龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：华中科技大学
申请日：2024-03-08
公开（公告）日：2024-06-21
公开（公告）号：CN118223901A
主分类号：E21D9/087
分类号：E21D9/087;E21F17/00;E21F17/18;G06F30/27;G06Q50/02
优先权：
专利状态码：在审-公开
法律状态：2024.06.21#公开
摘要：本发明属于盾构机安全技术领域，公开了一种基于深度学习的盾尾间隙高精测量和控制方法及系统，基于最小盾尾间隙计算理论，假定衬砌环的拼装处于理想状态；将所推导的任意位置盾尾间隙计算方程作为物理约束嵌入DNN框架，得到PDNN模型；以在线学习方式训练PDNN；选择五个统计指标来进行模型性能评估检验所建立的模型的性能；分析每个输入特征对模型的边际贡献，并确定输入特征的重要性排名；利用非支配排序搜寻MOO问题的帕累托解集；通过计算每个解的拥挤距离，以维持解集的多样性和均匀分布；采用拥挤比较运算符进行两个解的比较，其中秩较低的解和拥挤距离较大的解往往会被选择；重复上述步骤直至最大迭代次数，最终生成帕累托前沿。
主权项：1.一种基于深度学习的盾尾间隙高精测量和控制方法，其特征在于，包括：S1，盾尾间隙计算：基于最小盾尾间隙计算理论，假定衬砌环的拼装处于理想状态，则有六种最小盾尾间隙计算模型；S2，首先将所推导的任意位置盾尾间隙计算方程作为物理约束嵌入DNN框架，得到PDNN模型；然后以在线学习方式训练PDNN，使其能够根据输入的观测流自适应地更新模型超参数，从而实现盾尾间隙的准确估计；S3，选择五个统计指标来进行模型性能评估检验所建立的OnlinePDNN模型的性能；采用ShapleyAdditiveexPlanations方法来分析每个输入特征对模型的边际贡献，并确定输入特征的重要性排名；S4，首先，利用非支配排序搜寻MOO问题的帕累托解集；然后，通过计算每个解的拥挤距离，以维持解集的多样性和均匀分布；最后，采用拥挤比较运算符进行两个解的比较，其中秩较低的解和拥挤距离较大的解往往会被选择；重复上述步骤直至最大迭代次数，最终生成帕累托前沿。
全文数据：
权利要求：
百度查询： 华中科技大学 一种基于深度学习的盾尾间隙高精测量和控制方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号