(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111146030.X (22)申请日 2021.09.28 (65)同一申请的已公布的文献号 申请公布号 CN 113836812 A (43)申请公布日 2021.12.24 (73)专利权人 大连海事大学 地址 116000 辽宁省大连市甘井 子区凌水 街道凌海路1号 (72)发明人 姜泓任　姜谙男　金圣珂　虢新平　 (74)专利代理 机构 大连至诚专利代理事务所 (特殊普通 合伙) 21242 专利代理师 张海燕　涂文诗 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/23(2020.01) G06N 3/00(2006.01) G06N 20/10(2019.01)G06N 10/60(2022.01) E21D 9/06(2006.01) E21D 9/093(2006.01) G06F 111/10(2020.01) G06F 119/14(2020.01) (56)对比文件 CN 106372748 A,2017.02.01 CN 112307542 A,2021.02.02 卢远富等.基于IDE-OSVR-ABAQUS的岩土力 学参数反演方法. 《长江科 学院院报》 .2017,(第 06期), 徐国文等.围岩流变模型参数识别的启发 式-支持向量机方法. 《现代隧道技 术》 .2016,(第 04期), 刘开云等.基 于改进GA-SVR算法的隧道工程 三维弹塑性模型参数的智能辨识. 《岩石力学与 工程学报》 .20 07,(第06期), 审查员 李祖布 (54)发明名称 一种利用智能算法识别硬岩厚度的盾构施 工位姿调整方法 (57)摘要 本发明所公开的一种利用智能算法识别硬 岩厚度的盾构施工位姿调整方法， 包括： S1： 建立 正交设计方案和均匀设计方案； S2： 建立地层和 盾构施工的数值模型， 计算原始渣土密度； S3： 构 建数据样本集I和数据 样本集II； S4： 对数据样本 集I和数据 样本集II中的数据进行预处理； S5： 训 练多决策树模型； S6： 对决策树的数量N和特征子 集中的特征数量S 进行优化： S7： 形成多决策树预 测模型； S8： 通过多决策树模型对于硬岩侵入厚 度进行识别； 输出盾构施工位姿调整参数。 本发 明利用数值模拟得到盾构施工轴线下移、 轴线下 倾与硬岩 侵入厚度的对应关系， 利用硬软岩弹性 模量之比进行参数修正， 以获得合理的盾构施工 位姿控制参数。 权利要求书3页 说明书10页 附图9页 CN 113836812 B 2022.09.20 CN 113836812 B 1.一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法， 其特征在于， 所述调整 方法包括： S1： 建立正交设计方案和均匀设计方案； 所述正交设计方案和均匀设计方案是以地层 硬岩侵入厚度、 软岩层弹性模量、 硬岩层弹性模量和泊松比为 参数的参数组合； S2： 建立地层和盾构施工的数值模型， 以获取所述正交设计方案的参数和均匀设计方 案的参数所对应的典型断面的顶拱沉降位移、 底板上升位移和侧向收敛位移的结果， 并计 算所述正交设计方案和所述均匀设计方案所对应的原 始渣土密度； S3： 构建所述正交设计方案的数据样本集I和所述均匀设计方案的数据样本集II， 所述 数据样本集I和数据样本集II均包括所述顶拱沉降位移、 底板上升位移、 侧向收敛位移、 原 始渣土密度、 地层硬岩侵入厚度、 软岩层弹性模量和硬岩层弹性模量； 其中， 所述顶拱沉降 位移、 底板上升位移、 侧向收敛位移和原始渣土密度作为所述数据样本集I和数据样 本集II 的输入参量， 所述地层硬岩侵入厚度、 软岩层弹性模量和硬岩层弹性模量作为所述数据样 本集I和数据样本集 II的输出参 量； S4： 对所述数据样本集I和数据样本集II中的数据进行预处理， 以将所述数据进行归一 化处理， 以获取归一 化处理后的数据样本集 I和归一化处理后的数据样本集 II； S5： 通过所述归一化处理后的数据样本集I对多决策树模型进行训练， 以获取所述多决 策树模型的输入与输出的映射关系； S6： 通过量子果蝇算法对所述多决策树模型中决策树的数量N和特征子集中的特征数 量S进行优化： 以获取最优的多决策树模型中决策树的数量 N和特征子集中的特 征数量S； S61： 对所述 果蝇算法参数进行初始化； S62： 调整所述 果蝇算法的随机方向和步长， 以更新所述 果蝇算法的寻优路线； S63： 针对每一代果蝇所对应的优化变量， 通过所述归一化处理后的数据样本集I训练 预测所述多 决策树模型； 并根据适应值函数计算每一代果蝇的适应值； 并通过归一化处理 后的数据样本集 II对所述多决策树模型进行 预测， 以获取适应值 函数； S64： 对当代果蝇的适应值进行排序， 对于排入精英果蝇规模中的果蝇进行迭代， 以获 取适应度最优的果蝇个 体； S65： 保存当代的最优果蝇个 体的适应值以及其 位置坐标， ； S66： 若所述当代果蝇算法已经达到最大迭代次数， 则输出当代果蝇的最优值， 否则， 重 复所述S62 ～S64； S7： 对获得的果蝇算法最优参数， 通过归一化处理后的数据样本集I进行训练， 形成多 决策树预测模型； S8： 通过多决策树模型对于硬岩侵入厚度进行识别； 然后根据硬岩侵入厚度进行盾构 位姿调整， 输出盾构施工位姿调整参数， 所述盾构施工位姿调整参数包括向下平移 量δ和下 倾角 β 。 2.根据权利要求1所述的一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法， 其特征在于， 所述S4中的对将所述数据进行归一 化处理的方法为： 其中： ymax为数据集的输出列的最大值； ymin为数据集的输出列的最小值； xmax为数据集权　利　要　求　书 1/3 页 2 CN 113836812 B 2的输入列的最大值； xmin为数据集的输入列的最小值； xb为样本输入列的归一化值； yb为样 本输出列的归一 化值； x为样本 输入列的原数据； y为样本 输出列的原数据。 3.根据权利要求2所述的一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法， 其特征在于， 所述S5中对多决策树模型进行训练如下： Y＝RM(X) (2) Y＝[yb1,yb2,…,ybi,…,ybl],X＝[xb1,xb2,…,xbj,…,xbm]. 式中： Y为标准化后的输出数据， l为输出数据的维度(列)， X为标准化后的输入数据， m 为输入数据的维度(列)； RM代 表多决策树模型。 4.根据权利要求3所述的一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法， 其特征在于， 所述S61中对所述 果蝇算法参数进行初始化的方法如下： 设所述果蝇种群规模为P； 精英果蝇规模为Z； 果蝇算法的最大迭代次数是nmax， 将所述 决策树的数量N和特征子集中的特征数量S作为所述果蝇算法的优化变量， 即Xi＝[Ni,Si]， 其中i为种群中的果蝇对应的编号； 随机产生初始果蝇的位置 。 5.根据权利要求4所述的一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法， 其特征在于， 所述S 62中调整 所述果蝇算法的随机方向和步长依据的是自适应步长策略， 更 新所述果蝇算法的寻优路线如下： Xaxis为优化变量初始值； 为P个果蝇对应适应值的均值； n代表第n代果蝇； Func(Xi) 为Xi适应值函数； R带代表种群平均气味浓度的变化率； α 代表更新权重； RandomValue代表搜索 方向和距离 。 6.根据权利要求5所述的一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法， 其特征在于， 所述S63中通过所述归一化处理后的数据样本集II对所述多决策树模型中的 映射关系进行 预测， 获取 所述适应值函数如下： 式中： 其中yb ′h为多决策树预测检验样本值， ybh为实际的检验样本数据值； FMSE为多个 检验样本点均方根 误差； m为检验样本数据个数， h为第h个样本 。 7.根据权利要求6所述的一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法， 其特征在于， 所述S64中， 对于排入精英果蝇规模中的果蝇进行迭代的方法为引入量子操 作， 根据果蝇位置的量子操作为 根据如下公式进行计算迭代过程如下： 权　利　要　求　书 2/3 页 3 CN 113836812 B 3