CN110990938B - 一种掌子面在掘岩体状态软测量方法 - Google Patents
一种掌子面在掘岩体状态软测量方法 Download PDFInfo
- Publication number
- CN110990938B CN110990938B CN201911384893.3A CN201911384893A CN110990938B CN 110990938 B CN110990938 B CN 110990938B CN 201911384893 A CN201911384893 A CN 201911384893A CN 110990938 B CN110990938 B CN 110990938B
- Authority
- CN
- China
- Prior art keywords
- rock mass
- tunnel face
- parameters
- state
- soft measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000011435 rock Substances 0.000 title claims abstract description 213
- 238000000691 measurement method Methods 0.000 title claims abstract description 20
- 230000005641 tunneling Effects 0.000 claims abstract description 97
- 238000005259 measurement Methods 0.000 claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012417 linear regression Methods 0.000 claims description 14
- 238000009412 basement excavation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 230000035515 penetration Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000000034 method Methods 0.000 description 9
- 108010074864 Factor XI Proteins 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012627 multivariate algorithm Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种掌子面在掘岩体状态软测量方法,包括如下步骤:提取岩机参数历史数据;对岩机参数历史数据进行预处理,获取掘进参数矩阵与掌子面岩体状态参数矩阵;对掌子面岩体状态参数与掘进参数进行关联分析,筛选强相关性的掘进参数;利用分步回归、BP神经网络和支持向量回归分别建立对应的掌子面岩体状态软测量模型,基于改进D‑S证据理论对三种掌子面岩体状态软测量模型所预测的岩体状态参数初始估计值进行决策级融合,获得更新的岩体状态软测量模型;采集新的掘进参数,通过预处理获取新的掘进参数矩阵,将其代入更新的岩体状态软测量模型,预测当前地质条件下的岩体节理与单轴抗压强度建议值。本发明测量精度高、实时性与鲁棒性强。
Description
技术领域
本发明属于隧道工程TBM施工技术领域,具体涉及一种掌子面在掘岩体状态软测量方法。
背景技术
在TBM施工过程中,岩体节理和单轴抗压强度是表征掌子面在掘岩体完整性及强度特征的关键变量,但上述岩体状态参数只能在TBM停机、维修期间通过人工现场素描、取样并进行室内试验得到,获取手段较为落后,无法实现岩体状态信息获知预先性、实时性,致使TBM遭遇地层变化或复杂地质条件时难以做出掘进方案和控制参数的及时调整,容易造成TBM掘进效率低、经济严重浪费,重则造成TBM卡机、损坏、报废甚至人员伤亡的重大事故。另一方面,TBM掘进参数可通过布置相关传感器实现在线测量,且刀盘转速、推进速度、总推力、刀盘扭矩、刀盘贯入度等TBM掘进参数与掌子面岩体状态参数之间存在密不可分的关系,因此可作为表征前方岩体条件的重要辅助变量。
为了充分融合TBM掘进参数在线测量的优势,岩体状态软测量方法被提出,并将之应用于可测易测辅助变量与难以直接测量的关键变量之间的映射关系建模中,从而实时感知掌子面的在掘岩体状态。现有岩体状态软测量方法主要分为线性回归和人工智能模型,线性回归模型具有可解释性强、应用简单方便的优点,但由于影响因素之多、建模过程复杂等原因导致模型建立需要研究人员具有很强的专业性。其次,人工智能模型具有强大的非线性表示能力,但它容易受样本容量大小和数据质量的影响。总而言之,基于现有线性回归或者人工智能的岩体状态软测量模型都存在一定的不足之处,因而开发一款强实时性和鲁棒性的岩体状态软测量方法对于解决岩体状态参数“测不准、测不快问题”具有很强的现实意义。
发明内容
针对的现有的岩体状态软测量模型存在的建模过程复杂、易受样本容量大小的影响等问题,本发明提出了一种掌子面在掘岩体状态软测量方法,解决了现有的岩体状态参数“测不准、测不快”的问题。
为解决以上技术问题,本发明所采用的技术方案如下:
一种掌子面在掘岩体状态软测量方法,包括如下步骤:
S1,通过TBM大数据监测平台提取反映掌子面岩体状态的岩机参数历史数据;
S2,对获取的岩机参数历史数据进行预处理,获取TBM掘进参数矩阵A与掌子面岩体状态参数矩阵Y;
S3,根据TBM掘进参数矩阵A与掌子面岩体状态参数矩阵Y,对掌子面岩体状态参数与TBM掘进参数进行关联分析,筛选强相关性的TBM掘进参数;
S4,基于分步回归、BP神经网络和支持向量回归分别对筛选后的TBM掘进参数及掌子面岩体状态参数建立对应的三种掌子面岩体状态软测量模型,再基于改进D-S证据理论将三种掌子面岩体状态软测量模型所预测的岩体状态参数初始估计值进行决策级融合,进而获得更新后的掌子面岩体状态软测量模型;
S5,在线采集新的TBM掘进参数,并按照步骤S2获取新的TBM掘进参数矩阵,将新的TBM掘进参数矩阵代入更新后的掌子面岩体状态软测量模型,通过更新后的掌子面岩体状态软测量模型预测当前地质条件下的岩体节理与单轴抗压强度建议值。
在步骤S1中,所述岩机参数包括TBM掘进参数和掌子面岩体状态参数,所述TBM掘进参数包括刀盘扭矩T、总推力F、刀盘转速n、推进速度v、刀盘贯入度p、刀盘功率P和主机皮带机泵电机电流I;所述掌子面岩体状态参数包括岩体节理Jv和单轴抗压强度UCS。
在步骤S2中,所述岩机参数预处理包括如下步骤:
S2.1将获取的TBM掘进参数划分为上升段、稳定段及停机段,剔除停机段数据;
S2.2对剔除停机段后的TBM掘进参数进行标准化;
S2.3提取TBM掘进参数矩阵与掌子面岩体状态参数矩阵。
在步骤S3中,所述掌子面岩体状态参数与TBM掘进参数关联分析包括如下步骤:
S3.1根据预处理后的岩机参数,求解掌子面岩体状态参数与TBM掘进参数之间的相关系数Cor,相关系数Cor的计算公式为:
式中,z、u分别表示TBM掘进参数矩阵A中两个不同的TBM掘进参数;i表示第i个TBM掘进参数样本;
S3.2按照相关系数越大、关联性越强的准则,筛选相关系数Cor>0.7的TBM掘进参数,从而筛选出强相关性的TBM掘进参数矩阵A′=[n′,T′,p′,Fn′]。
在步骤S4中,所述基于分步回归的掌子面岩体状态软测量模型为:
Ypre1=A′*B;
式中,B表示线性回归系数向量,Ypre1表示基于分步回归的岩体状态参数初始估计值;
所述基于BP神经网络的掌子面岩体状态软测量模型为:
式中,δt表示隐含层至输出层的偏置,αst表示隐含层至输出层的权重,Hs表示隐含层输出矩阵,l2表示隐含层的节点个数,s表示第s个隐含层节点,Ypre2表示基于BP神经网络的岩体状态参数初始估计值;
所述基于支持向量回归的掌子面岩体状态软测量模型为:
式中,b表示隐含层至输出层的偏置,w表示隐含层至输出层的权重,k(·)表示核映射函数,N表示TBM掘进参数样本总数量,Ypre3表示基于支持向量回归的岩体状态参数初始估计值。
所述基于改进D-S证据理论将三种掌子面岩体状态软测量模型所预测的岩体状态参数初始估计值进行决策级融合包括如下步骤:
①将通过D-S融合函数映射所得三种掌子面岩体状态软测量模型的权重系数定义为基本概率值,即BPA值;
②根据分步回归所预测的岩体状态参数初始估计值及误差、BP神经网络所预测的岩体状态参数初始估计值及误差、支持向量回归所预测的岩体状态参数初始估计值及误差初始估计BPA;
③采用可信度因子对BPA值进行修正,根据Dempster合成规则对修正后BPA值进行合成并更新BPA值;
④根据更新后的BPA值,分别将基于线性回归、BP神经网络和支持向量回归所预测的岩体状态参数初始估计值进行融合,以获得最优岩体状态参数估计。
所述BPA值即为m(C),所述m(C)表示通过D-S融合函数m(·)映射所得各掌子面岩体状态软测量模型的权重系数,且m(C)满足如下规则:
式中,C表示掌子面岩体状态软测量模型,可取值为C1,C2,C3,C1,C2,C3分别表示基于线性回归、BP神经网络、支持向量回归的掌子面岩体状态软测量模型,Θ表示模型全集空间,且Θ={C1,C2,C3},m(·)表示D-S证据理论的融合函数。
所述BPA值初始估计包括如下步骤:
⑴从掌子面岩体状态参数矩阵Y及强相关性的TBM掘进参数矩阵A′中随机抽取N组岩体状态参数及TBM掘进参数数据作为证据集;
⑵在第i个证据集上,根据分步回归所预测的岩体状态参数初始估计值及误差Ei1、BP神经网络所预测的岩体状态参数初始估计值及误差Ei2、支持向量回归所预测的岩体状态参数初始估计值及误差Ei3来初始估计BPA。
BPA值初始估计的计算公式为:
式中,wi1、wi2、wi3分别表示基于分步回归、BP神经网络及支持向量回归的岩体状态软测量模型的第i个证据集初始权重,mi(C1)=wi1,mi(C2)=wi2,mi(C3)=wi3。
本发明的有益效果:
本发明充分融合TBM掘进参数在线测量的优势,通过对可测易测辅助变量(如刀盘转速、推进速度、总推力、刀盘扭矩、刀盘贯入度等TBM掘进参数)与难以直接测量的关键变量(岩体节理、单轴抗压强度等掌子面岩体状态参数)之间的映射关系建模,实时感知掌子面的在掘岩体状态;另一方面,本发明所提出的岩体状态软测量方法可改善现有线性回归与人工智能模型在岩体状态参数预测时的精度低、鲁棒性差等缺陷,从而为TBM司机提供合适的掘进方案和控制参数调整建议。
本发明实施方法简单、测量精度高、实时性与鲁棒性强,且不干扰TBM正常掘进,改善了掌子面岩体状态的测量手段,提高了TBM的掘进效率、安全性较高、经济性较强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种掌子面在掘岩体状态软测量方法,如图1所示,包括如下步骤:
S1,岩机参数历史数据获取:通过TBM大数据监测平台提取反映掌子面岩体状态的岩机参数历史数据库;
所述岩机参数包括TBM掘进参数和掌子面岩体状态参数,TBM掘进参数包括刀盘扭矩T、总推力F、刀盘转速n、推进速度v、刀盘贯入度p、刀盘功率P、主机皮带机泵电机电流I;掌子面岩体状态参数包括岩体节理Jv和单轴抗压强度UCS。
S2,岩机参数预处理:对获取的岩机参数历史数据进行预处理,获取TBM掘进参数矩阵与掌子面岩体状态参数矩阵;
所述岩机参数预处理包括如下步骤:
S2.1将所获取的TBM掘进参数划分为上升段、稳定段及停机段数据,剔除停机段数据及异常数据;
S2.2按照如下公式对TBM掘进数据进行标准化,将各个掘进参数进行缩放;
式中,n′,T′,F′,……,p′,Fn′分别表示标准化后的刀盘转速、刀盘扭矩、总推力、……、刀盘贯入度和单刀正应力,M表示刀盘上的滚刀数量,f表示TBM掘进时所受摩擦阻力,可根据经验估算得到;标准化的TBM掘进数据亦可由TBM掘进数据除以设备所对应的TBM掘进参数出厂值得到;
S2.3根据标准化后的岩机参数历史数据,提取TBM掘进参数矩阵A与掌子面岩体状态参数矩阵Y,A=[n′,T′,F′,……,p′,Fn′],Y=[Jv,UCS]。
S3,岩机参数关联分析:根据预处理后的岩机状态参数,对掌子面岩体状态参数与TBM掘进参数进行关联分析,筛选强相关性的TBM掘进参数矩阵;
所述岩机参数关联分析包括如下步骤:
S3.1根据预处理后的岩机参数,按照如下公式求解掌子面岩体状态参数与TBM掘进参数之间的相关系数Cor;
式中,z、u分别表示TBM掘进参数矩阵A中两个不同的TBM掘进参数;i表示第i个TBM掘进参数样本;
S3.2按照相关系数越大、关联性越强的准则,筛选相关系数Cor>0.7的TBM掘进参数,从而筛选出强相关性的TBM掘进参数矩阵A′=[n′,T′,p′,Fn′];
S4,岩体状态软测量模型构建:利用分步回归、BP神经网络、支持向量回归分别对筛选后TBM掘进参数矩阵A′及掌子面岩体状态参数矩阵Y构建对应的岩体状态软测量模型,之后再利用基于改进D-S证据理论的多元算法融合对分步回归、BP神经网络和支持向量回归所估计的岩体状态参数初始值进行决策级融合,以获得构建岩体状态软测量模型并实现对岩体节理Jv、单轴抗压强度UCS的最优估计;
S4.1基于分步回归的岩体状态参数初始值Ypre1预测;
Ypre1=A′*B;
式中,N表示TBM掘进参数样本总数量,i表示第i个TBM掘进参数样本,B表示线性回归系数向量;
S4.2基于BP神经网络的岩体状态参数初始值Ypre2预测;
S4.2.1网络初始化:设置BP神经网络输入层的节点数目为l1,隐含层的节点个数为l2,输出层的节点个数为l3;输入层到隐含层的权重αrs,隐含层至输出层的权重αst,输入层至隐含层的偏置为γs,隐含层至输出层的偏置为δt;学习速率为η,激励函数为g(x);激励函数g(x)选取Sigmoid函数,将强相关性的TBM掘进参数矩阵A′作为输入层参数代入激励函数g(x)得到公式为:
S4.2.2隐含层输出计算:根据强相关性TBM掘进参数矩阵A′、输入层至隐含层的权重αrs及偏置γs,求解隐含层输出矩阵Hs的公式如下:
式中,A′r表示第r个输入层节点所对应的强相关性TBM掘进参数矩阵,γs表示第s个隐含层节点所对应的输入层至隐含层的偏置;
S4.2.3输出层输出计算:根据隐含层输出矩阵Hs、隐含层至输出层的权重αst及偏置δt,输出层所输出的基于BP神经网络的岩体状态参数初始估计Ypre2为:
S4.3基于支持向量回归的岩体状态参数初始值Ypre3预测;
S4.3.1支持向量参数初始化:设置支持向量模型隐含层至输出层的偏置b、隐含层至输出层的权重w、模型超参数-惩罚因子γ及核映射函数k(·),将强相关性的TBM掘进参数矩阵A′映射到高维空间,其中γ满足γ>0;
S4.3.2目标函数J(w,ξ)计算;
式中,ξ表示支持向量回归模型所预测的岩体状态参数误差;
S4.3.3基于支持向量回归的岩体状态参数初始值Ypre3预估;
S4.4基于改进D-S证据理论,将基于分步回归的岩体状态参数初始值Ypre1、基于BP神经网络的岩体状态参数初始值Ypre2、基于支持向量回归的岩体状态参数初始值Ypre3进行多元算法融合,以预测最优岩体状态参数预测值Ypre;
①基本概率值定义(Basic Probability Assignment,BPA);
定义基于线性回归、BP神经网络、支持向量回归的掌子面岩体状态软测量模型分别为C1,C2,C3,Θ表示模型全集空间,且Θ={C1,C2,C3},m(·)表示D-S证据理论的融合函数,m(C)表示经融合函数m(·)映射所得的各掌子面岩体状态软测量模型的权重系数,也称之为基本概率值,且满足如下规则:
式中,C表示掌子面岩体状态软测量模型,可取值为C1,C2,C3。
②BPA值初始估计;
⑴从掌子面岩体状态参数矩阵Y及强相关性的TBM掘进参数矩阵A′中随机抽取N组岩体状态参数及TBM掘进参数数据作为证据集;
⑵在第i个证据集上,根据分步回归所预测岩体状态参数初始估计值及误差Ei1、BP神经网络所预测岩体状态参数初始估计值及误差Ei2、支持向量回归所预测岩体状态参数初始估计值及误差Ei3来初始估计BPA,并对预测误差小的岩体状态软测量模型赋予较大的权重,对预测误差大的岩体状态软测量模型赋予较小的权重。
BPA初始估计的实施过程具体阐述如下:
融合结果的误差均值Ei和方差D(Ei)的计算公式分别为:
Ei=wi1Ei1+wi2Ei2+wi3Ei3;
对于不同掌子面岩体状态软测量模型的预测误差,假设它们之间是相互独立的,即:
为使预测结果的误差方差D(Ei)最小,对D(Ei)求偏导,令
当满足wi1+wi2+wi3=1时,可得到如下结果:
式中,wi1、wi2、wi3可作为第i个证据集的BPA,即mi(C1)=wi1,mi(C2)=wi2,mi(C3)=wi3。
③BPA值更新;
合成规则是D-S证据理论的关键,传统D-S证据理论在合成高冲突证据源时,会产生Zaldeh悖论。为解决上述问题,本实施例引入可信度因子ξ以衡量证据源的可靠性,并根据可信度因子ξ对证据源进行修正,以降低不同证据源之间的冲突,具体方法如下:
首先定义不同掌子面岩体状态软测量模型第i个证据集的BPA值与剩余证据集的BPA值之间的距离ui:
式中,N表示证据集的数量,即TBM掘进参数的样本总数量;Ca表示第a个岩体状态软测量模型;
距离ui的大小反映了不同掌子面岩体状态软测量模型第i个证据集的BPA值与剩余证据集的BPA值的一致程度;若ui越小,则一致性越高,可信度因子ξi越高;反之,则可信度因子ξi越低。
根据Dempster合成规则对不同证据集上的修正后BPA进行合成,以获取不同掌子面岩体状态软测量模型的最优权重,作为改进D-S证据理论对线性回归、BP神经网络、支持向量回归进行决策融合的权重系数;
Dempster合成规则为:
④最优岩体状态参数估计;
根据改进D-S证据理论融合后的权重系数,分别对线性回归、BP神经网络、支持向量回归所预测的岩体状态参数初始值进行融合,以获取最优岩体状态参数预测值Ypre,即掌子面岩体状态软测量模型的公式为:
S5,岩体状态参数在线预测:在线采集新的TBM掘进参数,并按照步骤S2获取新的TBM掘进参数矩阵,代入至已建立的掌子面岩体状态软测量模型,从而预测当前地质条件下岩体节理Jv与单轴抗压强度UCS建议值。
S6,掌子面岩体状态软测量模型评估与验证:在获取分步回归所预测岩体状态参数初始估计值Ypre1、BP神经网络所预测岩体状态参数初始估计值Ypre2、支持向量回归所预测岩体状态参数初始估计值Ypre3及改进D-S证据理论所预测岩体状态参数最优值Ypre后,本实施例引入皮尔森相关系数(Pearson Correlation Coefficient,PCC)、均方根误差(RootMean Square Error,RMSE)及准确度(Accuracy)三个评价指标来量化不同方法所对应的岩体状态软测量模型的预测误差,具体如下:
式中,y代表岩体状态参数实测值,代表利用岩体状态软测量模型所预测的岩体状态参数估计值。通常来讲,PCC、Accuracy值越大,掌子面岩体状态软测量模型效果越好,而对于RMSE指标,它的值越小,则掌子面岩体状态软测量模型的预测精度越高。
从预测精度、拟合效果来看,基于改进D-S证据理论的掌子面岩体状态软测量模型可实现对不同模型的预测结果进行决策级融合,预测精度更高、鲁棒性更强。
根据本发明可实时感知掌子面岩体条件,并根据掌子面岩体状态软测量模型预测的建议值,给TBM司机反馈当前地质信息,便于TBM司机在TBM遭遇地层变化或复杂地质条件时及时做出掘进方案和控制参数调整,从而提高掘进效率、减少经济损失、避免重大事故发生。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种掌子面在掘岩体状态软测量方法,其特征在于,包括如下步骤:
S1,通过TBM大数据监测平台提取反映掌子面岩体状态的岩机参数历史数据;
S2,对获取的岩机参数历史数据进行预处理,获取TBM掘进参数矩阵A与掌子面岩体状态参数矩阵Y;
S3,根据TBM掘进参数矩阵A与掌子面岩体状态参数矩阵Y,对掌子面岩体状态参数与TBM掘进参数进行关联分析,筛选强相关性的TBM掘进参数;
所述掌子面岩体状态参数与TBM掘进参数关联分析包括如下步骤:
S3.1根据预处理后的岩机参数,求解掌子面岩体状态参数与TBM掘进参数之间的相关系数Cor,相关系数Cor的计算公式为:
式中,z、u分别表示TBM掘进参数矩阵A中两个不同的TBM掘进参数;i表示第i个TBM掘进参数样本;
S3.2按照相关系数越大、关联性越强的准则,筛选相关系数Cor>0.7的TBM掘进参数,从而筛选出强相关性的TBM掘进参数矩阵A′=[n′,T′,p′,Fn′];
S4,基于分步回归、BP神经网络和支持向量回归分别对筛选后的TBM掘进参数及掌子面岩体状态参数建立对应的三种掌子面岩体状态软测量模型,再基于改进D-S证据理论对三种掌子面岩体状态软测量模型所预测的岩体状态参数初始估计值进行决策级融合,进而获得更新后的掌子面岩体状态软测量模型;
S5,在线采集新的TBM掘进参数,并按照步骤S2获取新的TBM掘进参数矩阵,将新的TBM掘进参数矩阵代入更新后的掌子面岩体状态软测量模型,通过更新后的掌子面岩体状态软测量模型预测当前地质条件下的岩体节理与单轴抗压强度建议值。
2.根据权利要求1所述的掌子面在掘岩体状态软测量方法,其特征在于,在步骤S1中,所述岩机参数包括TBM掘进参数和掌子面岩体状态参数,所述TBM掘进参数包括刀盘扭矩T、总推力F、刀盘转速n、推进速度v、刀盘贯入度p、刀盘功率P和主机皮带机泵电机电流I;所述掌子面岩体状态参数包括岩体节理Jv和单轴抗压强度UCS。
3.根据权利要求2所述的掌子面在掘岩体状态软测量方法,其特征在于,在步骤S2中,所述岩机参数预处理包括如下步骤:
S2.1将获取的TBM掘进参数划分为上升段、稳定段及停机段,剔除停机段数据;
S2.2对剔除停机段后的TBM掘进参数进行标准化;
S2.3提取TBM掘进参数矩阵与掌子面岩体状态参数矩阵。
4.根据权利要求1或3所述的掌子面在掘岩体状态软测量方法,其特征在于,在步骤S4中,所述基于分步回归的掌子面岩体状态软测量模型为:
Ypre1=A′*B;
式中,B表示线性回归系数向量,Ypre1表示基于分步回归的岩体状态参数初始估计值;
所述基于BP神经网络的掌子面岩体状态软测量模型为:
式中,δt表示隐含层至输出层的偏置,αst表示隐含层至输出层的权重,Hs表示隐含层输出矩阵,l2表示隐含层的节点个数,s表示第s个隐含层节点,Ypre2表示基于BP神经网络的岩体状态参数初始估计值;
所述基于支持向量回归的掌子面岩体状态软测量模型为:
式中,b表示隐含层至输出层的偏置,w表示隐含层至输出层的权重,k(·)表示核映射函数,N表示TBM掘进参数样本总数量,Ypre3表示基于支持向量回归的岩体状态参数初始估计值。
5.根据权利要求4所述的掌子面在掘岩体状态软测量方法,其特征在于,所述基于改进D-S证据理论将三种掌子面岩体状态软测量模型所预测的岩体状态参数初始估计值进行决策级融合包括如下步骤:
①将通过D-S融合函数映射所得三种掌子面岩体状态软测量模型的权重系数定义为基本概率值,即BPA值;
②根据分步回归所预测的岩体状态参数初始估计值及误差、BP神经网络所预测的岩体状态参数初始估计值及误差、支持向量回归所预测的岩体状态参数初始估计值及误差初始估计BPA;
③采用可信度因子对BPA值进行修正,根据Dempster合成规则对修正后BPA值进行合成并更新BPA值;
④根据更新后的BPA值,分别将基于线性回归、BP神经网络和支持向量回归所预测的岩体状态参数初始估计值进行融合,以获得最优岩体状态参数估计。
6.根据权利要求5所述的掌子面在掘岩体状态软测量方法,其特征在于,所述BPA值即为m(C),所述m(C)表示通过D-S融合函数m(·)映射所得各掌子面岩体状态软测量模型的权重系数,且m(C)满足如下规则:
式中,C表示掌子面岩体状态软测量模型,可取值为C1,C2,C3,C1,C2,C3分别表示基于线性回归、BP神经网络、支持向量回归的掌子面岩体状态软测量模型,Θ表示模型全集空间,且Θ={C1,C2,C3},m(·)表示D-S证据理论的融合函数。
7.根据权利要求6所述的掌子面在掘岩体状态软测量方法,其特征在于,所述BPA值初始估计包括如下步骤:
⑴从掌子面岩体状态参数矩阵Y及强相关性的TBM掘进参数矩阵A′中随机抽取N组岩体状态参数及TBM掘进参数数据作为证据集;
⑵在第i个证据集上,根据分步回归所预测的岩体状态参数初始估计值及误差Ei1、BP神经网络所预测的岩体状态参数初始估计值及误差Ei2、支持向量回归所预测的岩体状态参数初始估计值及误差Ei3来初始估计BPA值;
BPA值初始估计的计算公式为:
式中,wi1、wi2、wi3分别表示基于分步回归、BP神经网络及支持向量回归的岩体状态软测量模型的第i个证据集初始权重,mi(C1)=wi1,mi(C2)=wi2,mi(C3)=wi3。
8.根据权利要求7所述的掌子面在掘岩体状态软测量方法,其特征在于,将更新后BPA值定义为的公式为:
式中,反映了证据集的冲突情况,系数1/(1-q)为正则化因子。
9.根据权利要求8所述的掌子面在掘岩体状态软测量方法,其特征在于,所述最优岩体状态参数的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911384893.3A CN110990938B (zh) | 2019-12-28 | 2019-12-28 | 一种掌子面在掘岩体状态软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911384893.3A CN110990938B (zh) | 2019-12-28 | 2019-12-28 | 一种掌子面在掘岩体状态软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110990938A CN110990938A (zh) | 2020-04-10 |
CN110990938B true CN110990938B (zh) | 2023-04-18 |
Family
ID=70076678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911384893.3A Active CN110990938B (zh) | 2019-12-28 | 2019-12-28 | 一种掌子面在掘岩体状态软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110990938B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113513331A (zh) * | 2021-04-15 | 2021-10-19 | 上海交通大学 | 基于盾构机运行参数的掘进掌子面岩土类型识别方法、***及介质 |
CN113268799B (zh) * | 2021-05-27 | 2024-04-30 | 深圳市岩土综合勘察设计有限公司 | 一种基于随钻数据预测溶洞埋深和尺寸的方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105259331B (zh) * | 2015-11-06 | 2017-06-30 | 三峡大学 | 一种节理岩体单轴强度预测方法 |
CN107577862B (zh) * | 2017-08-30 | 2019-12-03 | 中铁工程装备集团有限公司 | 一种tbm在掘岩体状态实时感知***和方法 |
CN109685378B (zh) * | 2018-12-27 | 2020-04-24 | 中铁工程装备集团有限公司 | 一种基于数据挖掘的tbm施工围岩可掘性分级方法 |
CN110020694A (zh) * | 2019-04-19 | 2019-07-16 | 中铁工程装备集团有限公司 | 一种基于智能驱动模型的tbm不良地质辨识方法 |
CN110110419B (zh) * | 2019-04-28 | 2022-11-18 | 中铁工程装备集团有限公司 | 一种基于多目标学习的tbm掘进参数预测方法 |
-
2019
- 2019-12-28 CN CN201911384893.3A patent/CN110990938B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110990938A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109885907B (zh) | 一种基于云模型的卫星姿控***健康状态评估和预测方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN112052992B (zh) | 一种基于深度学习的建筑工程项目进度预测***及方法 | |
Li et al. | Data-model interactive prognosis for multi-sensor monitored stochastic degrading devices | |
Leng et al. | A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines | |
CN110990938B (zh) | 一种掌子面在掘岩体状态软测量方法 | |
CN111598352A (zh) | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 | |
CN112948932A (zh) | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 | |
CN109490072B (zh) | 一种土木工程建筑用检测***及其检测方法 | |
CN111813084A (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN109131452A (zh) | 一种基于长短时记忆网络的列车状态在线预测方法 | |
CN101436057A (zh) | 数控机床热误差贝叶斯网络补偿方法 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及*** | |
CN114970688A (zh) | 基于LSTMAD算法和Hermite插值法的滑坡监测数据预处理方法 | |
CN111754034A (zh) | 一种基于混沌优化神经网络模型的时间序列预测方法 | |
Li et al. | Three‐way decisions based on some Hamacher aggregation operators under double hierarchy linguistic environment | |
CN111797364A (zh) | 一种基于复合云模型的滑坡多层次安全评价方法 | |
CN111861238A (zh) | 高速公路桥梁工程风险评估方法、装置及计算机设备 | |
CN111666684B (zh) | 输送管道的环焊缝风险预估方法、装置及可读存储介质 | |
CN113780420A (zh) | 基于gru-gcn的变压器油中溶解气体浓度预测方法 | |
CN111859814A (zh) | 基于lstm深度学习的岩石时效变形预测方法及其*** | |
CN114065639B (zh) | 一种挖泥船施工参数的闭环实时反演方法 | |
CN113312696B (zh) | 基于arima算法的桥梁健康状况动态预测告警方法 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
CN117874655A (zh) | 考虑多重影响因素的动态大坝安全监控指标拟定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |