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！

龙图腾网获悉同济大学;中铁隧道集团二处有限公司申请的专利一种基于混合神经网络的盾构掘进速度智能预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115983333B 。

龙图腾网通过国家知识产权局官网在2025-07-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211339204.9，技术领域涉及：G06N3/045；该发明授权一种基于混合神经网络的盾构掘进速度智能预测方法是由张子新;于思淏;高昆;许维青;黄昕设计研发完成，并于2022-10-28向国家知识产权局提交的专利申请。

本一种基于混合神经网络的盾构掘进速度智能预测方法在说明书摘要公布了：一种基于混合神经网络的盾构掘进速度智能预测方法。首先，通过前期地勘以及连续监测获得盾构推进过程中的重要参数包括刀盘转速RS、刀盘扭矩TOR、总推进力TH、承载力特征值Fa、压缩模量ES、掘进速度AR，将所得参数剔除空推值及异常值，获得可靠的输入大数据，并进行归一化处理。其次，构建Attention‑ResNet‑LSTM混合神经网络模型，并通过训练集和验证集中的数据建立最优模型。使用训练好的最优模型在测试集上对盾构掘进速度进行预测，重复上述步骤直至预测精度符合实际应用需求。该智能预测方法可实时预测盾构掘进速度，辅助相关操作人员匹配最优盾构施工参数，有利于盾构施工的安全高效。

本发明授权一种基于混合神经网络的盾构掘进速度智能预测方法在权利要求书中公布了：1.一种基于混合神经网络的盾构掘进速度智能预测方法，其特征在于，具体包括以下步骤： S1、采集数据： 在盾构掘进过程中，按固定采样频率f实时记录盾构操作参数，同时记录盾构掘进过程中的土质参数； S2、数据预处理： 1空数据检测 2异常值检测 使用马氏距离MahalanobisDistance作为异常值判别的标准；对于一个均值为μ＝μ1,μ2,μ3,μ4,μ5,μ6T，协方差矩阵为S的多变量输入序列x＝x1,x2,x3,x4,x5,x6T，其马氏距离的计算如公式二所示： 公式二： 上式中的x指输入变量刀盘转速RS、刀盘扭矩TOR、总推进力TH、承载力特征值Fa、压缩模量ES及掘进速度AR； 3数据归一化 将数据进行归一化，映射至[0,1]区间； S4、数据集分割： 将预处理之后的数据划分为训练集、验证集和测试集； S5、构建Attention-ResNet-LSTM混合神经网络模型： 归一化后的输入数据被送入ResNet结构进行特征提取，并通过通道注意力机制对ResNet结构提取后的各通道特征图featuremap赋予不同权重，将加权后的特征图featuremap输入LSTM网络，在LSTM结构的最后一层加入时序注意力机制，为不同时刻的隐藏层输出赋予权重值，将加权求和后的时序向量与最后一个时间步的输出拼接，作为注意力机制处理后的最终输出； S6、模型训练和效果评估： 基于上述S5神经网络模型，将选取的各特征过去p个历史时刻的序列数据作为模型输入，输出则是t时刻的掘进速度，输入和输出参数之间的关系为： 公式六：AR|t＝fRS,TH,TOR,Es,Fa,AR|t-1,t-2,…,t-p 其中，函数f即为深度学习模型要拟合的映射关系，p是历史时间序列数据的长度，可由数值实验确定最优取值； 对模型预测效果进行评估，选取平均绝对百分误差MAPE和均方根误差RMSE作为评价指标，两者的结合评估模型的性能，其计算方式如下： 公式八： 公式九： MAPE和RMSE两个指标的值越小，则说明预测值与真实值之间的偏差越小，模型拟合精度越高； 使用训练好的最优模型在测试集上对掘进速度进行预测，若预测精度符合要求，则该模型应用于实际工程中实时预测盾构掘进速度；若模型的预测精度不符合要求，则重新进行上述步骤，直至预测精度满足实际应用需求。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人同济大学;中铁隧道集团二处有限公司，其通讯地址为：200092 上海市杨浦区四平路1239号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。