(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 202210807021.9 (22)申请日 2022.07.11 (65)同一申请的已公布的文献号 申请公布号 CN 114861289 A (43)申请公布日 2022.08.05 (73)专利权人 湖南大学 地址 410000 湖南省长 沙市岳麓区麓山 南 路1号 (72)发明人 张超　朱闽湘　陈仁朋　任昱豪　 耿自恒　龚杨凯　邓鹏　程红战　 (74)专利代理 机构 湖南岑信知识产权代理事务 所(普通合伙) 43275 专利代理师 刘洋 (51)Int.Cl. G06F 30/13(2020.01) G06N 3/04(2006.01) G06F 30/27(2020.01) G01L 1/00(2006.01) G06F 119/14(2020.01)(56)对比文件 CN 10496 3691 A,2015.10.07 KhalidElbaz等.De ep learn ing analysis for energy co nsumption of shield tunneling machine drive system. 《Tunnelling and Underground Space Technology》 .202 2, 赵乙丁等.小净距浅埋盾构隧道相互影响机 制与控制措施研究. 《北京交通大 学学报》 .2020, (第01期), 宋英莉等.IMNMS SPC算法在盾构机 土压平衡 控制中的应用. 《计算机 工程与应用》 .2017,(第 04期), 刘宣宇等.盾构机密封舱土 压平衡综合优化 控制. 《大连理工大 学学报》 .2013,(第0 3期), Jingxin Yu等.A hybrid CN N-GRU model for predicti ng soil moisture i n maize root zone. 《Agricultural Water Management》 .2021, 审查员 张静 (54)发明名称 一种基于深度学习的盾构机土舱压力空间 分布预测方法 (57)摘要 本发明提供一种基于深度学习的盾构机土 舱压力空间分布预测方法， 包括如下步骤： 构建 土舱压力空间分布特征函数： 收集盾构过程中的 施工参数和地质参数， 形 成数据集； 构建CNN ‑GRU 混合模型， 将数据集作为CNN ‑GRU混合模型的输 入， 通过CNN模型提取施工参数和地质参数在过 去时刻的特征向量， 通过GRU模型捕捉土舱压力 在过去时间尺度的关联性， 将所述CNN模型和所 述GRU模型的输出结果通过第三串联层， 然后与 当前时刻的施工参数和地质参数共同作为输入， 经过第五全连接层后输出土舱压力空间分布特 征函数的预测系数； 采用所述土舱压力空间分布 特征函数进行土舱压力的空间分布预测。 本发明实现了土舱压力的空间分布预测。 权利要求书4页 说明书11页 附图8页 CN 114861289 B 2022.10.11 CN 114861289 B 1.一种基于深度学习的盾构机土舱压力空间分布预测方法， 其特征在于， 包括如下步 骤： S1： 选定土舱内顶部的土舱压力传感器为初始点， 构建土舱压力空间分布特征函数： 式中， 表示土舱内任 意空间点相比于初始点逆时针旋转的角度， a、 b、 c、 d表示土舱压 力空间分布特 征函数的系数； S2： 收集盾构过程中的施工参数和地质参数， 对数据进行 预处理后形成数据集； S3： 构建CNN ‑GRU混合模型， 将数据集作为所述CNN ‑GRU混合模型的输入， 通过CNN模型 提取施工参数和地质参数在过去时刻的特征向量， 通过GRU模型捕捉土舱压力在过去时间 尺度的关联性， 将所述CNN模型和所述GRU模型的输出结果通过第三串联层， 然后与当前时 刻的施工参数和地质参数共同作为输入， 经过第五全连接层后输出土舱压力空间分布特征 函数的预测系数 a、 b、 c、 d ， 将预测得到的系数 a、 b、 c、 d 代入所述土舱压力空间分布特征函 数， 完成所述土舱压力空间分布特 征函数的构建； S4： 采用所述土舱压力空间分布特 征函数进行土舱压力的空间分布预测； 其中， 所述CNN模型包括卷积层、 池化层、 第一全连接层、 第一串联层和第二全连接层； 所述数据集以矩阵的形式输入所述CNN模型， 所述卷积层通过卷积核提取输入矩阵的特征， 其运算过程表示 为： 式中： 表示所述卷积层的输出， 表示输入矩阵， 表示所述卷积层的权重矩阵， 表示所述卷积层的偏差， 表示矩阵运 算， 表示激活函数， 采用Relu激活函数； 所述池化层通过最大池化方法对卷积后的特征进行降维， 提高模型的鲁棒性， 其运算 过程表示 为； 式中： 表示所述池化层的输出， 表示所述池化层的偏差， 表示最大值函 数； 所述第一全连接层将展平后的抽象特征进行整合， 实现特征非线性关系的学习， 其运 算过程表示 为： 式中： 表示所述第一全连接层的输出， 表示所述第一全连接层的权重系数， 表示所述第一全连接层的偏差， 表示激活函数， 采用Relu或L inear激活函数； 所述第一串联层的作用是将所述第 一全连接层的输出与当前时刻的输入矩阵合并， 其 运算过程表示 为：权　利　要　求　书 1/4 页 2 CN 114861289 B 2式中： 表示所述第一串联层的输出， 表示当前时刻的输入矩阵； 所述第二全连接层与所述第一全连接层的架构相同， 其 运算过程表示 为： 式中： 表示第二全连接层的输出， 表示所述第二全连接层的权重系数， 表示 所述第二全连接层的偏差， 表示激活函数， 采用Relu或L inear激活函数； 所述CNN模型的输出 即为所述第二全连接层的输出： ； 所述GRU模型包括GRU层、 第三全连接层、 第二串联层及第四全连接层； 所述GRU层的核 心结构是更新 门和重置门， 更新 门用于决定记忆或遗忘过去隐藏状态的比例， 重置门用于 决定考虑新的候选隐藏状态和旧隐藏状态的比例， 二 者的运算过程表示 为： 式中 为所述更新门的输出， 为所述重置门的输出， 、 输出的取值区间都为 [0,1]； 为sigmoid函数， 为上一个时刻的隐藏状态， 、 为所述更新门的权 重系数， 、 为所述重 置门的权 重系数； 所述GRU层的运 算过程表示 为： 式中 为新的候选隐藏状态， 为所述GRU层的输出， 表示更新后的隐藏状态， 为上一个时刻的隐藏状态， 为双曲正切函数， 取值区间为[ ‑1,1]， 、 为隐藏状态更新的权重系数， 表示矩阵的哈达玛乘积； 当更新门的输出为0时， 表 示所述GRU层的输出只考虑当前的输入状态； 当所述重置门的输出为0时， 表 示所述GRU层的 输出只考虑新的候选隐藏状态； 所述第三全连接层将所述GRU层的输出特征进行整合， 实现特征非线性关系的学习， 其 运算过程表示 为： 权　利　要　求　书 2/4 页 3 CN 114861289 B 3