CN114881205A - 盾构姿态预测方法、介质、电子设备及*** - Google Patents
盾构姿态预测方法、介质、电子设备及*** Download PDFInfo
- Publication number
- CN114881205A CN114881205A CN202210417075.4A CN202210417075A CN114881205A CN 114881205 A CN114881205 A CN 114881205A CN 202210417075 A CN202210417075 A CN 202210417075A CN 114881205 A CN114881205 A CN 114881205A
- Authority
- CN
- China
- Prior art keywords
- data
- shield
- pressure
- layer
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 47
- 239000002131 composite material Substances 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000002689 soil Substances 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005299 abrasion Methods 0.000 claims description 4
- 229910000278 bentonite Inorganic materials 0.000 claims description 4
- 239000000440 bentonite Substances 0.000 claims description 4
- SVPXDRXYRYOSEX-UHFFFAOYSA-N bentoquatam Chemical compound O.O=[Si]=O.O=[Al]O[Al]=O SVPXDRXYRYOSEX-UHFFFAOYSA-N 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种盾构姿态预测方法、介质、电子设备及***，该方法包括以下步骤：S1、获取盾构数据；S2、对盾构数据进行预处理，划分训练集和测试集；S3、利用CNN‑Bi LSTM‑Attent ion复合神经网络模型对训练集中的数据进行训练；S4、用训练好的复合神经网络模型对测试集中的数据进行姿态预测，得到盾构姿态。本发明盾构姿态预测方法针对盾构数据具有周期长以及非线性的特点，利用CNN层对输入数据进行特征提取，大大减小了深度学习的时间以及传统神经网络出现过拟合缺点。本发明的复合神经网络模型由于其处理长序列数据的优势，对于盾构姿态预测具有较高的精度。本发明的复合神经网络模型表现出更好的稳定性和更高的预测精度，同时具有更好的泛化能力。
Description
技术领域
本发明涉及盾构姿态预测技术领域，特别涉及一种盾构姿态预测方法、存储介质、电子设备及***。
背景技术
随着我国经济建设的快速发展，地下轨道交通建设已经成为影响国民经济、军事、政治乃至社会生活的重要因素。地下轨道交通的建设具有高精密性和复杂性，盾构的安全开挖依赖于其盾构掘进的稳定性。盾构开挖时，一旦偏离原来的设计轴线可能会造成不可逆的影响。然而盾构姿态测量技术发展至今，包含了以下三种测量***：PPS***，SLS-TAPD***，ROBOTEC***，但是这三种***均通过光学对焦技术获取数据之后换算处理，并不能智能预测。
其中，陈煜竹等提出了一种基于支持向量机(SVR)的盾构轨迹轴线偏差参数预测方法，该方法通过训练建立基于SVR算法的盾构轨迹轴线偏差参数预测模型，最后对SVR轴线偏差预测模型进行评估，计算回归模型的准确率。该方法基于数据挖掘的基础充分利用了海量的盾构历史数据，实现了盾构轴线偏差预测。
曹曦等人基于支持向量机算法及最小二乘法，进而构建预测模型，并利用粒子群算法优化模型，进而实现了对密封舱的土压平衡控制。
上述方法存在缺陷如下：
SVR模型较为传统，且没有考虑到盾构参数的时序性，且对于数据量较大的工程，运算时间较长，准确率较低。而基于粒子群算法的回归模型容易陷入局部最优。
因此，亟需一种新的盾构姿态预测方法来解决上述问题。
发明内容
本发明要解决的技术问题是提供一种稳定性好、预测精度高的盾构姿态预测方法。
为了解决上述问题，本发明提供了一种盾构姿态预测方法，其包括以下步骤：
S1、获取盾构数据；
S2、对所述盾构数据进行预处理，划分训练集和测试集；
S3、利用CNN-BiLSTM-Attention复合神经网络模型对训练集中的数据进行训练；所述CNN-BiLSTM-Attention复合神经网络模型包括CNN层、BiLSTM层和Attention层；具体地：
S31、利用所述CNN层对训练集中的数据进行特征提取，得到特征数据；
S32、利用所述BiLSTM层对所述CNN层输出的输出数据进行预测处理；
S33、利用所述Attention层对所述BiLSTM层的输出数据进行加权处理；
S4、用训练好的复合神经网络模型对测试集中的数据进行姿态预测，得到盾构姿态。
作为本发明的进一步改进，所述盾构数据包括：膨润土压力、盾体铰接压力、铰接压力左上、刀盘磨损压力、铰接压力左下、刀盘监测刀盘角度、铰接压力右下、螺机下闸门、设备桥压力、铰接压力右上、C组推进压力、B组推进压力、左下土仓压力、左中土仓压力、右下土仓压力、D组推进压力、右中土仓压力、A组推进压力、左上土仓压力、盾构机滚动角、盾构机俯仰角。
作为本发明的进一步改进，步骤S2包括：
对所述盾构数据进行归一化预处理，公式如下：
其中，x初始盾构数据，
为初始盾构数据的均值，σ为初始盾构数据的标准差，x*是归一化后的值。
作为本发明的进一步改进，在步骤S3中，各类超参数分别为：步长＝5；LSTM单元＝16；比率＝0.01；训练轮数＝14。
作为本发明的进一步改进，所述方法还包括以下步骤：
S5、将预测值与实测值进行对比，计算精度评价指标。
作为本发明的进一步改进，所述精度评价指标包括：MSE、MAE以及MAPE。
本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一项所述方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任意一项所述方法的步骤。
本发明还提供了一种盾构姿态预测***，其包括以下模块：
数据获取模块，用于获取盾构数据；
数据预处理模块，用于对所述盾构数据进行预处理，划分训练集和测试集；
模型训练模块，用于利用CNN-BiLSTM-Attention复合神经网络模型对训练集中的数据进行训练；所述CNN-BiLSTM-Attention复合神经网络模型包括CNN层、BiLSTM层和Attention层；所述CNN层用于对训练集中的数据进行特征提取，得到特征数据；所述BiLSTM层用于对所述CNN层输出的特征数据进行预测处理；所述Attention层用于对所述BiLSTM层的输出数据进行加权处理；
预测模块，用于利用训练好的复合神经网络模型对测试集中的数据进行姿态预测，得到盾构姿态。
作为本发明的进一步改进，对所述盾构数据进行预处理，包括：
对所述盾构数据进行归一化预处理，公式如下：
其中，x初始盾构数据，
为初始盾构数据的均值，σ为初始盾构数据的标准差，x*是归一化后的值。
本发明的有益效果：
本发明盾构姿态预测方法针对盾构数据具有周期长以及非线性的特点，利用CNN层对输入数据进行特征提取，大大减小了深度学习的时间以及传统神经网络出现过拟合缺点。
本发明的复合神经网络模型由于其处理长序列数据的优势，对于盾构姿态预测具有较高的精度。
本发明的复合神经网络模型表现出更好的稳定性和更高的预测精度，同时具有更好的泛化能力。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1是本发明优选实施例中盾构姿态预测方法的流程图；
图2是本发明优选实施例中盾构行进路线示意图；
图3是本发明优选实施例中盾构数据示意图；
图4为本发明优选实施例中模型训练的迭代示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，为本发明优选实施例中的盾构姿态预测方法，包括以下步骤：
S1、获取盾构数据；可选地，所述盾构数据包括：膨润土压力、盾体铰接压力、铰接压力左上、刀盘磨损压力、铰接压力左下、刀盘监测刀盘角度、铰接压力右下、螺机下闸门、设备桥压力、铰接压力右上、C组推进压力、B组推进压力、左下土仓压力、左中土仓压力、右下土仓压力、D组推进压力、右中土仓压力、A组推进压力、左上土仓压力、盾构机滚动角、盾构机俯仰角。
可选地，获取某工程区间的盾构收据，将盾构数据记录在excle中，表格为xlsx格式。
S2、对所述盾构数据进行预处理，划分训练集和测试集；
具体地，对所述盾构数据进行归一化预处理，公式如下：
其中，x初始盾构数据，
为初始盾构数据的均值，σ为初始盾构数据的标准差，x*是归一化后的值。
可选地，训练集占80％，测试集占20％。
S3、利用CNN-BiLSTM-Attention复合神经网络模型对训练集中的数据进行训练；所述CNN-BiLSTM-Attention复合神经网络模型包括CNN层、BiLSTM层和Attention层；具体地：
S31、利用所述CNN层对训练集中的数据进行特征提取，得到特征数据；
S32、利用所述BiLSTM层对所述CNN层输出的输出数据进行预测处理；
S33、利用所述Attention层对所述BiLSTM层的输出数据进行加权处理；
S4、用训练好的复合神经网络模型对测试集中的数据进行姿态预测，得到盾构姿态。
进一步地，所述方法还包括以下步骤：
S5、将预测值与实测值进行对比，计算精度评价指标。
具体地，所述精度评价指标包括：MSE、MAE以及MAPE。其中，RMSE、MAE越小，说明模型拥有更好的预测精度，RMSE、MAE的计算公式如下：
为了验证本发明的有效性，在一具体实施例中：北京地铁12号线西坝河站-三元桥站区间东起三元桥站(位于机场高速路东侧，北三环东路与机场高速路交叉路口)，沿北三环东路向西北敷设，从三元桥站出发后，下穿既有10号线亮马桥～三元桥站区间，然后左线以R-380m曲线、右线以R-400m曲线调整线路走向并扩大线间距，下穿三元桥匝道桥后沿三环方向西，从三元西桥两侧绕行通过，到达西坝河站，区间总长度1481.013m，区间线路线间距为17.2m-35m，12号线西-三区间行径路线如图2所示。本实施例中的盾构姿态预测方法具体包括以下步骤：
(1)提取从2021/1/25到2021/11/21的盾构数据，将膨润土压力，盾体铰接压力，铰接压力左上，刀盘磨损压力，铰接压力左下，刀盘监测刀盘角度，铰接压力右下，螺机下闸门，设备桥压力，铰接压力右上，C组推进压力，B组推进压力，左下土仓压力，左中土仓压力，右下土仓压力，D组推进压力，右中土仓压力，A组推进压力，左上土仓压力作为模型输入值；盾构机滚动角，俯仰角作为模型输出值。
(2)对参数进行归一化。划分训练集和测试集，其中训练集为2021/2/25至2021/7/4日的盾构数据，测试集为2021/7/5至2021/8/3的盾构数据，如图3所示。
(3)采用CNN-BiLSTM-Attention复合神经网络模型对训练样本进行学习。设定各类超参数参数分别为步长(window)＝5；LSTM单元(lstm_units)＝16；比率(dropout)＝0.01；训练轮数(epoch)＝60。利用复合模型对数据进行训练，模型训练的迭代图像如图4所示，可以确定当训练轮数为14次时，无论是训练集还是测试集都能取得很好地训练效果。
(4)用训练好的复合神经网络模型对测试集样本进行姿态预测，获得盾构姿态滚动角，俯仰角的预测值为yi；将预测值yi和实测值
进行对比，分别计算其精度评价指标MSE、MAE以及MAPE，其计算公式如下：
其中，滚动角和俯仰角测试集与训练集的评价指标如下表1所示。
| MSE(°) | MAE(°) | |
| 滚动角(训练集) | 0.017 | 0.067 |
| 滚动角(测试集) | 0.002 | 0.037 |
| 俯仰角(训练集) | 0.0009 | 0.007 |
| 俯仰角(测试集) | 0.18 | 0.22 |
表1
可以看出滚动角与俯仰角的测试集与训练集的评价指标均非常好，可以论证本发明的CNN-BiLSTM-ATTENTION复合神经网络模型在盾构姿态预测中的优势。
本发明盾构姿态预测方法针对盾构数据具有周期长以及非线性的特点，利用CNN层对输入数据进行特征提取，大大减小了深度学习的时间以及传统神经网络出现过拟合缺点。
本发明的复合神经网络模型由于其处理长序列数据的优势，对于盾构姿态预测具有较高的精度。
本发明的复合神经网络模型表现出更好的稳定性和更高的预测精度，同时具有更好的泛化能力。
本发明优选实施例还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一项所述方法的步骤。
本发明优选实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任意一项所述方法的步骤。
本发明优选实施例还公开了一种盾构姿态预测***，其包括以下模块：
数据获取模块，用于获取盾构数据；
数据预处理模块，用于对所述盾构数据进行预处理，划分训练集和测试集；
模型训练模块，用于利用CNN-BiLSTM-Attention复合神经网络模型对训练集中的数据进行训练；所述CNN-BiLSTM-Attention复合神经网络模型包括CNN层、BiLSTM层和Attention层；所述CNN层用于对训练集中的数据进行特征提取，得到特征数据；所述BiLSTM层用于对所述CNN层输出的特征数据进行预测处理；所述Attention层用于对所述BiLSTM层的输出数据进行加权处理；
预测模块，用于利用训练好的复合神经网络模型对测试集中的数据进行姿态预测，得到盾构姿态。
具体地，对所述盾构数据进行预处理，包括：
对所述盾构数据进行归一化预处理，公式如下：
其中，x初始盾构数据，
为初始盾构数据的均值，σ为初始盾构数据的标准差，x*是归一化后的值。
本发明实施例中的盾构姿态预测***用于实现前述的盾构姿态预测方法，因此该***的具体实施方式可见前文中的盾构姿态预测方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的盾构姿态预测***用于实现前述的盾构姿态预测方法，因此其作用与上述方法的作用相对应，这里不再赘述。
以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.盾构姿态预测方法，其特征在于，包括以下步骤：
S1、获取盾构数据；
S2、对所述盾构数据进行预处理，划分训练集和测试集；
S3、利用CNN-BiLSTM-Attention复合神经网络模型对训练集中的数据进行训练；所述CNN-BiLSTM-Attention复合神经网络模型包括CNN层、BiLSTM层和Attention层；具体地：
S31、利用所述CNN层对训练集中的数据进行特征提取，得到特征数据；
S32、利用所述BiLSTM层对所述CNN层输出的输出数据进行预测处理；
S33、利用所述Attention层对所述BiLSTM层的输出数据进行加权处理；
S4、用训练好的复合神经网络模型对测试集中的数据进行姿态预测，得到盾构姿态。
2.如权利要求1所述的盾构姿态预测方法，其特征在于，所述盾构数据包括：膨润土压力、盾体铰接压力、铰接压力左上、刀盘磨损压力、铰接压力左下、刀盘监测刀盘角度、铰接压力右下、螺机下闸门、设备桥压力、铰接压力右上、C组推进压力、B组推进压力、左下土仓压力、左中土仓压力、右下土仓压力、D组推进压力、右中土仓压力、A组推进压力、左上土仓压力、盾构机滚动角、盾构机俯仰角。
3.如权利要求1所述的盾构姿态预测方法，其特征在于，步骤S2包括：
对所述盾构数据进行归一化预处理，公式如下：
其中，x初始盾构数据，
为初始盾构数据的均值，σ为初始盾构数据的标准差，x*是归一化后的值。
4.如权利要求1所述的盾构姿态预测方法，其特征在于，在步骤S3中，各类超参数分别为：步长＝5；LSTM单元＝16；比率＝0.01；训练轮数＝14。
5.如权利要求1所述的盾构姿态预测方法，其特征在于，所述方法还包括以下步骤：
S5、将预测值与实测值进行对比，计算精度评价指标。
6.如权利要求5所述的盾构姿态预测方法，其特征在于，所述精度评价指标包括：MSE、MAE以及MAPE。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6中任意一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任意一项所述方法的步骤。
9.盾构姿态预测***，其特征在于，包括以下模块：
数据获取模块，用于获取盾构数据；
数据预处理模块，用于对所述盾构数据进行预处理，划分训练集和测试集；
模型训练模块，用于利用CNN-BiLSTM-Attention复合神经网络模型对训练集中的数据进行训练；所述CNN-BiLSTM-Attention复合神经网络模型包括CNN层、BiLSTM层和Attention层；所述CNN层用于对训练集中的数据进行特征提取，得到特征数据；所述BiLSTM层用于对所述CNN层输出的特征数据进行预测处理；所述Attention层用于对所述BiLSTM层的输出数据进行加权处理；
预测模块，用于利用训练好的复合神经网络模型对测试集中的数据进行姿态预测，得到盾构姿态。
10.如权利要求9所述的盾构姿态预测***，其特征在于，对所述盾构数据进行预处理，包括：
对所述盾构数据进行归一化预处理，公式如下：
其中，x初始盾构数据，
为初始盾构数据的均值，σ为初始盾构数据的标准差，x*是归一化后的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210417075.4A CN114881205A (zh) | 2022-04-20 | 2022-04-20 | 盾构姿态预测方法、介质、电子设备及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210417075.4A CN114881205A (zh) | 2022-04-20 | 2022-04-20 | 盾构姿态预测方法、介质、电子设备及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114881205A true CN114881205A (zh) | 2022-08-09 |
Family
ID=82672061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210417075.4A Pending CN114881205A (zh) | 2022-04-20 | 2022-04-20 | 盾构姿态预测方法、介质、电子设备及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114881205A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024036825A1 (zh) * | 2022-08-16 | 2024-02-22 | 深圳先进技术研究院 | 姿态处理方法、装置、***以及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112347580A (zh) * | 2020-11-05 | 2021-02-09 | 上海交通大学 | 一种盾构机刀盘扭矩实时预测方法及*** |
| CN113837464A (zh) * | 2021-09-22 | 2021-12-24 | 浙大城市学院 | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 |
| CN114117599A (zh) * | 2021-11-22 | 2022-03-01 | 中铁高新工业股份有限公司 | 一种盾构姿态位置偏差预测方法 |
| CN114330493A (zh) * | 2021-11-26 | 2022-04-12 | 中国华能集团清洁能源技术研究院有限公司 | 一种CNN+BiLSTM+Attention风电超短期功率预测方法及*** |
| CN114325450A (zh) * | 2022-01-11 | 2022-04-12 | 青岛科技大学 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
-
2022
- 2022-04-20 CN CN202210417075.4A patent/CN114881205A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112347580A (zh) * | 2020-11-05 | 2021-02-09 | 上海交通大学 | 一种盾构机刀盘扭矩实时预测方法及*** |
| CN113837464A (zh) * | 2021-09-22 | 2021-12-24 | 浙大城市学院 | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 |
| CN114117599A (zh) * | 2021-11-22 | 2022-03-01 | 中铁高新工业股份有限公司 | 一种盾构姿态位置偏差预测方法 |
| CN114330493A (zh) * | 2021-11-26 | 2022-04-12 | 中国华能集团清洁能源技术研究院有限公司 | 一种CNN+BiLSTM+Attention风电超短期功率预测方法及*** |
| CN114325450A (zh) * | 2022-01-11 | 2022-04-12 | 青岛科技大学 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024036825A1 (zh) * | 2022-08-16 | 2024-02-22 | 深圳先进技术研究院 | 姿态处理方法、装置、***以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Su et al. | Prediction of ground surface settlement by shield tunneling using XGBoost and Bayesian Optimization | |
| CN102269972B (zh) | 基于遗传神经网络的管道压力缺失数据补偿方法及装置 | |
| Zhang et al. | Improving Dam Seepage Prediction Using Back‐Propagation Neural Network and Genetic Algorithm | |
| CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
| CN111638396B (zh) | 一种基于Boost的土壤杂散电流电位监测方法 | |
| CN114881205A (zh) | 盾构姿态预测方法、介质、电子设备及*** | |
| CN103559542A (zh) | 基于先验知识的可拓神经网络模式识别方法 | |
| CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能*** | |
| CN112836789A (zh) | 一种基于复合神经网络算法的地连墙变形动态预测方法 | |
| Li et al. | Tailings pond risk prediction using long short-term memory networks | |
| CN117372854A (zh) | 一种大坝深水结构隐患病害实时检测方法 | |
| CN117009923A (zh) | 基于多源信息融合的隧道超前地质灾害智能判识方法 | |
| Zhan et al. | A new prediction method for surface settlement of deep foundation pit in pelagic division based on Elman-Markov model | |
| CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
| Hao et al. | Estimating signal timing of actuated signal control using pattern recognition under connected vehicle environment | |
| Huang et al. | [Retracted] Slope Shape and Edge Intelligent Recognition Technology Based on Deep Neural Sensing Network | |
| CN111274736A (zh) | 一种基于有导师学习神经网络算法的导水裂隙带预测方法 | |
| Jiang | Adaptive GA-BP Model Prediction of Subway Shield Tunneling Settlement in Smart City Construction | |
| CN103530526A (zh) | 一种基于神经网络预测吹填土标高的方法 | |
| CN117765481B (zh) | 集成多源数据的电力***火灾智慧预警方法及*** | |
| CN116976526B (zh) | 耦合ViViT和ANN的土地利用变化预测方法 | |
| CN115719161B (zh) | 一种崩岗灾害风险综合评估的方法 | |
| Yang et al. | Artificial Intelligence In Source Discrimination of Mine Water: A Deep Learning Algorithm For Water Source Discrimination | |
| Xue et al. | Research on Building Deformation Prediction Method Based on Prophet Model including Illumination Periodicity Factor | |
| Wu et al. | Intelligent attitude control during shield tunneling in soft soils based on big data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |