【技術實現步驟摘要】
本專利技術涉及盾構施工，特別是涉及基于改進的lstm的盾構掘進姿態預測方法及系統。
技術介紹
1、隨著城市化進程不斷推進，地下空間規劃和建設得以快速發展，盾構法因其適應性好、安全性高、施工快以及對地面環境影響低等優點，使其成為修建隧道的主要施工方式。在盾構掘進過程中，盾構姿態是需要嚴格控制的參數。盾構姿態發生偏差往往會使盾構機的掘進軸線呈現為沿著軌道設計軸線(designtunnelaxis，dta)的“蛇形”運動，從而影響后續管片襯砌的質量，嚴重時甚至可能造成管片開裂、地表沉降過大等不可逆危害。因此有必要在掘進過程中對盾構姿態偏差進行提前預測。
2、目前對盾構機姿態進行控制主要依靠司機操作經驗，人為主觀因素較大且操作具有滯后性，難以及時有效的適應地下復雜施工環境，糾偏精確度及效率很難得到保證。因此，亟需對復雜條件下盾構姿態進行預測研究，使得盾構施工更加高效。
3、近年來隨著計算機技術的快速發展，基于人工智能的方法，如機器學習和深度學習等，逐漸應用在盾構機姿態預測問題中，但現有的研究方法仍存在一些不足：盾構機姿態預測目前主要采用長短期記憶神經網絡捕獲輸入數據的時間依賴關系，但未能充分捕捉重要的局部特征并且每一個門控單元會丟失上個序列中處理過的信息。同時，現有研究沒有充分的解釋地質情況的變化對盾構姿態產生的影響，對于不同地層情況下對盾構掘進姿態的影響研究較少。
技術實現思路
1、為了解決現有技術的不足，本專利技術提供了基于改進的lstm的盾構掘進姿態預測方法及
2、一方面，提供了基于改進的lstm的盾構掘進姿態預測方法，包括：
3、獲取歷史盾構施工數據；對歷史盾構施工數據進行預處理；基于預處理的數據，確定訓練集和測試集；所述訓練集和測試集，包括：已知盾構掘進姿態發生偏差與否的歷史盾構施工數據；
4、構建盾構掘進姿態預測模型，采用訓練集對模型進行訓練，采用測試集對模型進行測試，得到訓練后的盾構掘進姿態預測模型；其中，所述盾構掘進姿態預測模型，包括：依次連接的時序卷積網絡、改進的lstm網絡以及多頭注意力機制層；所述改進的lstm網絡是在lstm網絡的基礎上，添加窺孔鏈接，所述窺孔鏈接，將上一個單元狀態分別與遺忘門和輸入門做一個連接，將上一個單元的狀態加入遺忘門和輸入門的計算中，讓當前狀態不損失上層狀態已經得到的信息，以使下一刻的輸出是完整的；
5、獲取待預測盾構施工數據；將待預測盾構施工數據，輸入到訓練后的盾構掘進姿態預測模型中，得到待預測盾構施工數據的掘進姿態預測結果。
6、另一方面，提供了基于改進的lstm的盾構掘進姿態預測系統，包括：
7、獲取模塊，其被配置為：獲取歷史盾構施工數據；對歷史盾構施工數據進行預處理；基于預處理的數據，確定訓練集和測試集；所述訓練集和測試集，包括：已知盾構掘進姿態發生偏差與否的歷史盾構施工數據；
8、模型訓練模塊，其被配置為：構建盾構掘進姿態預測模型，采用訓練集對模型進行訓練，采用測試集對模型進行測試，得到訓練后的盾構掘進姿態預測模型；其中，所述盾構掘進姿態預測模型，包括：依次連接的時序卷積網絡、改進的lstm網絡以及多頭注意力機制層；所述改進的lstm網絡是在lstm網絡的基礎上，添加窺孔鏈接，所述窺孔鏈接，將上一個單元狀態分別與遺忘門和輸入門做一個連接，將上一個單元的狀態加入遺忘門和輸入門的計算中，讓當前狀態不損失上層狀態已經得到的信息，以使下一刻的輸出是完整的；
9、預測模塊，其被配置為：獲取待預測盾構施工數據；將待預測盾構施工數據，輸入到訓練后的盾構掘進姿態預測模型中，得到待預測盾構施工數據的掘進姿態預測結果。
10、再一方面，還提供了一種電子設備，包括：
11、存儲器，用于非暫時性存儲計算機可讀指令；以及
12、處理器，用于運行所述計算機可讀指令，
13、其中，所述計算機可讀指令被所述處理器運行時，執行上述第一方面所述的方法。
14、再一方面，還提供了一種存儲介質，非暫時性存儲計算機可讀指令，其中，當非暫時性計算機可讀指令由計算機執行時，執行第一方面所述方法的指令。
15、再一方面，還提供了一種計算機程序產品，包括計算機程序，所述計算機程序當在一個或多個處理器上運行的時候用于實現上述第一方面所述的方法。
16、上述技術方案具有如下優點或有益效果：
17、(1)本專利技術優選的輸入參數數據集，在使用與影響盾構姿態發生偏差有關的盾構機掘進參數的基礎上，將不同地層參數也引入數據集，通過綜合考慮盾構機掘進參數和地層參數，并對輸入參數進行數據預處理，以實現對盾構姿態進行更全面、精準的預測。
18、(2)本專利技術通過tcn捕獲序列中的局部特征，由于要處理的是時間序列數據，傳統的卷積神經網絡難以處理盾構掘進過程中時間序列數據的長期依賴關系，從而導致模型性能下降。tcn通過膨脹卷積擴大感受野，從而可以更有效地捕捉和建模長期依賴關系，并且tcn堆疊多個卷積層來提取不同尺度的特征，從而tcn可以有效提取時間序列數據的局部特征。
19、(3)本專利技術通過改進的長短期記憶神經網絡改進的lstm捕獲序列中的長期相關性。由于長短期記憶神經網絡的計算單元會丟失上個序列中處理過的信息，為了提高信息的完整性和下一時刻輸出的準確性，在長短期記憶神經網絡基礎上添加窺孔鏈接，將上個單元狀態與門控單元做鏈接，將上一個單元的狀態也加入到門控單元計算中，讓當前狀態不會損失上層狀態已經得到的信息，使下一時刻的輸出更加具體、完整；同時引入mha對所述的改進的lstm層的數據進行加權處理，可以分配更多的權重給重要的輸入，從而提高盾構機姿態的預測精度。
本文檔來自技高網...【技術保護點】
1.基于改進的LSTM的盾構掘進姿態預測方法，其特征是，包括：
2.如權利要求1所述的基于改進的LSTM的盾構掘進姿態預測方法，其特征是，獲取歷史盾構施工數據，所述歷史盾構施工數據，包括：盾構機施工參數、地層參數和隧道幾何參數；
3.如權利要求1所述的基于改進的LSTM的盾構掘進姿態預測方法，其特征是，對歷史盾構施工數據進行預處理，包括：依次進行的剔除停機狀態數據、異常值處理、數據歸一化、Pearson相關性分析和SG濾波降噪；
4.如權利要求3所述的基于改進的LSTM的盾構掘進姿態預測方法，其特征是，所述Pearson相關性分析，包括：從參數中篩選最優輸入參數，公式如下：
5.如權利要求1所述的基于改進的LSTM的盾構掘進姿態預測方法，其特征是，構建盾構掘進姿態預測模型，采用訓練集對模型進行訓練，采用測試集對模型進行測試，得到訓練后的盾構掘進姿態預測模型，包括：
6.如權利要求5所述的基于改進的LSTM的盾構掘進姿態預測方法，其特征是，預測精確度采用均方根誤差、平均絕對誤差以及擬合優度進行評估，具體的公式如下：
...【技術特征摘要】
1.基于改進的lstm的盾構掘進姿態預測方法，其特征是，包括：
2.如權利要求1所述的基于改進的lstm的盾構掘進姿態預測方法，其特征是，獲取歷史盾構施工數據，所述歷史盾構施工數據，包括：盾構機施工參數、地層參數和隧道幾何參數；
3.如權利要求1所述的基于改進的lstm的盾構掘進姿態預測方法，其特征是，對歷史盾構施工數據進行預處理，包括：依次進行的剔除停機狀態數據、異常值處理、數據歸一化、pearson相關性分析和sg濾波降噪；
4.如權利要求3所述的基于改進的lstm的盾構掘進姿態預測方法，其特征是，所述pearson相關性分析，包括：從參數中篩選最優輸入參數，公式如下：
5.如權利要求1所述的基于改進的lstm的盾構掘進姿態預測方法，...
【專利技術屬性】
技術研發人員：周宗青，李昱恒，李剛，徐雪雨，楊鈞巖，高成路，宋錦銘，西圣安，
申請(專利權)人：齊魯工業大學山東省科學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。