盾构掘进参数变量复杂度分组抽样多进程预测方法与流程
本发明涉及数据处理,具体涉及盾构掘进参数变量复杂度分组抽样多进程预测方法。
背景技术:
1、盾构掘进参数变量复杂度分组抽样多进程预测是一种面向盾构施工过程的高效数据预测策略,其核心在于对多源运行参数进行结构化分层处理并行计算。具体而言,首先对盾构掘进过程中采集的推进速度、刀盘扭矩、土压、同步注浆量等参数,从波动强度、变化频率、耦合关联程度等角度构建复杂度刻画结果;随后依据复杂度差异将全部参数划分为多个层级分组,并在各分组内部执行具有代表性的抽样处理,以减少冗余数据干扰并保持关键特征表达;在此基础上,将不同分组映射至独立计算进程中同步开展预测运算,使高复杂度参数获得更精细处理路径,低复杂度参数维持快速推演节奏;最终通过对各进程输出结果进行统一整合,形成能够反映盾构掘进状态变化趋势的整体预测结果,从而实现在计算效率与预测精度之间的协同提升。
2、现有技术存在以下不足:
3、在盾构掘进参数变量复杂度刻画过程中,复杂度评估机制在面对短时高频波动变化时,对瞬时幅值起伏响应过于敏感,将原本仅在局部时间范围内出现的短暂扰动判定为持续存在的高复杂状态;在完成复杂度判定结果输出时,分组抽样策略依据该判定结果将对应参数持续划入高复杂度分组,并触发高强度预测路径;随着时间推进,该短暂扰动已经消散,但分组状态未同步回调,计算资源仍集中分配至该参数,进而导致资源配置方向偏离真实变化趋势,同时削弱对其他持续变化参数的处理能力,最终影响整体预测效率与结果稳定性。
4、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本发明的目的是提供盾构掘进参数变量复杂度分组抽样多进程预测方法,以解决上述背景技术中的问题。
2、为了实现上述目的,本发明提供如下技术方案:盾构掘进参数变量复杂度分组抽样多进程预测方法,包括以下步骤:
3、对盾构掘进过程中获取的参数变量在连续时间范围内进行分析,提取幅值起伏次数、波峰间隔差值以及变化持续时长数值,根据幅值起伏次数与变化持续时长数值之间的对应变化关系划分变量活跃程度区间,获得变量复杂度分组依据;
4、针对变量复杂度分组依据对应的幅值变化过程进行处理,提取幅值变化过程中的回落跨度数值与回落耗时数值,对短时升高且快速回落的区段进行识别,输出扰动衰减特征;
5、基于扰动衰减特征对应的时间范围,提取波动驻留时长数值,将波动驻留时长数值与回落耗时数值进行关联分析,识别持续扩展能力不足的变化片段,生成复杂状态保留强度结果;
6、面向复杂状态保留强度结果对应的变化聚集区域,统计幅值扩散范围数值与波动覆盖跨度数值,根据幅值扩散范围数值的变化节奏调整预测关注程度,确定动态资源倾斜策略;
7、按照动态资源倾斜策略提取关注程度变化轨迹,对关注程度变化轨迹中的迁移速率数值与停留比例数值进行动态调节,将回落区域对应的计算投入逐步转移至扩展区域,完成盾构掘进参数变量复杂度分组抽样多进程预测过程中的资源动态分配。
8、优选的,变量复杂度分组依据获取步骤如下:
9、按照采集时间顺序排列推进速度、刀盘扭矩、土压以及同步注浆量参数,对相邻时间节点数值变化进行对比,标记上升段与下降段,统计转折点形成幅值起伏次数数值,同时记录峰值并计算时间间隔得到波峰间隔差值,累积区间时间差得到变化持续时长数值;
10、对幅值起伏次数数值与变化持续时长数值进行匹配排列,将不同变化关系对应区段进行归类,得到活跃程度表现形式;
11、引入波峰间隔差值对已归类区段进行对照,按照变化节奏特征对时间片段进行集中归类,构建变量活跃程度区间;
12、对各时间片段对应的活跃程度区间进行标记并汇总,将活跃程度区间对应至参数变量完成分类归组,获得变量复杂度分组依据。
13、优选的,针对变量活跃程度区间对应的各时间片段,记录幅值起伏次数数值、波峰间隔差值及变化持续时长数值在时间顺序中的分布关系,对幅值起伏次数连续变化且变化持续时长同步变化的时间片段进行标记,并对波峰间隔差值变化趋势一致的时间片段进行集中归集,通过时间分布位置完成变量复杂度分组依据的细化划分。
14、优选的,扰动衰减特征输出步骤如下:
15、以变量复杂度分组依据划定时间片段,对参数变量幅值变化轨迹逐点展开,标记上升阶段与峰值位置并记录时间节点,沿时间轴跟踪下降路径,计算峰值与下降终止位置差值得到回落跨度数值,同时统计峰值时间节点至稳定区间时间差得到回落耗时数值;
16、围绕回落跨度数值与回落耗时数值进行对应整理,将各时间片段内回落行为按时间顺序排列,记录相邻回落行为间隔时间并进行关联标识;
17、参照回落跨度数值与回落耗时数值对应关系,对幅值变化轨迹中上升阶段与回落阶段衔接关系进行识别,将短时升高且紧接回落的变化片段进行提取并排列;
18、针对已提取变化片段进行整合,将各片段起始时间、峰值时间及回落结束时间进行记录并按时间顺序汇总,输出扰动衰减特征。
19、优选的,针对短时升高且快速回落的变化片段,对峰值位置对应时间节点与回落结束时间节点进行连续记录,将相邻变化片段之间的时间间隔与幅值变化路径进行关联标识,并对回落跨度数值与回落耗时数值进行汇总整理,以时间顺序排列输出扰动衰减特征。
20、优选的,复杂状态保留强度结果生成步骤如下:
21、按照扰动衰减特征标记时间区段,对幅值变化轨迹逐点展开,识别进入波动区间位置并记录起始时间与结束时间,计算时间差得到波动驻留时长数值;
22、结合波动驻留时长数值与回落耗时数值进行逐段匹配,将对应时间节点进行对齐排列,建立波动驻留区间与回落区间对应关系;
23、引入波动驻留时长数值与回落耗时数值对应关系,对变化片段进行识别,将波动驻留区间与回落区间组成完整变化片段并按时间顺序排列;
24、面向已识别变化片段进行汇总,将各片段时间节点及对应波动驻留时长数值与回落耗时数值进行整合,生成复杂状态保留强度结果。
25、优选的,结合波动驻留时长数值连续分布区间与回落耗时数值集中变化区段进行对应标记,对波动驻留区间结束紧接回落区间的变化片段进行筛选,并按照时间顺序进行排列,将各变化片段起始时间、驻留结束时间以及回落结束时间进行统一记录。
26、优选的,动态资源倾斜策略确定步骤如下:
27、按照复杂状态保留强度结果标记变化片段,读取相邻变化片段时间间隔及幅值衔接情况,将满足连续变化关系的片段进行合并并记录时间范围,得到变化聚集区域;
28、结合变化聚集区域内幅值变化轨迹,逐点读取幅值数据并筛选最大幅值与最小幅值,计算差值得到幅值扩散范围数值;
29、引入变化聚集区域内时间分布,将各变化片段时间区间进行排列并统计覆盖时间范围,得到波动覆盖跨度数值;
30、围绕幅值扩散范围数值进行分段记录,识别递增变化区段、递减变化区段及交替变化区段,确定变化节奏;
31、结合幅值扩散范围数值变化节奏与波动覆盖跨度数值进行标定,对各变化聚集区域对应预测关注程度进行调整,获得动态资源倾斜策略。
32、优选的,对幅值扩散范围数值变化节奏中递增变化区段与波动覆盖跨度数值连续变化区段进行对应标记,将对应时间区间内预测关注程度进行连续调整,同时对递减变化区段与覆盖中断区段进行分离标识,通过时间顺序排列各变化聚集区域,完成预测关注程度在相邻区域之间的连续变化处理。
33、优选的,对动态资源倾斜策略对应的关注程度变化轨迹进行处理,通过提取迁移速率数值与停留比例数值完成资源动态分配,具体步骤如下:
34、沿时间顺序读取动态资源倾斜策略对应变化聚集区域,对各时间节点关注程度数值进行提取并排列,记录变化节点并连接时间区间,得到关注程度变化轨迹;
35、参照关注程度变化轨迹提取相邻变化节点时间间隔及变化幅度,将时间间隔与变化幅度进行配对整理,得到迁移速率数值并按时间顺序排列;
36、依据迁移速率数值对时间区段进行划分,识别关注程度保持稳定区段并统计时间长度,将时间长度对应整体时间范围得到停留比例数值;
37、结合迁移速率数值与停留比例数值进行分类处理,划分扩展区域与回落区域并对应调整计算投入变化;
38、针对扩展区域与回落区域时间分布,对计算投入进行转移分配并记录各时间节点变化情况,完成资源动态分配。
39、在上述技术方案中,本发明提供的技术效果和优点:
40、本发明通过对幅值起伏次数与变化持续时长的对应关系进行联合刻画,并引入回落跨度数值与回落耗时数值对短时升高且快速回落区段进行识别,使短时扰动能够在复杂度评估阶段被区分处理,从而避免瞬时波动被持续判定为高复杂状态,该处理方式使复杂度分组结果更加贴合参数变量的实际变化过程,减少由短暂波动引发的误判情况,进而提升整体预测结果的稳定性与连续性。
41、本发明通过构建复杂状态保留强度结果并结合幅值扩散范围数值与波动覆盖跨度数值对变化聚集区域进行刻画,进一步形成动态资源倾斜策略,并基于关注程度变化轨迹对迁移速率数值与停留比例数值进行调节,使计算投入能够在回落区域与扩展区域之间实现有序转移,该方式使资源分配过程能够随参数变化趋势同步调整,从而提高计算资源利用效率并保持多进程预测过程的协调运行。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com