[发明专利]一种基于多影响因素的泥水盾构泥水仓压力预测方法

说明书

本发明公开了一种基于多影响因素的泥水盾构泥水仓压力预测方法，包括以下步骤：步骤1，获取泥水盾构PLC系统采集的数据；步骤2，进行泥水仓压力影响因素分析，得到影响因素；步骤3，根据影响因素对数据进行清洗、特征提取和样本划分，得到训练集数据和测试集数据；步骤4，基于训练集数据，采用遗传算法结合K折交叉验证优化神经网络拓扑结构，得到最优网络拓扑结构信息并构建最优模型；步骤5，基于训练集数据对最优模型进行训练，得到拟合模型，并基于测试集数据对拟合模型进行评估，若未达标则重复步骤4～5，直至模型预测效果达标；步骤6，使用达标的模型对下一时刻的泥水仓压力进行预测，对预测值是否处于合适的范围进行分析并给出反馈信息。

技术领域

本发明涉及计算机人工智能神经网络技术在土木工程领域的应用，具体涉及一种基于多影响因素的泥水盾构泥水仓压力预测方法。

背景技术

在泥水盾构掘进中，通过泥水压力平衡控制系统在线调节开挖面的实际泥水支护压力，尽量使其等于水土压力的期望值，是盾构顺利掘进的重要基础和保障。间接式泥水盾构掘进的开挖面实际泥水支护压力同时受气体压力、泥水液位和其他掘进参数的影响，有效建立期望水土压力与实际泥水支护压力之间的平衡关系是维持开挖面稳定的关键。

为了在泥水盾构施工中维持掌子面稳定和避免地表沉降，现有的基于机理分析的优化算法、基于李雅普诺夫反向步进方法的非线性自适应控制技术、模糊免疫控制技术等方法均被广泛用于土压平衡控制，如将非线性LS-SVM预测器与改进的蚁群算法相结合对密封舱土壤压力进行控制等。但由于长距离的泥水循环，对泥水盾构机泥水仓中泥水支护压力的调节往往具有明显的时滞现象，因此以上关于土压平衡的控制模型不适用于具有复杂时变特性的泥水压力平衡控制，且现有的模型主要通过大量的离线模拟训练来确定模型参数，不能够根据实际遇到的地质条件自动重新调整相关的模型参数。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于多影响因素的泥水盾构泥水仓压力预测方法。

本发明提供了一种基于多影响因素的泥水盾构泥水仓压力预测方法，具有这样的特征，包括以下步骤：步骤1，获取泥水盾构PLC系统采集的数据；步骤2，根据泥水盾构PLC系统采集的数据，进行泥水仓压力影响因素分析，得到影响因素；步骤3，根据影响因素，对泥水盾构PLC系统采集的数据进行清洗，并进行特征提取和样本划分，得到训练集数据和测试集数据；步骤4，基于训练集数据，采用遗传算法结合K折交叉验证优化神经网络拓扑结构，得到最优网络拓扑结构信息并构建最优模型；步骤5，基于训练集数据对最优模型进行训练，得到拟合模型，并基于测试集数据对拟合模型进行评估以对模型的预测效果进行进一步验证，若未达标则重复步骤4～步骤5，直至模型预测效果达标；步骤6，使用预测效果验证达标的模型对下一时刻的泥水仓压力进行预测，对预测值是否处于合适的范围进行分析并给出相应的反馈信息。

在本发明提供的基于多影响因素的泥水盾构泥水仓压力预测方法中，还可以具有这样的特征：其中，步骤2中，影响因素包括直接因素和间接因素。直接因素为预设的下一时刻的气垫仓压力和泥浆液位；间接因素为当前时刻的掘进参数，包括贯入度、刀盘扭矩、刀盘转速、总推进力、推进速度、进浆流量以及出浆流量。

在本发明提供的基于多影响因素的泥水盾构泥水仓压力预测方法中，还可以具有这样的特征：其中，步骤3包括以下子步骤：步骤3-1，将PLC系统采集的数据进行空值处理和异常值处理；步骤3-2，将处理后的数据以分钟为刻度重新整理；步骤3-3，将整理后的数据进行归一化处理，得到数据样本；步骤3-4，将数据样本划分成训练集数据和测试集数据。