复合地层盾构掘进速度预测方法、装置、设备及存储介质与流程

本发明属于盾构掘进，具体涉及一种复合地层盾构掘进速度预测方法、装置、设备及存储介质。

背景技术：

1、当今地铁盾构为了能够高效和安全地施工，不仅需要对盾构过程中引发的沉降进行严格的把控，同时，合理掘进参数的设定更是安全掘进的基础。若掘进参数设置不当，不但延长施工周期、使能耗增加和造成设备损坏等，还会当掘进参数与地质条件不匹配时，可能导致地质灾害的发生，如涌水和塌方等事故，造成巨大的人员伤亡及经济损失。

2、对此，国内外学者进行了大量研究：有人通过盾构掘进参数和地层参数，利用bp神经网络，实现对盾尾油脂消耗的预测；还有人基于现场数据，对盾构掘进过程中盾构姿态的把控进行分析，给出相应条件下的多种掘进参数控制范围；以及还有人利用机器学习的方式对土压平衡盾构的密封舱压力进行预测；以及还有人利用神经网络导入盾构掘进参数实现了对盾构机刀盘磨损及寿命预测；以及还有人分别从数理统计和力学数学建模等角度出发，提出总推力的计算方法；以及还有人通过改变注浆浆液配比，优化浆液性能，对盾构掘进过程中盾尾注浆这一参数进行研究，有效的控制管片上浮及变形。

3、在各种掘进参数中，盾构掘进速度通常受到多种因素的影响，驾驶员无法对其直接进行操控，而掘进速度又直接牵扯到工期的长短，所以对盾构掘进速度的精确把控尤为重要。目前，对于盾构掘进速度进行分析和预测的研究不多，特别是对于复合地层下掘进速度的研究尚处于欠缺状态。因此如何对复合地层下盾构掘进速度进行深度剖析，并利用不同地层条件和其它掘进参数对掘进速度进行预测，以便促进实现自动化盾构掘进，是本领域技术人员亟需研究的课题。

技术实现思路

1、本发明的目的是提供一种复合地层盾构掘进速度预测方法、装置、计算机设备及计算机可读存储介质，用以解决现有盾构掘进技术方案还无法对在复合地层下的盾构掘进速度进行精确预测，进而影响盾构掘进自动化实现的问题。

2、为了实现上述目的，本发明采用以下技术方案：

3、第一方面，提供了一种复合地层盾构掘进速度预测方法，包括：

4、获取样本地段的盾构掘进穿越地层分段结果，其中，所述样本地段是指已完成盾构掘进任务的隧道工程地段，所述盾构掘进穿越地层分段结果包括有至少两个复合地层区段，所述复合地层区段是指盾构掘进截面包含有至少一个地层的区间地段；

5、针对在所述至少两个复合地层区段中的各个复合地层区段，根据在对应的至少一个地层中的各个地层的至少两个地层参数的已知参数值，利用地层复合比统计得到对应的至少两个复合地层参数的参数值，其中，所述至少两个复合地层参数与所述至少两个地层参数一一对应；

6、根据所述各个复合地层区段的所述至少两个复合地层参数的参数值、盾构掘进速度值和多个盾构掘进参数的参数值，采用lasso回归算法从所述至少两个复合地层参数和所述多个盾构掘进参数中确定多个模型输入参数；

7、针对在属于所述样本地段的多个盾构掘进单位地段中的各个盾构掘进单位地段，获取对应的所述多个模型输入参数的参数值，以及获取对应的盾构掘进速度值；

8、将所述各个盾构掘进单位地段的所述多个模型输入参数的参数值作为输入项，以及将所述各个盾构掘进单位地段的盾构掘进速度值作为输出项，对基于随机森林算法的且采用改进灰狼优化算法对模型超参数进行迭代寻优的人工智能模型进行率定验证建模，得到复合地层盾构掘进速度预测模型；

9、获取待盾构掘进单位地段的所述多个模型输入参数的参数值；

10、将所述待盾构掘进单位地段的所述多个模型输入参数的参数值输入所述复合地层盾构掘进速度预测模型，输出得到所述待盾构掘进单位地段的盾构掘进速度预测值。

11、基于上述
技术实现要素：
，提供了一种基于lasso回归算法、改进灰狼优化算法和随机森林算法对盾构掘进速度预测模型进行训练并应用的新方案，即先根据各个复合地层区段的至少两个复合地层参数的参数值、盾构掘进速度值和多个盾构掘进参数的参数值，采用lasso回归算法确定多个模型输入参数，然后将各个盾构掘进单位地段的所述多个模型输入参数的参数值作为输入项，以及将所述各个盾构掘进单位地段的盾构掘进速度值作为输出项，对基于随机森林算法的且采用改进灰狼优化算法对模型超参数进行迭代寻优的人工智能模型进行率定验证建模，得到复合地层盾构掘进速度预测模型，最后将待盾构掘进单位地段的所述多个模型输入参数的参数值输入所述复合地层盾构掘进速度预测模型，即可输出得到所述待盾构掘进单位地段的盾构掘进速度预测值，如此通过对复合地层下盾构掘进速度进行深度剖析，并利用不同地层条件和其它掘进参数对掘进速度进行预测，可以确保预测结果具有一定可靠性和良好的预测精度，能够辅助土压平衡盾构施工，进而促进实现自动化盾构掘进的目的，便于实际应用和推广。

12、在一个可能的设计中，当在所述至少两个复合地层区段中的某个复合地层区段的盾构掘进截面包含有上中下三个地层时，针对所述某个复合地层区段，根据在对应的至少一个地层中的各个地层的至少两个地层参数的已知参数值，利用地层复合比统计得到对应的至少两个复合地层参数的参数值，包括：

13、获取在所述某个复合地层区段的盾构掘进截面中的如下参数值：上地层的厚度值h1、下地层的厚度值h2和圆形截面的半径r；

14、按照如下公式计算得到所述上地层的地层复合比f1和所述下地层的地层复合比f2：

15、

16、式中，arccos()表示反余弦函数；

17、针对为粘聚力或内摩擦角的某个地层参数，按照如下公式计算得到对应的且所述某个复合地层区段的复合地层参数的参数值pcom：

18、pcom＝f1×p1+f2×p2+(1-f1-f2)×p3

19、式中，p1表示所述上地层的所述某个地层参数的参数值，p2表示所述下地层的所述某个地层参数的参数值，p3表示中间地层的所述某个地层参数的参数值。

20、在一个可能的设计中，根据所述各个复合地层区段的所述至少两个复合地层参数的参数值、盾构掘进速度值和多个盾构掘进参数的参数值，采用lasso回归算法从所述至少两个复合地层参数和所述多个盾构掘进参数中确定多个模型输入参数，包括：

21、利用l1范数在线性回归方程的损失函数后引入一个正则化项，得到如下的目标函数：

22、j2(w)＝min(||y-x×w||2+λ×||w||1)

23、式中，λ表示正则化参数值，w表示的系数因子向量，x表示的且基于所述至少两个复合地层参数的参数值和所述多个盾构掘进参数的参数值构成的线性回归方程输入向量，表示所述至少两个复合地层参数和所述多个盾构掘进参数的参数总数，表示所述复合地层区段的总段数，y表示的且基于所述盾构掘进速度值构成的线性回归方程输出向量,min()表示求最小值函数；

24、利用最小二乘法对所述目标函数中的系数因子向量w求导，得到如下公式：

25、

26、式中，t表示矩阵转置符号，i表示为了实现矩阵相加而乘的方阵单位向量；

27、假设xt×x存在逆矩阵，根据采用交叉验证方式寻找最优的正则化参数值λ，得到在正则化参数值λ最优时与在所述至少两个复合地层参数和所述多个盾构掘进参数中的各个参数对应的系数因子；

28、从所述至少两个复合地层参数和所述多个盾构掘进参数中选择系数因子为零的参数作为模型输入参数。

29、在一个可能的设计中，采用改进灰狼优化算法对模型超参数进行迭代寻优，包括有如下步骤s51～s56：

30、s51.初始化种群：灰狼数目设置为n，迭代次数设置为tmax次，以及初始化随机森林算法的至少两个超参数的搜索范围，然后执行步骤s52，其中，n表示大于等于5的正整数，tmax表示大于等于100的正整数；

31、s52.根据适应度函数计算当前条件下各个灰狼的个体适应度值，并将具有最优个体适应度值的三个灰狼作为新的α狼、β狼和δ狼，然后执行步骤s53，其中，所述适应度函数采用均方误差mse来计算并有如下计算公式：

32、

33、式中，n′表示应用所述随机森林算法进行结果预测的所用样本总数，n′表示小于等于n′的正整数，fn′表示与第n′个预测所用样本对应的预测结果，yn′表示与所述第n′个预测所用样本对应的实际结果；

34、s53.判断当前迭代次数是否达到tmax次，若是，则执行步骤s56，否则执行步骤s54；

35、s54.分别计算收敛因子协同向量和协同向量然后执行步骤s55，其中，所述收敛因子所述协同向量和所述协同向量的计算公式分别如下：

36、

37、式中，t表示所述当前迭代次数，tanh()表示双曲正切函数，和分别表示[0,1]的随机向量；

38、s55.针对各个ω狼，根据所述新的α狼、β狼和δ狼的当前个体位置向量，计算得到对应的且在第t+1次迭代中的个体位置向量然后返回执行步骤s52，其中，所述个体位置向量按照如下公式计算得到：

39、

40、式中，表示所述新的α狼的当前个体位置向量，表示所述新的β狼的当前个体位置向量，表示所述新的δ狼的当前个体位置向量，表示在第t次迭代中的个体位置向量，和分别表示随机计算所得的所述协同向量和分别表示随机计算所得的所述协同向量

41、s56.将搜索得到的所述至少两个超参数的当前搜索值作为最优模型超参数值赋予所述随机森林算法。

42、在一个可能的设计中，所述至少两个超参数包含有决策树颗数和叶子节点数。

43、在一个可能的设计中，所述至少两个地层参数包含有粘聚力和内摩擦角，所述多个盾构掘进参数包含有盾构机总推力、千斤顶行程、土压力、注浆量、注浆压力、刀盘扭矩、刀盘转速、螺旋机转速、泡沫量和出土量。

44、在一个可能的设计中，在所述率定验证建模的过程中，借助matlab软件中的内置函数treebagger进行学习。

45、第二方面，提供了一种复合地层盾构掘进速度预测装置，包括有分段结果获取模块、复合参数计算模块、输入参数确定模块、样本数据获取模块、预测模型训练模块和预测模型应用模块；

46、所述分段结果获取模块，用于获取样本地段的盾构掘进穿越地层分段结果，其中，所述样本地段是指已完成盾构掘进任务的隧道工程地段，所述盾构掘进穿越地层分段结果包括有至少两个复合地层区段，所述复合地层区段是指盾构掘进截面包含有至少一个地层的区间地段；

47、所述复合参数计算模块，通信连接所述分段结果获取模块，用于针对在所述至少两个复合地层区段中的各个复合地层区段，根据在对应的至少一个地层中的各个地层的至少两个地层参数的已知参数值，利用地层复合比统计得到对应的至少两个复合地层参数的参数值，其中，所述至少两个复合地层参数与所述至少两个地层参数一一对应；

48、所述输入参数确定模块，通信连接所述复合参数计算模块，用于根据所述各个复合地层区段的所述至少两个复合地层参数的参数值、盾构掘进速度值和多个盾构掘进参数的参数值，采用lasso回归算法从所述至少两个复合地层参数和所述多个盾构掘进参数中确定多个模型输入参数；

49、所述样本数据获取模块，通信连接所述输入参数确定模块，用于针对在属于所述样本地段的多个盾构掘进单位地段中的各个盾构掘进单位地段，获取对应的所述多个模型输入参数的参数值，以及获取对应的盾构掘进速度值，以及还用于获取待盾构掘进单位地段的所述多个模型输入参数的参数值；

50、所述预测模型训练模块，通信连接所述样本数据获取模块，用于将所述各个盾构掘进单位地段的所述多个模型输入参数的参数值作为输入项，以及将所述各个盾构掘进单位地段的盾构掘进速度值作为输出项，对基于随机森林算法的且采用改进灰狼优化算法对模型超参数进行迭代寻优的人工智能模型进行率定验证建模，得到复合地层盾构掘进速度预测模型；

51、所述预测模型应用模块，分别通信连接所述预测模型训练模块和所述样本数据获取模块，用于将所述待盾构掘进单位地段的所述多个模型输入参数的参数值输入所述复合地层盾构掘进速度预测模型，输出得到所述待盾构掘进单位地段的盾构掘进速度预测值。

52、第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的复合地层盾构掘进速度预测方法。

53、第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的复合地层盾构掘进速度预测方法。

54、第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的复合地层盾构掘进速度预测方法。

55、上述方案的有益效果：

56、(1)本发明创造性提供了一种基于lasso回归算法、改进灰狼优化算法和随机森林算法对盾构掘进速度预测模型进行训练并应用的新方案，即先根据各个复合地层区段的至少两个复合地层参数的参数值、盾构掘进速度值和多个盾构掘进参数的参数值，采用lasso回归算法确定多个模型输入参数，然后将各个盾构掘进单位地段的所述多个模型输入参数的参数值作为输入项，以及将所述各个盾构掘进单位地段的盾构掘进速度值作为输出项，对基于随机森林算法的且采用改进灰狼优化算法对模型超参数进行迭代寻优的人工智能模型进行率定验证建模，得到复合地层盾构掘进速度预测模型，最后将待盾构掘进单位地段的所述多个模型输入参数的参数值输入所述复合地层盾构掘进速度预测模型，即可输出得到所述待盾构掘进单位地段的盾构掘进速度预测值，如此通过对复合地层下盾构掘进速度进行深度剖析，并利用不同地层条件和其它掘进参数对掘进速度进行预测，可以确保预测结果具有一定可靠性和良好的预测精度，能够辅助土压平衡盾构施工，进而促进实现自动化盾构掘进的目的，便于实际应用和推广。