基于随机森林和BP神经网络的盾构掘进参数预测方法与流程

基于随机森林和bp神经网络的盾构掘进参数预测方法
技术领域
1.本发明涉及盾构掘进技术领域，特别涉及基于随机森林和bp神经网络的盾构掘进参数预测方法。


背景技术：

2.随着社会和经济发展，人民对基础建设的需求日益增长，地铁作为基础建设的主要板块，快速高质量地完成对地铁隧道的修建对基础建设十分重要。
3.目前盾构机被广泛用于城市地铁隧道的修建中，但缺乏对盾构施工过程中各个相关参数的研究，掘进不同阶段的盾构控制仍然是依赖人工经验，在不同地质条件下收集的大量盾构参数没有得到充分的分析和利用，因此综合分析多种地质和盾构参数，研究一种对盾构掘进参数的全流程预测方法，实现施工过程中数据的快速分析和掘进参数的及时反馈十分重要。
4.公开号为cn103615256a的中国专利申请公开一种微型盾构机土压平衡控制系统及控制方法，通过将安装在微型盾构机密封舱内的土压传感器与用于调节微型盾构机土压平衡的马达电连接来调节盾构密封舱内的压力。公开号为cn112329172a的中国专利申请公开一种基于并联式神经网络的盾构机刀盘扭矩预测方法及系统，通过预处理工作参数并建立并联式神经网络刀盘扭矩预测模型实现对刀盘扭矩的预测，现有方法均是对单一参数的预测及控制，难以满足盾构施工全流程的多参数预测要求。


技术实现要素：

5.本发明的目的是为了提供一种满足盾构施工全流程的多参数预测要求的基于随机森林和bp神经网络的盾构掘进参数预测方法，主要解决现有方法均是对单一参数的预测及控制的技术问题。
6.本发明技术方案为：基于随机森林和bp神经网络的盾构掘进参数预测方法，包括如下步骤：s1、剔除核心掘进参数存在零值的异常样本数据；s2、计算同一盾构隧道管片环内盾构核心掘进参数样本数据的均值；s3、提取地质勘探报告中的核心地质参数数据做输入、步骤s2中的盾构核心掘进参数数据均值做输出形成随机森林训练样本，训练随机森林模型；s4、对盾构样本数据中的核心状态参数和核心掘进参数数据进行标准化预处理；s5、以步骤s4中盾构核心状态参数标准化结果做输入、盾构核心掘进参数标准化结果做输出形成bp神经网络训练样本，基于核心状态参数与核心掘进参数个数搭建并训练bp神经网络模型；s6、在盾构机初始开机时，通过随机森林模型对盾构核心掘进参数做出预测，在盾构机运行过程中，通过bp神经网络模型对盾构核心掘进参数做出实时预测。
7.进一步地，所述步骤s1的具体操作如下：
（1）盾构样本数据量大小为n，每条盾构数据均由种核心掘进参数、种核心状态参数和其他参数组成。选取盾构数据中种核心掘进参数，核心掘进参数名称的集合为；（2）若某条盾构样本数据中，存在值为0的核心掘进参数，就把这条异常盾构样本数据剔除，经过异常数据剔除后的盾构样本数据量大小变为。
8.进一步地，所述步骤s2的具体操作如下：对于每个核心掘进参数，处于同一盾构隧道管片环内的掘进参数值取平均，第环内的掘进参数平均值的计算方式如下：其中表示第环内的盾构样本数据量，表示第环内第条盾构数据的掘进参数的值，。
9.进一步地，所述步骤s3的具体操作如下：（1）根据地质勘探报告，种核心地质参数名称的集合为，构建随机森林在第环的输入数据矩阵；（2）根据步骤s2对盾构数据中核心掘进参数数据的均值计算结果，构建第环的输出数据矩阵；（3）利用整个区段上所有环的输入输出数据可以构成训练样本，基于随机森林算法训练后得到随机森林模型。
10.进一步地，所述步骤s4的具体操作如下：（1）选取盾构数据中种核心状态参数，状态参数名称的集合为；（2）在经过异常数据剔除后的个盾构样本数据上对每个核心状态参数采用标准化的方式进行数据预处理，标准化公式如下所示：其中表示对第条数据的核心状态参数的预处理结果，，表示第条数据的核心状态参数的值，表示核心状态参数在个盾构样本数据上的均值，表示核心状态参数在个盾构样本数据上的标准差。
11.（3）在异常数据剔除后的个盾构数据上对步骤s1中选取的每个核心掘进参数采用标准化的方式进行数据预处理，标准化公式如下所示：其中表示对第条数据的核心掘进参数的预处理结果，，表示第条数据的核心掘进参数的值，表示核心掘进参数在个盾构数据上的均值，表示核心掘进参数在个盾构数据上的
标准差。
12.进一步地，所述步骤s5的具体操作如下：搭建一个输入层有个节点、有个隐藏层、每个隐藏层有个节点、输出层有个节点的bp神经网络，其中所用的激活函数如下：以步骤s4中时刻的盾构核心状态参数预处理结果为输入，时刻的盾构核心掘进参数预处理结果为输出形成一组训练样本，在个盾构样本数据上相邻时刻的盾构核心状态参数预处理结果和核心掘进参数预处理结果一一配对形成所有训练样本，训练以上bp神经网络得到bp神经网络模型。
13.进一步地，所述步骤s6的具体操作如下：（1）在盾构机初始开机时，根据当前位置地层的地质勘探报告，提取种核心地质参数作为输入，基于步骤s3中得到的随机森林模型预测初始的种盾构核心掘进参数；（2）在盾构机运行过程中，以每一时刻盾构机反馈的种核心感知参数为输入，基于步骤s5中得到的bp神经网络模型预测时刻的种盾构核心掘进参数；（3）对bp神经网络模型预测的种盾构核心掘进参数进行反标准化处理，将预测的掘进参数映射到每个参数特定的分布区间内，反标准化处理公式如下：其中表示bp神经网络对核心掘进参数的直接预测结果，表示对预测结果反标准化处理后的结果。
14.本发明的有益效果： 1、本发明在盾构机运行中充分兼顾各参数间的关系，克服单纯依赖人工经验控制盾构机的不足，减少故障频率，降低维修成本；2、本发明使用随机森林算法和bp神经网络综合地质和盾构参数进行实时分析，保证对盾构机初始开机和运行过程中掘进参数的不间断预测，可有效提高盾构施工的效率。
附图说明
15.图1为本发明的随机森林模型和bp神经网络模型程序控制框图。
16.图2为本发明的盾构程序控制框图。
具体实施方式
17.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
18.如图1和图2所示，本实施例提供了基于随机森林和bp神经网络的盾构掘进参数预测方法，可以通过以下步骤实现：步骤s1、剔除核心掘进参数存在零值的异常样本数据，具体操作如下：（1）盾构样本数据量大小为2675010，每条盾构数据均由8种核心掘进参数、21种核心状态参数和其他参数组成。选取盾构数据中8种核心掘进参数，核心掘进参数名称的集合
为；（2）若某条盾构样本数据中，存在值为0的核心掘进参数，就把这条异常盾构样本数据剔除，经过异常数据剔除后的盾构样本数据量大小变为2552046。
19.步骤s2、对同一盾构隧道管片环内盾构核心掘进参数样本数据计算均值，第环内的掘进参数平均值的计算方式如下：其中表示第环内的盾构样本数据量，表示第环内第条盾构数据的掘进参数的值，。
20.步骤s3、提取地质勘探报告中的核心地质参数数据做输入、步骤s2中的盾构核心掘进参数数据均值做输出,形成随机森林训练样本，训练随机森林模型，具体操作如下：（1）根据地质勘探报告，15种核心地质参数名称的集合为，构建随机森林在第环的输入数据矩阵；（2）根据步骤s2对盾构数据中核心掘进参数数据的均值计算结果，构建第环的输出数据矩阵；（3）利用整个区段上所有环的输入输出数据可以构成训练样本，基于随机森林算法训练后得到随机森林模型。计算过程中随机森林模型的输入数据和输出数据可定义如下：struct rfinput{
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
float geoinfo[15]; //作为随机森林模型输入的15种核心地质参数};struct rfoutput{
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
float controlpara[8];//作为随机森林模型输出的8种核心掘进参数}；步骤s4、对盾构数据中的核心状态参数和核心掘进参数数据进行标准化预处理，具体操作如下：（1）选取盾构数据中21种核心状态参数，状态参数名称的集合为；（2）在经过异常数据剔除后的2552046个盾构样本数据上对每个核心状态参数采用标准化的方式进行数据预处理，标准化公式如下所示：其中表示对第条数据的核心状态参数的预处理结果，，表示第条数据的核心状态参数的值，表示核心状态参数在2552046个盾构样本数据上的均值，表示核心状态参数在2552046个盾构样本数据上的标准差。
[0021]
（3）在异常数据剔除后的2552046个盾构样本数据上对步骤s1中选取的每个核心掘进参数采用标准化的方式进行数据预处理，标准化公式如下所示：其中表示对第条数据的核心掘进参数的预处理结果，，表示第条数据的核心掘进参数的值，表示核心掘进参数在2552046个盾构样本数据上的均值，表示核心掘进参数在2552046个盾构样本数据上的标准差。
[0022]
步骤s5、搭建一个输入层有21个节点、有2个隐藏层、每个隐藏层有100个节点、输出层有8个节点的bp神经网络，其中所用的激活函数如下：以步骤s4中时刻的盾构核心状态参数预处理结果为输入，时刻的盾构核心掘进参数预处理结果为输出形成一组训练样本，在2552046个盾构样本数据上相邻时刻的盾构核心状态参数预处理结果和核心掘进参数预处理结果一一配对形成所有训练样本，训练以上bp神经网络得到bp神经网络模型。计算过程中神经网络模型的输入数据和输出数据可定义如下：struct bpinput{
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
float perceptionpara [21]; //作为bp神经网络模型输入的21种核心感知参数};struct bpoutput{
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
float controlpara[8]; //作为bp神经网络模型输出的8种核心掘进参数};步骤s6、在盾构机初始开机时，通过随机森林模型对盾构核心掘进参数做出预测，在盾构机平稳运行过程中，通过bp神经网络模型对盾构核心掘进参数做出实时预测，具体操作如下：（1）在盾构机初始开机时，根据当前位置地层的地质勘探报告，提取15种核心地质参数作为输入，基于步骤s3中得到的随机森林模型预测初始的8种盾构核心掘进参数；（2）在盾构机运行过程中，以每一时刻盾构机反馈的21种核心感知参数为输入，基于步骤s5中得到的bp神经网络模型预测时刻的8种盾构核心掘进参数；（3）对bp神经网络模型预测的8种盾构核心掘进参数进行反标准化处理，将预测的掘进参数映射到每个参数特定的分布区间内，反标准化处理公式如下：
其中表示bp神经网络对核心掘进参数的直接预测结果，表示对预测结果反标准化处理后的结果。
[0023]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。