(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 202110278183.3 (22)申请日 2021.03.15 (65)同一申请的已公布的文献号 申请公布号 CN 112901183 A (43)申请公布日 2021.06.04 (73)专利权人 汕头大学 地址 515000 广东省汕头市金平区大 学路 243号 (72)发明人 闫涛　沈水龙　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 周增元 (51)Int.Cl. E21D 9/00(2006.01) E21D 9/06(2006.01)E21D 11/08(2006.01) E21F 17/00(2006.01) E21F 17/18(2006.01) G06F 30/27(2020.01) (56)对比文件 CN 111160571 A,2020.0 5.15 CN 110630274 A,2019.12.31 CN 110119551 A,2019.08.13 RU 2580124 C1,2016.04.10 JP 2021014726 A,2021.02.12 审查员 钟永晓 (54)发明名称 一种基于机器学习的盾构施工过程地质特 征确定方法 (57)摘要 本发明公开了一种基于机器学习的盾构施 工过程地质特征确定方法， 通过对盾构机实时参 数的处理与变换， 经过K－ means++算法标签化后 输入到堆叠分类算法中， 优化后得到地质特征确 定方法。 本方法将盾构实时掘进参数进行剔除空 白值和异常值处理、 光滑性处理、 二次变换及数 据标准化处理， 得到反映地质特征的FPI与TPI指 数； 通过肘部算法和轮廓系数确定地质特征最终 的类别数K， 对地质特征类型进行标签化。 将FPI 与TPI指数和标签化的地质特征输入到堆叠算法 中， 通过网格搜索和k折交叉验证得到地质特征 确定方法。 利用地质特征确定方法确定盾构机穿 越地层的地质特征。 本发明方法操作简单易行， 成本低， 能够显著地提高盾构 的施工效率， 保证 了盾构掘进的安全性。 权利要求书3页 说明书7页 附图3页 CN 112901183 B 2022.06.21 CN 112901183 B 1.一种基于 机器学习的盾构施工过程 地质特征确定方法， 其特 征在于， 包括以下步骤： S1： 收集地质勘察报告资料和盾构掘进参数， 并进行地质特 征预分类； S2： 对所述盾构掘进参数进行预处理， 所述预处理包括对收集的盾构机参数数据进行 剔除处理、 数据光滑性处理、 数据二次变换和数据标准化处理， 得到标准化的FPI与TPI指 数； S3： 将所述标准化 的FPI与TPI指数输入K ‑means++算法， 将地质特征类别 从2~9开始划 分， 在所有划分类别中采用肘部算法和轮廓系数确定地质特 征最终的类别数； 所述K‑means++算法包括以下步骤： a： 随机选取一个样本点作为初始聚类中心； b： 计算每个样本点到聚类中心的距离D(x)和每个样本点被选为下一个聚类中心的概 率P， D(x)和P由以下公式确定： 式中， (xc, yc)为聚类中心点 坐标； (xi, yi)为任意样本点 坐标； x为样本点； X为数据集； c： 将每个样本点的概率累加， 得到每个样本点的概率区间； 采用轮盘法选取下一个聚 类中心点， 然后重复步骤b， 直至 选出K个聚类中心； d： 计算每个样本点分别至K个聚类中心的距离， 并将每个样本点分配给距离最小的聚 类中心所属类别； e： 对每个类别的所有样本点重新计算聚类中心， 聚类中心由以下公式确定： 式中，μi为聚类中心； Ci为第i类； x为Ci中的样本点； f： 重复步骤d和步骤e直至聚类中心不发生改变; 所述肘部算法包括根据每个类别内所有样本点的平方误差和SSE与类别数K在二维平 面图上绘制折线图， 将每个点两侧的连线所成的夹角从小到大排列， 前两个角度顶点处的 平方误差和对应的类别数为 候选类别数 Kc； 所述轮廓系数S为根据划分类别内样本点的最小组内距离和最大组间距离， 由以下公 式确定： 式中， Si为单个样本点的轮廓系数； ai为同一类别内第i个样本点到其他样本点 的平均 距离； bik为第i个样本点到其 他类别内所有样本点的平均距离； S4： 构建地质特征确定方法的数据集， 将所述标准化的FPI与TPI指数作 为输入数据集，权　利　要　求　书 1/3 页 2 CN 112901183 B 2标签化后地质特 征作为输出集； S5： 将所述数据集输入到堆叠分类算法中， 采用网格搜索算法和k折交叉验证进行优 化， 得到地质特 征确定方法； 将新收集的盾构掘进参数进行处理并输入到地质特征确定方法中， 输出确定地质特征 类型。 2.根据权利要求1所述的基于机器学习的盾构施工过程地质特征确定方法， 其特征在 于， 所述盾构掘进参数包括盾构机推力F、 推进速度V、 刀盘扭矩T和刀盘转速n。 3.根据权利要求1所述的基于机器学习的盾构施工过程地质特征确定方法， 其特征在 于， 所述地质特征预分类为根据地质勘察报告， 将盾构法隧道设计穿越的地质特征人工分 为K0类。 4.根据权利要求1所述的基于机器学习的盾构施工过程地质特征确定方法， 其特征在 于， 所述剔除处理包括删除盾构机实时参数中的空白值和异常值D， 所述异常值D定义为 ， 其中， x为采集的盾构数据； 为数据的平均值； σ为采集数 据的标准差 。 5.根据权利要求1所述的基于机器学习的盾构施工过程地质特征确定方法， 其特征在 于， 所述数据二次变换包括FPI与TPI处理， 将光滑 性处理过的数据进 行二次计算得到FPI与 TPI指数， 所述FPI为单位切深下所需要的盾构推力； 所述的TPI为土体抵抗刀盘形成隧洞的 能力， 所述FPI与TPI指数由以下公式确定： 式中， F为盾构机推力， kN； T为刀盘扭矩， kN ·m； P为贯入度  ， mm/r； V是推进速度， mm/ min； n为刀盘转速  ， rpm。 6.根据权利要求5所述的基于机器学习的盾构施工过程地质特征确定方法， 其特征在 于， 所述数据标准化处理包括采用标准化 公式将所述FPI与TPI指数落入0 ‑1之间， 所述数据 标准化由以下公式确定： ， 式中， x′为变换后的数据； x为原始数据； xmin为数据中的最小值； xmax 为数据中的最大值。 7.根据权利要求1所述的基于机器学习的盾构施工过程地质特征确定方法， 其特征在 于， 所述轮盘法包括在0~1之间随机产生一个随机数， 判断所述随机数的区间， 选择区间对 应的样本点 为下一个聚类中心。 8.根据权利要求1所述的基于机器学习的盾构施工过程地质特征确定方法， 其特征在 于， 所述堆叠分类算法包括m层初级学习器和1层次级学习器， 第i层初级学习器包含ni个初 级学习器， 数据集依次经过m层初级学习器和1个次级学习器处理后， 输出最终的地质特征 类型； 所述初级学习器和次级学习器为具有分类功能的机器学习算法； 所述网格搜索算法包括将堆叠算法中的初级学习器和次级学习器中的j个超参数进行权　利　要　求　书 2/3 页 3 CN 112901183 B 3