CN115983333B 一种基于混合神经网络的盾构掘进速度智能预测方法 （同济大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115983333B(45)授权公告日2025.07.11

(21)申请号202211339204.9

(22)申请日2022.10.28

(65)同一申请的已公布的文献号申请公布号CN115983333A

(43)申请公布日2023.04.18

(73)专利权人同济大学

地址200092上海市杨浦区四平路1239号

专利权人中铁隧道集团二处有限公司

(72)发明人张子新于思淏高昆许维青黄昕

(74)专利代理机构上海科律专利代理事务所(特殊普通合伙)31290

专利代理师叶凤

(51)Int.CI.

GO6N3/0464(2023.01)

GO6N3/0442(2023.01)

GO6N3/08(2023.01)

GO6N3/126(2023.01)GO6F17/16(2006.01)

(56)对比文件

CN115906926A,2023.04.04审查员卜婷婷

GO6N3/045(2023.01)权利要求书3页说明书8页附图4页

(54)发明名称

一种基于混合神经网络的盾构掘进速度智能预测方法

(57)摘要

CN115983333B一种基于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F、压缩模量Es、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

CN115983333B

Temporalatenticn

Temporalatenticn

(时序注意力机制)

(注意

(全连接层)

:时刻TH

[1-2时如Rs[20期AR

p时刻AR输入数据

(通道注意力机制)(0.通道的，D-途×2

LSTM

LSTM

CN115983333B权利要求书1/3页

2

1.一种基于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

使用马氏距离(MahalanobisDistance)作为异常值判别的标准；对于一个均值为μ=(μ?,H?,H?,μ4,μ?,μ?),协方差矩阵为S的多变量输入序列x=(x?,X?,X?,×4,X?,x?),其马氏距离的计算如公式二所示：

公式二：Dn(x)=√(x-μ)TS-1(x-μ)

上式中的x指输入变量刀盘转速RS、刀盘扭矩TOR、总推进力TH、承载力特征值Fa、压缩模量E及掘进速度AR;

3)数据归一化

将数据进行归一化，映射至[0,1]区间；

S4、数据集分割：

将预处理之后的数据划分为训练集、验证集和测试集；

S5、构建Attention-ResNet-LSTM混合神经网络模型：

归一化后的输入数据被送入ResNet结构进行特征提取，并通过通道注意力机制对ResNet结构提取后的各通道特征图(featuremap)赋予不同权重，将加权后的特征图(featuremap)输入LSTM网络，在LSTM结构的最后一层加入时序注意力机制，为不同时刻的隐藏层输出赋予权重值，将加权求和后的时序向量与最后一个时间步的输出拼接，作为注意力机制处理后的最终输出；

S6、模型训练和效果评估：

基于上述S5神经网络模型，将选取的各特征过去p个历史时刻的序列数据作为模型输入，输出则是t时刻的掘进速度，输入和输出参数之间的关系为：

公式六：AR|=f((RS,TH,TOR,Es,Fa,AR)|t-1,t