用于隧道掘进施工预测的数据处理方法和装置

1.本技术涉及计算机领域，具体而言，涉及一种用于隧道掘进施工预测的数据处理方法和装置。


背景技术：

2.随着人工智能技术在土木工程建设中的应用与开发，信息化和自动化的现阶段发展，使得tbm进行掘进的隧道工程逐渐增多，虽采用机械化施工效率高，但施工成本较高，施工效果也逐渐供不应求，技术短板随即凸显。发明人发现，tbm隧道的掘进效果与应用能耗成本主要受围岩参数、掘进参数和tbm设计等因素的影响；在硬岩隧道中刀具的消耗量较大，在软弱地层中隧道掘进速度较低，tbm隧道施工的过程中难以达到较好的施工效果。
3.现有技术中存在通过训练模型进行tbm掘进的优化，但是主要针对单一参数进行模型的构建，进一步的，进行模型构建的样本数据需要人工分析处理，导致进行模型构建的效率较低。现有技术中存在掘进预测模型的效率较低的技术问题。
4.因此，现有技术中tbm掘进参数的预测存在效率较低的问题。


技术实现要素：

5.本技术的主要目的在于提供一种用于隧道掘进施工预测的数据处理方法和装置，以解决现有技术中通过人工分析处理进行模型训练的样本数据，导致模型构建效率较低，进而导致tbm掘进参数的预测效率较低的问题，提高了对用于模型训练的样本数据的分析处理效率，实现了提高tbm掘进参数的预测效率和准确率的技术效果。
6.为了实现上述目的，本技术的第一方面，提出了一种用于隧道掘进施工预测的数据处理方法，包括：
7.获取待处理隧道掘进施工样本数据，其中，所述待处理隧道掘进施工样本数据为用于训练隧道掘进施工预测模型的样本数据；
8.对所述待处理隧道掘进施工样本数据进行基于样本排序筛选的优化处理，得到训练样本数据；
9.对所述训练样本数据进行模型训练处理，得到隧道掘进施工预测模型；以及
10.根据所述隧道掘进施工预测模型对待处理隧道岩体特征数据进行预测处理，得到目标隧道掘进施工参数数据。
11.可选地，对所述待处理隧道掘进施工样本数据进行基于样本排序筛选的优化处理，得到训练样本数据包括：
12.对所述待处理隧道掘进施工样本数据进行初始化处理，得到多个第一待处理样本数据集，其中，所述多个第一待处理样本数据集为用于表示多个第一待处理样本点的数据，所述多个第一待处理样本点为用于表示多个待处理样本在全部待处理样本中的样本位置；
13.对所述多个第一待处理样本数据集进行全局最优解计算处理，得到多个第二待处理样本数据集，其中，所述多个第二待处理样本数据集为用于表示多个第二待处理样本点
的数据，第二待处理样本点为第一待处理样本点经优化更新后的得到样本点；以及
14.根据预设的样本数据集规则对所述多个第二待处理样本数据集进行筛选处理，得到所述训练样本数据，其中，所述训练样本数据为所述多个第二待处理隧道掘进施工样本数据经筛选处理后得到的样本数据。
15.可选地，对所述多个第一待处理样本数据集进行全局最优解计算处理，得到多个第二待处理样本数据集包括：
16.对所述多个第一待处理样本数据集进行个体最优解计算处理，得到多个第一样本最优解数据，其中，第一样本最优解数据为第一待处理样本数据集对应的个体最优解数据，所述第一待处理样本数据集为所述多个第一待处理样本数据集中的任意一个；
17.对所述多个第一待处理样本数据集进行样本点密度计算处理，得到第一样本密度数据，其中，所述第一样本点密度数据为用于表示所述多个第一待处理样本点在预设的样本区间中的密度的数据；
18.根据所述第一样本密度数据对所述多个第一样本最优解数据进行数据集更新处理，得到所述多个第二待处理样本数据集。
19.可选地，对所述训练样本数据进行模型训练处理，得到隧道掘进施工预测模型包括：
20.对所述训练样本数据进行识别，得到第一训练样本特征数据，其中，所述第一训练样本特征参数数据包括样本岩体特征数据、样本掘进特征数据和样本掘进评价特征数据；
21.对所述样本岩体特征数据、所述样本掘进特征数据和所述样本掘进评价特征数据进行模型训练处理，得到第一隧道掘进施工预测模型；
22.对所述训练样本数据进行识别，得到第二训练样本特征数据，其中，所述第二训练样本特征数据包括样本掘进消耗特征数据、所述样本掘进特征数据和所述样本掘进评价特征数据；
23.对所述样本掘进消耗特征数据、所述样本掘进特征数据和所述样本掘进评价特征数据进行模型训练处理，得到第二隧道掘进施工预测模型；
24.获得所述隧道掘进施工预测模型，所述隧道掘进施工预测模型包括所述第一隧道掘进施工预测模型和所述第二隧道掘进施工预测模型。
25.可选地，根据所述隧道掘进施工预测模型对待处理隧道岩体特征数据进行预测处理，得到目标隧道掘进施工参数数据包括：
26.根据第一隧道掘进施工预测模型对所述待处理隧道岩体特征数据进行掘进评价特征预测处理，得到过程掘进预测数据，其中，所述过程掘进预测数据包括预测掘进特征数据和预测掘进评价特征数据；
27.根据第二隧道掘进施工预测模型对所述过程掘进预测数据进行掘进施工特征数据预测处理，得到所述目标隧道掘进施工参数数据，其中，所述目标隧道掘进施工参数数据包括预测掘进消耗特征数据和预测掘进特征数据。
28.可选地，在根据所述隧道掘进施工预测模型对待处理隧道岩体特征数据进行预测处理，得到目标隧道掘进施工参数数据之后，所述方法还包括：
29.对所述目标预测施工参数数据进行识别，得到预测掘进消耗特征数据和预测掘进特征数据；
30.根据所述待处理隧道岩体特征数据和所述预测掘进特征数据进行模型更新处理，得到更新第一掘进预测模型；
31.根据所述待处理隧道岩体特征数据和所述预测掘进消耗特征数据进行模型更新处理，得到更新第二掘进预测模型；
32.获得更新隧道掘进施工预测模型，其中，所述更新隧道掘进施工预测模型包括所述更新第一掘进预测模型和所述更新第二掘进预测模型。
33.根据本技术的第二方面，提出了一种用于隧道掘进施工预测的数据处理装置，包括：
34.样本获取模块，用于获取待处理隧道掘进施工样本数据，其中，所述待处理隧道掘进施工样本数据为用于训练隧道掘进施工预测模型的样本数据；
35.样本排序筛选模块，用于对所述待处理隧道掘进施工样本数据进行基于样本排序筛选的优化处理，得到训练样本数据；
36.模型训练模块，用于对所述训练样本数据进行模型训练处理，得到隧道掘进施工预测模型；以及
37.预测模块，用于根据所述隧道掘进施工预测模型对待处理隧道岩体特征数据进行预测处理，得到目标隧道掘进施工参数数据。
38.可选地，所述样本排序筛选模块包括：
39.初始化模块，用于对所述待处理隧道掘进施工样本数据进行初始化处理，得到多个第一待处理样本数据集，其中，所述多个第一待处理样本数据集为用于表示多个第一待处理样本点的数据；
40.排序计算模块，用于对所述多个第一待处理样本数据集进行全局最优解计算处理，得到多个第二待处理样本数据集，其中，所述多个第二待处理样本数据集为用于表示多个第二待处理样本点的数据，第二待处理样本点为第一待处理样本点经优化更新后的得到样本点；以及
41.样本筛选模块，用于根据预设的样本数据集规则对所述多个第二待处理样本数据集进行筛选处理，得到所述训练样本数据，其中，所述训练样本数据为所述多个第二待处理隧道掘进施工样本数据经筛选处理后得到的样本数据。
42.根据本技术的第三方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述的用于隧道掘进施工预测的数据处理方法。
43.根据本技术的第四方面，提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述的用于隧道掘进施工预测的数据处理方法。
44.本技术的实施例提供的技术方案可以包括以下有益效果：
45.在本技术中，通过获取待处理隧道掘进施工样本数据，对待处理隧道掘进施工样本数据进行基于样本排序筛选的优化处理，得到训练样本数据，根据训练样本数据进行模型训练得到隧道掘进施工预测模型，隧道掘进施工模型对待处理隧道岩体特征数据进行预测处理，得到目标隧道掘进施工参数数据。通过对所述待处理隧道掘进施工样本数据进行
基于样本排序筛选的优化处理，筛选了样本数据中的极端数据和降低了样本数据的无序性，解决了现有技术中获取模型训练样本的效率较低导致的tbm掘进参数的预测效率较低的问题，实现了提高训练隧道掘进施工模型的效率和准确率的技术效果。
附图说明
46.构成本技术的一部分的附图用来提供对本技术的进一步理解，使得本技术的其它特征、目的和优点变得更明显。本技术的示意性实施例附图及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
47.图1为本技术提供的一种用于隧道掘进施工预测的数据处理方法的流程图；
48.图2为本技术提供的一种用于隧道掘进施工预测的数据处理方法的流程图；
49.图3为本技术提供的一种用于隧道掘进施工预测的数据处理方法的流程图；
50.图4为本技术提供的一种用于隧道掘进施工预测的数据处理方法的流程图；
51.图5为本技术提供的一种用于隧道掘进施工预测的数据处理装置的结构示意图；
52.图6为本技术提供的另一种用于隧道掘进施工预测的数据处理装置的结构示意图。
具体实施方式
53.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
54.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
55.在本技术中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本技术及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
56.并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本技术中的具体含义。
57.此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，“连接”可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含
义。
58.图1为本技术提供的一种用于隧道掘进施工预测的数据处理方法的流程图，如图1所示，该方法包括以下步骤：
59.s101：获取待处理隧道掘进施工样本数据；
60.待处理隧道掘进施工样本数据为用于训练隧道掘进施工预测模型的样本数据，待处理隧道掘进施工样本数据为待处理隧道掘进施工样本的数据，待处理隧道掘进施工样本为包括在隧道不同岩体段进行施工掘进产生的相关数据，待处理隧道掘进施工样本数据包括多个施工特征数据，施工特征数据为用于表示隧道掘进施工的数据，如岩体特征数据、施工参数数据、施工消耗数据、施工评价数据等；不同岩体段内的岩体施工特征数据不同，如第一隧道岩体段对应第一隧道掘进施工样本数据，第一隧道掘进施工样本数据包括第一岩体特征数据和第一施工参数数据，第二隧道岩体段对应第二隧道掘进施工样本数据，第二隧道掘进施工样本数据包括第二岩体特征数据和第二施工参数数据，第三隧道岩体段对应第三隧道掘进施工样本数据，第三隧道掘进施工样本数据包括第三岩体特征数据和第三施工参数数据，其中，第一岩体特征数据第二岩体特征数据相同，第一施工参数数据和第二施工参数数据不同，第一岩体特征数据与第三岩体特征数据数据不同，第一施工参数数据和第三施工参数数据相同，第二岩体特征数据与第三岩体特征数据不同，第二施工参数数据和第三施工参数数据不同，不同岩体段内可以存在相同的施工特征数据，但至少存在一个不相同的施工特征数据。
61.s102：对待处理隧道掘进施工样本数据进行基于样本排序筛选的优化处理，得到训练样本数据；
62.在本技术实施例中，通过mopso(多目标粒子群优化)算法对待处理隧道掘进施工样本数据进行样本排序筛选处理，通过mopso对待处理隧道掘进施工样本进行优化，对待处理隧道掘进施工样本数据中的极端数据进行筛选，并对原始数据进行排序处理，经处理后，降低了待处理隧道掘进施工样本数据中的原始数据中的误差的数据和数据的无序程度，得到了经优化处理后的训练样本数据，进而提高了训练隧道掘进施工预测模型的效率和准确率。
63.图2为本技术提供的一种用于隧道掘进施工预测的数据处理方法的流程图，如图2所示，该方法包括以下步骤：
64.s201：对待处理隧道掘进施工样本数据进行初始化处理，得到多个第一待处理样本数据集；
65.多个第一待处理样本数据集为用于表示多个第一待处理样本点的数据，多个第一待处理样本点为用于表示多个待处理样本在全部待处理样本中的样本位置。
66.通过对待处理隧道掘进施工样本数据进行初始化，得到数据群集合p0＝{p1,p2,
…
,pm}，其中，p1,p2,
…
,pm为初始化处理后的多个样本的数据集，每个数据集中均包括岩体特征数据和施工参数数据等，其中，岩体特征数据可以为岩体单轴抗压强度信息、地层破碎程度信息以及石英含量信息中的任意一种或多种，确定优化处理迭代次数为n，初始化样本点所述位置为本点所述位置为其中，d为最大计量维数，优化过程样本点迁移速度目标函数f及优化适应度值w，存档阈
值确定也即t次迭代时目标空间边界，值确定也即t次迭代时目标空间边界，目标空间网格划分数g＝m
×
m，样本点优化过程位置范围m，样本点优化过程位置范围速度范围
67.基于pareto支配原则，根据目标函数计算初始样本点适应值大小，挑选出初始数据集合中无支配关系的样本点储存到archive集中记为非支配向量a(1)；计算archive集中样本点的密度信息：把目标空间用网格等分成小区域，以每个区域中包含的样本点数作为样本点的密度信息；样本点所在网格中包含的样本点数越多，其密度值越大，反之越小；根据第t次迭代目标空间的边界要求，目标空间的每一网格的模如下：
[0068][0069][0070]
…
[0071][0072]
遍历a(t)非支配向量集样本点，对样本点所在网格进行编号，如下形式：
[0073]
对于第i个样本点所在网格编号为：
[0074][0075]
其中，int(
·
)为取整函数，和为第i个样本点的目标函数值，计算得到网格中样本点的密度估计值。
[0076]
s202：对多个第一待处理样本数据集进行全局最优解计算处理，得到多个第二待处理样本数据集；
[0077]
多个第二待处理样本数据集为用于表示多个第二待处理样本点的数据，第二待处理样本点为第一待处理样本点经优化更新后的得到样本点；
[0078]
在本技术的另一可选实施例中，提供了一种用于隧道掘进施工预测的数据处理方法，图3为本技术提供的一种用于隧道掘进施工预测的数据处理方法的流程图，如图3所示，该方法包括以下步骤：
[0079]
s301：对多个第一待处理样本数据集进行个体最优解计算处理，得到多个第一样本最优解数据；
[0080]
第一样本最优解数据为第一待处理样本数据集对应的个体最优解数据，第一待处理样本数据集为多个第一待处理样本数据集中的任意一个。
[0081]
在a(t)存档数据集中，为全局群体p
t
选择最优样本点其选择依据即为archive集中样本点的密度信息。具体地，对于archive集中的数据点，其密度值越低，选择的概率就越大，反之越小，如下：
[0082]
a(t)中优于pt的数据集a*(t)：
[0083]a*
(t)＝a
*
(t-1) {a
k,t
∣a
k,t
＜p
t
,a
k,t
∈a(t),1≤k≤|a(t)|}
[0084]
其中，符号＜表示两矢量间没有优先关系；|a(t)|表示a(t)包含的样本数；
[0085]
s302：对多个第一待处理样本数据集进行样本点密度计算处理，得到第一样本密度数据；
[0086]
第一样本点密度数据为用于表示多个第一待处理样本点在预设的样本区间中的密度的数据。
[0087]
找出a*(t)中密度最小的数据集g
*
(t)：
[0088]g*
(t)＝min{density(ak),k＝1,2,
…
,|a
*
(t)|,ak∈a
*
(t)}
[0089]
如|g
*
(t)|》1,则g
t
＝rand{g
*
(t)}；
[0090]
其中，a*(t)用来存放a(t)中优于样本p
t
的成员，a*(t)中密度最小的样本存放在g
*
(t)中；
[0091]
density(ak)计算样本ak的密度估计值；
[0092]
rand{g
*
(t)}表示从g
*
(t)中随机选择一个。
[0093]
s303：根据第一样本密度数据对多个第一样本最优解数据进行数据集更新处理，得到多个第二待处理样本数据集。
[0094]
根据每一样本点经历的目标函数值确定的最优位置的对比，选取样本最优点对应速度依据archive集样本点密度信息对样本群中每点进行对比，选取样本群最优点依前述，在决策分量值依前述，在决策分量值与的引导下搜索各样本点在第t次迭代时的最优解，具体如下：
[0095]
在位置范围和速度范围约束下，进行如下的数据点更新，
[0096][0097][0098]
其中，i＝1,2，
…
，表第i个样本点；ω为惯性因子，一般取[0,1]间数；r1、r2为[0,1]区间随机数；c1为局部学习因子、c2为全局学习因子，通常取为固定值2.0；对计算出的根据范围限制进行样本点越界处理得到符合要求的样本更新点
[0099]
对archive集进行数据更新：基于pareto支配原则，将进行更新后的数据群中的非劣解保存至archive集中；当archive集为空集时，把p
t
中的非劣解直接存储到archive集中；当archive集不为空时，只要p
t
中样本点优于或者独立于archive集中的某一样本点，则把该样本点存储到archive集中；
[0100]
如时，
[0101]
a(t)＝a(t-1) {p
k,t
∣p
k,t
＜p
i,t or p
k,t
＜＞p
i,t
,1≤i≠k≤|p
t
|}
[0102]
反之，
[0103]
a(t)＝a(t-1) {p
k,t
∣p
k,t
＜p
i,t or p
k,t
＜＞a
i,t-1
,1≤i≠k≤|p
t
|}
[0104]
其中，p
k,t
表示p
t
中的第k个粒子；符号＜、＜＞表示两矢量没有优先关系。
[0105]
s203：根据预设的样本数据集规则对多个第二待处理样本数据集进行筛选处理，得到训练样本数据。
[0106]
训练样本数据为多个第二待处理隧道掘进施工样本数据经筛选处理后得到的样本数据。
[0107]
当archive集中的样本数超过了规定限制时，需要通过删除多余的个体维持稳定的archive集规模。对于数据点数多于1个的网格s，将超出网格边界范围的数据进行删减修正，相应的可采用拥挤度距离、自适应网格法进行筛选；最后将符合要求的样本点集根据优化程度及迭代次数条件衡量，如满足输出最终archive集中的优化样本点信息，如未能满足继续进行s303中的更新过程，更新迭代得出最优的archive数据点集。
[0108]
s103：对训练样本数据进行模型训练处理，得到隧道掘进施工预测模型；
[0109]
图4为本技术提供的一种用于隧道掘进施工预测的数据处理方法的流程图，如图4所示，该方法包括以下步骤：
[0110]
s401：对训练样本数据进行识别，得到第一训练样本特征数据；
[0111]
第一训练样本特征参数数据包括样本岩体特征数据、样本掘进特征数据和样本掘进评价特征数据；
[0112]
对通过排序优化后得到的训练样本数据进行识别，得到样本岩体特征数据、样本掘进特征数据和样本掘进评价特征数据，样本岩体特征数据为用于表示样本岩体的属性参数的数据，样本掘进特征数据为用于表示掘进设备施工参数的数据，样本掘进评价特征数据为用于表示对掘进效果评价的数据。
[0113]
s402：对样本岩体特征数据、样本掘进特征数据和样本掘进评价特征数据进行模型训练处理，得到第一隧道掘进施工预测模型；
[0114]
通过样本岩体特征数据、样本掘进特征数据和样本掘进评价特征数据对预设的模型进行模型训练，得到第一隧道掘进施工预测模型。
[0115]
在本技术的一个可选实施例中，预设的模型可以为回归分析方程，通过样本岩体特征数据、样本掘进特征数据和样本掘进评价特征数据之间的关系建议经验公式；采用幂函数对所述经验公式进行多元非线性回归；预先设置常规幂函数，
[0116][0117]
其中，a为常规幂函数系数，x
ki
为幂函数第ki个自变量参数，βk为第ki个自变量参数次幂，e
μi
为幂函数模型，μi为参数次幂；
[0118]
将原模型转化为标准的线性回归模型，如下所示，
[0119][0120]
通过回归分析计算，得到第一过程隧道掘进施工预测模型；
[0121]
对第一过程隧道掘进施工预测模型进行校验，将样本岩体特征数据和样本掘进特征数据对应的预测的掘进评价特征数据与实际的样本掘进评价特征数据进行对比，将对比结果反馈至上述第一过程隧道掘进施工预测模型，对第一过程隧道掘进施工预测模型进行更新，得到第一隧道掘进施工预测模型。
[0122]
s403：对所述训练样本数据进行识别，得到第二训练样本特征数据；
[0123]
第二训练样本特征数据包括样本掘进消耗特征数据、样本掘进特征数据和样本掘进评价特征数据；
[0124]
s404：对样本掘进消耗特征数据、样本掘进特征数据和样本掘进评价特征数据进
行模型训练处理，得到第二隧道掘进施工预测模型；
[0125]
通过样本掘进消耗特征数据、样本掘进特征数据和样本掘进评价特征数据对预设的模型进行模型训练，得到第一隧道掘进施工预测模型，其中，样本掘进消耗特征数据为经mopso算法排序筛选得到用于表示掘进设备刀具寿命参数的特征数据，样本掘进特征数据为经mopso算法排序筛选得到的用于表示掘进设备施工参数的特征数据，如掘进速度等。
[0126]
第二隧道掘进施工预测模型的训练方法与第一隧道掘进施工预测模型的训练方法相同，第二隧道掘进施工预测模型为用于构建样本掘进消耗特征、样本掘进特征数据和样本掘进评价特征数据之间的关系的模型。
[0127]
s405：获得隧道掘进施工预测模型，隧道掘进施工预测模型包括第一隧道掘进施工预测模型和第二隧道掘进施工预测模型。
[0128]
在本技术实施例中，通过分别构建了岩体参数和掘进设备刀具与掘进特征数据和掘进评价特征数据的第一隧道掘进施工预测模型和第二隧道掘进施工预测模型，实现了在岩体参数预测的过程中构建多参数模型，实现了提高隧道掘进施工预测的准确性。
[0129]
s104：根据隧道掘进施工预测模型对待处理隧道岩体特征数据进行预测处理，得到目标隧道掘进施工参数数据。
[0130]
根据第一隧道掘进施工预测模型对待处理隧道岩体特征数据进行掘进评价特征预测处理，得到过程掘进预测数据，其中，过程掘进预测数据包括预测掘进特征数据和预测掘进评价特征数据；根据待处理隧道岩体特征数据预测与其对应的最优评价特征数据及最优评价特征数据对应的掘进特征数据，根据第一隧道掘进施工预测模型对岩体特征数据进行预测，得到在当前岩体施工中，最优评价特征数据及对应的掘进特征数据。
[0131]
根据第二隧道掘进施工预测模型对过程掘进预测数据进行掘进施工特征数据预测处理，得到目标隧道掘进施工参数数据，其中，目标隧道掘进施工参数数据包括预测掘进消耗特征数据和预测掘进特征数据。根据第一隧道掘进施工预测模型预测得到的最优评价特征数据及最优评价特征数据对应的掘进特征数据，通过第二隧道掘进施工预测模型对最优评价特征数据和掘进特征数据进行预测，得到预测掘进消耗特征数据。
[0132]
在本技术的另一可选实施例中，提供了一种用于隧道掘进施工预测的数据处理方法，对目标预测施工参数数据进行识别，得到预测掘进消耗特征数据和预测掘进特征数据；根据待处理隧道岩体特征数据和预测掘进特征数据进行模型更新处理，得到更新第一掘进预测模型；根据待处理隧道岩体特征数据和预测掘进消耗特征数据进行模型更新处理，得到更新第二掘进预测模型；获得更新隧道掘进施工预测模型，其中，更新隧道掘进施工预测模型包括更新第一掘进预测模型和更新第二掘进预测模型。
[0133]
在本技术实施例中，通过获取目标预测施工参数数据，并根据得到目标预测施工参数对用于训练隧道掘进施工预测模型的样本数据进行更新，得到更新后的训练样本数据，便于对隧道掘进施工预测模型进行更新，提高了模型对不断更新的数据的适应性。
[0134]
图5为本技术提供的一种用于隧道掘进施工预测的数据处理装置的结构示意图，如图5所示，该装置包括：
[0135]
样本获取模块51，用于获取待处理隧道掘进施工样本数据，其中，待处理隧道掘进施工样本数据为用于训练隧道掘进施工预测模型的样本数据；
[0136]
样本排序筛选模块52，用于对待处理隧道掘进施工样本数据进行基于样本排序筛
选的优化处理，得到训练样本数据；
[0137]
模型训练模块53，用于对训练样本数据进行模型训练处理，得到隧道掘进施工预测模型；以及
[0138]
预测模块54，用于根据隧道掘进施工预测模型对待处理隧道岩体特征数据进行预测处理，得到目标隧道掘进施工参数数据。
[0139]
图6为本技术提供的一种用于隧道掘进施工预测的数据处理装置的结构示意图，如图6所示，该装置包括：
[0140]
初始化模块61，用于对待处理隧道掘进施工样本数据进行初始化处理，得到多个第一待处理样本数据集，其中，多个第一待处理样本数据集为用于表示多个第一待处理样本点的数据；
[0141]
排序计算模块62，用于对多个第一待处理样本数据集进行全局最优解计算处理，得到多个第二待处理样本数据集，其中，多个第二待处理样本数据集为用于表示多个第二待处理样本点的数据，第二待处理样本点为第一待处理样本点经优化更新后的得到样本点；以及
[0142]
样本筛选模块63，用于根据预设的样本数据集规则对多个第二待处理样本数据集进行筛选处理，得到训练样本数据，其中，训练样本数据为多个第二待处理隧道掘进施工样本数据经筛选处理后得到的样本数据。
[0143]
关于上述实施例中各单元的执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0144]
综上所述，在本技术中，通过获取待处理隧道掘进施工样本数据，对待处理隧道掘进施工样本数据进行基于样本排序筛选的优化处理，得到训练样本数据，根据训练样本数据进行模型训练得到隧道掘进施工预测模型，隧道掘进施工模型对待处理隧道岩体特征数据进行预测处理，得到目标隧道掘进施工参数数据。通过对所述待处理隧道掘进施工样本数据进行基于样本排序筛选的优化处理，筛选了样本数据中的极端数据和降低了样本数据的无序性，解决了现有技术中获取模型训练样本的效率较低导致的tbm掘进参数的预测效率较低的问题，实现了提高训练隧道掘进施工模型的效率和准确率的技术效果。
[0145]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0146]
显然，本领域的技术人员应该明白，上述的本技术的各单元或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本技术不限制于任何特定的硬件和软件结合。
[0147]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。