本发明属于隧道施工中的盾构施工，具体涉及一种基于lstm-transformer模型的泥水盾构参数调控方法。
背景技术：
1、泥水盾构技术在城市地铁隧道施工中的重要性与挑战相辅相成。其高效、低影响、高度自动化等优势促进了我国轨道交通建设的迅速发展。采用土压平衡原理，泥水盾构通过对土体的稳定，有效减小了地表沉降风险，为城市地下结构和地表环境提供了可靠的保护。其高度机械化和自动化特征通过现代化控制系统，实现了对施工参数的实时调整，从而提高了施工的精度和效率。
2、然而，实际施工中面临的地质条件复杂多变，对操作参数实时控制提出更高要求。硬件装置的不可更改性意味着在盾构过程中对操作参数的合理设置尤为关键，以避免地表沉降过大等问题，确保施工安全。泥水盾构作为多目标控制过程的关键技术，需要科学的控制策略，平衡掘进效率、安全和施工质量等多个目标，确保施工的全面顺利进行。
3、目前，盾构机的操作主要依赖人工经验，但地质环境的时空变异性使得这种操作方式受到限制，尤其在复杂多变的复合地层条件下。因此，研究智能盾构参数优化决策显得尤为重要，以提供更准确的操作指导，提高施工效率、确保工程安全，推动泥水盾构技术实现更高水平。
4、随着科技的飞速发展，机器学习技术成为解决复杂问题和优化决策的有力工具。在泥水盾构技术领域，引入机器学习算法可以进一步提升其智能化水平。机器学习通过对大量数据的学习和分析，能够识别模式、优化参数，并作出智能决策。
5、首先，机器学习可以应用于地质条件的实时监测与分析。通过对实时地质数据的采集和处理，机器学习算法能够识别不同地质特征，并及时调整盾构机的操作参数。这有助于在复杂多变的地质环境中提高盾构机的适应性，降低施工风险。其次，机器学习可以用于优化盾构机的控制策略。传统的人工经验主要依赖于固定的控制规则，难以应对复杂地层条件的变化。机器学习算法能够基于实时数据进行实时调整，更灵活地适应地质条件的变化，从而提高盾构施工的效率和质量。此外，机器学习还能够为盾构机的预测性维护提供支持。通过对盾构机各个部件的工作状态进行监测和分析，机器学习算法可以预测潜在故障，提前进行维护，降低设备损坏的风险，确保施工的连续性和稳定性。
6、在机器学习的引导下，泥水盾构技术可以更好地适应不断变化的地质环境，实现更加智能、高效、安全的施工。这为城市隧道建设提供了更先进的技术手段，使得泥水盾构在未来的发展中更加可持续，符合城市交通建设的要求。
7、这种技术的发展将对满足城市交通需求、确保隧道施工的高效性和安全性，以及推动泥水盾构技术迈向更高水平都产生深远的影响。在科技不断创新的时代，智能盾构技术的进步将为城市交通建设注入更智能、高效的元素，推动隧道工程行业朝着更为可持续的方向发展。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本发明提供了一种基于数据驱动泥水盾构施工参数优化调控的方法，本发明方法解决了盾构施工中盾构参数的依靠人工确定难以满足动态施工环境的问题。
2、本发明通过以下技术方案实现：
3、一种lstm-transformer模型的泥水盾构参数调控方法，其特征在于，包括下列步骤：
4、s1、基于实际盾构工程获取数据或超大直径泥水平衡盾构数值模拟获取数据；获取盾构掘进过程中的多个盾构参数、泥水参数、土体参数和施工控制目标数值的数据，将所述盾构参数作为输入，所述施工控制目标数值参数作为输出参数，以此构建预测模型并利用采集的数据对该预测模型进行训练，以此获得最终的预测模型；其中，所述施工控制目标数值为掘进速度和地表沉降；
5、s2、设定所述盾构参数-泥水配比-地质参数与沉降关系预测模型是通过lstm-transformer网络建立，可以将前一监测断面的沉降值对后续影响涵盖其中，获得一个具有时序性的记忆网络；
6、s3、设定所述盾构参数中的决策参数并确定其相应的安全控制阈值，并将该安全阈值作为对应的决策参数的约束条件，将所述施工控制目标数值的最优值作为优化目标，利用所述预测模型构建优化模型，利用差分进化de算法求解该优化模型对应的施工控制目标数值的最优解。
7、在步骤s1中，获取数据的方法通过物理仿真模拟获得。
8、在步骤s1中，预测模型选取盾构参数是：总推力、刀盘转速、刀盘扭矩、推进速度；土体参数是：粘聚力、内摩擦角；泥浆参数是：密度、粘度、滤失量、润滑性。
9、在步骤s2中，所采用的预测网络为lstm-transformer网络，前一监测的沉降值对后一预测值产生影响。
10、混合模型可以结合lstm和transformer的优势，利用lstm处理时间序列特性，并用transformer的自注意力机制捕捉长距离依赖。多头自注意力机制是transformer模型中的核心组件。它允许模型在不同的表示子空间中关注输入序列的不同部分，从而更好地捕捉复杂的依赖关系。下面是多头自注意力层的数学原理及公式。
11、输入表示：给定输入表示序列
12、
13、其中t是时间步数，dmodel是每个时间步的特征维度。
14、线性变换：首先，通过线性变换将输入x转换成查询(query)、键(key)和值(value)矩阵：
15、q＝xwq,k＝xwk,v＝xwv
16、其中是可学习的权重矩阵，dk是每个头的维度。
17、计算注意力得分：通过查询矩阵q和键矩阵k的点积计算注意力得分：
18、
19、其中是缩放因子，用来缓解点积值过大导致的梯度消失问题。
20、多头注意力：多头注意力机制将输入分成h个头，每个头单独计算注意力，然后将结果拼接起来，再通过线性变换：
21、multihead(q,k,v)＝concat(head1,head2,head3,…,headh)wo
22、其中，每个头计算方式如下：
23、
24、其中，是每个头独立的权重矩阵，是拼接后的线性变换矩阵。
25、在多头注意力层之后，使用一个简单的前馈神经网络来进一步处理数据，通过dropout层通过在训练过程中随机丢弃(即将某些神经元设置为零)部分神经元及其连接，来提高模型的泛化能力。再通过残差连接和层归一化来稳定训练。最后使用一个时间分布的全连接层来生成预测输出。
26、在步骤s2中，在训练模型前需对数据的输入进行归一化；归一化方法如下式所示：
27、
28、其中，xnew为归一化后的数据，x为原始数据，xmax和xmin分别为原始数据中的最大值和最小值。
29、在步骤s3中，所采用的优化算法为de差分进化算法。
30、在步骤s3中，所需优化的决策变量为盾构参数和泥浆参数；盾构参数包括：总推力、刀盘转速、刀盘扭矩、推进速度；泥浆参数包括：密度、粘度、滤失量、润滑性。
31、在步骤s3中，所优化的目标函数为：
32、fy(x)＝5×v(x)-s(x)
33、其中，x表示决策变量，v(x)表示掘进速度，s(x)表示沉降位移，二者之间的权重比为5:1。
34、在步骤s3中，目标函数的获得有对应决策变量和当前实际土体参数作为输入的lstm-transformer模型输出值结合获得。
35、本发明方法通过对盾构参数-泥水配比-地质参数与沉降关系建模，提供了一种通过lstm-transformer算法建立黑盒模型的方法，解决了盾构施工控制目标值难以预测的问题。
36、本发明方法通过多目标问题求解，提供了一种通过de进化算法求解并通过加权法选取最适宜当前工况的最优解的方法，解决了盾构施工最优操作参数难以选取的问题。
37、相对于现有技术，本发明提出的技术方案具备以下有益效果：
38、首先，本发明基于数据驱动的盾构施工参数多目标优化模型能够自动生成对应工况的最适宜解，从而提高盾构掘进的安全性与效率。这一创新有助于减少操作参数调整时延对盾构掘进的影响，避免了基于经验主观选取造成的不利影响。
39、其次，本发明采用lstm-transformer算法建立了盾构参数-泥水配比-地质参数与地表沉降的目标函数预测模型。通过对实际工程监测数据进行训练与调试，该模型能够准确预测在不同操作参数取值下盾构掘进的控制目标值，为盾构施工决策提供可靠依据。
40、最后，本发明运用de算法解决多目标问题，根据不同工况对目标进行加权处理，并将其转化为相应的目标函数。通过这一方法，最终获得了最佳解，即对应于特定工况的最佳操作参数。这一创新简化了变工况下最优操作参数的选取，减少了对不同工况求解的重复计算。
1.一种基于lstm-transformer模型的泥水盾构参数调控方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的基于lstm-transformer模型的泥水盾构参数调控方法，其特征在于：在步骤s1中，获取数据的方法通过物理仿真模拟获得。
3.根据权利要求2所述的基于lstm-transformer模型的泥水盾构参数调控方法，其特征在于：在步骤s1中，预测模型选取盾构参数是：总推力、刀盘转速、刀盘扭矩、推进速度；土体参数是：粘聚力、内摩擦角；泥浆参数是：密度、粘度、滤失量、润滑性。
4.根据权利要求2所述的基于lstm-transformer模型的泥水盾构参数调控方法，其特征在于：在步骤s2中，所采用的预测网络为lstm-transformer网络，前一监测的沉降值对后一预测值产生影响；
5.根据权利要求2所述的基于lstm-transformer模型的泥水盾构参数调控方法，其特征在于：在步骤s2中，在训练模型前需对数据的输入进行归一化；归一化方法如下式所示：
6.根据权利要求2所述的基于lstm-transformer模型的泥水盾构参数调控方法，其特征在于：在步骤s3中，所采用的优化算法为de差分进化算法。
7.根据权利要求2所述的基于lstm-transformer模型的泥水盾构参数调控方法，其特征在于：在步骤s3中，所需优化的决策变量为盾构参数和泥浆参数；盾构参数包括：总推力、刀盘转速、刀盘扭矩、推进速度；泥浆参数包括：密度、粘度、滤失量、润滑性。
8.根据权利要求2所述的基于lstm-transformer模型的泥水盾构参数调控方法，其特征在于：在步骤s3中，所优化的目标函数为：
9.根据权利要求2所述的基于lstm-transformer模型的泥水盾构参数调控方法，其特征在于：在步骤s3中，目标函数的获得有对应决策变量和当前实际土体参数作为输入的lstm-transformer网络输出值结合获得。
