(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111326750.4 (22)申请日 2021.11.10 (71)申请人 广东粤海珠三角供 水有限公司 地址 511455 广东省广州市南沙区丰泽 东 路106号 （自编1号楼） X13 01-A3665 申请人 同济大学 (72)发明人 王志云　杜庆峰　薛广文　张双俐　 李晓军　赵思成　 (74)专利代理 机构 上海德昭知识产权代理有限 公司 31204 代理人 卢泓宇 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 一种融合多元神经网络结构的盾构机掘进 参数预测方法 (57)摘要 本发明公开了一种融合多元神经网络结构 的盾构机掘进参数预测方法， 具有这样的特征， 包括以下步骤： 步骤1， 对时序掘进参数数据和非 时序地质条件 数据分别进行预处理， 得到预处理 后的时序掘进参数数据和预处理后的非时序地 质条件数据； 步骤2， 将预处理后的时序掘进 参数 数据和预处理后的非时序地质条件数据输入预 测模型， 运用预测模型对下一时刻的目标掘进参 数进行预测与评估。 其中， 步骤1中， 预处理采用 多重插补法和移动平均法； 步骤2中， 预测模型包 括多层感知器神经网络结构和循环神经网络结 构。 多层感知器神经网络结构用于处理非时序地 质条件数据， 循环神经网络结构用于处理时序掘 进参数数据。 权利要求书2页 说明书6页 附图3页 CN 114021282 A 2022.02.08 CN 114021282 A 1.一种融合多元神经网络结构的盾构机掘进参数预测方法， 其特征在于， 包括以下步 骤： 步骤1， 对时序掘进参数数据和非时序地质条件数据分别进行预处理， 得到预处理后的 时序掘进参数 数据和预处 理后的非时序地质条件数据； 步骤2， 将所述预处理后的时序掘进参数数据和所述预处理后的非时序地质条件数据 输入预测模型， 运用预测模型对下一时刻的目标掘进参数进行 预测与评估， 其中， 步骤1中， 所述预处 理采用多重插补法和移动平均法， 步骤2中， 所述预测模型包括多层感知器神经网络结构和循环神经网络结构， 所述多层感知器神经网络结构用于处 理所述非时序地质条件数据， 所述循环神经网络结构用于处 理所述时序掘进参数 数据。 2.根据权利要求1所述的一种融合多元神经网络结构的盾构机掘进参数预测方法， 其 特征在于： 其中， 步骤1中， 所述时序掘进参数 数据的数据特 征包括数值特 征， 所述数值特征的时序掘进参数数据至少包括撑靴压力、 刀盘转速、 刀盘刹车压力、 刀盘 扭矩、 刀盘功率、 推进压力、 贯入度、 总推进力、 推进速度以及推进位移。 3.根据权利要求1所述的一种融合多元神经网络结构的盾构机掘进参数预测方法， 其 特征在于： 其中， 步骤1中， 所述非时序地质条件数据的数据特 征包括数值特 征和类别特 征， 所述数值特 征的非时序地质条件数据至少包括静水压力、 动水压力， 所述类别特征的非时序地质条件数据至少包括岩体完整性、 岩石强度、 岩体风化程度、 不连续面产状、 不连续 面粗糙度、 不连续 面填充情况、 不连续 面风化蚀变程度。 4.根据权利要求1所述的一种融合多元神经网络结构的盾构机掘进参数预测方法， 其 特征在于： 其中， 步骤1中， 数据预处 理过程包括以下子步骤： 步骤1‑1， 采用所述多重插补法分别对所述时序掘进参数数据和所述非时序地质条件 数据中的缺 失值进行填充， 得到缺失值填充后的时序掘进参数数据和缺 失值填充后的非时 序地质条件数据； 步骤1‑2， 对缺失值 填充后的时序掘进参数 数据采用所述移动平均法进行平 滑处理； 步骤1‑3， 采用z‑score方法对所述平滑处理后的时序掘进参数数据和所述缺失值填充 后的非时序地质条件数据中的数值特征数据进 行归一化处理， 将 每一个所述数值特征数据 的值减去该 数值特征数据所有取值的均值再除以标准差； 步骤1‑4， 采用独热编码方法对所述缺失值填充后的非时序地质条件数据中的类别特 征数据进行处 理。 5.根据权利要求1所述的一种融合多元神经网络结构的盾构机掘进参数预测方法， 其 特征在于： 其中， 步骤2中， 所述预测模型对下一时刻的目标掘进参数进行预测时， 所述预测模型 的输入包括： 起始时间到上一时刻时间段的所述预处 理后的时序掘进参数 数据， 起始时间到上一时刻时间段的所述预处 理后的非时序地质条件数据。权　利　要　求　书 1/2 页 2 CN 114021282 A 26.根据权利要求1所述的一种融合多元神经网络结构的盾构机掘进参数预测方法， 其 特征在于： 其中， 所述预测模型进行评估时， 计算预测值同真实值的均方根 误差值作为损失值， 评估指标采用均方根误差值和R2值， 均方根误差越小、 R2值越大， 则说明预测模型的预 测精度越高、 拟合效果越好。权　利　要　求　书 2/2 页 3 CN 114021282 A 3