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）

一种基于混合神经网络的盾构掘进速度智一种基于混合神经网络的盾构掘进速度智2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=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对模型预测效果进行评估，选取平均绝对百分误差MAPE和均方根误差RMAPE和RMSE两个指标的值越小，则说明预测值与真实值之间的偏差越使用训练好的最优模型在测试集上对掘进速度进行预测，若预测精度符3iiii训练集用于模型的训练，验证集用于模型超参数首先，输入p个历史时刻的样本数据以多变量时间其中，所述通道注意力模块ChannelAttention由全局平均池化层和两个全连接层构其中，所述时序注意力模块TemporalAttention中先由全连态与各时刻隐藏状态相似度得分score(h,hs)=vtanh(w2[hpih:l),s取值范围为1～p，其,s取值范围为1～p，加权后的向量与LSTM模块末层最后时刻的单元输6.如权利要求5所述的方法，其特征在于，初始化Attenti45[0001]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[0004]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[0007]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，6μμμμμResNet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[0023]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[0030]使用训练好的最优模型在测试集上对掘进速度进行预测[0031]本申请是一种基于Attention_ResNet_LSTM混合神经网络的盾构掘进速度智能预7[0033]1、能够解决盾构掘进过程中因盾构与地层相互作用关系复杂而导致的掘进速度积层是构建CNN的核心层，它的每一个神经元通过卷积核与上一层输入数据进行局部连接8在长时间序列问题中容易出现的梯度消失和梯度爆炸问题。LSTM单元的基本结构如图3所示(图中xs在本发明中指s时刻的输入特征)。本发明使用LSTM模块进一步提取特征中包含及压缩模量ES),k是输入变量的个数(经由探究过程，最终本发明取值范围为k＝1～5)。量作为预测盾构机掘进速度AR的备选组合，使用EPR算法获得不同变量组合与预测目标之S的输入组合取得了最好的预S为表示土质状9确立的五项参数选取是本发明技术方案的必要[0065]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，[0074]盾构掘进过程中收集到的数据并非都是可靠的，受外界μμμμμResNet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[0089]其中，所述通道注意力模块ChannelAttention由全局平均池化层和两个全连接层构成，所述ResNet模块提取的特征图先经过一个全局平均池化层得到各通道的全局信藏状态与各时刻隐藏状态相似度得分(s取值范围为1~[0091]图5中的时序注意力模块可根据实际情况灵活设计，如BahdanauAttention、[0096]初始化Attention_ResNet_LSTM混合神经网络模型中的参数，损失函数选用均方应用根据AR预测值可实现盾构掘进系统自动匹[0106]以安全样本喂入“Attention_ResNet_LSTM混合神经网络模型”下的高度安全保图搭建Attention_ResNet_LSTM混合神经网络模型，初始化权重参数并通过训练集中的数Moptimal应用于实际工程中实时预为1.308mm/min，平均绝对百分中，盾构操作人员和管理人员可应用该智能预测方法对盾构掘进速度开展实时精准预测，[0127]需要说明的是，图8曲线仅源于中俄东线天然气管道(永清—上海