[发明专利]一种基于机器学习的盾构姿态预测方法

权利要求书

1.一种基于机器学习的盾构姿态预测方法，其特征在于，所述预测方法包括以下步骤：

(S1)收集盾构现场施工数据和历史数据作为数据集并对所述数据集进行预处理和归一化，所述数据集包括地质参数集、隧道几何集和盾构参数集；将经预处理和归一化的数据集分成训练集和测试集；基于所述训练集对通过多种机器学习算法构建的盾构姿态预测模型进行训练，并基于所述测试集测试训练后的盾构姿态预测模型以选择性能水平最佳的盾构姿态预测模型；

(S2)输入上一环管片的盾构参数及下一环管片的隧道几何和地质参数，预测所述下一环管片的盾构姿态，判断所述下一环管片的盾构姿态是否符合控制要求，若所述下一环管片的盾构姿态符合控制要求，进入下一步，否则利用优化算法来寻找最优盾构参数以限制盾构姿态的异常变化；

(S3)输出所述下一环管片的盾构姿态符合控制要求的盾构参数，并将输出结果输入到所述盾构姿态预测模型的训练集内。

2.如权利要求1所述的一种基于机器学习的盾构姿态预测方法，其特征在于，步骤S1包括以下步骤：

使用Pearson相关系数来识别所述数据集中盾构参数与目标盾构姿态参数间的相关性，Pearson相关系数的计算如下：

式中，x_i是所述数据集中盾构参数的实际值，y_i是所述目标盾构姿态参数的实际值，n是事件总数；

根据Pearson相关系数，选取所述数据集中盾构参数的土仓压力、推进速度、刀盘转速、刀盘扭矩、总推力、发泡率和出渣量作为输入参数，设定所述目标盾构姿态参数中的盾构俯仰角作为输出参数；

所述数据集的归一化计算公式：

式中，X_min为所述输入参数及所述输出参数的最小值，X_max为所述输入参数及所述输出参数的最大值，X_norm是归一化后的所述输入参数及所述输出参数的值；

使用多种所述机器学习算法构建所述盾构姿态预测模型，并在训练所述训练集过程中，采用k-fold交叉验证，其中，所述机器学习算法包括：随机森林、长短时记忆网络、卷积神经网络、极限学习法、BP神经网络；

采用均方根误差RMSE以及决定系数R²来评价各所述机器学习算法的性能，均方根误差及决定系数的计算公式分别为：

式中，x_i是盾构俯仰角实际值，是盾构俯仰角预测值，是盾构俯仰角实际值的平均值；

在得到两个性能指标和各所述机器学习算法消耗的时间后，进行算法评分，以选择性能水平最佳的盾构姿态预测模型。