[发明专利]一种基于机器学习的盾构施工过程地质特征确定方法

权利要求书

1.一种基于机器学习的盾构施工过程地质特征确定方法，其特征在于，包括以下步骤：

S1：收集地质勘察报告资料和盾构掘进参数，并进行地质特征预分类；

S2：对所述盾构掘进参数进行预处理，所述预处理包括对收集的盾构机参数数据进行剔除处理、数据光滑性处理、数据二次变换和数据标准化处理，得到标准化的FPI与TPI指数；

S3：将所述标准化的FPI与TPI指数输入K-means++算法，将地质特征类别从2~9开始划分，在所有划分类别中采用肘部算法和轮廓系数确定地质特征最终的类别数；

所述K-means++算法包括以下步骤：

a：随机选取一个样本点作为初始聚类中心；

b：计算每个样本点到聚类中心的距离D(x)和每个样本点被选为下一个聚类中心的概率P，D(x)和P由以下公式确定：

式中，(x_c, y_c)为聚类中心点坐标；(x_i, y_i)为任意样本点坐标；x为样本点；X为数据集；

c：将每个样本点的概率累加，得到每个样本点的概率区间；采用轮盘法选取下一个聚类中心点，然后重复步骤b，直至选出K个聚类中心；

d：计算每个样本点分别至K个聚类中心的距离，并将每个样本点分配给距离最小的聚类中心所属类别；

e：对每个类别的所有样本点重新计算聚类中心，聚类中心由以下公式确定：

式中，μ_i为聚类中心；C_i为第i类；x为C_i中的样本点；

f：重复步骤d和步骤e直至聚类中心不发生改变;

所述肘部算法包括根据每个类别内所有样本点的平方误差和SSE与类别数K在二维平面图上绘制折线图，将每个点两侧的连线所成的夹角从小到大排列，前两个角度顶点处的平方误差和对应的类别数为候选类别数K_c；

所述轮廓系数S为根据划分类别内样本点的最小组内距离和最大组间距离，由以下公式确定：

式中，S_i为单个样本点的轮廓系数；a_i为同一类别内第i个样本点到其他样本点的平均距离；b_ik为第i个样本点到其他类别内所有样本点的平均距离；

S4：构建地质特征确定方法的数据集，将所述标准化的FPI与TPI指数作为输入数据集，标签化后地质特征作为输出集；

S5：将所述数据集输入到堆叠分类算法中，采用网格搜索算法和k折交叉验证进行优化，得到地质特征确定方法；

将新收集的盾构掘进参数进行处理并输入到地质特征确定方法中，输出确定地质特征类型。

2.根据权利要求1所述的基于机器学习的盾构施工过程地质特征确定方法，其特征在于，所述盾构掘进参数包括盾构机推力F、推进速度V、刀盘扭矩T和刀盘转速n。

3.根据权利要求1所述的基于机器学习的盾构施工过程地质特征确定方法，其特征在于，所述地质特征预分类为根据地质勘察报告，将盾构法隧道设计穿越的地质特征人工分为K₀类。

4.根据权利要求1所述的基于机器学习的盾构施工过程地质特征确定方法，其特征在于，所述剔除处理包括删除盾构机实时参数中的空白值和异常值D，所述异常值D定义为，其中，x为采集的盾构数据；为数据的平均值；σ为采集数据的标准差。

5.根据权利要求1所述的基于机器学习的盾构施工过程地质特征确定方法，其特征在于，所述数据二次变换包括FPI与TPI处理，将光滑性处理过的数据进行二次计算得到FPI与TPI指数，所述FPI为单位切深下所需要的盾构推力；所述的TPI为土体抵抗刀盘形成隧洞的能力，所述FPI与TPI指数由以下公式确定：

式中，F为盾构机推力，kN；T为刀盘扭矩，kN·m；P为贯入度 ，mm/r；V是推进速度，mm/min；n为刀盘转速 ，rpm。