[发明专利]半监督的盾构隧道掌子面地质类型预估方法及系统

权利要求书

1.一种半监督的盾构隧道掌子面地质类型预测方法，其特征在于，包括如下步骤：

步骤1：从机器数据中筛选出与地质条件有关的机器参数；

步骤2：对筛选出的机器参数进行预处理；

步骤3：根据预处理后的机器参数构造无标签数据集和带标签数据集；

步骤4：建立预测隧道掌子面地质条件的半监督框架，得到地质特征提取器和特征分类器；

步骤5：利用带约束的DenseNet自编码网络与无标签数据集训练地质特征提取器；

步骤6：利用深度神经网络与带标签数据集训练地质特征分类器，最终实现对掌子面前方地质类型的预测；

所述步骤5还包括在原始的损失函数中加上环内提取的特征具有相似性的约束以及邻近环提取的特征与该环提取的特征具有相似性的约束；

所述步骤5还包括改进的损失函数如下：

其中，m_k为第k环样本大小，x_i,k为第k环的第i个样本，为x_i,k的重构结果，f_i,k为第k环第i个样本提取的特征，为第k环提取的特征的平均值，为第k环后面第j环特征的平均值，为第k环前面第j环特征的平均值，λ₀和λ_j为对应的权重因子，Loss为损失函数，用于训练神经网络进行调参。

2.根据权利要求1所述的一种半监督的盾构隧道掌子面地质类型预测方法，其特征在于，所述步骤2包括如下步骤：

步骤2.1：利用孤立森林算法对筛选的机器参数的异常值进行检测，并删除异常值；

步骤2.2：利用筛选的机器参数的额定值或者量程对异常值处理后的数据进行归一化处理。

3.根据权利要求1所述的一种半监督的盾构隧道掌子面地质类型预测方法，其特征在于，所述步骤3包括：对不同的地质类型进行编号，利用各环筛选的机器参数构造无标签数据集，利用带地质标签的环的机器参数构造带标签数据集。

4.根据权利要求3所述的一种半监督的盾构隧道掌子面地质类型预测方法，其特征在于，所述步骤3中对无标签数据集和带标签数据集的划分方式如下：

对于无标签数据集，将一条隧道前L环数据用于构造无标签训练集，将其余环数据用于构造无标签验证集；

对于带标签数据集，将一条隧道部分环数据用于构造带标签训练集与带标签验证集，将该隧道其余环数据用于构造第一带标签测试集，同时将另一条隧道的数据用于构造第二带标签测试集。

5.根据权利要求1所述的一种半监督的盾构隧道掌子面地质类型预测方法，其特征在于，该方法还包括步骤7：利用带地质标签数据集验证盾构隧道掌子面地质类型预测模型的有效性，并与多种常用的有监督学习算法的识别结果进行比较，最终证明了所提的方法的有效性与优越性。

6.一种半监督的盾构隧道掌子面地质类型预测系统，其特征在于，应用权利要求1-5任一所述的一种半监督的盾构隧道掌子面地质类型预测方法，包括如下模块：

模块M1：从机器数据中筛选出与地质条件有关的机器参数；

模块M2：对筛选出的机器参数进行预处理；

模块M3：根据预处理后的机器参数构造无标签数据集和带标签数据集；

模块M4：建立预测隧道掌子面地质条件的半监督框架，得到地质特征提取器和特征分类器；

模块M5：利用带约束的DenseNet自编码网络与无标签数据集训练地质特征提取器；

模块M6：利用深度神经网络与带标签数据集训练地质特征分类器，最终实现对掌子面前方地质类型的预测。

7.根据权利要求6所述的一种半监督的盾构隧道掌子面地质类型预测系统，其特征在于，所述模块M5还包括在原始的损失函数中加上环内提取的特征具有相似性的约束以及邻近环提取的特征与该环提取的特征具有相似性的约束。

8.根据权利要求7所述的一种半监督的盾构隧道掌子面地质类型预测系统，其特征在于，所述模块M5还包括改进的损失函数如下：

其中，m_k为第k环样本大小，x_i,k为第k环的第i个样本，为x_i,k的重构结果，f_i,k为第k环第i个样本提取的特征，为第k环提取的特征的平均值，为第k环后面第j环特征的平均值，为第k环前面第j环特征的平均值，λ₀和λ_j为对应的权重因子,Loss为损失函数，用于训练神经网络进行调参。