过程中，保持开挖面稳定十分重要，不论采用何种盾构机，压力舱内的支护压力必须与开挖面前方的水土压力达到平衡，开挖面才能保持稳定。在隧道的建造过程中，若支护压力不足，则可能导致地表塌陷，若支护压力太大，则会导致地表隆起。

目前的泥水和土压平衡盾构均是预先设定泥水或土舱压力值，在掘进过程中根据开挖面压力情况再对其进行调整以保持开挖面稳定，这种滞后调整容易导致机头处的地面隆起或塌陷。

由于盾构掘进深埋地下，掘进过程中难以准确而全面的了解开挖面的稳定性，无法第一时间获知失稳风险，进而导致盾构掘进存在较高的安全风险。

因此，亟需一种能够快速准确判断盾构开挖面稳定性的方法。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于图网络学习的盾构开挖面稳定性智能预测方法，其目的在于，根据盾构参数智能快速预测开挖面稳定性，预防开挖面失稳的情况发生。

为实现上述目的，按照本发明的一个方面，提供了一种基于图网络学习的盾构开挖面稳定性智能预测方法，包括：

离线训练阶段：

S1：对盾构压力舱的盾构压力信号进行Hilbert-Huang变换，采用DS表征实时的盾构掘进稳定性：

其中，DS为盾构压力信号的非平稳性，H(ω,t)为盾构压力信号的Hilbert时频谱，ω表示频域，B(ω)为所述盾构压力信号的平均边际谱，T表示Hilbert时频谱积分的时间轴，t表示时间；

S2：采集各项盾构参数的时序数据，基于各项盾构参数间的偏相关系数得到盾构参数间的有权有向连接，构建盾构参数偏相关阈值网络，得到盾构参数网络图；其中，基于盾构参数间的偏相关系数得到盾构参数间的有权有向连接的方法如下：

对于任意三个不重复的盾构参数X、Y、Z，所述盾构参数网络图中两个盾构参数间Z→X的有向连接的权重，由如下公式决定：

d(X,Y:Z)≥d(X,Y:Z)_Z+kσ_Z(d(X,Y:Z))

权重设为满足上述公式的Y的个数，其中，

d(X,Y:Z)＝ρ(X,Y)-ρ(X,Y:Z)

d(X,Y:Z)_Z和σ_Z(d(X,Y:Z))分别是对于Z为所有除X、Y参数以外的盾构参数时的d(X，Y：Z)的平均值和标准差；ρ(X,Y)是X、Y之间的相关系数，ρ(X,Y:Z)是X、Y之间除去Z影响的偏相关系数；

S3：构建盾构开挖面稳定性与盾构参数网络特征的图网络学习模型，以步骤S2获得的盾构参数网络图作为输入、DS值作为输出对所述图网络学习模型进行训练，得到基于图网络学习的盾构开挖面稳定性智能预测模型；

在线预测阶段：