一种基于深度学习的盾构机土舱压力空间分布预测方法

1.本发明涉及盾构施工技术领域，具体涉及一种基于深度学习的盾构机土舱压力空间分布预测方法。


背景技术：

2.盾构施工作为地铁隧道建设的常用方法，盾构施工过程中的核心要点是要保证掌子面的稳定性，而土舱压力是维持掌子面稳定和减小地层扰动的关键指标，由于掘进过程涉及岩土和机械的耦合作用，土舱压力形成演化机制非常复杂，岩土方面需要考虑地层力学性质变化等影响，机械方面需要考虑施工参数变化等影响，难以建立完善的数学或者数值模型精准描述土舱压力与各参数的关联性。
3.相关技术中，土舱压力的数据驱动方法从掘进过程的施工参数出发对土舱压力进行预测，对于土舱压力的预测多是平均值，没有考虑土舱压力的空间分布。但是根据传感器实测的土舱压力数据中，土舱压力存在有上下梯度和左右差异的一般规律，这些差异会对盾构机壳体、刀盘、液压油缸受力产生影响，而采用平均值的预测方式会忽略掉这部分影响。因此，实有必要提供一种基于深度学习的盾构机土舱压力空间分布预测方法以解决上述问题。


技术实现要素：

4.本发明公开了一种基于深度学习的盾构机土舱压力空间分布预测方法，构建了土舱压力空间分布特征函数，通过cnn-gru模型学习得到土舱压力空间分布特征函数的系数，实现了土舱压力的空间分布规律的预测。
5.为实现上述目的，本发明的技术方案为：一种基于深度学习的盾构机土舱压力空间分布预测方法，包括如下步骤：s1：选定土舱内顶部的土舱压力传感器为初始点，构建土舱压力空间分布特征函数：式中，表示土舱内任意空间点相比于初始点逆时针旋转的角度，a、b、c、d表示土舱压力空间分布特征函数的系数；s2：收集盾构过程中的施工参数和地质参数，对数据进行预处理后形成数据集；s3：构建cnn-gru混合模型，将数据集作为所述cnn-gru混合模型的输入，通过cnn模型提取施工参数和地质参数在过去时刻的特征向量，通过gru模型捕捉土舱压力在过去时间尺度的关联性，将所述cnn模型和所述gru模型的输出结果通过第三串联层，然后与当前时刻的施工参数和地质参数共同作为输入，经过第五全连接层后输出土舱压力空间分布特征函数的预测系数，将预测得到的系数代入所述土舱压力空间分布特征函数；
s4：采用所述土舱压力空间分布特征函数进行土舱压力的空间分布预测。
6.优选的，所述cnn模型包括卷积层、池化层、第一全连接层、第一串联层和第二全连接层；所述数据集以矩阵的形式输入所述cnn模型，所述卷积层通过卷积核提取输入矩阵的特征，其运算过程表示为：式中：表示所述卷积层的输出，表示输入矩阵，表示所述卷积层的权重矩阵，表示所述卷积层的偏差，表示矩阵运算，表示激活函数，采用relu激活函数；所述池化层通过最大池化方法对卷积后的特征进行降维，提高模型的鲁棒性，其运算过程表示为；式中：表示所述池化层的输出，表示所述池化层的偏差，表示最大值函数；所述第一全连接层将展平后的抽象特征进行整合，实现特征非线性关系的学习，其运算过程表示为：式中：表示所述第一全连接层的输出，表示所述第一全连接层的权重系数，表示所述第一全连接层的偏差，表示激活函数，采用relu或linear激活函数；所述第一串联层的作用是将所述第一全连接层的输出与当前时刻的输入矩阵合并，其运算过程表示为：式中：表示第一串联层的输出，表示当前时刻的输入矩阵；所述第二全连接层与所述第一全连接层的架构相同，其运算过程表示为：式中：表示第二全连接层的输出，表示所述第二全连接层的权重系数，表示所述第二全连接层的偏差，表示激活函数，采用relu或linear激活函数；所述cnn模型的输出即为所述第二全连接层的输出：
。
7.优选的，所述gru模型包括gru层、第三全连接层、第二串联层及第四全连接层；所述gru层的核心结构是更新门和重置门，更新门用于决定记忆或遗忘过去隐藏状态的比例，重置门用于决定考虑新的候选隐藏状态和旧隐藏状态的比例，二者的运算过程表示为：式中为所述更新门的输出，为所述重置门的输出，、输出的取值区间都为[0,1]；为sigmoid函数，为上一个时刻的隐藏状态，、为所述更新门的权重系数，、为所述重置门的权重系数；所述gru层的运算过程表示为：式中为新的候选隐藏状态，为所述gru层的输出，表示更新后的隐藏状态，为上一个时刻的隐藏状态，为双曲正切函数，取值区间为[-1,1]，、为隐藏状态更新的权重系数，表示矩阵的哈达玛乘积；当更新门的输出为0时，表示所述gru层的输出只考虑当前的输入状态；当所述重置门的输出为0时，表示所述gru层的输出只考虑新的候选隐藏状态；所述第三全连接层将所述gru层的输出特征进行整合，实现特征非线性关系的学习，其运算过程表示为：式中：表示所述第三全连接层的输出，表示所述第三全连接层的权重系数，表示所述第三全连接层的偏差，表示激活函数，采用relu或linear激活函数；所述第二串联层的作用是将所述第三全连接层的输出与当前时刻的输入矩阵合并，其运算过程表示为：
式中：表示所述第二串联层的输出；所述第四全连接层与所述第三全连接层的架构相同，其运算过程表示为：式中：表示所述第二全连接层的输出，表示所述第二全连接层的权重系数，表示所述第二全连接层的偏差，表示激活函数，采用relu或linear激活函数；所述gru模型的输出g即为所述第四全连接层的输出，表示为：。
[0008]
优选的，“将所述cnn模型和所述gru模型的输出通过第三串联层与当前时刻的输入矩阵合并，然后通过第五全连接层对特征进行整合”运算过程表示为：运算过程表示为：式中：表示所述第三串联层的输出，表示所述第五全连接层的输出，表示所述第五全连接层的权重系数，表示所述第五全连接层的偏差，表示激活函数，采用relu或linear激活函数；所述cnn-gru混合模型的输出即为所述第五全连接层的输出，表示为：。
[0009]
优选的，在模型的训练的过程中，将数据集按照4：1的比例划分为训练集和测试集，使用学习率衰减法和早停法进行训练；对于学习率衰减法，以验证集的损失为指标，设置每4个回合模型在验证集的损失没有变化则将学习率衰减40%；对于早停法，若20个回合模型在验证集的损失都没有优化则停止模型训练，此时模型为最优模型。
[0010]
优选的，所述施工参数包括：土舱压力、设备侧滚、设备倾角、刀盘速度、油缸推进压力、推进速度平均值、贯入度、总推进力、螺旋机速度测量值、螺旋机上卸料门开度、螺旋机下卸料门开度、膨润土流量、砂浆注入口压力、泡沫进水管压力、泡沫枪液体流量及泡沫枪压力；所述地质参数包括隧道埋深、地下水位、标准贯入次数、动力触探次数、单轴抗压强度及掌子面静止土压力，其中地质参数按照每类地层的厚度对其物理力学指标进行加权修正。
[0011]
优选的，预处理过程包括：去除停机阶段数据、筛选离群值、降噪处理、数据归一化，并按照环号对数据进行平均处理，去除停机阶段数据的标准为：若推进速度、推进力、贯入度、刀盘速度、刀盘扭矩其中一项为0，则认为盾构机处于停机阶段，将其去除；离群值通过箱型图进行筛选，若数据点位于上下界限之外则删除；降噪通过快速傅里叶变换，将时序数据转换到频域后，删除高频部分的信号完成降噪；数据归一化，是对数据的线性变换，使
结果值映射到[0 , 1]之间。
[0012]
与相关技术相比，本发明构建了土舱压力空间分布特征函数，将直接预测土舱压力数值问题转化为预测系数的问题，降低了土舱压力空间预测的输出维度，有利于提高数据驱动模型的精度，并且使数据驱动的结果更具有物理意义；并且建立了考虑施工参数和地质参数的cnn-gru混合模型预测土舱压力空间分布系数，综合了单一cnn模型和gru模型的优势，具有更快的训练速度和更高的预测精度，cnn-gru混合模型将预测的系数结果代入到土舱压力空间分布特征函数即可实现土舱压力空间分布的预测。
附图说明
[0013]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：图1为土舱内压力传感器的分布图；图2为本发明提供的cnn-gru混合模型的流程图；图3 为本发明提供的土舱压力空间分布特征函数拟合效果；图4为单一cnn模型预测a值的r2图；图5为单一cnn模型预测b值的r2图；图6为单一cnn模型预测c值的r2图；图7为单一cnn模型预测d值的r2图；图8为单一gru模型预测a值的r2图；图9为单一gru模型预测b值的r2图；图10为单一gru模型预测c值的r2图；图11为单一gru模型预测d值的r2图；图12为本发明提供的cnn-gru混合模型预测a值的r2图；图13为本发明提供的cnn-gru混合模型预测b值的r2图；图14为本发明提供的cnn-gru混合模型预测c值的r2图；图15为本发明提供的cnn-gru混合模型预测d值的r2图。
具体实施方式
[0014]
为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明的上述目的、特征和优点能够更加明显易懂，下面对本发明的具体实施方式作进一步的说明。
[0015]
请结合参阅图1-15，本发明提供一种基于深度学习的盾构机土舱压力空间分布预测方法，包括如下步骤：s1：选定土舱内顶部的土舱压力传感器为初始点，构建土舱压力空间分布特征函数：
式中，表示土舱内任意空间点相比于初始点逆时针旋转的角度，a、b、c、d表示土舱压力空间分布特征函数的系数。
[0016]
请参阅图1，土舱压力传感器分布在土舱内，用于检测土舱内对应区域的压力。土舱压力传感器的数量为六个，分别为土压1#—6#，土压1#设置于土舱的顶部，土压2#设置于土压1#逆时针60
°
方向上，土压3#设置于土压1#逆时针90
°
方向上，土压4#与土压3#关于竖直方向对称设置，土压5#设置于土压1#逆时针140
°
方向上，土压6#与土压5#关于竖直方向对称设置。每个土舱压力传感器仅仅用于检测传感器设置位置的土仓压力，而对于传感器设置位置外的区域，无法获取到压力值。
[0017]
对盾构过程中收集的土舱压力值进行分析发现，土舱压力的空间分布存在上下梯度和左右差异，上下梯度一般表现为上部土舱压力比下部土舱压力小，左右差异一般表现为刀盘逆时针旋转时，左侧土舱压力大于右侧土舱压力。因此可以根据土舱压力传感器的布置位置，通过三角函数来刻画土舱压力的变化规律。
[0018]
土舱压力空间分布特征函数中共包括四项：第一项a为定值，不随角度发生变化，用于描述土舱压力的平均值；第二项随着角度的增加呈现先增大后减小的趋势，用于描述土舱压力的上下梯度；第三项随着角度的增加而增加，用于描述土舱压力的左右梯度；第四项随着角度的增加而波动，用于描述土舱压力的不均匀性。
[0019]
通过土舱压力空间分布特征函数将六个土舱压力传感器的数据进行拟合，使得六个土舱压力值转换为了四个系数，降低了预测数据的维度，使预测结果更具有物理意义。
[0020]
s2：收集盾构过程中的施工参数和地质参数，对数据进行预处理后形成数据集。
[0021]
具体的，施工参数包括：土舱压力传感器测量的土舱压力值、设备侧滚、设备倾角、刀盘速度、油缸推进压力、推进速度平均值、贯入度、总推进力、螺旋机速度测量值、螺旋机上卸料门开度、螺旋机下卸料门开度、膨润土流量、砂浆注入口压力、泡沫进水管压力、泡沫枪液体流量及泡沫枪压力。
[0022]
地质参数包括隧道埋深、地下水位、标准贯入次数、动力触探次数、单轴抗压强度及掌子面静止土压力，其中地质参数按照每类地层的厚度对其物理力学指标进行加权修正。
[0023]
预处理过程包括：去除停机阶段数据、筛选离群值、降噪处理、数据归一化，并按照环号对数据进行平均处理。去除停机阶段数据的标准为：若推进速度、总推进力、贯入度、刀盘速度、刀盘扭矩其中一项为0，则认为盾构机处于停机阶段，将其去除；离群值通过箱型图进行筛选，若数据点位于上下界限之外则删除；降噪通过快速傅里叶变换，将时序数据转换到频域后，删除高频部分的信号完成降噪；数据归一化，是对数据的线性变换，使结果值映射到[0 , 1]之间。
[0024]
s3：构建cnn-gru混合模型，将数据集作为所述cnn-gru混合模型的输入，通过cnn模型提取施工参数和地质参数在过去时刻的特征向量，通过gru模型捕捉土舱压力在过去
时间尺度的关联性，将所述cnn模型和所述gru模型的输出结果通过第三串联层，然后与当前时刻的施工参数和地质参数共同作为输入，经过第五全连接层后输出土舱压力空间分布特征函数的预测系数，将预测得到的系数代入所述土舱压力空间分布特征函数。
[0025]
请结合参阅图2，图2表示所述cnn-gru混合模型的流程图，其中x为所述cnn-gru模型的输入矩阵，表示t时刻以前采集的施工参数和地质参数，t表示当前时刻，xt表示当前时刻的输入矩阵，表示当前时刻t所对应的施工参数和地质参数。
[0026]
所述cnn模型包括卷积层11、池化层12、第一全连接层13、第一串联层14和第二全连接层15。
[0027]
所述数据集以矩阵的形式输入所述cnn模型，所述卷积层11通过卷积核提取输入矩阵的特征，其运算过程表示为：式中：表示所述卷积层11的输出，表示输入矩阵，表示所述卷积层11的权重矩阵，表示所述卷积层11的偏差，表示矩阵运算，表示激活函数，采用relu激活函数。
[0028]
所述池化层12通过最大池化方法对卷积后的特征进行降维，提高模型的鲁棒性，其运算过程表示为；式中：表示所述池化层12的输出，表示所述池化层12的偏差，表示最大值函数。
[0029]
所述第一全连接层13将展平后的抽象特征进行整合，实现特征非线性关系的学习，其运算过程表示为：式中：表示所述第一全连接层13的输出，表示所述第一全连接层13的权重系数，表示所述第一全连接层13的偏差，表示激活函数，采用relu或linear激活函数。
[0030]
所述第一串联层14的作用是将所述第一全连接层13的输出与当前时刻的输入矩阵合并，其运算过程表示为：式中：表示第一串联层14的输出，表示当前时刻的输入矩阵。
[0031]
所述第二全连接层15与所述第一全连接层13的架构相同，其运算过程表示为：
式中：表示第二全连接层15的输出，表示所述第二全连接层15的权重系数，表示所述第二全连接层15的偏差，表示激活函数，采用relu或linear激活函数。
[0032]
所述cnn模型的输出即为所述第二全连接层15的输出：所述gru模型包括gru层21、第三全连接层22、第二串联层23及第四全连接层24。
[0033]
所述gru层21的核心结构是更新门和重置门，更新门用于决定记忆或遗忘过去隐藏状态的比例，重置门用于决定考虑新的候选隐藏状态和旧隐藏状态的比例，二者的运算过程表示为：式中为所述更新门的输出，为所述重置门的输出，、输出的取值区间都为[0,1]；为sigmoid函数，为上一个时刻的隐藏状态，、为所述更新门的权重系数，、为所述重置门的权重系数。
[0034]
所述gru层21的运算过程表示为：式中为新的候选隐藏状态，为所述gru层21的输出，表示更新后的隐藏状态，为上一个时刻的隐藏状态，为双曲正切函数，取值区间为[-1,1]，、为隐藏状态更新的权重系数，表示矩阵的哈达玛乘积；当更新门的输出为0时，表示所述gru层21的输出只考虑当前的输入状态；当所述重置门的输出为0时，表示所述gru层21的输出只考虑新的候选隐藏状态。
[0035]
所述第三全连接层22将所述gru层21的输出特征进行整合，实现特征非线性关系的学习，其运算过程表示为：
式中：表示所述第三全连接层22的输出，表示所述第三全连接层22的权重系数，表示所述第三全连接层22的偏差，表示激活函数，采用relu或linear激活函数。
[0036]
所述第二串联层23的作用是将所述第三全连接层22的输出与当前时刻的输入矩阵合并，其运算过程表示为：式中：表示所述第二串联层23的输出。
[0037]
所述第四全连接层24与所述第三全连接层22的架构相同，其运算过程表示为：式中：表示所述第四全连接层24的输出，表示所述第四全连接层24的权重系数，表示所述第四全连接层24的偏差，表示激活函数，采用relu或linear激活函数。
[0038]
所述gru模型的输出g即为所述第四全连接层24的输出，表示为：将所述cnn模型和所述gru模型的输出通过第三串联层31与当前时刻的输入矩阵合并，然后通过第五全连接层32对特征进行整合，运算过程表示为：征进行整合，运算过程表示为：式中：表示所述第三串联层31的输出，表示所述第五全连接层32的输出，表示所述第五全连接层32的权重系数，表示所述第五全连接层32的偏差，表示激活函数，采用relu或linear激活函数。
[0039]
所述cnn-gru混合模型的输出s即为所述第五全连接层32的输出，表示为：。
[0040]
在模型的训练的过程中，将数据集按照4：1的比例划分为训练集和测试集，使用学
习率衰减法和早停法进行训练。对于学习率衰减法，以验证集的损失（mse）为指标，设置每4个回合模型在验证集的损失没有变化则将学习率衰减40%；对于早停法，若20个回合模型在验证集的损失都没有优化则停止模型训练，此时模型为最优模型。训练完成后的模型，可以直接输出所述土舱压力空间分布特征函数中的系数a、b、c、d，将得到的系数直接代入到所述土舱压力空间分布特征函数中即可完成函数的构建。
[0041]
盾构机在掘进过程中，土舱压力是随时间变化的，当前时刻土舱压力的数值会受到上一个时刻土舱压力数值的影响。因此在模型的构建过程中，本发明利用cnn模型提取施工参数和地质参数在过去时刻的特征向量，利用gru模型学习到数据在时间尺度的关联性，可以考虑时序数据的长期依赖；同时考虑了当前时刻的施工参数和地质参数，将cnn模型、gru模型和当前时刻的施工参数、地质参数作为共同输入通过第三串联层进行数据的合并，可以为后续土舱压力空间分布的控制提供途径，为盾构掘进过程中施工参数的优化调节提供指导。
[0042]
s4：采用所述土舱压力空间分布特征函数进行土舱压力的空间分布预测。
[0043]
实施例一以某市地铁四号线为例，验证土舱压力空间分布特征函数的可靠性和cnn-gru混合模型框架的可行性。项目全长1164m，由布置在盾构机上的传感器以1hz的频率记录施工参数，根据实际施工操作，选择收集到数据中32项与土舱压力密切相关的参数作为模型的施工参数输入，完成数据库搭建。
[0044]
根据特征函数对输入参数中的土舱压力数据进行降维处理，通过最小二乘法得到每环数据特征函数的系数，其决定系数r2达到0.99，如图3所示，验证了该特征函数的可靠性。其中特征函数的系数则作为模型的输出标签值，形成了完整的模型训练数据库。
[0045]
按照技术方案训练模型，模型训练的硬件平台为笔记本，处理器为amd ryzen 7 4800u，内存16gb，显卡为radeon graphics。软件平台为anaconda，版本为1.9.7。使用keras深度学习库，以tensorflow作为后端，基于python搭建网络框架。其中python版本为3.7，tensorflow版本为2.4.1。
[0046]
将cnn模型、gru模型及本发明提供的cnn-gru混合模型的预测结果进行对比，表1分别展示了各个模型的训练次数以及预测误差。
[0047]
表1各模型预测误差及训练回合对比
从表1可以看出，本发明提供的cnn-gru混合模型的训练回合最少且预测各系数误差平均值最小，其mse为0.0011，rmse为0.0327，mae为0.0240。
[0048]
图4-15分别展示了各个模型对空间分布系数的预测结果与实测结果决定系数散点图。从图4-15可以看出，本发明提供的cnn-gru混合模型的预测效果都比单一模型的有所提升，说明采用混合模型的方式模型混合可以更好的发挥单一模型的优势，不但提高了预测精度，而且减少了训练时间。
[0049]
将本发明提供的预测方法与传统技术中的数据驱动直接预测方法进行比对，得到表2：表2 特征函数导引预测与数据驱动预测方法对比
从表2可以看出，数据驱动预测方法直接预测土舱压力的rmse、mse、mae、r2平均值分别为0.0401、0.0016、0.0304、0.9688；而通过本发明提供的预测方法预测的土舱压力的mse、mse、mae、r2平均值分别为0.0386、0.0017、0.0303、0.9757，整体而言其误差减小了，模型预测精度有了一定的提升。
[0050]
与相关技术相比，本发明构建了土舱压力空间分布特征函数，将直接预测土舱压力数值问题转化为预测系数的问题，降低了土舱压力空间预测的输出维度，有利于提高数据驱动模型的精度，并且使数据驱动的结果更具有物理意义；并且建立了考虑施工参数和地质参数的cnn-gru混合模型预测土舱压力空间分布系数，综合了单一cnn模型和gru模型的优势，具有更快的训练速度和更高的预测精度，cnn-gru混合模型将预测的系数结果代入到土舱压力空间分布特征函数即可实现土舱压力空间分布的预测。
[0051]
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。