基于機器學(xué)習(xí)的盾構(gòu)姿態(tài)調(diào)整決策方法研究.pdf

1、盾構(gòu)姿態(tài)調(diào)整是指為使盾構(gòu)姿態(tài)趨向于設(shè)計姿態(tài)而采取的措施。盾構(gòu)姿態(tài)的正確調(diào)整對于保證盾構(gòu)順利掘進和隧道建成精度具有重要的意義。但由于盾構(gòu)姿態(tài)影響因素的復(fù)雜性和地質(zhì)狀況的不確定性，往往出現(xiàn)姿態(tài)糾偏越糾越偏、蛇形軌跡等姿態(tài)調(diào)整不力的現(xiàn)象。這些現(xiàn)象的避免，主要通過盾構(gòu)司機綜合判斷當(dāng)前施工數(shù)據(jù)，結(jié)合其自身的經(jīng)驗加以實現(xiàn)。在當(dāng)前盾構(gòu)掘進自動化需求的背景下，引入機器學(xué)習(xí)方法，通過學(xué)習(xí)盾構(gòu)司機及其他歷史施工經(jīng)驗，實現(xiàn)盾構(gòu)姿態(tài)調(diào)整的自動化決策。為盾構(gòu)掘進

2、自動化提供參考和幫助。
　　將機器學(xué)習(xí)方法引入盾構(gòu)姿態(tài)調(diào)整決策面臨著若干需要解決的問題，主要包括:盾構(gòu)姿態(tài)調(diào)整樣本集的構(gòu)建問題，樣本類屬性不平衡問題，樣本累積階段負類樣本過少情況下的決策問題及姿態(tài)調(diào)整與推進動作綜合決策問題。
　　對于盾構(gòu)姿態(tài)調(diào)整樣本集的構(gòu)建問題，通過建立盾構(gòu)姿態(tài)力學(xué)模型引入先驗知識得到備選的樣本特征，然后綜合考量備選特征的重要性和可獲取性進行特征選擇，利用盾構(gòu)司機的經(jīng)驗對樣本所屬類別進行賦值，并最終建立盾構(gòu)

3、姿態(tài)調(diào)整樣本集。
　　通過對盾構(gòu)姿態(tài)樣本集中樣本的研究發(fā)現(xiàn)，其不同類樣本的數(shù)量、樣本分散程度及樣本特征空間中心與決策超平面距離這三種類屬性具有較明顯的不平衡現(xiàn)象，而這種不平衡使得標(biāo)準(zhǔn)支持向量機算法的分類精度大大下降。針對這種情況，提出基于樣本類屬性的支持向量機類懲罰系數(shù)權(quán)重調(diào)整方法，將量化的樣本類屬性引入類懲罰系數(shù)，使得在使用盾構(gòu)姿態(tài)調(diào)整樣本集這種樣本類屬性差異較大的樣本集的情況下，仍能取得較高的分類精度。
　　在積累樣本構(gòu)

4、建樣本集的過程中，會有相當(dāng)長的一段時間處于負類樣本極少甚至只有正類樣本的情況。為了在這段時間內(nèi)能夠進行盾構(gòu)姿態(tài)調(diào)整的決策，引入支持向量數(shù)據(jù)描述方法。為了提高訓(xùn)練速度，提出了核心子集近似高斯核支持向量數(shù)據(jù)描述算法。提出了待分類樣本的快速判別方法。給出樣本積累過程中的盾構(gòu)姿態(tài)調(diào)整決策函數(shù)，并進行了仿真數(shù)據(jù)和工程數(shù)據(jù)驗證。
　　為了提高盾構(gòu)主動規(guī)避風(fēng)險的能力，將學(xué)習(xí)范圍從工況學(xué)習(xí)擴大到學(xué)習(xí)在不同的工況下采取較好的應(yīng)對風(fēng)險的動作策略。策略