[发明专利]一种基于知识蒸馏的隧道挖进机性能预测方法

说明书

本发明涉及一种基于知识蒸馏的隧道挖进机性能预测方法。包括以下步骤：S1：获得一个数据库，计算数据库数据不同特征的皮尔森系数，剔除掉数据中相关性较高的特征；S2将处理后的数据库划分为训练集和测试集；S3搭建LSTM网络模型，该网络模型作为知识蒸馏的学生网络；S4搭建Bi‑LSTM网络及注意力机制网络，该网络作为知识蒸馏的教师网络；S5构建用于训练教师网络和学生网络的联合损失函数；S6利用Z‑score算法对训练集数据进行归一化，并利用归一化数据对网络模型进行训练；S7将测试集数据归一化并输入训练好的学生网络中得到预测结果。本发明方法能显著提高小样本隧道挖进机性能预测的预测精度。

技术领域

本发明涉及工程施工技术领域，更具体地说，涉及一种基于知识蒸馏的隧道挖进机性能预测方法。

背景技术

隧道掘进机(Tunnel Boring Machine，TBM)因具有众多优势，例如挖掘速度快、安全性强、能够减弱对周围土体岩石的破坏从而降低成本，现已逐渐取代传统的钻爆法，成为用于地下空间隧道建设的主流方式。然而，TBM在复杂工程地质条件下适用性较差，导致TBM开挖时出现诸多问题，甚至引发严重地质工程事故，造成巨大的经济损失。

在TBM施工过程中遇到岩性变化或不良工程地质时，如果不能及时调整机器掘进参数，使得TBM与相关地质条件相互匹配，往往会造成掘进效率低下，甚至引发地质灾害。TBM性能预测可以帮助施工人员根据不同的地质环境调整机器参数。渗透率(Penetrationrate，PR)是衡量TBM性能最重要的指标之一。准确预测TBM渗透率的研究具有较强的实用价值。然而，TBM的性能受各种地质条件的影响很大，且实际数据获取较难，因此，当前TBM数据库的数据量相对较小，在小样本条件下，准确预测TBM性能是一个亟待解决的难题。

最近，机器学习(ML)为TBM性能预测提供了新的方向，特别是深度学习算法已经在相关领域表现出优异的性能。然而，深度学习算法需要大量的数据对网络进行训练，这与有限的TBM数据形成了一个矛盾问题，鉴于此，本发明通过计算数据库数据中不同特征的皮尔森系数，剔除掉数据中的冗余信息；同时，通过知识蒸馏算法，将复杂网络的信息迁移至学生网络中，有效提升网络的预测能力。

发明内容

本发明的目的在于提出一种基于知识蒸馏的隧道挖进机性能预测方法，该方法能有效提升小样本条件下，隧道挖进机的预测性能。

为实现上述目的，本发明的技术方案是：一种基于知识蒸馏的隧道挖进机性能预测方法，包括以下步骤：

步骤S1、获得一个数据库，计算数据库数据中不同特征的皮尔森系数，剔除掉数据中相关性较高的特征；

步骤S2、将处理后的数据库划分为训练集和测试集；

步骤S3、搭建LSTM网络模型，该网络作为知识蒸馏的学生网络；

步骤S4、搭建Bi-LSTM网络及注意力机制网络模型，该网络作为知识蒸馏的教师网络；

步骤S5、构建用于训练教师网络和学生网络的联合损失函数；

步骤S6、利用Z-score算法对训练集数据进行归一化，并利用归一化数据对网络模型进行训练，Z-score算法归一化公式如下：

其中，X_st是由Z-Score归一化处理得到的数据，x_mean和x_σ分别为总体数据的均值和标准差，x是归一化之前的原始数据；

步骤S7、对测试集数据进行归一化并输入LSTM学生网络进行预测，经过反归一化处理得到最终预测结果。

进一步的，所述步骤S1具体包括以下步骤：

步骤S11、计算数据库中不同特征间的皮尔森系数，公式如下：