[发明专利]基于深度神经网络与关联分析结合的盾构轴线纠偏方法

说明书

本发明提出了一种基于深度神经网络与关联分析结合的盾构轴线纠偏方法，用于解决现有技术中存在的纠偏精度较低的技术问题，实现步骤为：构建盾构参数数据包；计算每类盾构轴线偏差的历史纠偏数据；构建基于深度神经网络DNN的轴线偏差参数回归模型；获取每类盾构轴线偏差的历史纠偏数据区间；获取每类盾构轴线偏差的每环纠偏量区间关联的纠偏掘进数据区间；获取盾构机各环所需的纠偏量；获取每环的纠偏掘进参数推荐数值。通过深度神经网络DNN构建盾构轴线偏差参数回归模型，通过关联分析获得与每环纠偏量区间关联的纠偏掘进数据区间，通过反向圆几何计算方法获得每环纠偏量，并通过每环纠偏掘进参数推荐数值实现纠偏，有效提高了纠偏精度。

技术领域

本发明属于盾构隧道施工技术领域，涉及一种盾构轴线纠偏方法，具体涉及一种基于深度神经网络与关联分析结合的盾构轴线纠偏方法。

背景技术

随着社会经济的发展，地铁、公路及铁路隧道建造需求越来越高，由于拥有安全性、高效性及环保等特点，盾构法成为了隧道的主流施工方法。

在盾构施工过程中，由于地质施工环境的复杂、线路线形变化等因素，盾构机轴线很容易发生偏离。当偏差超过允许范围时，必须及时将轴线纠正回原隧道设计轴线方向。在传统的盾构周线纠偏方法中，主要依赖操作人员施工经验手工调整盾构机参数，掘进轨迹精度主要依赖人员熟练性，纠偏依赖人工经验。

目前盾构纠偏方法的主要思想是通过建立反向圆几何模型设计纠偏曲线，然后通过几何模型计算出纠偏半径和纠偏坐标等参数，以此提供给施工人员以供纠偏。这种方法仅仅计算出纠偏半径和纠偏坐标，在盾构机参数设置过程中依然较为依赖人工经验，导致纠偏纠偏精度不能得到保证，纠偏效率低，为了避免纠偏过分依赖人工纠偏经验的缺陷，现有技术提出了一种通过盾构历史数据训练XGboost回归模型，再通过统计划分区间最终给出盾构掘进参考数据，以此实现纠偏的方法，例如申请公布号为CN108868805A，名称为“基于统计分析与XGboost结合的盾构纠偏方法”的专利申请，公开了一种基于统计分析方法与机器学习算法结合的纠偏方法。该方法为训练基于XGboost的盾构姿态参数回归模型，获取多组掘进样本数据；对盾构机姿态进行纠偏。通过统计分析，将姿态参数值划分为多个区间，并且对每个区间掘进数据通过XGboost所建立的回归模型进行计算，得到每组包含多条盾构数据的多组数据，使得每个区间给出一组盾构参考数据，给多环纠偏时参数设置提供依据。该方法成功的解决了盾构纠偏时，盾构机参数设置依赖人工经验的问题，为盾构机参数设置提供了数值参考。对提高盾构掘进纠偏的准确度起到一定作用。但该方法存在以下不足：1.该方法是在传统的机器学习算法XGboost基础上训练的模型，传统的机器学习模型更适合数据纬度较少，数据量较小的场景，不适用于海量数据的工业施工领域，在工业施工过程中随着数据量的提升模型精度不能得到保证，从而导致纠偏精度较低。2.该方法训练数据采用的是盾构历史数据，盾构历史数据中包含了偏离数据和纠偏数据，该方法并没有在盾构数据中将历史纠偏数据划分出来进行模型训练，因此纠偏掘进参数推荐数值的准确度较低，间接导致纠偏精度较低。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于深度神经网络与关联分析结合的盾构轴线纠偏方法，用于解决现有技术中存在的纠偏精度较低的技术问题。

本发明的技术思路是：首先构建盾构参数数据包，然后计算出历史纠偏数据，通过深度神经网络DNN训练出轴线偏差回归模型，再将数据离散化之后通过关联分析挖掘出偏差与掘进参数之间的关联规律，再对区间进行遍历，找出误差Error最小的一组掘进参数数值作为最终的推荐参数，具体实现方法包括如下步骤：

(1)构建盾构参数数据包：

(1a)剔除盾构机所采集的历史盾构数据中停止掘进状态下的数据，得到历史掘进数据，并通过历史掘进数据的中位数对该历史掘进数据中的缺失值进行填充，得到完整历史掘进数据，然后通过完整历史掘进数据的中位数对该完整历史掘进数据中的异常值进行替换，得到新的历史掘进数据；