基于迁移学习的跨工程盾构掘进姿态预测OA

盾构掘进姿态的准确预测有助于盾构操作员及时地调整盾构掘进参数,以确保盾构机沿隧道设计轴线安全掘进。传统的数据驱动模型无法同时应用于盾构机型号存在差异的两类隧道工程中,且在项目施工初期,由于数据样本匮乏导致新训练的机器学习模型预测效果欠佳。因此,本文提出了一种基于迁移学习的跨工程盾构掘进姿态预测方法。以广州、福州地铁某号线盾构施工现场所获取的实测数据为例,一共选取了包括总推力和分区千斤顶油压等21个掘进参数作为模型输入,6个盾构姿态参数作为模型的预测目标。首先,通过主成分分析(principal component analysis,PCA)来提取高维特征并统一模型输入,使模型能够应用于不同的工程案例,并采用Pytorch来编译由门控循环单元(gated recurrent unit,GRU)和全连接层组成的预测模型,使用源域数据集进行训练来得到源域模型。其次,结合迁移学习的方法,将源域模型中GRU层在源域数据集上学习到的工程知识进行迁移应用,再利用目标域上部分数据进行预训练以得到迁移模型。最后,将迁移模型在目标域上进行评估,并对比了迁移模型、源域模型和新建模型的预测精度。研究结果表明:所提出的方法在目标域上盾构掘进姿态24步预测结果的平均R2为0.95,其总体预测精度要优于源域模型和新建模型,对提高跨工程的盾构姿态预测精度具有一定的参考意义。