[发明专利]基于混合神经网络的盾构掘进速度智能预测方法

说明书

一种基于Attention‑ResNet‑LSTM混合神经网络的盾构掘进速度智能预测方法。首先，通过前期地勘以及连续监测获得盾构推进过程中的重要参数(包括刀盘转速RS、刀盘扭矩TOR、总推进力TH、承载力特征值Fsubgt;a/subgt;、压缩模量Esubgt;S/subgt;、掘进速度AR)，将所得参数剔除空推值及异常值，获得可靠的输入大数据，并进行归一化处理。其次，构建Attention‑ResNet‑LSTM混合神经网络模型，并通过训练集和验证集中的数据建立最优模型。使用训练好的最优模型在测试集上对盾构掘进速度进行预测，重复上述步骤直至预测精度符合实际应用需求。该智能预测方法可实时预测盾构掘进速度，辅助相关操作人员匹配最优盾构施工参数，有利于盾构施工的安全高效。

技术领域

本发明涉及一种基于Attention-ResNet-LSTM混合神经网络的盾构掘进速度智能预测方法，旨在利用盾构施工参数及地层参数对盾构掘进时的速度进行实时预测，辅助匹配最优盾构施工参数，并针对性做出掘进策略调整。

背景技术

近年来，随着我国沿江沿海经济圈的大规模开发利用，隧道工程的发展越来越迅速。在各类施工方法中，盾构法凭借其机械化程度高、快速、对环境扰动小等诸多优点，得到了广泛的应用。然而，由于盾构机和地层之间存在复杂的相互作用，掘进过程中盾构机的行为性能会不断波动，为确保盾构施工安全高效，对盾构机的工作性能进行预测就显得尤为重要。其中，掘进速度反映了盾构与土体相互作用状态，且与建设工期和总成本关联密切，是隧道建设中人们最为关注的指标之一。

传统方法大多通过一些经验和理论模型对土压或泥水盾构的性能进行预测，这些方法往往只适用于特定地层，花费较高成本的同时，难以模拟盾构和地层之间的复杂相互作用情况，与实际工况相差较大，因此难以对盾构掘进速度等关键参数进行精准预测和反馈施工参数匹配的合理性。

发明内容

基于背景技术，本发明提出一种新的基于Attention-ResNet-LSTM混合神经网络的盾构掘进速度智能预测方法，选取输入神经网络的特征向量，同时通过在LSTM网络结构的基础上引入了ResNet结构，增强了盾构掘进过程中数据网络的特征提取能力，同时引入Attention机制，使神经网络可自适应更新数据权重矩阵，利用健康安全工程中积累的已有正样本策略以保障安全，积累更多广泛工程样本使得神经网络鲁棒性、泛化性强，是一种更为智能、精准的预测方法。

本发明的目的在于：以盾构机掘进过程中采集的时空施工参数及地层参数作为输入，将这些数据输入至训练好的Attention-ResNet-LSTM混合神经网络模型中，得到未来时刻盾构掘进速度的实时预测值，为实际盾构施工中的安全提供参考和保障。本发明使用的盾构施工数据源来自安全、可靠且正常施工的盾构工程，要求在盾构施工过程中未发生过明显安全事故，保证了大数据源训练出的模型能够反映盾构机安全掘进下的“机—土”相互关系。随着盾构安全掘进数据库大数据的完善，模型对各类地层的适应性将越来越好，鲁棒性亦不断增强，会为预测模型的安全应用提供更高保障。

为了实现发明目的，采用技术方案如下：

一种基于Attention-ResNet-LSTM混合神经网络的盾构掘进速度智能预测方法，其特征在于，具体包括以下步骤：

S1、采集数据：

在盾构掘进过程中，按固定采样频率f实时记录盾构操作参数，同时记录盾构掘进过程中的土质参数；

S2、数据预处理：

1)空数据检测

2)异常值检测