[发明专利]一种基于实时地质信息的泥水盾构掘进参数预测方法

权利要求书

1.一种基于实时地质信息的泥水盾构掘进参数预测方法，用于预测泥水平衡式盾构掘进参数，其特征在于，包括以下步骤：

步骤S1，确定与掘进荷载和泥水仓压力相关的掘进参数，并采集与所述掘进参数相对应的掘进数据；

步骤S2，对掘进数据进行预处理，得到预处理数据；

步骤S3，以分钟为粒度对所述预处理数据进行提取，得到提取数据集；

步骤S4，对所述提取数据集进行数据标准化处理，得到标准化数据集；

步骤S5，构建GA-NN深度神经网络模型，该模型包括输入层、输出层和多个隐藏层；

步骤S6，利用遗传算法，将所述标准化数据集输入到所述GA-NN深度神经网络模型进行超参数优化，得到最优的GA-NN深度神经网络模型；

步骤S7，将待测的地质信息、待测的泥水仓顶部压力和待测的操作参数输入到所述最优的GA-NN深度神经网络模型，得到预测掘进荷载参数。

2.根据权利要求1所述的一种基于实时地质信息的泥水盾构掘进参数预测方法，其特征在于：

其中，所述步骤S6利用遗传算法进行超参数优化，包括以下步骤：

步骤S6-1，创建初始种群作为当前种群，所述当前种群中的个体为所述GA-NN深度神经网络模型对应的随机超参数组合；

步骤S6-2，将所述当前种群中的每个个体的超参数分别赋给所述GA-NN深度神经网络模型，利用k折交叉验证方法进行验证，得到所述每个个体相对应的GA-NN深度神经网络模型的评价指标，基于所述评价指标评估所述当前种群中的个体的适应度；

步骤S6-3，从所述当前种群中选择所述适应度大于0且所述适应度排序前25％的个体作为优质父代个体进行交叉、变异从而产生新的子代个体，并将该新的子代个体与所述优质父代个体进行组合，形成新的当前种群；

步骤S6-4，重复进行步骤S6-2以及步骤S6-3，直到迭代次数达到预定次数，得到评价指标最优的个体，该个体作为所述GA-NN深度神经网络模型的所述最优超参数组合；

步骤S6-5，将所述最优超参数组合赋给所述GA-NN深度神经网络模型，得到所述最优的GA-NN深度神经网络模型。

3.根据权利要求2所述的一种基于实时地质信息的泥水盾构掘进参数预测方法，其特征在于：

其中，所述超参数组合包括所述隐藏层层数、每个所述隐藏层的神经元个数、学习率、权值的L2正则化惩罚权重以及偏置的L2正则化惩罚权重。

4.根据权利要求3所述的一种基于实时地质信息的泥水盾构掘进参数预测方法，其特征在于：

其中，所述输入层的神经元个数为8，

所述输出层的神经元个数为2。

5.根据权利要求2所述的一种基于实时地质信息的泥水盾构掘进参数预测方法，其特征在于：

其中，所述变异的变异概率计算公式为：

式中，p_i为第i代的变异概率，p₀为初始变异概率，ω为[0,1]的随机数，n为总的种群进化代数。

6.根据权利要求1所述的一种基于实时地质信息的泥水盾构掘进参数预测方法，其特征在于：

其中，所述数据标准化处理，具体表达式为：

式中，为所述提取数据集的均值，σ为所述提取数据集的标准差，x为所述提取数据集中的提取数据，x^*为所述标准化数据集中的标准化数据。

7.根据权利要求1所述的一种基于实时地质信息的泥水盾构掘进参数预测方法，其特征在于：

其中，所述掘进参数包括所述地质信息、所述泥水仓顶部压力、所述操作参数和所述掘进荷载参数，

所述地质信息包括上一环推力切深指数FPI的均值、上一环推力切深指数FPI的方差、上一环旋转切深指数TPI的均值、上一环旋转切深指数TPI的方差，

所述操作参数包括掘进速度p、刀盘转速和贯入度，

所述掘进荷载参数包括总推力F和刀盘扭矩T。