基于BO-RF-MOMPA混合算法的盾构隧道优化设计方法及设备

本发明属于隧道智能算法预测及优化，具体地，涉及一种基于bo-rf-mompa混合算法的盾构隧道优化设计方法及设备，更具体的，涉及一种基于bo（bayesianoptimization）-rf（randomforest）-mompa（multi-objective marine predatoralgorithm）混合算法的盾构隧道优化设计方法及设备。

背景技术：

1、盾构隧道的优化设计，主要针对管片参数的优化设计。管片直接关系到隧道的施工阶段、运营阶段的安全与质量，盾构管片优化设计是盾构隧道结构设计中的关键环节，对于隧道来说，影响隧道管片设计及优化的因素有很多。比如，管片结构及材料参数（厚度、幅度、管片配筋率等），地质参数（粘聚力、内摩擦角等），施工参数（总推力、土仓压力、刀盘扭矩、推进速度、注浆量等），空间几何参数（埋深等）等。在传统的隧道结构研究中，往往是根据理论公式、数值仿真或者试验的数据分析结构变形和受力规律并进行设计。这些方法都基于相关假设前提且考虑的因素有限，其结果都只能体现部分客观规律，与现实情况存在一定的差异，难以全面考虑多因素综合影响下隧道的真实状态。考虑所有参数组合进行模拟或者试验耗时、精度低且难以实现。随着人工智能的发展，采用机器学习算法可以有效克服上述相关技术中的缺陷，成为业界亟待解决的技术问题之一。

技术实现思路

1、针对现有技术的以上缺陷或改进需求，本发明提供了一种基于bo-rf-mompa混合算法的盾构隧道优化设计方法及设备，其中结合盾构隧道自身的特征及其优化设计的工艺特点，相应设计了一种结合bo-rf算法和mompa的混合机器学习方法，用以解决考虑隧道开挖真实施工状态的盾构管片优化设计问题。利用bo-rf模型对监测到的样本数据进行模拟训练，为mompa优化提供高精度预测函数，然后利用mompa进行多目标优化，得到最优盾构管片参数设置范围，实现盾构管片参数优化的目的。

2、为实现上述目的，按照本发明的一个方面，提出了一种基于bo-rf-mompa混合算法的盾构隧道优化设计方法，包括以下步骤：

3、步骤一：分析盾构隧道施工阶段引起隧道变形的敏感因素，建立指标体系，采集盾构掘进过程中的实际监测数据并结合地质勘查，构建样本数据集；

4、步骤二：基于样本数据集，建立基于bo-rf的地表沉降、管片最大轴向压力、管片最大变形量、成本预测模型并检验；

5、步骤三：将预测模型所得的非线性映射关系函数作为目标优化适应度函数，构建基于bo-rf-mompa的多目标优化模型，提出盾构管片参数建议设置范围。

6、作为进一步优选的，步骤一中，所述盾构隧道施工扰动下，引起隧道变形及管片设计的敏感因素包括：管片厚度、管片幅宽、管片配筋率、总推力、土仓压力、刀盘扭矩、推进速度、注浆量、地层粘聚力、地层内摩擦角、隧道埋深。

7、作为进一步优选的，步骤二具体包括以下步骤：

8、（21）对样本数据集中的数据进行归一化预处理，以消除不同样本特征尺寸对预测精度和效率的影响；

9、（22）用贝叶斯优化对rf的关键参数进行优化，选择最优参数组合，基于最优参数组合建立bo-rf预测模型；

10、（23）对bo-rf预测模型的预测值和真实值进行拟合，并利用均方误差和拟合优度对模型精度和误差进行评价。

11、作为进一步优选的，所述bo-rf预测模型的建立具体包括以下步骤：

12、（221）bo-rf预测模型超参数确定：

13、建立rf模型的过程中， rf模型参数包括有决策树数量、决策树最大深度、节点划分所需最小样本数以及叶子节点最少样本数；

14、（222）采用贝叶斯优化算法对rf模型的超参数进行优化；

15、（223）随机将样本数据集中的样本数据划分为训练样本集和测试样本集，采用训练样本集对超参数优化后的模型进行训练，并基于python建立bo-rf预测模型。

16、作为进一步优选的，步骤（222）具体包括以下步骤：

17、（2221）采用高斯函数建立目标函数的统计模型

18、对于预测点，其预测后验分布为高斯分布，其中为均值，为方差，对高斯过程均值函数进行典型的零均值假设，可以将均值和方差表示如下：

19、            （2）

20、     （3）

21、其中，表示核函数，，则为之间的gram矩阵。

22、（2222）采用期望改进构建下一个采样点的采集函数：

23、（4）

24、               （5）

25、其中，分别表示当前的最大值、期望损失值和累积分布函数，表示的方差，表示概率密度函数。

26、作为进一步优选的，步骤三具体包括以下步骤：

27、（31）确定目标函数

28、引入rf回归预测算法替代传统数学关系式作为多目标遗传算法中的适应度函数，以反映盾构施工扰动下，地表沉降、管片最大轴向压力、管片最大变形量、成本之间存在的复杂非线性关系；

29、（32）确定约束范围

30、根据工程要求和项目已有数据对目标决策参数的取值设定约束条件；

31、（33）mompa多目标优化

32、应用mompa算法实现盾构管片参数的多目标优化，以确定隧道的盾构管片参数pareto最优解集，并保证地表沉降、管片最大轴向压力、管片最大变形量的安全及成本的有效控制。

33、作为进一步优选的，所述mompa算法优化过程包括三个主要优化阶段：

34、1）高速比v≥10或猎物移动速度快于捕食者时，捕食者的策略是根本不移动；

35、2）单位速度比或捕食者和猎物以几乎相同的速度移动时：猎物负责开发，捕食者负责探索，根据规则，如果猎物在lévy中移动，捕食者的策略是布朗运动；

36、3）当捕食者移动速度快于猎物时，速度比较低，捕食者的策略是lévy。

37、作为进一步优选的，利用mompa算法获取pareto最优解具体如下：

38、step1：对pareto解集中的每个解定义隶属度函数，计算每个解对于各优化目标的隶属度，根据优化目标的优化方向，隶属度计算分为两种情况：

39、1）当优化目标为最小化时，隶属度函数为：

40、         （10）

41、2）当优化目标为最大化时，隶属度函数为：

42、       （11）

43、其中，表示pareto解集中第 j个解对于第 i个目标的隶属度，表示解集中第i个目标的最大值，表示解集中第i个目标的最小值，表示pareto解集中第 j个解对应第 i个目标的值;

44、step2：根据每个解对于各个优化目标的隶属度，计算每个pareto最优解的综合支配值，第 j个解的支配值的计算如下：

45、                 （12）

46、其中，m表示优化的目标个数，n表示通过mompa算法获取的pareto解集中解的数量；

47、step3：根据综合支配值最大原则选择最大支配值对应的pareto解为最优折衷解。

48、按照本发明的另一个方面，还提供了一种基于bo-rf-mompa的盾构隧道优化设计设备，包括：第一主模块：分析盾构隧道施工阶段引起隧道变形的敏感因素，建立指标体系，采集盾构掘进过程中的实际监测数据并结合地质勘查，构建样本数据集；第二主模块，基于样本数据集，建立基于bo-rf的地表沉降、管片最大轴向压力、管片最大变形量、成本预测模型并检验；第三主模块，将预测模型所得的非线性映射关系函数作为目标优化适应度函数，构建基于bo-rf-mompa的多目标优化模型，提出盾构管片参数建议设置范围。

49、按照本发明的另一个方面，还提供了一种电子设备，包括：

50、至少一个处理器、至少一个存储器和通信接口；其中，

51、所述处理器、存储器和通信接口相互间进行通信；

52、所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行上述的方法。

53、总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

54、1.本发明充分利用rf可以结合决策树和非参数统计，基于离散或连续的数据集合成回归或分类函数，很好的避免了过拟合现象，泛化性强，实现了对隧道变形的高精度预测，实现了盾构管片参数的优化设计。

55、2.本发明利用拥有快速非支配排序算子、个体拥挤距离算子和精英策略选择算子的mompa进行多目标优化模型建立，可以快速寻找最优方案并进行选择性排序，极大的提高了优化的效率和精度。

56、3.本发明将rf预测模型替代传统的数学模型，将其作为目标优化的适应度函数，并与mompa结合，很好地反映了盾构施工参数、地质参数、管片参数、空间几何参数与隧道变形之间的复杂非线性映射关系，为实现管片参数精确优化提供基础。

57、4.本发明将地表沉降、管片最大轴向压力、管片最大变形量、成本同时作为优化目标，进行多目标优化，可以综合考虑多目标间的矛盾关系，使优化后方案更加符合工程实际需求。

58、5.本发明分析了盾构隧道施工阶段引起隧道变形的敏感因素，并根据获取的敏感因素建立训练预测的数据集，同时，特别的根据地表沉降、管片最大轴向压力、管片最大变形量、成本进行多目标优化，可以充分反应盾构隧道施工阶段引起隧道变形的指标体系，又能综合考虑多目标间的矛盾关系，使优化后方案更加符合工程实际需求。