买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：同济大学

摘要：本发明公开了一种基于TBM运行数据的不良地质条件识别与预测方法，具有这样的特征，包括以下步骤：步骤1，获取TBM运行数据与地勘资料数据；步骤2，将TBM运行数据与地勘资料进行预处理，得到预处理后的数据；步骤3，基于预处理后的数据进行特征变量设计，筛选出与目标相关的变量；步骤4，基于与目标相关的变量，建立基于遗传编程的不良地质条件识别模型，并求得良好地质与不良地质的划分函数HX；步骤5，根据HX判断TBM当前位置的地质情况。本发明可高效处理大量运行数据，并对TBM当前位置的地质条件进行在线识别，克服了传统识别、检测方法的高不确定性、高延迟性、高成本等问题，为TBM安全施工增添保障。

主权项：1.一种基于TBM运行数据的不良地质条件识别与预测方法，其特征在于，包括以下步骤：步骤1，获取TBM运行数据与地勘资料数据；步骤2，将所述TBM运行数据与所述地勘资料进行预处理，得到预处理后的数据；步骤3，基于所述预处理后的数据进行特征变量设计，筛选出与目标相关的变量；步骤4，基于与目标相关的变量，建立基于遗传编程的不良地质条件识别模型，并求得良好地质与不良地质的划分函数HX；步骤5，根据所述HX判断TBM当前位置的地质情况，其中，步骤3的具体步骤为：步骤3-1，根据皮尔逊相关性过滤出与目标相关但是不冗余的变量： 式中，covX,Y表示X和Y的协方差，σX和σY分别表示X和Y的标准差；步骤3-2，基于排序特征重要性进一步筛选与目标相关的变量，该步骤依赖于机器学习算法的选择，可采用的机器学习算法至少包括支持向量机、k最邻近法、随机森林，步骤3-2的具体过程为：步骤3-2-1，使用h代表所选用的机器学习算法，计算h在数据集D上的分类错误率eorig，为测试数据集D中第j个变量的特征重要性，为第j个变量里每个元素加入随机小扰动∈，记此时的测试数据集为D*；步骤3-2-2，计算h在所述数据集D*上的分类错误率eperm,j，则第j个变量的特征重要性为|eperm,j-eorig|，可得|eperm,j-eorig|越大，表示变量对预测结果影响越大，则对应变量重要性越高；步骤3-2-3，从数据集D中整列删除特征重要性排序低的变量，步骤4的具体过程为：遗传编程首先基于先验知识或随机生成若干棵初始语义树，所述初始语义树通过复制、交叉、变异生成下一代种群，种群的演化依赖于个体适应度函数FX的计算，当FX超过预设值，输出当前语义树表达式HX，即为良好地质与不良地质的划分函数HX，遗传编程以语义树的形式表达符号运算结果，其中树的内部节点表示运算符号，叶子结点表示变量或常量值，FX取为优化目标函数fX的函数，假设fX为针对求目标函数最大值的优化问题，则为满足FX取非负值的要求： 式中，Cmin为预先指定的相对较小的数，FX的大小被用来确定不同个体被遗传到下一代群体中的概率，FX的值越大，则对应个体被遗传到下一代的概率也越大，反之，FX的值越小，则该个体被遗传到下一代的概率越小，若当前语义树的FX值超过预设值，则输出该语义树对应的表达式HX，即为待求得良好地质与不良地质的划分： 步骤5的具体过程为：将新获取的TBM运行数据与地质数据带入所述HX，从而判断当前TBM是否处于不良地质体中。

全文数据：

权利要求：

百度查询： 同济大学 一种基于TBM运行数据的不良地质条件识别与预测方法