一种基于深度置信网络的隧道机械化施工风险预测方法与流程

1.本技术涉及一种基于深度置信网络的隧道机械化施工风险预测方法，属于隧道机械化施工技术领域。


背景技术：

2.随着隧道建设的快速发展，隧道掘进机因其具有掘进速度快、施工安全可靠、高校环保和降低工人劳动强度等特点，被广泛地应用到交通、水利等领域的隧道及地下工程施工中。在隧道机械化施工过程中如果出现突发的意外情况，将会对施工人员和设备造成难以承受的巨大损失。所以在施工前，通过对现场风险源进行分析，进而对隧道机械化施工风险进行预测是很有必要的。在施工前，通过对隧道机械化施工风险进行预测得到发生风险的可能值。当风险过大时，设计人员可以通过采取相关措施来降低风险，从而采取使施工风险达到最小的施工方案，有利于保障施工人员的生命安全和降低财产损失。
3.目前，更多的传统方法是靠专家经验主观评判施工风险，仅靠专家经验进行风险识别很可能会导致风险遗漏和识别不全面的情况。而且隧道机械化施工具有复杂性、动态性和非线性的特点，仅使用专家评价法并不能解决隧道机械化施工风险评价的模糊性、随机性问题，表现为预测结果准确度较低，无法达到施工参考的要求。


技术实现要素：

4.根据本技术的一个方面，提供了一种基于深度置信网络的隧道机械化施工风险预测方法，该预测方法集数据收集、数据预处理、模型建立、风险预测于一体，能够根据施工前的勘测情况，对隧道机械化施工风险进行预测，设计人员可以通过采取相关措施来降低风险。
5.一种基于深度置信网络的隧道机械化施工风险预测方法，其特征在于，所述施工风险预测方法包括以下步骤：
6.s1建立隧道机械化施工风险因素评价标准；
7.s2通过风险因素评价标准建立隧道机械化施工风险指标体系；
8.s3收集专家们根据风险因素评价标准建立风险因素评价向量和风险预测结果，其中，每一组风险因素评价向量对应一组风险预测结果；
9.s4对s3收集到的数据进行预处理，包括通过对数据集中的缺失值和异常值进行处理，避免异常数据对模型训练造成错误的影响；
10.s5根据预处理后的数据构建隧道机械化施工风险预测数据库；
11.s6将s5中预测数据库中的数据划分为训练集和测试集，其中，训练集数据用来训练模型和验证模型的性能，测试集用来测试最优隧道机械化施工风险预测模型的预测准确性；
12.s7初始化隧道机械化施工风险预测模型的超参数；
13.s8使用k折交叉验证的方法，将训练集重新划分为新的训练集和验证集，随机初始
化模型参数，使用新的训练集数据来训练模型，使用验证集中的数据测试模型的性能；
14.s9使用受限波尔兹曼机rbm无监督正向学习，将所述隧道机械化施工风险因素特征量输入，逐层训练，使浅层原始特征获得高层次表达；
15.s10使用误差反向传播算法对隧道机械化施工风险预测模型的超参数进行反向微调，使其收敛至全局最优点，优化模型对风险因素的辨识能力；
16.s11使用改进的粒子群寻优算法调整隧道机械化施工风险预测模型的超参数；
17.s12判断隧道机械化施工风险预测模型是否满足粒子群优化算法寻优条件，如果满足条件，得到性能最优的隧道机械化施工风险预测模型，如果没有满足条件，则使用s11中确定的超参数构建新的隧道机械化施工风险预测模型，重复步骤s8-s11；
18.s13使用s12中得到的隧道机械化施工风险预测模型，输入测试集数据对隧道机械化施工风险进行预测，测试隧道机械化施工风险预测模型的预测性能；
19.s14现场人员根据现场施工情况，按照风险因素评价标准，将风险因素隶属度向量输入到隧道机械化施工风险预测模型中，得到隧道机械化施工风险概率。
20.进一步的，所述超参数包括输入节点数、输出节点数、隐藏层层数、隐藏层节点数、训练迭代次数、批量大小、学习率和动量；
21.需要初始化的超参数包括输入节点数、输出节点数、隐藏层层数、隐藏层节点数、训练迭代次数、批量大小、学习率和动量。
22.进一步的，所述初始化模型参数包括可见层单元i和隐藏层单元j的神经元连接权重w
ij
、可见层单元神经元i的偏置ai和隐藏层单元j的偏置bj；
23.其中，使用绝对平均误差mae和相对平均误差mre作为模型的性能评价指标，定义如下：
[0024][0025][0026]
其中：y
output,i
和t
fact,i
分别表示第i个样本输入的预测值和真实值；
[0027]
mre与mae的值越小，表示隧道机械化施工风险预测模型预测效果越准确。
[0028]
进一步的，在所述可见层单元所在的可见层和所述隐藏层单元所在的隐藏层中加入高斯噪声。
[0029]
进一步的，s9中所述受限波尔兹曼机rbm无监督的正向学习过程包括以下步骤：
[0030]
参数初始化：初始化rbm模型参数，即层间的连接权值和各层的偏置，从[-1,1]中的均匀分布中随机抽取样本作为rbm模型的参数；
[0031]
可见层和隐藏层间的联合能量函数为：
[0032][0033]
其中，vi为可见层中第i个神经元状态；
[0034]hj
为隐藏层中第j个神经元状态；
[0035]ai
和bj分别为可见层中第i个神经元和隐藏层中第j个神经元的偏置；
[0036]wij
为可见层中第i个神经元和隐藏层中第j个神经元之间的权重；
[0037]
θ＝[w
ij
,ai,bj]表式需要通过训练求解的参数空间；
[0038]
c是高斯函数中的标准方差；
[0039]
计算隐藏层单元hj被激活概率：
[0040][0041]
其中：σ()表示使用sigmoid函数作为激活函数；
[0042]
计算可见层单元vi被激活概率：
[0043][0044]
使用cd-1算法，计算得到模型的权值和偏置：
[0045][0046][0047][0048]
其中，δw
ij
是权重的变化值；
[0049]
δai可见层中偏置向量的变化值；
[0050]
δbj是隐藏层中偏置向量的变化值。
[0051]
进一步的，所述使用误差反向传播算法进行反向微调过程包括以下步骤：
[0052]
使用adam算法设计梯度下降过程，经过偏置校正后，每一次迭代学习率都有个确定范围，加速隧道机械化施工风险预测模型的有监督学习；
[0053]
更新规则如下：
[0054][0055]
其中：m
t
和v
t
分别表示第t次迭代参数的一阶矩估计和二阶矩估计；
[0056]
ε是一个用于防止分母为0的极小常量；
[0057]
α表示网络权重更新的步长因子。
[0058]
进一步的，s11中所述使用粒子群寻优算法调整隧道机械化施工风险预测模型的超参数步骤如下：
[0059]
11-1初始化粒子群；
[0060]
其中，初始化粒子的位置和速度
[0061]
11-2计算适应度值；
[0062]
其中，计算每个粒子的适应度值，找到本轮粒子群最优的粒子的位置和搜索历史上的最优粒子的位置
[0063]
11-3更新粒子的速度和位置：
[0064]
[0065][0066]
式中，为粒子速度；为粒子位置；
[0067]
ω表示惯性权重，取值介于[0,1]，一般取ω＝0.9；
[0068]
c1、c2为学习因子；
[0069]
r1、r2为在[0,1]之间的随机数；
[0070]
是第i粒子的最优位置；
[0071]
是全局最优粒子位置；
[0072]
11-4如果训练样本的误分类率满足设定条件或者迭代次数达到预设值，则粒子群优化结束，否则跳转到11-2，k＝k+1，重复执行11-3和11-4，直到满足判别条件；
[0073]
动态调整在迭代过程中的惯性权重ω：
[0074][0075]
式中，k为迭代次数；
[0076]kmax
为算法最大迭代次数；
[0077]
ω
max
为惯性权重的最大值；
[0078]
ω
min
为惯性权重的最小值。
[0079]
进一步的，所述预测方法还包括施工时的风险预测的输入因素做改动，对所述输入因素做出的改动步骤如下：
[0080]
15.1将地下水情况、岩层特性、岩石特性、地应力影响、地下管线情况和与周围建筑物的距离这7个因素作为施工时的风险评价向量；
[0081]
15.2重复s1-s12，重新训练一个用于施工时的隧道机械化施工风险预测模型；
[0082]
15.3将训练好的隧道机械化施工风险预测模型部署到隧道掘进机上，实现及时的隧道机械化施工风险预测。
[0083]
本技术能产生的有益效果包括：
[0084]
1)本技术所提供的一种深度置信网络的隧道机械化施工风险预测方法，使用改进的粒子群寻优算法调整dbn模型的超参数，加快了模型训练并且提高了准确性；该方法集数据收集、数据预处理、模型建立、风险预测于一体，能够根据施工前的勘测情况，对隧道机械化施工风险进行预测；可以为现场工作人员提供施工参考，设计人员可以通过采取相关措施来降低风险，从而采取使施工风险达到最小的施工方案，有利于保障施工人员的生命安全和降低财产损失。
附图说明
[0085]
图1为本发明的流程示意图；
[0086]
图2为本发明所包含的深度置信网络模型结构图；
[0087]
图3为本发明所包含的rbm模型结构图。
具体实施方式
[0088]
下面结合实施例详述本技术，但本技术并不局限于这些实施例。
[0089]
参见图1-3，一种基于深度置信网络的隧道机械化施工风险预测，所述施工风险预测方法包括以下步骤：
[0090]
s1建立隧道机械化施工风险因素评价标准；
[0091]
具体地，可能会导致施工发生风险的因素包括：地下水情况、岩层特性、岩石特性、地应力影响、地下管线情况、与周围建筑物的距离、作业场地、施工操作不规范、施工技术不足和施工管理混乱；
[0092]
其中，地下水情况：主要来自于隧道围岩中所含的地下水或部分地表水，在施工时以渗漏或涌出方式进入隧道内造成的危害。当空气中的水分含量过高时，会使施工机械设备锈蚀，严重的掌子面涌水甚至有一定几率会直接导致围岩崩塌，对隧道机械化施工造成威胁；
[0093]
岩层特性：不同的岩层对隧道机械化施工造成的影响不同；
[0094]
地应力影响：地应力是存在于地壳内部的应力。在隧道机械化施工过程中，会使围岩应力发生变化，也会引起构造应力，有发生岩爆的风险，对岩体的安全产生了巨大的影响；
[0095]
地下管线情况：当需要施工的地段存在地下管线时，如果因为操作失误而破坏了地下管线，将会对施工设备和周围居民的生活造成影响；
[0096]
与周围建筑物的距离：当周围建筑物距离施工场地太近时，会对施工造成一定程度的影响；
[0097]
作业场地：作业场地是否有安全保障措施也很重要，当安全措施准备的很充分时，发生风险的概率就会比较低；
[0098]
施工操作不规范、施工技术不足和施工管理混乱都会提高隧道机械化施工发生风险的可能性。
[0099]
考虑到有些风险因素过于抽象，很难直接用来训练神经网络模型，必须将以上风险因素数值化。将风险因素对施工的影响划为无影响、较小影响、中等影响、较大影响和严重影响这5个等级；相应的，将这五个等级分别用对应的数字1、2、3、4、5表示，当影响介于两个等级之间时，可以使用小数表示。
[0100]
s2通过风险因素评价标准建立隧道机械化施工风险指标体系；
[0101]
具体地，考虑到s1中的风险因素，结合相关专家的经验，建立隧道机械化施工风险指标体系。
[0102]
其中一级风险有地质风险、周围环境风险、设备风险、隧道自身风险。
[0103]
其中地质风险有掌子面坍塌、土体坍塌、土体渗漏和突水涌砂，周围环境风险有地层地面沉降、周围建筑变形和地下管线被破坏，设备风险有隧道掘进机卡机、隧道掘进机组装调试失败、托架变形失稳、通风集尘不畅和出渣不连续，隧道自身风险有掘进路线偏差、支护结构变形、衬砌渗漏和隧道积水，共计16个二级风险。
[0104]
s3收集专家们根据风险因素评价标准所建立的风险因素评价向量和风险预测结果；
[0105]
其中，风险因素评价向量如表1所示：
[0106]
表1
[0107][0108]
向量格式如下：
[0109]
x＝[x1,x2,
…
,x9,x
10
] xi∈r[1,5]
[0110]
其中，风险预测结果向量如表2所示：
[0111]
表2
[0112][0113]
向量格式如下：
[0114]
y＝[y1,y2,y3,y4,y5]，yi∈r[0,1]且
[0115]
需要注意的是，每一组风险因素评价向量对应一组风险预测结果。
[0116]
s4对s3收集到的数据进行预处理；
[0117]
其中，对收集到的数据划分之前需要对其进行预处理，所述数据预处理的方法为数据清理；
[0118]
数据清理主要是通过对数据集中的缺失值和异常值进行处理，避免异常数据对模型训练造成错误的影响。
[0119]
其中，缺失值在数据存储库中表示为null，处理方法为丢弃，即直接删除带有缺失值的行记录；
[0120]
其中，风险因素评价向量中的值满足xi∈r[1,5]，当xi不在此区间内时，则为异常值；
[0121]
风险预测结果向量中的值满足
[0122]
yi∈r[0,1]且
[0123]
当yi不满足条件时，则为异常值。
[0124]
异常值的处理方法为丢弃，即直接删除含有异常值的行记录；
[0125]
s5根据预处理后的数据构建隧道机械化施工风险预测数据库；
[0126]
其中，利用经过s4处理过后的数据，建立隧道机械化施工风险预测数据库。
[0127]
s6将s5中的数据划分为训练集和测试集，取原始数据集的80％作为训练集，取剩下的20％作为测试集；
[0128]
其中，训练集数据用来训练模型和验证模型的性能，以便从中选取预测效果最好的隧道机械化施工风险预测模型，测试集用来测试最优隧道机械化施工风险预测模型的预
测准确性。
[0129]
步骤s7，随机初始化隧道机械化施工风险预测模型的超参数。
[0130]
其中，需要初始化的超参数有输入节点数、输出节点数、隐藏层层数、隐藏层节点数、训练迭代次数、批量大小、学习率和动量；
[0131]
其中，输入节点数等于待处理数据中输入变量的数量。根据风险因素评价向量可知，应该分为10个节点，分别对应地下水情况、岩层特性、岩石特性、地应力影响、地下管线情况、与周围建筑物的距离、作业场地、施工操作不规范、施工技术不足和施工管理混乱；
[0132]
需要指出的是，在输入节点的下一个隐藏层应该分为16个节点，分别对应掌子面坍塌、土体坍塌、土体渗漏、突水涌砂、地层地面沉降、周围建筑变形、地下管线被破坏、隧道掘进机卡机、隧道掘进机组装调试失败、托架变形失稳、通风集尘不畅、出渣不连续、掘进路线偏差、支护结构变形、衬砌渗漏和隧道积水。
[0133]
输出节点数等于与每个输入关联的输出的数量，根据预测结果向量可知，应为1个节点，对应的是隧道机械化施工风险；
[0134]
需要指出的是，在输出节点的上一个隐藏层应该分为4个节点，分别对应地质风险、周围环境风险、设备风险和隧道自身风险；
[0135]
隐藏层数：隐藏层的意义就是把输入数据的特征，抽象到另一个维度空间，来展现其更抽象化的特征，这些特征能更好的进行线性划分。层数过小时，能够提取的特征有限，当问题过于复杂时，模型的准确率可能会达不到要求，导致欠拟合。层数越深，拟合函数的能力增强，但是可能会带来过拟合的问题，同时也会增加训练难度，使模型难以收敛；
[0136]
隐含节点数：在隐藏层中使用的神经元数。隐藏层中使用太少的神经元将导致欠拟合；当神经网络具有过多的节点时，训练集中包含的有限信息量不足以训练隐藏层中的所有神经元，就会导致过拟合；
[0137]
批量大小：一次迭代使用的样本量。当批量过小时，训练数据就会非常难收敛；
[0138]
迭代次数：每当训练完一个批量的数据就是一个迭代次数。当迭代次数过大时，会导致过拟合；当迭代次数过小时，会导致欠拟合。
[0139]
学习率：每次参数更新的幅度大小。当学习率过大时，会导致待优化的参数在最小值附近波动，不会收敛；当学习率过小时，会导致待优化的参数收敛缓慢；
[0140]
动量：是依据物理学的势能与动能之间能量转换原理提出来的。当动量越大时，其转换为势能的能量也就越大，就越有可能摆脱局部凹域的束缚，进入全局凹域，进而获得全局最优解；动量主要用在权重更新的时候。
[0141]
s8使用k折交叉验证的方法，将训练集重新划分为新的训练集和验证集；随机初始化模型参数，使用新的训练集数据来训练模型，使用验证集中的数据测试模型的性能；
[0142]
其中，随机初始化模型参数是从[-1,1]的均匀分布中随机抽取样本作为模型的参数；
[0143]
其中，模型的参数有可见层单元i与隐藏层单元j的神经元连接权重w
ij
，可见层单元神经元i的偏置ai，隐藏层单元j的偏置bj；
[0144]
其中，使用绝对平均误差mae和相对平均误差mre作为模型的性能评价指标，定义如下：
[0145][0146][0147]
其中：y
output,i
和y
fact,i
分别表示第i个样本输入的预测值和真实值。mre与mae的值越小，表示隧道机械化施工风险预测模型预测效果越准确。
[0148]
s9使用受限波尔兹曼机rbm无监督正向学习，将风险因素特征量输入，逐层训练，使浅层原始特征获得高层次表达，为了增强模型的泛化能力，在可见层和隐藏层中加入高斯噪声；
[0149]
所述rbm无监督的正向学习过程包括以下步骤：
[0150]
参数初始化：初始化rbm模型参数，即层间的连接权值和各层的偏置，一般从[-1,1]中的均匀分布中随机抽取样本作为模型的参数；
[0151]
可见层和隐藏层间的联合能量函数为：
[0152][0153]
其中vi为可见层中第i个神经元状态；hj为隐藏层中第j个神经元状态；ai和bj分别为可见层中第i个神经元和隐藏层中第j个神经元的偏置；w
ij
为可见层中第i个神经元和隐藏层中第j个神经元之间的权重；θ＝[w
ij
,ai,bj]表式需要通过训练求解的参数空间；c是高斯函数中的标准方差；
[0154]
计算隐藏层单元hj被激活概率：
[0155][0156]
其中：σ()表示使用sigmoid函数作为激活函数；
[0157]
计算可见层单元vi被激活概率：
[0158][0159]
使用cd-1算法(对比散度算法)，计算得到模型的权值和偏置：
[0160][0161][0162][0163]
其中，δw
ij
是权重的变化值；
[0164]
δai可见层中偏置向量的变化值；
[0165]
δbj是隐藏层中偏置向量的变化值。
[0166]
s10使用bp算法(误差反向传播算法)对隧道机械化施工风险预测模型的超参数进行反向微调，使其收敛至全局最优点，优化模型对风险因素的辨识能力，
[0167]
优选的，所述使用bp算法进行反向微调过程包括以下步骤：
[0168]
使用adam算法设计梯度下降过程，其优势在于经过偏置校正后，每一次迭代学习
率都有个确定范围，加速隧道机械化施工风险预测模型的有监督学习；更新规则如下：
[0169][0170]
其中：m
t
和v
t
分别表示第t次迭代参数的一阶矩估计和二阶矩估计；ε是一个用于防止分母为0的极小常量；α表示网络权重更新的步长因子；
[0171]
adam算法是一种自适应动量的随机优化方法，为深度学习中的优化器算法。
[0172]
s11使用改进的粒子群寻优算法调整dbn模型的超参数；
[0173]
其中，使用粒子群寻优算法调整dbn模型的超参数步骤如下：
[0174]
11-1，初始化粒子群；
[0175]
其中，初始化粒子的位置和速度
[0176]
11-2，计算适应度值；
[0177]
其中，计算每个粒子的适应度值，找到本轮粒子群最优的粒子的位置和搜索历史上的最优粒子的位置
[0178]
11-3，更新粒子的速度和位置；
[0179]
其中，更新所有粒子的速度和位置：
[0180][0181][0182]
式中，为粒子速度；为粒子位置；ω表示惯性权重，取值介于[0,1]，一般取ω＝0.9；c1、c2为学习因子；r1、r2为在[0,1]之间的随机数；是第i粒子的最优位置；是全局最优粒子位置；
[0183]
11-4如果训练样本的误分类率满足设定条件或者迭代次数达到预设值，则粒子群pso优化结束，否则跳转到11-2，k＝k+1，重复执行11-3和11-4，直到满足判别条件。
[0184]
其中，在传统粒子群优化算法中，惯性权重ω在迭代过程中是定值，容易导致算法陷入局部最优。为避免迭代初期粒子陷入局部最优，可以在迭代过程中动态调整ω：
[0185][0186]
式中，k为迭代次数；k
max
为算法最大迭代次数；ω
max
为惯性权重的最大值；ω
min
为惯性权重的最小值。
[0187]
s12判断隧道机械化施工风险预测模型是否满足粒子群优化算法寻优条件，如果满足条件，得到性能最优的隧道机械化施工风险预测模型，如果没有满足条件，则使用s11中确定的超参数构建新的隧道机械化施工风险预测模型，重复步骤s8-s11。
[0188]
s13使用s12中得到的隧道机械化施工风险预测模型，输入测试集数据对隧道机械化施工风险进行预测，测试隧道机械化施工风险预测模型的预测性能。
[0189]
s14现场人员根据现场施工情况，按照风险因素评价标准，将风险因素隶属度向量输入到隧道机械化施工风险预测模型中，可以得到隧道机械化施工风险概率。
[0190]
其中，在实际使用中，所述风险因素评价向量为现场人员根据现场施工情况，按照风险因素评价标准得到的。
[0191]
s15考虑到上述风险预测只能用于施工前的风险预测，需要对输入因素做一些改动，使其可以用于施工时的风险预测；
[0192]
改动步骤如下：
[0193]
15-1考虑到地下水情况、岩层特性、岩石特性、地应力影响、地下管线情况和与周围建筑物的距离这7个因素在施工时的重要性，应该将这7个因素作为施工时的风险评价向量；
[0194]
15-2重复步骤s1-s12，重新训练一个用于施工时的隧道机械化施工风险预测模型；
[0195]
15-3，可以将训练好的隧道机械化施工风险预测模型部署到隧道掘进机上，实现及时的隧道机械化施工风险预测。
[0196]
本发明提供了一种深度置信网络的隧道机械化施工风险预测方法，相较于传统的dbn，使用改进的粒子群寻优算法调整dbn模型的超参数，加快了模型训练并且提高了准确性；相较于传统的隧道机械化施工风险预测方法，该方法集数据收集、数据预处理、模型建立、风险预测于一体，能够根据施工前的勘测情况，对隧道机械化施工风险进行预测；为了提高其泛用性，对输入参数进行调整，使其可以部署到隧道掘进机上进行施工时的风险预测；该方法可以为现场工作人员提供施工参考，设计人员可以通过采取相关措施来降低风险，从而采取使施工风险达到最小的施工方案，有利于保障施工人员的生命安全和降低财产损失。
[0197]
以上所述，仅是本技术的几个实施例，并非对本技术做任何形式的限制，虽然本技术以较佳实施例揭示如上，然而并非用以限制本技术，任何熟悉本专业的技术人员，在不脱离本技术技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。

技术特征：
1.一种基于深度置信网络的隧道机械化施工风险预测方法，其特征在于，所述施工风险预测方法包括以下步骤：s1建立隧道机械化施工风险因素评价标准；s2通过风险因素评价标准建立隧道机械化施工风险指标体系；s3收集专家们根据风险因素评价标准建立风险因素评价向量和风险预测结果，其中，每一组风险因素评价向量对应一组风险预测结果；s4对s3收集到的数据进行预处理，包括通过对数据集中的缺失值和异常值进行处理，避免异常数据对模型训练造成错误的影响；s5根据预处理后的数据构建隧道机械化施工风险预测数据库；s6将s5中预测数据库中的数据划分为训练集和测试集，其中，训练集数据用来训练模型和验证模型的性能，测试集用来测试最优隧道机械化施工风险预测模型的预测准确性；s7初始化隧道机械化施工风险预测模型的超参数；s8使用k折交叉验证的方法，将训练集重新划分为新的训练集和验证集，随机初始化模型参数，使用新的训练集数据来训练模型，使用验证集中的数据测试模型的性能；s9使用受限波尔兹曼机rbm无监督正向学习，将所述隧道机械化施工风险因素特征量输入，逐层训练，使浅层原始特征获得高层次表达；s10使用误差反向传播算法对隧道机械化施工风险预测模型的超参数进行反向微调，使其收敛至全局最优点，优化模型对风险因素的辨识能力；s11使用改进的粒子群寻优算法调整隧道机械化施工风险预测模型的超参数；s12判断隧道机械化施工风险预测模型是否满足粒子群优化算法寻优条件，如果满足条件，得到性能最优的隧道机械化施工风险预测模型，如果没有满足条件，则使用s11中确定的超参数构建新的隧道机械化施工风险预测模型，重复步骤s8-s11；s13使用s12中得到的隧道机械化施工风险预测模型，输入测试集数据对隧道机械化施工风险进行预测，测试隧道机械化施工风险预测模型的预测性能；s14现场人员根据现场施工情况，按照风险因素评价标准，将风险因素隶属度向量输入到隧道机械化施工风险预测模型中，得到隧道机械化施工风险概率。2.根据权利要求1所述的一种基于深度置信网络的隧道机械化施工风险预测方法，其特征在于，所述超参数包括输入节点数、输出节点数、隐藏层层数、隐藏层节点数、训练迭代次数、批量大小、学习率和动量；需要初始化的超参数包括输入节点数、输出节点数、隐藏层层数、隐藏层节点数、训练迭代次数、批量大小、学习率和动量。3.根据权利要求1所述的一种基于深度置信网络的隧道机械化施工风险预测方法，其特征在于，所述初始化模型参数包括可见层单元i和隐藏层单元j的神经元连接权重w
ij
、可见层单元神经元i的偏置a
i
和隐藏层单元j的偏置b
j
；其中，使用绝对平均误差mae和相对平均误差mre作为模型的性能评价指标，定义如下：其中，使用绝对平均误差mae和相对平均误差mre作为模型的性能评价指标，定义如下：
其中：y
output,i
和y
fact,i
分别表示第i个样本输入的预测值和真实值；mre与mae的值越小，表示隧道机械化施工风险预测模型预测效果越准确。4.根据权利要求3所述的一种基于深度置信网络的隧道机械化施工风险预测方法，其特征在于，在所述可见层单元所在的可见层和所述隐藏层单元所在的隐藏层中加入高斯噪声。5.根据权利要求4所述的一种基于深度置信网络的隧道机械化施工风险预测方法，其特征在于，s9中所述受限波尔兹曼机rbm无监督的正向学习过程包括以下步骤：参数初始化：初始化rbm模型参数，即层间的连接权值和各层的偏置，从[-1,1]中的均匀分布中随机抽取样本作为rbm模型的参数；可见层和隐藏层间的联合能量函数为：其中，v
i
为可见层中第i个神经元状态；h
j
为隐藏层中第j个神经元状态；a
i
和b
j
分别为可见层中第i个神经元和隐藏层中第j个神经元的偏置；w
ij
为可见层中第i个神经元和隐藏层中第j个神经元之间的权重；θ＝[w
ij
,a
i
,b
j
]表式需要通过训练求解的参数空间；c是高斯函数中的标准方差；计算隐藏层单元h
j
被激活概率：其中：σ()表示使用sigmoid函数作为激活函数；计算可见层单元v
i
被激活概率：使用cd-1算法，计算得到模型的权值和偏置：1算法，计算得到模型的权值和偏置：1算法，计算得到模型的权值和偏置：其中，δw
ij
是权重的变化值；δa
i
可见层中偏置向量的变化值；δb
j
是隐藏层中偏置向量的变化值。6.根据权利要求1所述的一种基于深度置信网络的隧道机械化施工风险预测方法，其特征在于，所述使用误差反向传播算法进行反向微调过程包括以下步骤：使用adam算法设计梯度下降过程，经过偏置校正后，每一次迭代学习率都有个确定范围，加速隧道机械化施工风险预测模型的有监督学习；更新规则如下：
其中：m
t
和v
t
分别表示第t次迭代参数的一阶矩估计和二阶矩估计；ε是一个用于防止分母为0的极小常量；α表示网络权重更新的步长因子。7.根据权利要求1所述的一种基于深度置信网络的隧道机械化施工风险预测方法，其特征在于，s11中所述使用粒子群寻优算法调整隧道机械化施工风险预测模型的超参数步骤如下：11-1初始化粒子群；其中，初始化粒子的位置和速度11-2计算适应度值；其中，计算每个粒子的适应度值，找到本轮粒子群最优的粒子的位置和搜索历史上的最优粒子的位置11-3更新粒子的速度和位置：3更新粒子的速度和位置：式中，为粒子速度；为粒子位置；ω表示惯性权重，取值介于[0,1]，一般取ω＝0.9；c1、c2为学习因子；r1、r2为在[0,1]之间的随机数；是第i粒子的最优位置；是全局最优粒子位置；11-4如果训练样本的误分类率满足设定条件或者迭代次数达到预设值，则粒子群优化结束，否则跳转到11-2，k＝k+1，重复执行11-3和11-4，直到满足判别条件；动态调整在迭代过程中的惯性权重ω：式中，k为迭代次数；k
max
为算法最大迭代次数；ω
max
为惯性权重的最大值；ω
min
为惯性权重的最小值。8.根据权利要求1所述的一种基于深度置信网络的隧道机械化施工风险预测方法，其特征在于，所述预测方法还包括施工时的风险预测的输入因素做改动，对所述输入因素做出的改动步骤如下：15.1将地下水情况、岩层特性、岩石特性、地应力影响、地下管线情况和与周围建筑物
的距离这7个因素作为施工时的风险评价向量；15.2重复s1-s12，重新训练一个用于施工时的隧道机械化施工风险预测模型；15.3将训练好的隧道机械化施工风险预测模型部署到隧道掘进机上，实现及时的隧道机械化施工风险预测。

技术总结
本申请公开了一种基于深度置信网络的隧道机械化施工风险预测方法，包括建立隧道机械化施工风险评价体系、构建隧道机械化施工风险预测数据库、训练集和测试集的划分，然后对训练集进行学习训练和验证，测试集测试隧道机械化施工风险预测模型的性能，同时使用改进的粒子群寻优算法调整DBN模型的超参数，加快了模型训练并且提高了准确性。本发明集数据收集、数据预处理、模型建立、风险预测于一体，能够根据施工前的勘测情况，对隧道机械化施工风险进行预测，设计人员可以通过采取相关措施来降低风险。风险。风险。


技术研发人员：胡洋 宋战平 谢江胜 孙引浩 高永吉 赵亮 田小旭 张玉伟 刘乃飞 郑方
受保护的技术使用者：中铁二十局集团有限公司
技术研发日：2023.06.21
技术公布日：2023/9/14