一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法

技术领域

本发明涉及盾构TBM装备运行状态评估方法技术领域，更具体地说，它涉及一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法。

背景技术

在盾构TBM施工中，装备结构的应力、应变状态对运行状态的评估十分重要。采用传统的CAE仿真分析时，由于装备模型复杂，有限元计算耗费较多的计算资源并且计算耗时较长，在输入运行工况载荷后无法在低延时条件下展示装备应力、应变等状态。

为了提高盾构TBM运行状态数字孪生的及时性和准确性，发挥数字孪生技术对盾构运行的指导作用，尤其是解决复杂工况下盾构TBM装备运行评估及施工参数选取问题，提出了一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法。

发明内容

针对现有技术存在的不足，本发明的目的在于提出一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法。

本发明提供了如下技术方案：一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法，包括以下步骤：

S1：建立盾构TBM装备数字化模型；通过三维建模软件构建盾构TBM装备三维模型，采用网格划分工具对盾构TBM装备三维模型进行网格划分，形成盾构TBM装备数字化模型；

S2：施加约束边界条件；根据盾构TBM装备结构特点和载荷传递路径、在盾构TBM装备数字化模型上施加装备运行过程约束边界条件；

S3：建立装备载荷集；分析盾构TBM装备运行过程中多种载荷的组合形式、各载荷的方向及载荷大小的数值范围，形成盾构TBM装备载荷集合；

S4：抽取载荷样本并在模型中施加载荷；从盾构TBM装备载荷集合中对载荷可能的组合、方向及大小进行抽样，形成载荷样本数据集，将抽样形成的载荷样本数据集的每组载荷分别添加至盾构TBM装备数字化模型中，形成具有完整约束边界条件和载荷边界条件的有限元模型；

S5：有限元模型求解；调用CAE求解器，对S4步骤产生的不同约束边界条件或载荷边界条件的有限元模型进行求解；

S6：获取装备结构应力、变形结果等数据，形成数据集；建立专门的数据文件，数据文件中包括约束边界条件、载荷边界条件、应力、应变结果等数据；

S7：机器学习模型训练；将获取的约束边界条件、载荷边界条件等组成的数据集分为训练集和测试集，采用不同的机器学习算法来训练模型，选取预测输入与输出关系准确性较高的机器学习算法模型确定为目标模型；

S8：输出盾构TBM装备运行应力、变形等数据；在通过机器学习获得目标模型的基础上，将装备运行过程中载荷数据、约束边界条件作为输入，载入目标模型中计算输出，获得盾构TBM装备运行状态应力、变形等数据，储存为结果输出文件；

S9：数据孪生模型可视化；将获取的盾构TBM装备运行状态应力、变形等数据进行三维可视化，以便直观获取装备运行中应力、应变状态。

进一步的，步骤S1中，采用盾构TBM装备图纸进行三维模型构建，条件允许时从设备制造商处获取三维模型直接使用；当无法直接从设备制造商处直接获取三维模型文件时，采用三维激光扫描等逆向工程手段获取盾构TBM的装备的零部件或装配体三维模型；对盾构TBM装备三维模型进行有限元网格离散，获得有限元网格模型。

进一步的，步骤S2中，根据数字孪生对象的结构特点分析约束边界条件的种类及约束的位置，并将约束边界条件施加到有限网格模型中。

进一步的，步骤S3中，基于大数据平台和机理等专业知识建立装备盾构TBM装备载荷集合；具体是通过机理知识确定特定载荷的方向或理论值，通过查询大数据平台采集的数据获取同类装备特定载荷的大小范围。

进一步的，步骤S4中，采用正交数组、蒙特卡洛抽样、拉丁方抽样等对载荷可能的组合、方向及大小进行抽样，形成载荷样本数据集，通过编程方法将抽样获得的载荷依次添加至有限元网格模型中。

进一步的，步骤S5中，采用CAE云平台开展运算对有限元模型进行求解。

进一步的，步骤S7中，机器学习模型训练时，确定训练集占据数据集的比例P1，按照比例P1从数据集种随机选取训练集，数据集中其余的数据作为测试集；

将训练集中包含约束边界条件，载荷边界条件数据的部分归为测试集数据输入部分，其余部分数据作为测试集数据输出部分；将测试集数据输入部分和测试集数据输出部分各自分别进行数据归一化，根据数据所处的范围选择映射到[0,1]或[-1,1]区间上，将获取的约束边界条件、载荷边界条件等组成的数据集分为训练集和测试集，采用不同的机器学习算法来训练模型，选取预测输入与输出关系准确性较高的模型确定为目标模型；

选取卷积神经网络、RNN神经网络、BP神经网络算法进行模型训练，并用测试集数据进行验证，最后用实际值同预测值的相对标准偏差来对模型进行评价，选择预测精度高的模型作为最终目标模型。

进一步的，S8步骤中，在步骤S1中获得盾构TBM装备运行状态应力、变形等数据输出，将采集到的盾构TBM运行过程中载荷数据或者同载荷高度关联的数据通过特定运算后转换为载荷数据，通过归一化后输入至目标模型中计算，输出为应力、变形等数据，再结合同类别数据归一化的参数开展反归一化，将输出的数据还原至真实的区间范围，输出盾构TBM运行状态的应力、变形等数据。

进一步的，S9步骤中，将获取的盾构TBM运行状态应力、变形等数据通过ParaView开源程序或编程实现结果可视化。

综上所述，本发明具有以下有益效果：通过CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法，建立起载荷数据与应力、应变等状态数据的非线性映射关系，从而在采集到载荷数据或与载荷数据相关性强的其他数据后，能够快速实现对应力、应变等状态的预测，省掉了耗时长的有限元计算仿真流程，极大提高了计算效率，使计算准确率在满足工程需求前提下，能够快速展示应力、应变等状态，以指导盾构TBM施工的开展，充分发掘数据对工程的价值；能够提高盾构TBM运行状态数字孪生的及时性和准确性，尤其是解决复杂工况下盾构TBM装备运行评估及施工参数选取问题，对于提高盾构TBM装备运行过程中结构受力状态评估水平具有重要意义，充分发挥数据对施工生产活动的引导性作用，提高盾构施工科学化水平和精细化程度。

附图说明

图1是本发明的一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法的具体实施例1的流程图。

具体实施方式

下面结合附图对本发明进行详细描述。

本发明的一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法的具体实施例1：

如图1所示，一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法包含以下步骤：

S1：建立盾构TBM装备数字化模型；通过三维建模软件构建盾构TBM装备三维模型，采用网格划分工具对盾构TBM装备三维模型进行网格划分，形成盾构TBM装备数字化模型；

具体的，采用盾构TBM装备图纸进行三维模型构建，条件允许时从设备制造商处获取三维模型直接使用；当无法直接从设备制造商处直接获取三维模型文件时，采用三维激光扫描等逆向工程手段获取盾构TBM的装备的零部件或装配体三维模型；对盾构TBM装备三维模型进行有限元网格离散，获得有限元网格模型。

S2：施加约束边界条件；根据盾构TBM装备结构特点和载荷传递路径、在盾构TBM装备数字化模型上施加装备运行过程约束边界条件；

具体的，根据数字孪生对象的结构特点分析约束边界条件的种类及约束的位置，并将约束边界条件施加到有限网格模型中。

S3：建立装备载荷集；分析盾构TBM装备运行过程中多种载荷的组合形式、各载荷的方向及载荷大小的数值范围，形成盾构TBM装备载荷集合；

具体的，基于大数据平台和机理等专业知识建立装备盾构TBM装备载荷集合；具体是通过机理知识确定特定载荷的方向或理论值范围，通过查询大数据平台采集的数据获取同类装备特定载荷的大小范围。

S4：抽取载荷样本并在模型中施加载荷；从盾构TBM装备载荷集合中对载荷可能的组合、方向及大小进行抽样，形成载荷样本数据集，将抽样形成的载荷样本数据集的每组载荷分别添加至盾构TBM装备数字化模型中，形成具有完整约束边界条件和载荷边界条件的有限元模型；

具体的，采用正交数组、蒙特卡洛抽样、拉丁方抽样等对载荷可能的组合、方向及大小进行抽样，形成载荷样本数据集，通过编程方法将抽样获得的载荷依次添加至有限元网格模型中。

S5：有限元模型求解；调用CAE求解器，对S4步骤产生的不同约束边界条件或载荷边界条件的有限元模型进行求解(具体为输入约束边界条件和载荷边界条件后为完整的有限元模型，开始有限元模型求解、后面步骤中存储数据，再输入下次的输入约束边界条件和载荷边界条件，依次循环开展)；优先采用CAE云平台开展运算求解有限元模型，以发挥CAE云平台的算力和存储优势。

S6：获取装备结构应力、变形结果等数据，形成数据集；建立专门的数据文件，数据文件中包括约束边界条件、载荷边界条件、应力、应变结果等数据。

S7：机器学习模型训练；将获取的约束边界条件、载荷边界条件等组成的数据集分为训练集和测试集，采用不同的机器学习算法来训练模型，选取预测输入与输出关系准确性较高的机器学习算法模型确定为目标模型；

具体的，机器学习模型训练时，确定训练集占据数据集的比例P1，按照比例P1从数据集种随机选取训练集，数据集中其余的数据作为测试集；

将训练集中包含约束边界条件，载荷边界条件数据的部分归为测试集数据输入部分，其余部分数据作为测试集数据输出部分；将测试集数据输入部分和测试集数据输出部分各自分别进行数据归一化，根据数据所处的范围选择映射到[0,1]或[-1,1]区间上，将获取的约束边界条件、载荷边界条件等组成的数据集分为训练集和测试集，采用不同的机器学习算法来训练模型，选取预测输入与输出关系准确性较高的模型确定为目标模型；

选取卷积神经网络、RNN神经网络、BP神经网络算法进行模型训练，并用测试集数据进行验证，最后用实际值同预测值的相对标准偏差来对模型进行评价，选择预测精度高的模型作为最终目标模型。

S8：输出盾构TBM装备运行应力、变形等数据；在通过机器学习获得目标模型的基础上，将装备运行过程中载荷数据、约束边界条件作为输入，载入目标模型中计算输出，获得盾构TBM装备运行状态应力、变形等数据，储存为结果输出文件；

具体的，S8步骤中，在步骤S1中获得盾构TBM装备运行状态应力、变形等数据输出，将采集到的盾构TBM运行过程中载荷数据或者同载荷高度关联的数据通过特定运算后转换为载荷数据，通过归一化后输入至目标模型中计算，输出为应力、变形等数据(此时数据为归一化前的应力、变形等数据)，再结合同类别数据归一化的参数开展反归一化，将输出的数据还原至真实的区间范围，输出盾构TBM运行状态的应力、变形等数据。

S9：数据孪生模型可视化；将获取的盾构TBM装备运行状态应力、变形等数据进行三维可视化，以便直观获取装备运行中应力、应变状态；

具体的，将获取的盾构TBM运行状态应力、变形等数据通过ParaView开源程序或编程实现结果可视化。

本发明提供的一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法：首先建立盾构TBM装备的数字化模型，施加盾构TBM装备运行状态分析的边界条件，获取其运行状态载荷的组合方式、载荷的方向及载荷大小的区间，之后采用抽样的方式获取若干组工况载荷建立对应的CAE分析模型，将若干组CAE分析模型依次载入CAE求解器中求解，获取盾构TBM装备对应的应力、变形输出数据，建立包含载荷、应力、应变等参数的数据集，从数据集中选取部分包含载荷、应力、应变的数据作为训练集，采取机器学习的方法进行模型训练，将盾构TBM装备实际运行过程中的载荷数据或若干机理融合数据作为载荷输入，通过已训练的模型计算并输出装备结构应力、变形等数据，最后将装备运行状态的应力、变形等数据可视化，实现对盾构TBM装备运行过程的数字孪生。以上过程解决了现有技术存在的盾构TBM装备运行过程中数字孪生对算力资源需求大、延时大的技术问题，提高了对装备运行过程中应力、变形等力学状态的即时反馈能力，对盾构TBM现场施工活动具有一定指导意义。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。