[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117113034A - 基于深度学习和特征迁移学习隧道开挖地表沉降预测方法 - Google Patents

基于深度学习和特征迁移学习隧道开挖地表沉降预测方法 Download PDF

Info

Publication number
CN117113034A
CN117113034A CN202311209378.8A CN202311209378A CN117113034A CN 117113034 A CN117113034 A CN 117113034A CN 202311209378 A CN202311209378 A CN 202311209378A CN 117113034 A CN117113034 A CN 117113034A
Authority
CN
China
Prior art keywords
data set
surface settlement
domain data
model
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311209378.8A
Other languages
English (en)
Inventor
刘荣旭
刘超
何俊
吴城澍
郑爽
徐畅
王泽盼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
China Construction Fourth Engineering Division Corp Ltd
Original Assignee
Guangzhou University
China Construction Fourth Engineering Division Corp Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou University, China Construction Fourth Engineering Division Corp Ltd filed Critical Guangzhou University
Priority to CN202311209378.8A priority Critical patent/CN117113034A/zh
Publication of CN117113034A publication Critical patent/CN117113034A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于深度学习和特征迁移学习隧道开挖地表沉降预测方法，涉及盾构技术领域。包括：采集地表沉降参数，构建地表沉降数据库；对地表沉降数据库进行数据增强，得到源域数据集；对源域数据集进行预处理，利用预处理后的源域数据集建立地表沉降预测模型；对地表沉降预测模型进行领域自适应迁移学习，得到目标工程的地表沉降预测模型；将收集到的目标域数据集输入到目标工程的地表沉降预测模型，得到对于目标工程的地表沉降预测。本发明建立的地表沉降预测模型可以应对无法进行跨工程使用的问题，使得所建立的预测模型得到真正的应用。

Description

基于深度学习和特征迁移学习隧道开挖地表沉降预测方法
技术领域
本发明涉及盾构技术领域，尤其涉及基于深度学习和特征迁移学习隧道开挖地表沉降预测方法。
背景技术
随着城市基础设施建设的快速发展，地下工程如隧道、地铁等日益增多，盾构法凭借其安全性高、施工不受天气影响等优势得到了广泛的应用，但是盾构隧道施工势必会对周围地层环境造成影响。盾构隧道掘进过程中引起的地面变形程度是评价工程安全性的重要依据。因此建立实用的分析方法来确定盾构隧道掘进过程中所引起的地面变形是很有意义的。
现有的主流方法是采用机器学习或者是深度学习的方法结合实际施工过程的地质参数、盾构参数、隧道几何尺寸等参数，建立地表沉降预测模型，进行地表沉降预测。但以此建立的地表沉降预测模型往往只适用于提供训练数据的工程，无法进行跨工程使用，使得所建立的预测模型难以得到真正的应用。
因此，提出一种基于深度学习和特征迁移学习隧道开挖地表沉降预测方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了基于深度学习和特征迁移学习隧道开挖地表沉降预测方法，建立的地表沉降预测模型可以应对无法进行跨工程使用的问题，使得所建立的预测模型得到真正的应用。
为了实现上述目的，本发明采用如下技术方案：
基于深度学习和特征迁移学习隧道开挖地表沉降预测方法，包括以下步骤：
S1：采集地表沉降参数，构建地表沉降数据库；
S2：对地表沉降数据库进行数据增强，得到源域数据集；
S3：对源域数据集进行预处理，利用预处理后的源域数据集建立地表沉降预测模型；
S4：对地表沉降预测模型进行领域自适应迁移学习，得到目标工程的地表沉降预测模型；
S5：将收集到的目标域数据集输入到目标工程的地表沉降预测模型，得到对于目标工程的地表沉降预测。
上述的方法，可选的，S1中地表沉降参数包括但不限于：地质参数、盾构参数、隧道几何尺寸的特征值组合和地表沉降标签值。
上述的方法，可选的，S2中采用高斯噪声对地表沉降数据库进行数据增强。
上述的方法，可选的，S3中对源域数据集进行预处理的具体内容为：将源域数据集的数据进行归一化，公式为：
其中，x'为归一化后的特征或标签数值，x为原始的特征或标签数值，xmin、xmax为某一特征或标签中的最小值和最大值。
上述的方法，可选的，S3中利用预处理后的源域数据集建立地表沉降预测模型的具体内容为：将处理后的源域数据集按8：1：1划分为训练集、验证集和测试集；
训练集用于训练深度学习算法中的LSTM模型；
验证集用于调整LSTM模型的超参数；
测试集用于评估模型的泛化能力。
上述的方法，可选的，训练集用于训练深度学习算法中的LSTM模型的具体内容为：通过差分进化算法和验证集的结果选取最优超参数组合；在最优超参数组合下，使用训练集对LSTM模型进行训练，并利用测试集评估LSTM模型的预测性能；训练好的LSTM模型作为地表沉降预测模型的源模型。
上述的方法，可选的，S4中领域自适应迁移学习的具体内容为：将源域数据集和目标域数据集映射到高维特征空间，计算二者MMD的距离：
其中，X和Y为代表源域和目标域的数据分布，n和m为源域和目标域的样本数量，φ为将样本映射到高维特征空间的映射函数，xi和yj为源域的样本和目标域的样本，H为表示这个距离是由φ()将数据映射到高维特征空间中进行度量。
经由上述的技术方案可知，与现有技术相比，本发明提供了基于深度学习和特征迁移学习隧道开挖地表沉降预测方法，具有以下有益效果：以地质参数、盾构参数、隧道几何尺寸及盾构姿态为特征值，以有地表沉降为标签，人工智能算法进行训练，以此建立地表沉降预测源模型，并通过领域自适应迁移学习的方法将源模型的数据集和待预测的目标域的数据集映射到高维特征空间，计算这两个分布在高维特征空间中的均值差异，寻找最小化均值差异的映射，使源领域和目标领域在高维特征空间中的分布尽可能接近，以此解决了地表沉降预测模型在不同工程之间难以使用的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于深度学习和特征迁移学习隧道开挖地表沉降预测方法流程图；
图2为本发明实施例提供的领域自适应迁移学习过程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1所示，本发明公开了基于深度学习和特征迁移学习隧道开挖地表沉降预测方法，包括以下步骤：
S1：采集地表沉降参数，构建地表沉降数据库；
S2：对地表沉降数据库进行数据增强，得到源域数据集；
S3：对源域数据集进行预处理，利用预处理后的源域数据集建立地表沉降预测模型；
S4：对地表沉降预测模型进行领域自适应迁移学习，得到目标工程的地表沉降预测模型；
S5：将收集到的目标域数据集输入到目标工程的地表沉降预测模型，得到对于目标工程的地表沉降预测。
进一步的，S1中地表沉降参数包括但不限于：地质参数、盾构参数、隧道几何尺寸的特征值组合和地表沉降标签值。
具体的，地质参数：土层加权平均弹性模量、土层加权内摩擦角、土层加权平均泊松比；盾构参数：掘进推力，注浆压力，土仓压力；隧道几何尺寸：隧道直径、隧道埋深。
进一步的，S2中采用高斯噪声对地表沉降数据库进行数据增强。
具体的，高斯噪声进行数据增强的过程具体为：
T1加载地表沉降数据库数据。
T2定义噪声级别：选择合适的高斯噪声的标准差(sigma)。
T3生成噪声副本：对每个数据点，我们生成多个带有不同噪声的副本。
T4合并数据：将所有的带噪声的副本合并成一个大的数据集，构建源域数据集。
进一步的，S3中对源域数据集进行预处理的具体内容为：将源域数据集的数据进行归一化，公式为：
其中，x'为归一化后的特征或标签数值，x为原始的特征或标签数值，xmin、xmax为某一特征或标签中的最小值和最大值。
具体的，对源域数据集进行预处理，将数据集的数据进行归一化，即将各个特征值和标签按照一定的比例缩放到[-1,1]的范围，使数据具有良好的对称性，避免梯度消失或梯度爆炸问题，同时消除数据量纲对模型训练的影响。
进一步的，S3中利用预处理后的源域数据集建立地表沉降预测模型的具体内容为：将处理后的源域数据集按8：1：1划分为训练集、验证集和测试集；
训练集用于训练深度学习算法中的LSTM模型；
验证集用于调整LSTM模型的超参数；
测试集用于评估模型的泛化能力。
进一步的，训练集用于训练深度学习算法中的LSTM模型的具体内容为：通过差分进化算法和验证集的结果选取最优超参数组合；在最优超参数组合下，使用训练集对LSTM模型进行训练，并利用测试集评估LSTM模型的预测性能；训练好的LSTM模型作为地表沉降预测模型的源模型。
具体的，将处理后的源域数据集按8：1：1划分为训练集、验证集和测试集。训练集用于训练深度学习算法中的长短期记忆网络(LSTM)模型；验证集用于调整LSTM模型的超参数；测试集用于评估模型的泛化能力。
训练LSTM模型，通过差分进化算法(DE)和验证集的结果选取最优超参数组合。在最优超参数组合下，使用训练集对LSTM模型进行训练，并利用测试集评估LSTM模型的预测性能。训练好的LSTM模型作为地表沉降预测模型的源模型。DE优化LSTM模型的过程具体为：
T1定义目标函数MSE，用于评价每次DE迭代后目标函数值，MSE的公式具体为：
其中，yi为标签的真实值，yp为标签的预测值。
T2初始化：即初始化一个用于选择超参数的候选解集合，LSTM中超参数候选集包括括学习率、批次大小、隐藏层单元数、Dropout比例等。
T3变异：对于每个候选解，DE算法会随机选择集合中的其他三个不同的候选解，并计算它们的差分，然后将这个差分加到原候选解上，生成一个新的候选解。
T4交叉：DE算法会将变异后的候选解和原候选解进行交叉(即部分参数的交换)，生成最终的试验解。
T5选择：最后，DE算法会比较试验解和原候选解，选择目标函数值更小的那个作为下一代的候选解。
T6迭代：重复进行T3-T5的步骤，直到满足设定的迭代次数。
进一步的，S4中领域自适应迁移学习的具体内容为：将源域数据集和目标域数据集映射到高维特征空间，计算二者MMD的距离：
其中，X和Y为代表源域和目标域的数据分布，n和m为源域和目标域的样本数量，φ为将样本映射到高维特征空间的映射函数，xi和yj为源域的样本和目标域的样本，H为表示这个距离是由φ()将数据映射到高维特征空间中进行度量。
具体的，领域自适应迁移学习过程如图2所示，通过最小化损失函数，使得源领域和目标领域在高维特征空间中的分布尽可能接近，从而提高模型在目标领域的泛化性能。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.基于深度学习和特征迁移学习隧道开挖地表沉降预测方法，其特征在于，包括以下步骤：
S1：采集地表沉降参数，构建地表沉降数据库；
S2：对地表沉降数据库进行数据增强，得到源域数据集；
S3：对源域数据集进行预处理，利用预处理后的源域数据集建立地表沉降预测模型；
S4：对地表沉降预测模型进行领域自适应迁移学习，得到目标工程的地表沉降预测模型；
S5：将收集到的目标域数据集输入到目标工程的地表沉降预测模型，得到对于目标工程的地表沉降预测。
2.根据权利要求1所述的基于深度学习和特征迁移学习隧道开挖地表沉降预测方法，其特征在于，
S1中地表沉降参数包括但不限于：地质参数、盾构参数、隧道几何尺寸的特征值组合和地表沉降标签值。
3.根据权利要求1所述的基于深度学习和特征迁移学习隧道开挖地表沉降预测方法，其特征在于，
S2中采用高斯噪声对地表沉降数据库进行数据增强。
4.根据权利要求1所述的基于深度学习和特征迁移学习隧道开挖地表沉降预测方法，其特征在于，
S3中对源域数据集进行预处理的具体内容为：将源域数据集的数据进行归一化，公式为：
其中，x'为归一化后的特征或标签数值，x为原始的特征或标签数值，xmin、xmax为某一特征或标签中的最小值和最大值。
5.根据权利要求1所述的基于深度学习和特征迁移学习隧道开挖地表沉降预测方法，其特征在于，
S3中利用预处理后的源域数据集建立地表沉降预测模型的具体内容为：将处理后的源域数据集按8：1：1划分为训练集、验证集和测试集；
训练集用于训练深度学习算法中的LSTM模型；
验证集用于调整LSTM模型的超参数；
测试集用于评估模型的泛化能力。
6.根据权利要求5所述的基于深度学习和特征迁移学习隧道开挖地表沉降预测方法，其特征在于，
训练集用于训练深度学习算法中的LSTM模型的具体内容为：通过差分进化算法和验证集的结果选取最优超参数组合；在最优超参数组合下，使用训练集对LSTM模型进行训练，并利用测试集评估LSTM模型的预测性能；训练好的LSTM模型作为地表沉降预测模型的源模型。
7.根据权利要求1-6任一项所述的基于深度学习和特征迁移学习隧道开挖地表沉降预测方法，其特征在于，
S4中领域自适应迁移学习的具体内容为：将源域数据集和目标域数据集映射到高维特征空间，计算二者MMD的距离：
其中，X和Y为代表源域和目标域的数据分布，n和m为源域和目标域的样本数量，φ为将样本映射到高维特征空间的映射函数，xi和yj为源域的样本和目标域的样本，H为表示这个距离是由φ()将数据映射到高维特征空间中进行度量。
CN202311209378.8A 2023-09-19 2023-09-19 基于深度学习和特征迁移学习隧道开挖地表沉降预测方法 Pending CN117113034A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311209378.8A CN117113034A (zh) 2023-09-19 2023-09-19 基于深度学习和特征迁移学习隧道开挖地表沉降预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311209378.8A CN117113034A (zh) 2023-09-19 2023-09-19 基于深度学习和特征迁移学习隧道开挖地表沉降预测方法

Publications (1)

Publication Number Publication Date
CN117113034A true CN117113034A (zh) 2023-11-24

Family

ID=88794799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311209378.8A Pending CN117113034A (zh) 2023-09-19 2023-09-19 基于深度学习和特征迁移学习隧道开挖地表沉降预测方法

Country Status (1)

Country Link
CN (1) CN117113034A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118627381A (zh) * 2024-06-12 2024-09-10 成都信息工程大学 融合机器学习的天然气管网能量输差计算系统的构建方法
CN118643735A (zh) * 2024-05-28 2024-09-13 湖南大学 土舱压力预测模型迁移学习方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118643735A (zh) * 2024-05-28 2024-09-13 湖南大学 土舱压力预测模型迁移学习方法、装置、设备及存储介质
CN118627381A (zh) * 2024-06-12 2024-09-10 成都信息工程大学 融合机器学习的天然气管网能量输差计算系统的构建方法

Similar Documents

Publication Publication Date Title
CN117113034A (zh) 基于深度学习和特征迁移学习隧道开挖地表沉降预测方法
CN108985340B (zh) 基于双模型融合的盾构施工地面沉降量预测方法
CN111815773B (zh) 适用于机器学习算法的三维复杂地质模型标签制作方法
CN116992522A (zh) 深基坑围护结构变形预测方法、装置、设备及存储介质
WO2022078514A1 (zh) 一种结构和波速随机布设的三维速度地质建模方法
CN115308799B (zh) 一种地震成像游离气构造识别方法及系统
CN105103196A (zh) 河流三角洲环境的无网格模拟
Jiang et al. Inverse analysis for geomaterial parameter identification using Pareto multiobjective optimization
CN116644662A (zh) 一种基于知识嵌入神经网络代理模型的布井优化方法
CN110412662A (zh) 基于地震多属性深度学习的薄互层储层预测方法
Hou et al. Reconstructing Three-dimensional geological structures by the Multiple-point statistics method coupled with a deep neural network: A case study of a metro station in Guangzhou, China
CN113221434A (zh) 一种基坑变形预测方法
CN111027249A (zh) 一种基于机器学习的井间连通性评价方法
CN113962367A (zh) 一种基于gan的管道探地雷达深度学习数据增强方法
CN118279512A (zh) 一种基于深度学习的地质分布图绘制方法及系统
Du et al. Simulation of spatially varying ground motion of urban buildings based on wavelet packet neural network
CN114626230B (zh) 一种地质矿产资源储量的模拟方法
CN117027755A (zh) 复杂井眼结构的电阻率测井扩径校正方法、设备及介质
Teke et al. Explainable artificial intelligence empowered landslide susceptibility mapping using Extreme Gradient Boosting (XGBoost)
Qu et al. Mining Engineering Image Recognition Method Based on Simulated Annealing Algorithm
CN115291277B (zh) 少井条件下基于多属性智能融合的储层构型解释方法
Hajian et al. Prior applications of neural networks in geophysics
Yang et al. Transfer learning-based hybrid deep learning method for gas-bearing distribution prediction with insufficient training samples and uncertainty analysis
Srivastava et al. Gridless Simulation of a Fluvio-Deltaic Environment
CN118211492B (zh) 一种基于知识迁移的井网井位优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination