(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 202110297054.9 (22)申请日 2021.03.19 (65)同一申请的已公布的文献号 申请公布号 CN 113011094 A (43)申请公布日 2021.06.22 (73)专利权人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 专利权人 中国铁建重 工集团股份有限公司 (72)发明人 林琳　郭昊　刘飞香　郭丰　 廖金军　 (74)专利代理 机构 哈尔滨华夏松花江知识产权 代理有限公司 23213 专利代理师 岳昕(51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 17/18(2006.01) G06F 111/08(2020.01) G06F 111/10(2020.01) (56)对比文件 CN 111680446 A,2020.09.18 CN 111291500 A,2020.0 6.16 审查员 王璇 (54)发明名称 混合GBDT和随机森林算法的土压平衡盾构 机渣土改良方法 (57)摘要 混合GBDT和随机森林算法的土压平衡盾构 机渣土改良方法， 属于土压平衡盾构机渣土改良 领域。 本发 明解决了目前针对渣土改良方法中泡 沫剂的用量不精确导致对渣土改良效果不理想， 进而导致盾构机工作时出渣效率低的问题。 本发 明方法包括： 对施工数据和地质数据进行预处 理； 利用GBDT算法建立回归模型， 对地质数据进 行特征选 择； 从预处理后的施工数据中处理得到 关键出渣质量参数； 利用随机森林算法建立N个 渣土改良模型， 并优化模 型超参数， 得到N个渣土 改良模型的最优超参数； 对N个渣土改良模型进 行精度对比， 精度最高的模型作为最优出渣质量 模型； 由最优出渣质量模型计算泡沫剂用量， 并 对渣土进行改良。 本发明用于土压平衡盾构机的 渣土改良。 权利要求书3页 说明书10页 附图8页 CN 113011094 B 2022.10.04 CN 113011094 B 1.混合GBDT和随机森林算法的土 压平衡盾构机渣土改良方法， 其特 征在于， 包括： 步骤一、 获取施工数据和地质数据， 对施工数据和地质数据进行预处理； 其中， 施工数 据包括刀盘转矩、 螺旋机压力、 螺旋机转矩、 螺旋机土压和泡沫剂用量参数； 地质数据包括： 黏粒含量、 孔隙比、 塑性指数、 液性指数、 粉粒含量、 压缩系数、 土层剪切波速、 压缩模量、 含 水率、 凝聚力、 湿密度、 摩擦角； 步骤二、 利用GBDT算法建立回归模型， 以地质数据作 为回归模型输入， 以泡沫剂用量参 数作为回归模型输出， 计算回归模型权重， 作为地质数据的权重， 并对地质数据进 行特征选 择， 形成N类地质数据子集Gi， G＝{G1,G2,...,Gi,...,GN}， G表示地质数据集； 步骤三、 从预处理后的施工数据中提取刀盘转矩、 螺旋机压力、 螺旋机转矩以及螺旋机 土压作为出渣质量 参数， 排除强线性相关参数， 得到关键出渣质量 参数； 步骤四、 以地质数据子集Gi和关键出渣质量参数作为输入， 以泡沫剂用量参数作为输 出， 利用随机森林算法建立N个渣土改良模型， 并优化模型超参数， 得到N个渣土改良模型的 最优超参数； 步骤五、 对N个渣土改良模型进行预测精度对比， 选用精度最高的模型作为最优出渣质 量模型； 步骤六、 采集地下工作空间中待输出渣土， 根据最优出渣质量模型计算出泡沫剂用量， 根据泡沫剂用量对 渣土进行改良， 将改良后的渣土 输出地下工作空间。 2.根据权利要求1所述混合GBDT和随机森林算法的土压平衡盾构机渣土改良方法， 其 特征在于， 所述步骤一获取施工数据和地质数据， 对施工数据和地质数据进行预处理； 其 中， 施工数据包括刀盘转矩、 螺旋机压力、 螺旋机转矩、 螺旋机土压和泡沫剂用量参数； 地质 数据包括： 黏粒含量、 孔隙比、 塑性指数、 液性指数、 粉粒含量、 压缩系数、 土层剪切波速、 压 缩模量、 含水率、 凝聚力、 湿密度、 摩擦角； 具体过程 为： 对于施工数据， 将施工数据中存在的缺失值和非数值数据用 “0”代替； 施工数据中若存 在某数据的方差小于0.01， 则认为该数据在工程中没有变化， 排除此数据； 并排除施工数据 中非工作状态的无效数据； 对处 理后的施工数据按环取均值， 得到预处 理后的施工数据； 对于地质数据， 将盾构机每环的地理位置对应到地层剖面图中， 测算各环中每种地层 占该环比例的均值， 作为本环的各地层比例， 得到预处 理后的地质数据， 表示 为： Qn＝Pn×M    (1) 其中， Pn表示第n环中各地层所占比例； Qn表示第n环中地质数据的实际取值； M表示各地 层的地质数据标准取值矩阵。 3.根据权利要求2所述混合GBDT和随机森林算法的土压平衡盾构机渣土改良方法， 其 特征在于， 所述步骤二中从步骤一中预处理后的地质数据中提取地质数据， 利用GBDT算法 建立一个回归模型， 以地质数据作为回归模型输入， 以泡沫剂用量参数作为回归模型输出， 计算回归模型权重， 作为地质数据的权重， 并对地质数据进行特征选择， 形成N类地质数据 子集Gi， G＝{G1,G2,...,Gi,...,GN}， G表示地质数据集； 具体过程 为： 设权重集合W中前i个权重之和为Wi， 并设定阈值集T＝{T1,T2,...,Ti,...,TN}， 地质数 据子集Gi通过如下公式计算： min(Wi)＞Ti    (2) 获取最少地质数据构成的集 合min(Wi)， 作为地质数据子集Gi。权　利　要　求　书 1/3 页 2 CN 113011094 B 24.根据权利要求2所述混合GBDT和随机森林算法的土压平衡盾构机渣土改良方法， 其 特征在于， 所述步骤三中从预处理后的施工数据中提取刀盘转矩、 螺旋机压力、 螺旋机转矩 以及螺旋机土压作为出渣质量参数， 排除强线性相关参数， 得到 关键出渣质量参数； 具体过 程为： 步骤三一、 计算出渣质量参数中任两个参数的相关性， 得到相关系数p， 提取出相关系 数p＞0.8的参数； 步骤三二、 对相 关系数p＞0.8的参数对的关联关系进行曲线估计， 得到关键出渣质量 参数。 5.根据权利要求3所述混合GBDT和随机森林算法的土压平衡盾构机渣土改良方法， 其 特征在于， 所述步骤三二对相关系数p＞0.8的参数对的关联关系进行曲线估计， 得到关键 出渣质量 参数； 具体过程 为： 比较相关系 数p＞0.8的参数的决定系数R2和检验置信度， 当参数 的决定系数R2>0.85， 且检验置信度大于等于95％时， 排除参数对中其一， 直至计算完所有相关系数p＞0.8的参 数对， 得到关键出渣质量 参数。 6.根据权利要求3或4所述混合GBDT和随机森林算法的土压平衡盾构机渣土改良方法， 其特征在于， 所述步骤四中以地质数据子集Gi和关键出渣质量参数作为输入， 以泡沫剂用 量参数作为输出， 利用随机森林算法建立N个渣土改良模型， 并优化模 型超参数， 得到N个渣 土改良模型的最优 超参数； 具体过程 为： 对地质数据、 关键出渣质量 参数以及泡沫剂用量 参数进行 标准化处理： 其中， 表示参数i1标准化后的取值； 表示参数i1标准化前的取值； 表示参数i1的 均值； 表示参数i1的方差； 以每个地质数据子集 Gi和关键出渣质量参数作为输入， 建立N个渣土改良模型， 对N个渣 土改良模型进行超参数优化， 得到N个渣土改良模型对应的超参数， 构成超参数集合HP＝ {HP1,HP2,...,HPN}。 7.根据权利要求6所述混合GBDT和随机森林算法的土压平衡盾构机渣土改良方法， 其 特征在于， 所述对N个渣土改良模型进行超参数优化， 所用方法为贝叶斯方法。 8.根据权利要求5所述混合GBDT和随机森林算法的土压平衡盾构机渣土改良方法， 其 特征在于， 所述决定系数R2通过如下公式计算： 其中： yj表示输出数据的实际值， 表示输出数据的预测值， 表示输出数据的平均值， n表示出渣质量数据的个数， j表示第j个出渣质量数据。 9.根据权利要求4所述混合GBDT和随机森林算法的土压平衡盾构机渣土改良方法， 其 特征在于， 所述每两个关键出渣质量 参数的相关性 通过Pearso n计算。权　利　要　求　书 2/3 页 3 CN 113011094 B 3