一种管片选型方法与流程

本发明涉及盾构施工领域，特别是涉及一种管片选型方法。
背景技术：
：盾构施工是全断面施工中的一种全机械化施工方法，是使用盾构机在地下掘进，通过盾壳和管片支承四周围岩、土体防止发生往隧道内的坍塌。同时在开挖面前方用刀盘进行土体开挖，通过渣土车将渣土运出洞外，靠推进油缸在盾尾加压推进，并拼装预制管片，形成隧道结构的一种机械化施工方法。管片是盾构施工的主要装配构件，管片之间通连接螺栓拼装于盾构机所开辟的隧道壁，形成隧道结构，其作为隧道最外层屏障，承担着抵抗土层压力、地下水压力以及一些特殊荷载的作用。在拼装管片的过程中，所选取管片型式的不同、拼装点位的不同，都会导致管片承受不同的外力。如果管片选型不正确可能会因为管片受力不均匀导致管片破裂、漏水等情况的发生，因此在管片拼装过程中管片的选型直接影响着管片的拼装质量，影响隧道的防水性能及耐久性能。由于管片是盾构法隧道施工的永久衬砌结构，管片间拼装后无法更改，因此管片选型的正确与否显得格外重要。目前在盾构施工过程中，绝大部分是由技术人员根据盾构机的姿态及推进数据等因素进行管片的选型操作，因此管片选型受技术人员主观判断的因素影响较大，极易出现管片选型不合理的情况，难以确保隧道的整体质量。由此可见，提供一种管片选型的方法，以相对确保管片拼装过程中选型的合理性，进而相对保证基于管片所构成的隧道的整体质量，是本领域技术人员亟待解决的问题。技术实现要素：本发明的目的是提供一种管片选型方法，以相对确保管片拼装过程中选型的合理性，进而相对保证基于管片所构成的隧道的整体质量。为解决上述技术问题，本发明提供一种管片选型方法，包括：收集盾构施工过程产生的预设数量的数据样本组；其中，数据样本组中包含当前环的施工参数以及相应上一环的管片的型式及点位；基于卷积神经网络对数据样本组进行训练，并生成管片选型模型；接收当前盾构施工过程实时产生的目标施工参数，并将目标施工参数输入至管片选型模型，生成选型结果。优选的，基于卷积神经网络对数据样本组进行训练，并生成管片选型模型包括：通过预设的卷积核分别对各数据样本组进行卷积处理，生成相应的卷积结果；依次通过激活函数及池化层对各卷积结果进行聚类操作，生成相应的特征结果；通过全连接层依照表达式q＝p*w+b对各特征结果进行相应的点位分类处理，生成对应的目标点位；其中，q为目标点位，p为特征结果，w为预设的权重参数，b为偏置值；当存在有目标点位与相应的数据样本组中的点位之间的误差率超出预设范围时，调整权重参数、偏置值以及卷积核并重新训练，直至各目标点位与相应的数据样本组中的点位之间的误差率在预设范围内；将权重参数、偏置值以及卷积核设定为管片选型模型。优选的，在通过预设的卷积核分别对各数据样本组进行卷积处理之前，该方法进一步包括：对各数据样本组进行归一化处理。优选的，调整权重参数、偏置值以及卷积核并重新训练具体为：调整权重参数、偏置值以及卷积核各50％的内容并重新训练。优选的，施工参数包含盾构机的推进油缸长度、盾构机的铰接油缸长度、盾构机的盾尾间隙数值、盾构机与隧道轴线的水平偏差值以及盾构机与隧道轴线的竖直偏差值。本发明所提供的管片选型方法，收集并获取盾构施工过程产生的预设数量的数据样本组，数据样本组中包含有当前环的施工参数以及该当前环的上一环中管片的型式及点位，进而基于卷积神经网络对数据样本组进行训练，生成相应的管片选型模型，以此在当前实际的盾构施工场景下实时接收所产生的目标施工参数，并将该目标施工参数输入至上述的管片选型模型，进而生成与目标施工参数对应的选型结果。由于本方法是基于盾构施工过程中产生的多组数据样本组，并利用卷积神经网络对每一组数据样本组进行相对系统的分析及学习，训练出体现施工参数与管片型号之间关联性的管片选型模型，因此相比于当前人工根据经验的方式进行管片拼装过程中的选型，本方法通过训练得到的管片选型模型进行待拼装管片的选型，能够相对确保管片之间选型的合理性，进而相对保证了基于管片所构成的隧道的整体质量。附图说明为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的一种管片选型方法的流程图；图2为本发明实施例提供的另一种管片选型方法的流程图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。本发明的核心是提供一种管片选型方法，以相对确保管片之间拼装点位选取的合理性，进而相对保证基于管片所构成的隧道的整体质量。为了使本
技术领域：
的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。实施例一图1为本发明实施例提供的一种管片选型方法的流程图。请参考图1，管片选型方法的具体步骤包括：步骤s10：收集盾构施工过程产生的预设数量的数据样本组。其中，数据样本组中包含当前环的施工参数以及相应上一环的管片的型式及点位。需要说明的是，在本步骤的数据样本组，是已经完成盾构施工的管片在施工过程中的所产生的一系列数据，数据样本组中主要包含的是在施工过程中当前环的施工参数以及当前环的上一环的管片的型式及点位，当前环与上一环表征的均是管片所构成的筒状结构，相邻的桶状结构之间通过环状接触面相互拼装，当前环与上一环是相对而言的，对于当前环的安装需要根据安装时盾构施工的整体参数，在上一环的环状接触面上选取符合的管片点位，并将当前环的管片拼装于该管片点位上，以达到上一环管片与当前环管片之间的稳定性。本步骤中的每一个数据样本组均为处于安装状态的当前环的施工参数，即包含前环的施工参数以及相应上一环的管片的型式及点位。本步骤的目的是将已经完成安装的管片作为待安装的管片在安装时选取型式及点位时的参考依据，并在后续步骤中进行卷积神经网络的学习，因此为了确保待安装的管片能够相对全面的参考已安装的管片的安装方式，本步骤的数据样本组的整体数量应相对较大，以此确保对已安装管片的安装方式分析相对准确。步骤s11：基于卷积神经网络对数据样本组进行训练，并生成管片选型模型。卷积神经网络是对数据进行表征学习所采用的包含卷积计算且具有深度结构的前馈神经网络。表征学习是指将完整的对象(例如一幅图像)使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等，进而依据上述一系列特定的表示方法更容易从实例对象中学习到该实例对象所具有的特征。本步骤是基于卷积神经网络对各个收集到的数据样本组进行训练，其根本的目的是将各个数据样本组中的特征进行提取以及归类，最终的目的在于获悉在进行盾构施工的过程中，安装管片时的施工参数对该管片在上一环相邻管片中的点位选取的影响以及关联性，最终生成的管片选型模型，是对所有数据样本组中施工参数与点位之间对应关系的综合衡量结果。步骤s12：接收当前盾构施工过程实时产生的目标施工参数，并将目标施工参数输入至管片选型模型，生成选型结果。本步骤中接收的目标施工参数是在当前盾构施工进行管片安装的过程中实时产生的，进而在产生目标施工参数后，将目标施工参数作为输入参数输入至上述步骤中预先训练得到的管片选型模型，以此通过管片选型模型根据目标施工参数生成相对合理的选型结果，最终以该选型结果完成当前管片与上一环管片的拼装。本发明所提供的管片选型方法，收集并获取盾构施工过程产生的预设数量的数据样本组，数据样本组中包含有当前环的施工参数以及该当前环的上一环中管片的型式及点位，进而基于卷积神经网络对数据样本组进行训练，生成相应的管片选型模型，以此在当前实际的盾构施工场景下实时接收所产生的目标施工参数，并将该目标施工参数输入至上述的管片选型模型，进而生成与目标施工参数对应的选型结果。由于本方法是基于盾构施工过程中产生的多组数据样本组，并利用卷积神经网络对每一组数据样本组进行相对系统的分析及学习，训练出体现施工参数与管片型号之间关联性的管片选型模型，因此相比于当前人工根据经验的方式进行管片拼装过程中的选型，本方法通过训练得到的管片选型模型进行待拼装管片的选型，能够相对确保管片选型的合理性，进而相对保证了基于管片所构成的隧道的整体质量。实施例二在上述实施例的基础上，本发明还提供以下一系列优选的实施方式。图2为本发明实施例提供的另一种管片选型方法的流程图。图2中步骤s10、s12与图1相同，在此不再赘述。如图2所示，作为一种优选的实施方式，步骤s11包括：步骤s20：通过预设的卷积核分别对各数据样本组进行卷积处理，生成相应的卷积结果。需要说明的是，本步骤是将各数据样本组中的数据内容均置于同一个一维数组中，如：x1x2x3x4x5x6…xn-1xn其中，x1～xn分别为一个数据样本组中的各个数据内容。在将数据样本组中的数据内容均置于同一个一维数组后，将该一维数据设定为输入矩阵，以通过卷积核进行卷积运算，卷积核如：y1y2y3y4该卷积核的尺寸为1*4，其中，y1～y4分别为卷积核的矩阵元素，矩阵元素会根据卷积运算而不断变化，故在此不做具体限定。另外，卷积核的尺寸可以根据实际需求而定，不仅限定于示例中的1*4。卷积核尺寸可以指定为小于输入矩阵尺寸的任意值，卷积核越大，可提取的输入特征越复杂。卷积处理生成的卷积结果可以表示为：z1z2z3z4z5…zm-1zm其中，z1＝x1y1+x2y2+x3y3+x4y4；z2＝x2y1+x3y2+x3y3+x4y4；…zm＝xn-3y1+xn-2y2+xn-1y3+xny4；m＝n+4-1(4是y的下标，即卷积核的大小)。步骤s21：依次通过激活函数及池化层对各卷积结果进行聚类操作，生成相应的特征结果。需要说明的是，使用激活函数的作用在于，能够对卷积结果中的各个特征进行聚类，以此能够将具有相同特征的卷积结果进行融合，以使卷积结果中元素的分类更加明显。激活函数可以具体为f(z)＝max(0，z)；其中，z为卷积结果中的元素。本步骤在通过池化函数对卷积结果进行处理后，需要进一步对卷积结果进行池化操作，池化的目的将卷积结果中的具有相同局部特征的元素进行聚合，以此更大程度的将卷积结果提取为特征结果。池化的结果可以以如下表达式表示：p1＝max(f(z1)，f(z2)，f(z3)，f(z4))；p2＝max(f(z5)，f(z6)，f(z7)，f(z8))；…pn＝max(f(z4n-3),f(z4n-2),f(z4n-1),f(z4n))；其中，n为数据样本组中的数据内容数量。步骤s22：通过全连接层依照表达式q＝p*w+b对各特征结果进行相应的点位分类处理，生成对应的目标点位。其中，q为目标点位，p为特征结果，w为预设的权重参数，b为偏置值。需要说明的是，本步骤中的全连接层是卷积神经网络中能够整合卷积层或者池化层中具有类别区分性的局部信息的数据处理层，实质上相当于分类器，用于对卷积结果提取的特征结果进行分类，而本步骤中所指的特征结果即为管片点位，对管片点位的分类，实际上就是对于管片点位的选取。全连接层依照表达式q＝p*w+b对各特征结果进行相应的点位分类处理，生成对应的目标点位，其中，q为目标点位，p为特征结果，w为预设的权重参数，b为偏置值。该表达式的含义是将特征结果进行权重参数以及偏置值的调整得到目标点位。目标点位、特征结果以及权重参数可以分别以如下形式表示：p＝(p1,p2,p3,p4,…,pn)；b＝(b1,b2,b3,b4,…,bo)；其中，o为输出元素的个数，当为中间全连接层时o的取值是训练得到的，若是最后一个全连接层时o的取值是由分类类别决定的。需要说明的是，本步骤中引入的权重参数以及偏置值的初始值可以随机生成，并且会在后续步骤中不断调整，直至调整成为合理的取值。步骤s23：当存在有目标点位与相应的数据样本组中的点位之间的误差率超出预设范围时，调整权重参数、偏置值以及卷积核并重新训练，直至各目标点位与相应的数据样本组中的点位之间的误差率在预设范围内。本步骤是将上一步骤中通过各个数据样本组得到的目标点位与相应数据样本组中的点位进行比对，一旦存在有误差率超出预设范围的数据样本组时，则调整权重参数、偏置值以及卷积核并重新训练，此处的重新训练是指，根据调整后的权重参数、偏置值以及卷积核，分别对所有的数据样本组均重新进行完整的训练，直至各目标点位与相应的数据样本组中的点位之间的误差率在预设范围内。本步骤中的预设范围可以根据实际情况下，对训练精度的需求而定，在此不做具体限定。需要说明的是，每经过全连接层时，均需要通过激活函数对目标点位q进行处理后，才能够进行后续运算，激活函数可以表示为f(q)＝max(0,q)，在此基础上，误差值的计算表达式可以为步骤s24：将权重参数、偏置值以及卷积核设定为管片选型模型。由于各目标点位与相应的数据样本组中的点位之间的误差率在预设范围内，因此可以认为通过当前的权重参数、偏置值以及卷积核能够相对准确的根据施工参数确定相应的选型结果，进而本步骤将权重参数、偏置值以及卷积核设定为管片选型模型。在上述实施方式的基础上，作为一种优选的实施方式，在通过预设的卷积核分别对各数据样本组进行卷积处理之前，该方法进一步包括：对各数据样本组进行归一化处理。需要说明的是，由于考虑到各个数据样本组所包含的数据精度之间可能存在差异，基于不同数据精度的数据样本共同训练生成的管片选型模型的整体准确性较低，因此本实施方式在通过预设的卷积核分别对各数据样本组进行卷积处理之前，预先对各数据样本组进行归一化处理，以此确保各个数据样本中数据精度一致，进而保证最终生成的管片选型模型在使用时的整体准确性。此外，在上述实施方式的基础上，作为一种优选的实施方式，调整权重参数、偏置值以及卷积核并重新训练具体为：调整权重参数、偏置值以及卷积核各50％的内容并重新训练。需要说明的是，由于考虑到对数据样本组的训练在本质上就是对权重参数、偏置值以及卷积核进行调整的过程，为了确保权重参数、偏置值以及卷积核均能在原有基础上进行更进一步的调整，并且避免出现调整后的权重参数、偏置值以及卷积核与原有内容相差过大或差异较小，本实施方式每一次调整权重参数、偏置值以及卷积核时仅调整其三者各自50％的内容，以此确保了调整后与调整前的权重参数、偏置值以及卷积核之间在具有关联性的同时，具有相对合理的差异性。此外，作为一种优选的实施方式，施工参数包含盾构机的推进油缸长度、盾构机的铰接油缸长度、盾构机的盾尾间隙数值、盾构机与隧道轴线的水平偏差值以及盾构机与隧道轴线的竖直偏差值。需要说明的是，由于管片需要通过盾构机进行安装，而盾构机的自身属性以及在隧道中的物理状态反映着盾构机在隧道中的受力情况以及施工的环境的特质，进而决定着管片之间的拼装关系，因此本实施方式中，点位选取所依照的施工参数包含有反映盾构机的自身属性以及在隧道中的物理状态的内容，即盾构机的推进油缸长度、盾构机的铰接油缸长度、盾构机的盾尾间隙数值、盾构机与隧道轴线的水平偏差值以及盾构机与隧道轴线的竖直偏差值。本实施方式将盾构机的属性以及状态，作为管片选型模型的训练依据，能够相对确保管片选型模型的可用性。以上对本发明所提供的一种管片选型方法进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。当前第1页12