一种盾构切削桩基推力智能预测系统

本发明涉及盾构隧道施工智能控制领域，具体涉及一种盾构切削桩基推力智能预测系统。

背景技术：

1、随着城市地下空间开发密度提升，盾构线路直接切削既有钢筋混凝土桩基的工程场景日益增多。该工况下掘进工作面为地层与桩基混凝土的非均质复合介质，推力受土压、刀盘状态、地层强度、埋深等多因素耦合影响，波动幅度大、突变性强，控制不当易引发刀具崩损、盾构卡滞、地表沉降超限等安全事故，因此实现该工况下推力的准确预测具有重要工程意义。

2、目前工程现场的盾构推力设定与调整主要依赖司机实操经验人工调控，或辅以经验公式初步估算，在切削桩基的复杂工况下，难以快速响应推力的剧烈波动，控制精度与时效性不足，无法满足该场景下的精准控制需求。

3、现有盾构掘进参数预测研究多围绕常规均质地层展开，对盾构直接切削桩基的特殊工况关注较少，预测模型未充分考虑切削过程的荷载突变机制与多源影响因素的耦合作用，直接应用于切削桩基工况时预测精度与工况适应性不足。

4、此外，现有基于深度学习的推力智能预测方法普遍以数值精度指标为核心优化目标，忽略预测结果的工程物理约束与现场可用性。纯数据驱动的模型易输出负推力、阶跃式突变、超出设备额定量程等不符合工程实际的结果，无法匹配盾构液压系统执行特性，难以直接用于指导施工。

技术实现思路

1、发明目的：本发明的目的是提供一种盾构切削桩基推力智能预测系统，解决现有盾构推力预测在切削桩基工况下依赖人工经验、预测精度不足且实用性差的问题。

2、技术方案：本发明所述的盾构切削桩基推力智能预测系统，包括沿数据流向依次连接的数据采集模块、预测模型模块、物理约束模块和结果输出模块。所述数据采集模块用于采集盾构切削桩基工况下的掘进参数及历史推力数据，为推力预测提供多维度输入依据；所述预测模型模块内置由卷积神经网络与双向长短期记忆网络级联构成的混合时序预测模型，兼具局部特征提取与时序依赖捕捉能力，用于基于输入数据输出推力初步预测值；所述物理约束模块用于对所述初步预测值依次施加非负约束、相邻时刻推力变化率约束和盾构设备推力量程约束，剔除不符合工程实际的异常输出，得到最终推力预测值；所述结果输出模块用于输出所述最终推力预测值。

3、进一步地，所述数据采集模块与预测模型模块之间还设有数据预处理模块，用于对采集的原始数据进行清洗与标准化处理后输入预测模型模块，消除数据缺失、量纲差异对预测精度的影响。

4、进一步地，所述数据预处理模块与预测模型模块之间还设有时序样本构建模块，用于将预处理后的数据构建为固定长度的时序预测样本后输入预测模型模块，将连续运行数据转化为混合时序模型可识别的输入格式。

5、进一步地，所述数据采集模块对接盾构机传感器接口，采集的参数包括土压、刀盘温度、扭矩、地层强度、盾构深度等掘进参数以及历史推力数据，多维度覆盖切削桩基工况下推力变化的主要影响因素。

6、进一步地，所述由卷积神经网络与双向长短期记忆网络级联构成的混合时序预测模型，沿数据流向依次包括序列输入层、一维卷积层、激活层、最大池化层、第一丢弃层、双向长短期记忆层、第二丢弃层和全连接层；所述一维卷积层用于提取输入序列的局部特征，捕捉推力的短期突变特性；所述双向长短期记忆层用于捕捉时序数据的双向长期依赖关系，把握推力的整体演变趋势；两层丢弃层用于降低模型过拟合风险，提升工况泛化能力。

7、进一步地，所述混合时序预测模型的关键超参数通过贝叶斯优化确定，所述关键超参数包括历史序列长度、双向长短期记忆网络的单元数、丢弃率和初始学习率；通过贝叶斯优化自动搜索最优参数组合，适配切削桩基工况样本量有限、推力波动强的特点，提升预测稳定性与精度。

8、进一步地，所述物理约束模块先对预测模型模块输出的归一化初步预测值进行反归一化处理，还原为原始物理量纲后，再依次施加所述三项约束，确保各项工程约束基于真实物理量级生效，约束结果具备工程意义。

9、进一步地，所述相邻时刻推力变化率约束采用递推方式实现，以上一时刻经约束修正后的最终推力值为基准，将当前时刻推力值的变化幅度限制在预设阈值范围内，保证输出推力曲线平滑连续，适配盾构液压系统的响应速率，避免出现设备无法执行的阶跃式推力指令。

10、进一步地，所述数据预处理模块对原始数据进行缺失值填补，并采用最小-最大值归一化方法将各特征映射至预设数值区间，同时保存各特征的归一化参数用于后续反归一化；在统一数据量纲提升模型收敛效率的同时，保障最终预测结果可还原为真实物理量纲。

11、进一步地，所述时序样本构建模块采用滑动窗口法对预处理后的多特征序列构建时序样本，按照设定的步长滑动构建固定长度的历史时序样本，用于预测下一时刻的推力值，高密度生成样本对以充分挖掘时序数据中的推力变化规律。

12、有益效果：本发明与现有技术相比，具有如下显著的优点：对盾构切削桩基的特殊工况适配性强，可显著提升该复杂场景下的推力预测精度，能够有效响应推力的剧烈波动变化，兼具稳定的预测性能与优异的动态跟随能力，且预测结果符合工程实际与设备运行特性，具备良好的现场工程实用性。

1.一种盾构切削桩基推力智能预测系统，其特征在于，包括沿数据流向依次连接的数据采集模块、预测模型模块、物理约束模块和结果输出模块；所述数据采集模块用于采集盾构切削桩基工况下的掘进参数及历史推力数据；所述预测模型模块内置由卷积神经网络与双向长短期记忆网络级联构成的混合时序预测模型，用于基于输入数据输出推力初步预测值；所述物理约束模块用于对所述初步预测值依次施加非负约束、相邻时刻推力变化率约束和盾构设备推力量程约束，得到最终推力预测值；所述结果输出模块用于输出所述最终推力预测值。

2.根据权利要求1所述的盾构切削桩基推力智能预测系统，其特征在于，所述数据采集模块与预测模型模块之间还设有数据预处理模块，用于对采集的原始数据进行清洗与标准化处理后输入预测模型模块。

3.根据权利要求2所述的盾构切削桩基推力智能预测系统，其特征在于，所述数据预处理模块与预测模型模块之间还设有时序样本构建模块，用于将预处理后的数据构建为固定长度的时序预测样本后输入预测模型模块。

4.根据权利要求1所述的盾构切削桩基推力智能预测系统，其特征在于，所述数据采集模块对接盾构机传感器接口，采集的参数包括土压、刀盘温度、扭矩、地层强度、盾构深度等掘进参数以及历史推力数据。

5.根据权利要求1所述的盾构切削桩基推力智能预测系统，其特征在于，所述由卷积神经网络与双向长短期记忆网络级联构成的混合时序预测模型，沿数据流向依次包括序列输入层、一维卷积层、激活层、最大池化层、第一丢弃层、双向长短期记忆层、第二丢弃层和全连接层；所述一维卷积层用于提取输入序列的局部特征，所述双向长短期记忆层用于捕捉时序数据的双向长期依赖关系。

6.根据权利要求5所述的盾构切削桩基推力智能预测系统，其特征在于，所述混合时序预测模型的关键超参数通过贝叶斯优化确定，所述关键超参数包括历史序列长度、双向长短期记忆网络的单元数、丢弃率和初始学习率。

7.根据权利要求1所述的盾构切削桩基推力智能预测系统，其特征在于，所述物理约束模块先对预测模型模块输出的归一化初步预测值进行反归一化处理，还原为原始物理量纲后，再依次施加所述三项约束。

8.根据权利要求7所述的盾构切削桩基推力智能预测系统，其特征在于，所述相邻时刻推力变化率约束采用递推方式实现，以上一时刻经约束修正后的最终推力值为基准，将当前时刻推力值的变化幅度限制在预设阈值范围内。

9.根据权利要求2所述的盾构切削桩基推力智能预测系统，其特征在于，所述数据预处理模块对原始数据进行缺失值填补，并采用最小-最大值归一化方法将各特征映射至预设数值区间，同时保存各特征的归一化参数用于后续反归一化。

10.根据权利要求3所述的盾构切削桩基推力智能预测系统，其特征在于，所述时序样本构建模块采用滑动窗口法对预处理后的多特征序列构建时序样本，按照设定的步长滑动构建固定长度的历史时序样本，用于预测下一时刻的推力值。