Multi-construction parameter shield construction attitude prediction based on machine learning

doi:10.13474/j.cnki.11-2246.2021.0030

Abstract

Abstract: This paper proposes a multi-construction parameter shield construction attitude prediction method based on machine learning, analyzes the construction parameters of shield tunneling in complex environment, analyzes the internal relationship between tunneling parameters and shield attitude, and establishes the predicted shield attitude. The prediction model realizes the deviation calculation between the center coordinates of the shield head and the design axis. Combined with a subway construction section, the prediction model is verified.

Key words: shield construction, tunneling parameters, machine learning, shield attitude, prediction model

CLC Number:

P258

XIA Hanyong, YIN Hejun, XU Jiaohuang, WANG Jiawei, HUANG Yi. Multi-construction parameter shield construction attitude prediction based on machine learning[J]. Bulletin of Surveying and Mapping, 2021, 0(1): 157-160,164.

References

[1] 周文波.盾构法隧道施工技术及应用[M].北京:中国建筑工业出版社,2004.
[2] 吕国岭,黄威然,庞红军.盾构自动导向方法的应用研究[J].隧道建设,2005,25(5):11-14.
[3] 潘明华,朱国力.盾构机自动导向系统的测量方法研究[J].施工技术,2005,34(6):34-36.
[4] 王暖堂,盾构隧道施工中的测量技术研究[J].铁道建筑,2002(12):2-5.
[5] 张厚美,古力.盾构姿态参数的测量及计算方法研究[J].现代隧道技术, 2004, 4(2):14-20.
[6] 朱国力,熊建桥,潘明华.隧道掘进施工导向系统的电子激光靶:中国,200410012735[P]. 2004-02-18.
[7] 姜留涛.盾构姿态测量原理的比较研究及精度分析[J].测绘通报, 2016(8):86-88.
[8] 郭沈凡.盾构隧道精密定位导向技术研究[D].南京:河海大学,2005:51-52.
[9] 杨立洪, 白肇强. 基于二次组合的特征工程与XGBoost模型的用户行为预测[J]. 科学技术与工程, 2018,18(14):186-189.
[10] 俞高. 基于XGBoost算法的病例分型系统设计[J]. 中国数字医学, 2018,13(3):69-71.
[11] CHEN T,GUESTRIN C. XGBoost:a scalable tree boosting system[C]//ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.[S.l.]:ACM, 2016.
[12] 周志华.机器学习[M].北京:清华大学出版社, 2016.
[13] 张丽新. 高维数据的特征选择及基于特征选择的集成学习研究[D]. 北京:清华大学, 2004.
[14] 李蝉娟. 高维数据降维处理关键技术研究[D]. 成都:电子科技大学, 2017.
[15] 蒋胜利. 高维数据的特征选择与特征提取研究[D]. 西安:西安电子科技大学,2011.
[16] 黄晓娟,张莉. 改进的多类支持向量机递归特征消除在癌症多分类中的应用[J]. 计算机应用,2015,35(10):2798-2802.
[17] SHIEH M D, YANG C. Multiclass SVM-RFE for product form feature selection[J]. Expert Systems with Applications,2008,35(1):531-541.
[18] 姚登举, 杨静, 詹晓娟. 基于随机森林的特征选择算法[J]. 吉林大学学报(工学版), 2014, 44(1):137-141.
[19] 刘凯,郑山红,蒋权,等. 基于随机森林的自适应特征选择算法[J]. 计算机技术与发展,2018,28(9):101-104.
[20] 赵伟卫. 基于互信息和随机森林的混合特征选算法研究[D]. 西安:西安电子科技大学,2017.