地铁盾构施工净掘进速度智能预测模型及应用

摘要

在现代城市交通中，地铁作为一种高效的交通工具大大缓解了地面交通压力，但随着地铁线路的增多，其穿越复杂地质条件的情况也越来越多，地铁盾构机对地质条件十分敏感且成本较高，有效预测特定地质条件下地铁盾构机性能对于施工方法选择、进度安排以及工程预算尤为重要。由于地铁盾构机和地质条件之间的相互作用非常复杂，很难从理论上全面揭示其相关性，本文采用机器学习的研究方法，分别运用BP神经网络、混合算法神经网络、支持向量回归机（Support Vector Regerssion，简称SVR）以及多核学习支持向量回归机（Multiple Kernel Learning Support Vector Regression，简称MKL-SVR）建立了地铁盾构机净掘进速度智能预测模型，实现了对地铁盾构机净掘进速度的有效预测。本文主要研究工作如下：　　①通过收集深圳地铁10号线坂田北路站至贝尔路站的地质勘察资料和盾构机掘进数据，从盾构机、土层和孤石三个维度共选取10个参数作为盾构机净掘进速度的影响因素，其中盾构机参数选取土仓压力、总推力、刀盘扭矩和刀盘转速，土层参数选取粘聚力、内摩擦角和压缩模量，孤石参数选取孤石占比、抗压强度和岩石质量指标（Rock Quality Designation，简称RQD），而后经数据预处理形成本文的样本集。　　②研究了BP神经网络的结构和算法，分别采用训练集和测试集对模型进行训练和测试，确定了BP神经网络模型的层数、激活函数、训练函数、期望误差以及隐含层神经元数量等因素，建立了基于BP神经网络的净掘进速度预测模型。　　③考虑到BP算法收敛速度慢并且容易陷入局部极小值，分别采用帝国主义竞争算法（Imperialist Competition Algorithm，简称ICA）、粒子群算法（Particle Swarm Optimization，简称PSO）和遗传算法（Genetic Algorithm，简称GA）优化人工神经网络（Artificial Neural Network，简称ANN），组成混合算法神经网络模型，在搜索空间中，ICA、PSO和GA搜索全局最小值，ANN使用它来找到模型的最佳结果，通过对混合算法神经网络模型进行训练，建立了基于混合算法神经网络的净掘进速度预测模型，其预测性能较BP神经网络模型得到了有效提升。　　④研究了SVR的原理并讨论了各个核函数的特点，由于核函数和核参数直接决定了模型的性能，本文选择兼容性较强的径向基核作为模型的核函数，并分别采用网格搜索算法（Grid Search Algorithm，简称GSA）、PSO和GA对惩罚参数和核参数进行寻优，建立了基于SVR的净掘进速度预测模型。　　⑤针对SVR在核函数和核参数选择方面的复杂性以及处理异构问题方面的局限性，采用多核学习的方式，将多个基本核函数融合，建立了基于MKL-SVR的净掘进速度预测模型，减轻了核函数和核参数选择的负担并且提高了模型的泛化能力。

目录

1 绪 论

1.1 选题背景及研究意义

1.2 国内外研究现状

1.2.1 国内研究现状

1.2.2 国外研究现状

1.3.1 研究内容

1.3.2 技术路线

1.4 本文主要创新点

2 数据来源及其预处理

2.1.1 线路概况

2.1.2 地质条件

2.1.3 水文条件

2.2 影响因素的选取

2.2.1 机器参数的选取

2.2.2 土层参数的选取

2.2.3 孤石参数的选取

2.3 数据预处理

2.3.1 归一化

2.3.2 剔除异常值

2.3.3 预处理后的数据分布

2.4 训练集和测试集的划分

2.5 模型评价标准

2.6 本章小结

3 BP神经网络及其在净掘进速度预测中的应用

3.1 BP 神经网络

3.1.1 BP神经网络的基本结构

3.1.2 BP神经网络的算法实现

3.2.1 网络结构设计

3.2.2 净掘进速度预测

3.3 本章小结

4. 混合算法神经网络及其在净掘进速度预测中的应用

4.1.1 帝国主义竞争算法

4.1.2 帝国主义竞争算法优化的神经网络模型

4.1.3 净掘进速度预测

4.2.1 粒子群算法

4.2.2 粒子群算法优化的神经网络模型

4.2.3 净掘进速度预测

4.3.1 遗传算法

4.3.2 遗传算法优化的的神经网络模型

4.3.3 净掘进速度预测

4.4 不同神经网络模型性能对比

4.5 本章小结

5 支持向量回归机及其在净掘进速度预测中的应用

5.1 支持向量机基本原理

5.2.1 线性分类

5.2.2 非线性分类

5.2 支持向量回归机基本原理

5.2.1 线性回归

5.2.2 非线性回归

5.3 核函数的选择

5.4 参数寻优及净掘进速度预测

5.4.1 网格搜索算法参数寻优及净掘进速度预测

5.4.2 粒子群算法参数寻优及净掘进速度预测

5.4.3 遗传算法参数寻优及净掘进速度预测

5.5 本章小结

6 多核学习支持向量回归机及其在净掘进速度预测中的应用

6.1.1 多核学习概述

6.1.2 多核学习支持向量回归机的原理

6.1.3 多核学习支持向量回归机的实现

6.2 基于多核学习支持向量回归机模型的净掘进速度预测

6.2.1 鲁棒性测试

6.2.2 净掘进速度预测

6.3 不同支持向量回归机模型性能对比

6.4 本章小结

7 结论与展望

7.1 结论

7.2 展望

参考文献

附录

A. 作者在攻读硕士学位期间发表的学术成果目录及得奖情况

B. 作者在攻读硕士学位期间参加的科研项目

C. 学位论文数据集

致谢