[发明专利]一种盾构姿态动态预测方法、系统及设备

说明书

本发明提供了一种盾构姿态动态预测方法、系统及设备，包括构建盾构姿态预测模型；其中，盾构姿态预测模型采用双向LSTM‑Attention盾构姿态预测模型；获取样本数据集，对盾构姿态预测模型进行训练；将待预测时间段之前的一个时间段的盾构姿态数据，输入至训练后的盾构姿态模型，得到盾构姿态动态预测结果；本发明采用双向LSTM构建考虑姿态数据流演化规律的预测模型，引入注意力机制进行赋权处理，通过加权求和的方式输出最终预测结果；实现了在盾构姿态预测时同时利用过去时刻和未来时刻的姿态数据实现正、反双向数据流学习，并对隐含层各个节点的输出结果进行重要度区分，进而能够达到更高精度的盾构姿态预测，有效提高了模型的预测精度。

技术领域

本发明属于盾构施工技术领域，特别涉及一种盾构姿态动态预测方法、系统及设备。

背景技术

盾构法施工因其具有掘进速度快、对地面交通影响较小及对自然环境危害较小等优势，在城市地铁建设过程中被广泛使用；盾构法施工主要是依靠盾构机向前掘进、刀盘切削土体、土仓内土体与掌子面水土压力平衡、盾尾管片拼装和同步注浆来形成整条隧道。在施工过程中，盾构机需沿隧道设计轴线向前掘进，但由于待掘进前方地层的不确定性、盾构司机操作水平的差异性及盾构机因自重导致的不良自稳性等原因，使得盾构掘进轴线往往与隧道设计轴线之间存在一定偏差，进而导致盾构机在实际施工过程中沿“蛇形”运动；当偏差较大时，可能会导致土体超挖、地面沉降及坍塌、地下管线的不均匀沉降等施工风险的发生，严重时甚至需要重新设计隧道轴线，带来了巨大的经济损失。因而，对盾构姿态进行科学合理控制十分关键；盾构姿态的预测能够帮助现场施工人员事先获取盾构姿态的演化规律，对于及时有效的进行姿态控制具有至关重要的作用。

中国专利申请“一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法”(公开号：CN111365015A)中，将数据分析和专家经验相结合进行影响盾构姿态的掘进参数特征选择，进而以特征提取后的掘进参数为输入、以盾构姿态参数为输出构建了基于XGBoost的盾构姿态偏差预测模型；中国专利申请“基于混合深度学习的盾构掘进位姿智能预测方法及系统”(公开号：CN110195592A)中，将若干影响盾构位姿的掘进参数作为输入变量、盾构位姿参数作为输出变量构建了基于WCNN-LSTM的盾构位姿混合深度学习预测模型。

上述公开文件中，所公开的盾构姿态预测方法均是从盾构姿态影响因素和盾构姿态响应参数之间的耦合作用出发，构建影响因素为输入、姿态响应参数为输出的预测模型；这种建模方式下确定合理的影响因素是保障模型预测精度的关键环节之一，但由于盾构掘进过程中影响姿态的因素较多、部分影响因素的实际施工数据获取困难等原因，会在一定程度上影响模型的预测精度；上述公开文件采用的XGBoost、长短期记忆神经网络等预测算法仅仅对过去时刻的信息(正向、单向数据流)加以利用来进行姿态预测，尚未同时融合过去和未来的时刻信息(正、反双向数据流)进行预测，导致其所构建的盾构姿态预测模型精度不高；同时，在构建盾构姿态预测模型时，隐含层单元输出的各个向量没有进行重要度区分，模型无法突出影响预测结果的重要信息；对于实际工程而言，不同时序数据对姿态预测结果的影响程度是不同的，因此，模型训练后从隐含层输出不作重要度区分式的预测其精度会受影响。

发明内容

针对现有技术中存在的技术问题，本发明提供了一种盾构姿态动态预测方法、系统及设备，以解决现有的盾构预测过程，预测模型的精度较低的技术问题。

为达到上述目的，本发明采用的技术方案为：

本发明提供了一种盾构姿态动态预测方法，包括以下步骤：

构建盾构姿态预测模型；其中，盾构姿态预测模型采用双向LSTM-Attention盾构姿态预测模型；

确定盾构姿态预测模型的输入参数和输出参数；其中，输入参数为过去t时刻至t-k₁时刻盾构姿态数据；输出参数为未来t+1时刻至t+k₂时刻对应的盾构姿态数据；