机器学习和改进遗传算法的盾构施工参数多目标优化方法

本发明涉及盾构掘进隧道施工的多目标优化，尤其涉及一种机器学习和改进遗传算法的盾构施工参数多目标优化方法。

背景技术：

1、盾构掘进隧道是一个庞大且复杂的动态过程，盾构姿态和地表沉降两者均是盾构法施工过程中需要严格控制的参数。因此以信息化、智能化、自动化技术推进盾构机行进过程中的参数控制就变得尤为重要。

2、近年来，人工智能机器学习的迅猛发展，为掘进参数的预测和优化带来了新的研究方法，盾构施工云平台功能的不断完善也为这种方法提供了强大的数据支持。目前已有学者运用机器学习的方法分别实现了盾构运行姿态和地表沉降的动态预测，并基于单一目标实现了关键性施工参数的智能化控制，给出了施工参数重要项的取值范围。但目前各项研究中提出的盾构施工参数决策优化方法仍存在以下不足：

3、(1)现实的盾构掘进过程往往需要同时满足多个目标，且每个目标不可能同时达到最优，需要协调权衡盾构掘进过程中的多目标需求，并据此给出多维盾构施工参数的建议取值范围；

4、(2)优化算法在解决工程问题时，更为常见的是带有约束条件的优化问题，即为复杂约束下的多变量多目标优化问题，理应结合实际客观条件和工程经验构建优化算法的约束条件；

5、(3)多目标遗传算法nsga-iii算法能克服传统目标优化算法的缺点，得到多个“满意解”的集合，即pareto最优解集，但是该算法在如何加强全局搜索能力，提高收敛性等方面仍需改进。

技术实现思路

1、本发明提供了一种机器学习和改进遗传算法的盾构施工参数多目标优化方法，引入含有正态分布交叉算子(ndx)改进传统的非支配遗传算法(nsga-iii)，其在全局搜索能力和收敛性等方面具有较强的优越性；此外在工程应用方面，该方法直击盾构掘进过程中安全风险控制的两大要点：盾构姿态偏差和地表沉降，解决了盾构机施工参数设定和动态调控的技术难点；一方面由于盾构掘进线路的变化、施工地质环境的复杂性等因素，盾构机易偏离轴线，当偏离值超过允许范围时，需及时调整盾构掘进的施工参数进行姿态纠偏，否则会引发严重的安全隐患；另一方面地表沉降的良好控制也取决于盾构各项施工参数的合理设定，若盾构施工参数设定不合理、姿态偏差过大会直接加剧土体超挖、造成盾尾间隙和土体损失率的增大，进而地表产生大幅沉降；当前盾构掘进中的施工参数主要由人工的经验进行设定，因此往往存在不稳定、不及时的缺陷，该方法可协助盾构施工管理人员在掘进过程中做出快速、科学、合理的预判，详见下文描述：

2、一种机器学习和改进遗传算法的盾构施工参数多目标优化方法，所述方法包括：

3、获取盾构各项施工参数、盾构姿态的水平、垂直纠偏误差和盾构掘进引起地表变形的沉降数据；

4、建立盾构施工参数与盾构水平姿态、垂直姿态的两个svm预测模型，盾构施工参数对地表最终沉降的lgbm预测模型，得到回归预测函数；

5、以盾构的水平、垂直姿态偏差和地表沉降的最终沉降作为控制目标，回归预测函数作为改进nsga-ⅲ算法的适应度函数，设定盾构施工参数的约束条件，构建lgbm-svm-nsga-ⅲ多目标优化模型；

6、根据改进nsga-iii算法得到pareto最优解集，确定满足盾构垂直、水平姿态纠偏误差和地表沉降变形限值的盾构施工参数的控制范围。

7、其中，所述回归预测函数为：

8、f1＝min[svm-regression(xi)],i＝1,2,…,8

9、f2＝min[svm-regression(xi)],i＝1,2,…,8

10、f3＝min[lgbm-regression(xi)],i＝1,2,…,8

11、其中，f1为盾构水平姿态偏差的最小值；f2为盾构垂直姿态偏差的最小值；f3为隧道轴线上方地表沉降的最小值；x1，x2，x3，x4，x5，x6，x7，x8分别是土压力、刀盘转速、总推力、刀盘扭矩、掘进速度、注浆压力、同步注浆量、出土方量，svm-regression(xi)为svm回归函数；lgbm-regression(xi)为lgbm回归函数。

12、进一步地，所述根据改进nsga-iii算法得到pareto最优解集具体为：

13、改进的nsga-iii算法采用正态分布交叉算子和多项式变异算子对选择个体后进行交叉变异，最终利用快速非支配排序组成pareto最优解集：

14、

15、在式中，c1/2,i为子代个体上对应的第i个控制变量值，x1,i，x2,i为两个父代个体上对应的第i个控制变量值，i为某个控制变量的位置，即第i个控制变量或者说染色体上的第i个基因位；(x1,i+x2,i)/2是两个父代个体在第i个控制变量上的中点，n(0,1)为由正态分布得出的一个随机变量，u是在区间(0,1)上的均分布的一个随机数。

16、本发明提供的机器学习和改进遗传算法的盾构施工参数多目标优化方法的优势主要包含以下三个方面：

17、(1)本发明提出了同时兼顾两项安全指标的盾构姿态设定调控的方法，分别是：地表沉降变形和盾构姿态偏差，以给出更科学且更贴合实际工程需求的参数决策建议。当前的盾构操作参数的优化主要是通过大量的历史数据学习，训练出能够正确反映各施工参数与单一输出变量之间的内在联系的模型，基于该模型设定输出变量的目标限制进行反向推理，从而确定各施工参数的最优决策范围，但基于单一的安全指标的施工参数优化可能会导致其他安全目标较差，盾构掘进过程中的安全与否是由多项控制标准和多种施工参数协同参与、共同影响的，并且往往这些安全标准之间总是存在着相互的制约性，基于多目标的优化方法更符合实际施工需求。

18、(2)本发明各项盾构施工参数的优化可行域，需要结合历史样本数据，相关工程规范，设备额定参数等确定，在约束的可行域中寻优得出的参数最优解更加合理可行，从而确保实际隧道掘进施工的安全、平稳、高效。工程盾构施工的参数取值范围往往会受施工效率、设备条件等实际工程需求的影响，若直接对盾构机的各项参数进行全局寻优，得到的参数决策范围可能会与盾构机的工程实际参数相差过大，造成因参数调节跨度大而出现的安全隐患。为防止出现上述矫枉过正的情况，同时避免因个别参数取值过大损坏设备，或因取值过小影响正常施工速率等过犹不及的结果，约束多维施工参数的决策范围进行参数优化更具可行性。

19、(3)本发明将机器学习和遗传算法相结合，以数据驱动得到盾构施工参数与地表沉降、姿态偏差之间的映射关系，作为遗传算法的目标函数，并提出ndx(正态分布交叉)算子改进第三代非支配排序遗传算法(nsga-iii)。隧道开挖是多种影响因素相互作用的复杂工程，传统的经验法、解析法、数值法往往难以同时考虑多种因素的叠加效应，近年来机器学习的强大的非线性拟合和预测能力在盾构掘进的各项研究中得到了广泛的验证。为传统的nsga-iii算法引入ndx算子，其运算时间更短，解集的搜索空间更广泛，获得的pareto最优解分布更均匀，解集的质量更高。