一种基于大语言模型的盾构智能辅助选型系统及方法

1.一种基于大语言模型的盾构智能辅助选型系统，其特征在于：所述选型系统包括数据输入模块、规则知识库模块、大模型推理模块和结果生成模块；所述数据输入模块用于将工程项目中与盾构选型相关的各类原始参数进行统一采集，并对采集的不同类型原始参数进行格式化与标准化处理，确保不同数据来源的一致性与可解性，为后续知识规则检索和大模型推理提供结构化、可计算的输入数据；所述规则知识库模块用于将传统专家选型经验、标准规范条款与历史工程案例中的决策逻辑，转化为结构化、可检索、可推理的规则集合数据，并输入至大模型推理模块中与大语言模型结合进行辅助推理；所述大模型推理模块为系统的核心智能决策单元，用于将数据输入模块输入的结构化、可计算的输入数据与规则知识库模块输入的规则集合数据进行语义融合，通过大语言模型的推理与生成能力，输出最优盾构选型方案与配置参数；所述结果生成模块用于对大模型推理模块输出的选型建议、推理说明、参数配置信息进行结构化处理与可视化表达，形成标准化的工程文档与数据接口结果，以便于工程设计人员查阅、下载、归档或集成入施工管理系统。 2.根据权利要求1所述的一种基于大语言模型的盾构智能辅助选型系统，其特征在于：所述数据输入模块接受的输入数据依据盾构选型关键影响因素，划分为四大类，具体包括地质参数、设计参数、施工约束和工程背景，所述地质参数包括地层类型、渗透系数、地下水压力、粉粒含量、地层硬度、地层粒径和摩擦系数；所述设计参数包括开挖直径、隧道纵坡、最小曲线半径、埋深、硬质土厚度和线性结构形式；所述施工约束包括地表沉降控制值、推进速度要求、噪声/振动限制等级和作业时间限制；所述工程背景包括项目类型、地域特征、风险等级、实施地点和政策限制/审批依据；上述数据类型包括枚举型、浮点数和整数型三种类型；所述数据输入模块通过对采集的不同类型原始参数进行格式化与标准化处理的过程如下：(1)枚举字段映射，对于文本描述字段的参数，使用预置词库与关键词匹配机制，将其映射为标准工程编码，便于后续规则匹配；(2)数值归一化，对于数值字段的参数，统一以SI单位处理并归一化输入，提升大模型泛化能力，具体如下：其中，x为原始输入值，x′为标准化后的数值，μ、σ分为该参数历史均值与标准差；(3)计算隧道开挖断面面积，为后续推力计算提供面积基础，隧道开挖断面面积计算如下：其中：A为断面面积；D为开挖直径；(4)地质综合分类分数计算，将部分地质条件采用加权积分模型自动归类至高/中/低复杂度区间，计算方式如下：其中：G为总评分；w i 为第i项参数权重；x i 为第i项指标值；所述数据输入模块完成标准化处理后，将生成一个统一的输入向量结构，包括数值张量与语义标签；并传入规则知识库检索模块与满足条件的规则条目匹配，再传入大模型推理模块，生成语义提示与约束条件，供LLM进行推理。 3.根据权利要求1或2所述的一种基于大语言模型的盾构智能辅助选型系统，其特征在于：所述选型系统还包括反馈与模型优化模块，所述反馈与模型优化模块用于用户在实际工程应用过程中对结果生成模块选型结果的评价与修订反馈采集，并通过预设规则与人工审核机制转化为模型优化样本或知识库更新依据，从而实现知识积累—推理优化—性能增强的闭环机制；所述反馈与模型优化模块集成了主动反馈入口、自动评分系统、样本存储结构与奖励函数构建算法，支持强化学习优化与专家共识机制并行运行；所述反馈与模型优化模块构建用户反馈奖励函数，作为强化学习样本的重要评分来源，将用于大语言模型在后续策略训练中的目标函数设计；用户反馈奖励函数的评分值与标签将传递至大模型推理模块，用于指导模型向高质量输出偏移；所述用户反馈奖励函数是利用用户打分构造的强化学习奖励函数，作用于策略优化过程中的目标函数，驱动强化学习奖励模型参数向“高评分样本方向”迁移；所述大模型推理模块引入基于人类反馈的强化学习机制，采用PPO优化策略；所述强化学习机制采用奖励函数形式，大模型推理模块中的奖励函数源自于反馈与模型优化模块中构建的“用户评价指标体系”，并将其形式化为策略优化函数；通过将用户打分标签映射为结构评分因子，构建奖励函数，该函数在PPO训练中作为目标分布的拟合依据，结合旧策略比值进行剪裁优化，以提升模型输出的专业性与实用性；所述强化学习奖励函数如下：R＝α·准确性评分+β·专业术语匹配率+γ·结构完整度其中α，β，γ为加权系数；所述PPO优化的更新目标：其中：r t (θ)为新旧策略比； 为优势函数；∈为裁剪因子，一般取0.2。 4.根据权利要求1或2述的一种基于大语言模型的盾构智能辅助选型系统，其特征在于：所述规则知识库模块在系统中承担着知识表达、规则推理与模型约束三大功能，是实现工程可靠性与模型智能化融合的关键接口；所述规则知识库模块支持“条件→结论”的逻辑表达方式，并提供基于属性匹配的规则检索能力、基于图结构的条件关系建模能力、以及与自然语言输入兼容的语义解析能力；其底层采用“规则表+图数据库+语义增强索引”混合架构实现，作为RAG框架中的检索端，与大语言模型协同工作；所述规则知识库模块支持两种规则更新方式，具体包括人工编辑更新和模型反向推导与抽取；所述规则知识库模块还设有置信度演化机制，若某规则连续被反馈“适用性低”，其权重将自动下降；反之则上调，形成动态可信调节能力；所述规则知识库模块中的规则整体分为以下几类：分类编号R1的盾构类型推荐规则，分类编号R2的刀盘配置规则，分类编号R3的推进系统规则，分类编号R4的注浆与泥浆系统规则，分类编号R5的综合适应性规则；每条规则还包含以下附加元数据：来源、适用等级、可信度、是否为专家共识；每条规则均采用如下结构化形式：其中：R i 为第i条规则；C n 为第n个条件；Conclusion为推理结论；当多个规则存在冲突或竞争时，采用图边权评分函数融合置信度，计算推荐得分，具体计算如下：其中：S j 为方案j的合成评分；α i 为规则权重；r ij 为规则i对方案j的打分值。所述规则知识库模块采用知识图谱技术构建“参数-规则-结论”三元组网络，节点表示参数或结论，边表示逻辑约束关系；当多个参数组合触发不同规则时，系统通过图遍历+置信度融合算法进行综合推理，输出最适结论及其置信度评分；所述规则知识库模块设置有与大语言模型的交互方式；并为大语言模型推理模块提供事实约束与知识依据，具体流程如下：①用户输入结构化参数；②检索匹配知识库中所有满足条件的规则；③构建提示模板示例：④大模型综合参数、规则与案例，生成推荐理由与配置方案。 5.根据权利要求1或2所述的一种基于大语言模型的盾构智能辅助选型系统，其特征在于：所述大模型推理模块基于预训练的大语言模型进行二次优化，所述大语言模型包括DeepSeek、Qwen和Baichuan国产大模型，所述大模型推理模块的核心结构包括以下：Prompt解析与构造单元：用于将输入参数与规则文本组合为自然语言提示，作为模型的输入；所述Prompt解析与构造单元设计了结构化Prompt模板，该结构兼具自然语言与结构化标签双重特点，用于激发大模型的上下文推理能力与专业表达能力；推理生成模型：用于加载经过微调的LLM，执行选型推理、方案生成与文本输出；策略评估与强化学习模块：用于基于领域反馈评价模型输出结果质量，优化模型参数与权重分布；所述大模型推理模块的处理流程为：结构化输入→Prompt拼装→大模型推理→输出盾构方案+解释文本。 6.根据权利要求2所述的一种基于大语言模型的盾构智能辅助选型系统，其特征在于：所述数据输入模块兼具参数接口兼容性与数据语义完整性，能够对接设计单位、勘察单位及施工单位的地质资料系统，实现工程项目中与盾构选型相关的各类原始参数的一键导入或人工录入；所述数据输入模块支持多种输入方式，前端图形界面输入通过选择框、滑动条与数据表单填写工程参数；数据文件导入支持CSV/Excel格式导入勘察单位报告表；API接口接入与BIM平台、盾构施工大平台对接，能够实时调用地质数据服务；接口设计采用RESTful协议，所有参数传输格式统一为JSON结构。所述数据输入模块还设有异常值检测与容错机制，出现渗透系数输入为负值或超过合理范围，则系统自动弹出提示；地质字段为空但指定为“复杂场地”，系统提示需补全详细参数或启用模型自解释功能；若数值缺失，系统可基于已输入字段进行默认推断或调用历史案例补全机制。 7.根据权利要求3所述的一种基于大语言模型的盾构智能辅助选型系统，其特征在于：所述反馈与模型优化模块支持用户反馈输入类型包括显式反馈和隐式反馈；反馈与模型优化模块采集的所有反馈信息被标准化存储为结构化样本数据，用于训练强化学习奖励模型；反馈与模型优化模块每日定时对新增反馈样本进行解析和标签对齐，并加入模型训练样本池；反馈与模型优化模块设有规则知识更新机制，对于高频、重复、优评分反馈中出现的新模式，模块自动分析其逻辑特征，并生成候选规则，候选规则以人工语言结构展示给专家审核，若通过则写入规则知识库，并标记来源；模块形成“规则学习日志”，实现可追溯更新记录；所述反馈与模型优化模块在大模型语言进行微调或奖励优化后，自动保存可追溯版本，并具有版本冻结、版本回滚和版本比较功能；所述反馈与模型优化模块设置安全机制与专家审核保障。 8.根据权利要求3所述的一种基于大语言模型的盾构智能辅助选型系统，其特征在于：所述结果生成模块支持多种输出格式、文档模板、可扩展接口以及与主流CAD/BIM平台的数据互操作，输出内容包括以下五大类信息：推荐盾构类型、关键配置参数、推理过程说明、规则与模型参考和结构化报告数据，并统一以“结构化数据+文本解释+规范引用”的形式呈现；所述结果生成模块还具备图形用户界面功能；所述结果生成模块输出以下标准格式：PDF工程报告、Excel数据表格、JSON结构数据和SCR/CAD图纸数据；当大模型推理模块输出多个候选结果时，结果生成模块对每个推荐的候选结果打出置信度分值，选出置信度最高的推荐结果为最终选型结果，所述置信度分值计算方法如下：其中：C为置信评分；p i 为模型在该判断上的概率；c i 为专家评定的有效性评分。 9.一种基于大语言模型的盾构智能辅助选型方法，其特征在于使用权利要求1至8中所述的基于大语言模型的盾构智能辅助选型系统进行选型，具体包括以下步骤：S1.工程参数采集与标准化处理：通过数据输入模块接收项目工程中与盾构选型相关的各类原始参数，主要包括：地质条件、隧道设计参数、施工约束和工程背景；将上述输入各类原始参数数据通过标准化算法与工程语义词典转换，统一转化为结构化向量输入；S2.规则知识检索与条件约束推理：使用规则知识库模块内置的结构化选型规则知识库，对标准化输入进行多条件匹配与逻辑约束检索，得到一系列候选规则集合；这些规则以“IF-THEN”形式表达工程经验与标准条款，并通过图数据库建模形成参数—条件—结论的逻辑图结构，为大模型推理提供初始约束提示与多路径融合能力；S3.大模型语义理解与选型推理生成：经知识库检索后的条件组合与输入参数共同被构造成语义化提示，输入至经过工程场景微调的大语言模型，执行复杂的多约束下推理生成任务；大语言模型基于LoRA微调参数，结合规则语义、历史案例与强化学习反馈数据，自动生成最适合的盾构类型、关键配置参数及完整推理解释文本；S4.结果生成与可视化输出：大语言模型输出结果由结果生成模块接收，并进行结构化重构、格式转化与多格式导出，输出内容包含推荐类型、参数列表、推理说明、引用规则编号与推荐置信度评分；结果生成模块还支持AutoCAD脚本、施工平台数据集成接口，便于设计单位直接调用与归档；S5.用户反馈驱动的模型持续优化：提供用户反馈机制，支持显式评分与隐式行为采集；所有反馈信息将被存储为结构化训练样本，结合强化学习构建奖励函数进行大模型参数更新；若发现重复高置信度反馈修正，系统自动生成规则候选并进入规则知识库审查流程，构建动态演化的“工程反馈—规则更新—模型强化”学习闭环。 10.根据权利要求9所述的一种基于大语言模型的盾构智能辅助选型方法，其特征在于，S3步骤中针对大语言模型的微调采用以下两种方法：(1)LoRA：在原始模型的注意力层插入低秩矩阵A,BA,BA,B，仅微调AAA和BBB，其计算表达为：ΔW＝A·B，其中rank(A)，rank(B)＜＜dim(W)采用PEFT框架加载LoRA模块；(2)SFT：使用“工程输入—输出选型结果—推理说明”的三元样本集进行监督学习；损失函数为典型的交叉熵损失：其中： 为损失值；P θ 为模型输出概率。