CN113255990A - 盾构法隧道施工开挖面土质实时预测***及方法 - Google Patents
盾构法隧道施工开挖面土质实时预测***及方法 Download PDFInfo
- Publication number
- CN113255990A CN113255990A CN202110558201.3A CN202110558201A CN113255990A CN 113255990 A CN113255990 A CN 113255990A CN 202110558201 A CN202110558201 A CN 202110558201A CN 113255990 A CN113255990 A CN 113255990A
- Authority
- CN
- China
- Prior art keywords
- soil
- data
- image
- construction
- shield
- 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.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 500
- 238000010276 construction Methods 0.000 title claims abstract description 214
- 238000009412 basement excavation Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 76
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000005641 tunneling Effects 0.000 claims description 122
- 238000004364 calculation method Methods 0.000 claims description 42
- 238000012216 screening Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 24
- 230000000704 physical effect Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 230000010365 information processing Effects 0.000 claims description 14
- 238000005192 partition Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000009933 burial Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000035515 penetration Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 description 9
- 238000011176 pooling Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005553 drilling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/003—Arrangement of measuring or indicating devices for use during driving of tunnels, e.g. for guiding machines
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/10—Services
- G06Q50/16—Real estate
- G06Q50/165—Land development
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Geochemistry & Mineralogy (AREA)
- Operations Research (AREA)
- Geology (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
本发明揭示了一种盾构法隧道施工开挖面土质实时预测***及方法,预测***包括相似工程数据获取模块、土质信息处理模块、施工数据处理模块、土质预测器构建模块及土质预测模块。土质预测器构建模块基于施工数据处理模块获取的土质特征灰度图和渣土图像,采用卷积神经网络学习历史施工数据分别构建或更新第一土质预测器和第二土质预测器;土质预测模块基于施工数据处理模块对实时施工数据进行预处理后获得的土质特征灰度图及渣土图像,分别采用第一土质预测器及第二土质预测器对盾构施工土质进行预测,得到两个预测结果,并将两个预测结果进行融合,得到土质实时预测结果。本发明具有快速、精准、成本低等特点,可以为施工决策控制提供准确的信息。
Description
技术领域
本发明属于盾构土质预测技术领域,涉及一种土质预测***,尤其涉及一种基于模型融合的盾构施工土质实时预测***及方法。
背景技术
随着地下空间开发进程的加速推进,盾构隧道数量逐渐增多,盾构法隧道施工过程中,盾构掘进控制决策依赖于对周边土质情况的了解,一旦实际土质与已知不符,会对施工质量和施工安全造成极大的威胁。
隧道开挖前的地质探勘通过抽样钻孔获得的地质描述,有一定的指导作用,但是其无法准确描述隧道全貌。因此实际掘进过程常由于实际土质与预测土质不同,导致盾构无法顺利掘进、严重时还会产生隧道质量和安全事故。
有鉴于此,如今迫切需要设计一种新的地质勘探方式,以便克服现有地质勘探方式存在的上述至少部分缺陷。
发明内容
本发明提供一种盾构法隧道施工开挖面土质实时预测***及方法,具有快速、精准、成本低等特点,可以为施工决策控制提供准确的信息。
为解决上述技术问题,根据本发明的一个方面,采用如下技术方案:
一种盾构法隧道施工开挖面土质实时预测***及方法,所述预测***包括:
相似工程数据获取模块,用以通过对工程关键指标的分析,筛选出与施工项目工况相似的历史工程项目,并从工程数据库中对其数据进行抽取;
土质信息处理模块,用以基于隧道施工前的地质勘查结果,分析隧道开挖面土层分布情况,对隧道开挖面的土质特征进行计算;
施工数据处理模块,用以对盾构施工过程中获取到的施工掘进数据和皮带机出土图像数据进行预处理,得到土质特征灰度图及渣土图像;
土质预测器构建模块,用以基于所述施工数据处理模块获取的土质特征灰度图和渣土图像,采用卷积神经网络学习历史施工数据分别构建或更新第一土质预测器和第二土质预测器;以及
土质预测模块,用以基于所述施工数据处理模块对实时施工数据进行预处理后获得的土质特征灰度图及渣土图像,分别采用第一土质预测器及第二土质预测器对盾构施工土质进行预测,得到两个预测结果,并将两个预测结果进行融合,得到土质实时预测结果。
作为本发明的一种实施方式,基于所述施工数据处理模块获取的施工掘进数据转化为土质特征灰度图,基于土质特征灰度图构建第一土质预测器;基于所述施工数据处理模块获取的渣土图像数据构建第二土质预测器;采用卷积神经网络学习盾构历史施工数据完成第一土质预测器及第二土质预测器的构建;
根据采集到的实时施工数据,基于所述施工数据处理模块进行数据预处理后得到土质特征灰度图和渣土图像,采用第一土质预测器及第二土质预测器对开挖面土质进行预测,得到两个预测结果,并根据两种土质预测器针对不同土质特征的预测性能,赋予相应的权重,将两种土质预测器结果进行融合得到最终的预测结果。
作为本发明的一种实施方式,所述相似工程数据获取模块用以筛选相似工程;判断相似工程与否考虑如下因素:盾构机类型、隧道埋深、隧道直径和主要穿越土层类别;具体筛选步骤包括:
选择盾构机类型相同且隧道直径相差小于设定阈值的工程项目;
筛选盾构轴线穿越地质情况相似度满足设定条件且埋深相差小于设定阈值的工程项目;
从工程数据库中对相似工程的施工数据进行抽取;
所述土层信息处理模块用以基于地质勘查获得的盾构隧道沿线地质描述计算隧道断面土体的物理性质,主要包括粘聚力、内摩擦角以及含水率;
基于各土层物理性质数据和开挖面占比计算得到开挖面的土质特征,假设与开挖面接触的共有层土层,具体计算步骤包括:
S21、计算第i层土层与开挖面接触的面积S,定义第i层上边界埋深为d1,下边界埋深为d2,开挖面中心点埋深为d,开挖面半径为R,具体计算方式如下:
S=S2-S1;
S22、计算第i层土占开挖面面积比例,公式如下:
S23、重复步骤S21、S22,直到完成所有与开挖面接触的土层占比计算;
S24、计算开挖面的土质特征,定义第i层土的粘聚力、内摩擦角以及含水率分别为Ci、φi和ωi,开挖面土体总体粘聚力、内摩擦角以及含水率分别为C、φ和ω,计算公式如下:
S25、生成开挖面土质特征向量[C,φ,ω],使用该向量来表示该位置开挖面土质状况。
作为本发明的一种实施方式,所述施工数据处理模块包括盾构掘进数据处理单元、皮带机出土图像处理单元;
所述盾构掘进数据处理单元用以从盾构施工数据库中获取到的原始施工数据进行处理,具体步骤如下:
步骤S31、筛选关键施工参数:根据掘进参数的分析结合盾构施工经验,从大量掘进参数中选取以下开挖面各分区土压力、各分区推力、刀盘扭矩、贯入度、螺旋机土压力、螺旋机扭矩和螺闸门开度作为关键掘进参数;
步骤S32、剔除停推期间数据:根据推进速度、刀盘转速和推力大小进行停推判断,若推进速度、刀盘转速和推力其中一者为0,则判断为停机并将该条数据删除;
步骤S33、划分盾构掘进段:根据停推时间节点将盾构施工数据划分为独立的盾构掘进段;
步骤S34、剔除启推阶段不稳定数据:根据实际数据情况和盾构机特性定义启推阶段距离,删除启推距离内的盾构掘进速度;
步骤S35、删除掘进参数异常波动值:由于传感器在采集盾构掘进参数时会产生一些异常值,根据历史推进数据采用3σ准则剔除掘进参数中的异常数据;
步骤S36、数据标准化:计算相似施工工况下各掘进参数数据的均值作为该参数基准值,并将原始数据均除以该基准值进行标准化处理;
步骤S37、施工数据转灰度图:将盾构掘进数据转换为灰度图以便进行数据特征提取,定义盾构掘进参数矩阵为Xr×m=[x1,x2...xr-1,xr]T,其中r为掘进参数特征数量;最后把归一化后的数据乘以设定像数值转化为灰度图,由于其数据主要反应盾构施工土质的变化情况故定义为土质特征灰度图;
所述皮带机出土图像处理单元用以对土体图像数据进行处理;具体包括:调整图像亮度;对图像的对比度进行增强;采用中值滤波器对图像进行降噪处理;对原始图像进行裁剪,裁剪出图像中仅包含渣土的部分,并统一图像大小得到渣土图像。
作为本发明的一种实施方式,所述土质预测器构建模块用以将土质预测器根据其数据来源不同分为两个部分,包括基于土质特征灰度图的土质预测器和基于渣土图像的土质预测器;
所述基于土质特征灰度图的土质预测器采用卷积神经网络模型学习已知工况的掘进数据来建立模型;该模型输入为r×m的土质特征灰度图,输出为土质特征向量[C,φ,ω];
所述基于渣土图像的土质预测器采用卷积神经网络对渣土图像和开挖面土质特征的关系进行学习,输入为设定格式的图像,输出为土质特征向量[C,φ,ω]。
作为本发明的一种实施方式,所述土质预测模块根据两种土质预测器针对不同土质特征的预测性能,赋予相应的权重,将两种土质预测器结果进行融合得到最终的预测结果;计算步骤包括:
计算在两种土体预测器在历史数据上各土质特征的拟合优度rCi,rφi,rωi,定义i=1时为基于土质特征灰度图的土质预测器拟合优度,i=2时为基于渣土图像的土质预测器拟合优度;
计算两种土体预测器输出结果权重pCi,pφi,pωi,定义i=1时为基于土质特征灰度图的土质预测器输出结果的权重,i=2时为基于渣土图像的土质预测器输出结果的权重,权重具体计算方式如下:
基于上述计算结果,利用盾构采集到的实时施工数据,采用基于土质特征灰度图的土质预测器和基于渣土图像的土质预测器对开挖面土质进行预测,并将两者预测结果进行融合,得到最终模型输出[C,φ,ω],具体计算公式如下:
根据本发明的另一个方面,采用如下技术方案:一种盾构法隧道施工开挖面土质实时预测方法,所述预测方法包括:
相似工程数据获取步骤,通过对工程关键指标的分析,筛选出与施工项目工况相似度符合设定要求的历史工程项目;
土质信息处理步骤,基于隧道施工前的地质勘查结果,分析隧道开挖面土层分布情况,对隧道开挖面整体的土体关键物理性质进行计算;
施工数据处理步骤,对盾构施工过程中获取到的施工掘进数据和皮带机出土图像数据进行预处理,得到土质特征灰度图及渣土图像;
土质预测器构建步骤,基于所述施工数据处理步骤获取的施工掘进数据构建第一土质预测器,基于所述施工数据处理步骤获取的渣土图像分别构建第二土质预测器,采用卷积神经网络学习盾构历史施工数据完成第一土质预测器及第二土质预测器的构建;以及
土质预测步骤,根据采集到的实时施工数据,采用第一土质预测器及第二土质预测器对开挖面土质进行预测分别得到预测结果,并将两个预测结果进行融合,得到最终预测结果。
作为本发明的一种实施方式,施工数据处理步骤中,获取的施工掘进数据转化为土质特征灰度图,基于土质特征灰度图构建第一土质预测器;获取的渣土图像数据构建第二土质预测器;采用卷积神经网络学习盾构历史施工数据完成第一土质预测器及第二土质预测器的构建;
根据采集到的实时施工数据,分别采用第一土质预测器及第二土质预测器对开挖面土质进行预测,并对两种预测器针对不同土质特征的预测性能进行评价;
采用土质预测器在各土体物理性质上的拟合优度来定义其预测性能,并赋予该预测器相应的权重。
作为本发明的一种实施方式,所述相似工程数据获取步骤中,根据以往的研究及盾构隧道现场施工经验,判断相似工程考虑如下因素:盾构机类型、隧道埋深、隧道直径和主要穿越土层类别;具体筛选步骤包括:
选择盾构机类型相同且隧道直径相差小于设定阈值的工程项目;
筛选盾构轴线穿越地质情况相似度符合设定要求且埋深相差小于设定阈值的工程项目;
从工程数据库中对相似工程的施工数据进行抽取;
所述土层信息处理步骤中,为准确描述开挖面土层状况,计算盾构开挖面土层总体的关键物理性质,影响盾构掘进的关键土体物理性质主要包括粘聚力、内摩擦角以及含水率;基于各土层关键土质信息和开挖面占比计算得到开挖面整体的土体物理性质,假设与开挖面接触的共有n层土层,具体计算步骤包括:
S21、计算第i层土层与开挖面接触的面积S,定义第i层上边界埋深为d1,下边界埋深为d2,开挖面中心点埋深为d,开挖面半径为R,具体计算方式如下:
S=S2-S1;
S22、计算第i层土占开挖面面积比例,公式如下:
S23、重复步骤S21、S22,直到完成所有与开挖面接触的土层占比计算;
S24、计算开挖面各项关键土质信息,定义第i层土的粘聚力、内摩擦角以及含水率分别为Ci、φi和ωi,开挖面土体总体粘聚力、内摩擦角以及含水率分别为C、φ和ω,计算公式如下:
S25、生成开挖面土质特征向量[C,φ,ω],使用该向量来表示该位置开挖面土质状况。
作为本发明的一种实施方式,所述施工数据处理步骤包括盾构掘进数据处理步骤、皮带机出土图像处理步骤;
所述盾构掘进数据处理步骤中,从盾构施工数据库中获取到的施工数据包含大量无效信息,且各掘进参数量纲存在较大差距,需要对原始施工数据进行处理,具体步骤如下:
步骤S31、筛选关键施工参数:根据掘进参数的分析结合盾构施工经验,从大量掘进参数中选取以下开挖面各分区土压力、各分区推力、刀盘扭矩、贯入度、螺旋机土压力、螺旋机扭矩和螺闸门开度作为关键掘进参数;
步骤S32、剔除停推期间数据:根据推进速度、刀盘转速和推力大小进行停推判断,推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除;
步骤S33、划分盾构掘进段:根据停推时间节点将盾构施工数据划分为独立的盾构掘进段;
步骤S34、剔除启推阶段不稳定数据:根据实际数据情况和盾构机特性定义启推阶段距离,删除启推距离内的盾构掘进速度;
步骤S35、删除掘进参数异常波动值:由于传感器在采集盾构掘进参数时会产生一些异常值,根据历史推进数据采用3σ准则剔除掘进参数中的异常数据;
步骤S36、数据标准化:计算相似施工工况下各掘进参数数据的均值作为该参数基准值,并将原始数据均除以该基准值进行标准化处理;
步骤S37、施工数据转灰度图:将盾构掘进数据转换为灰度图以便进行数据特征提取,定义盾构掘进参数矩阵为Xr×m=[x1,x2...xr-1,xr]T,其中r为掘进参数特征数量;最后把归一化后的数据乘以设定像数值转化为灰度图,由于其数据主要反应盾构施工土质的变化情况故定义为土质特征灰度图;
所述皮带机出土图像处理步骤中,对土体图像数据进行处理;具体包括:调整图像亮度;对图像的对比度进行增强;采用中值滤波器对图像进行降噪处理;对原始图像进行裁剪,裁剪出图像中仅包含渣土的部分,并统一图像大小得到渣土图像。
作为本发明的一种实施方式,所述土质预测器构建步骤中,将土质预测器根据其数据来源不同分为两个部分,包括基于土质特征灰度图的土质预测器和基于渣土图像的土质预测器;
所述基于土质特征灰度图的土质预测器采用卷积神经网络模型学习已知工况的掘进数据来建立模型;该模型输入为r×m的土质特征灰度图,输出为土质特征向量[C,φ,ω];卷积神经网络模型具体结构如下:
(1)具有r×m输入的输入层;
(2)具有8个卷积核的卷积层,卷积核大小为3×3;
(3)RELU激活层;
(4)过滤器大小为2×2,步长为2的最大池化层;
(5)具有3个输出的全连接层;
所述基于渣土图像的土质预测器采用卷积神经网络对渣土图像和开挖面土质特征的关系进行学习,输入为300×300的RGB图像,输出为土质特征向量[C,φ,ω],其网络结构如下:
(1)输入层具有300×300×3的输入;
(2)具有64个卷积核的卷积层,卷积核大小为5×5;
(3)RELU激活层;
(4)过滤器大小为3×3,步长为2的最大池化层;
(5)具有128个卷积核的卷积层,卷积核大小为3×3;
(6)RELU激活层;
(7)过滤器大小为3×3,步长为2的最大池化层;
(8)具有256个输出的全连接层;
(9)具有3个输出的全连接层。
作为本发明的一种实施方式,所述土质预测步骤中,根据两种土质预测器针对不同土质特征的预测性能,赋予相应的权重;计算步骤如下:
计算在两种土体预测器在历史数据上各土质特征的拟合优度rCi,rφi,rωi,定义i=1时为基于土质特征灰度图的土质预测器拟合优度,i=2时为基于渣土图像的土质预测器拟合优度;
计算两种土体预测器输出结果权重pCi,pφi,pωi,定义i=1时为基于土质特征灰度图的土质预测器输出结果的权重,i=2时为基于渣土图像的土质预测器输出结果的权重,权重具体计算方式如下:
基于上述计算结果,利用盾构采集到的实时施工数据,采用基于土质特征灰度图的土质预测器和基于渣土图像的土质预测器对开挖面土质进行预测,并将两者预测结果进行融合,得到最终模型输出[C,φ,ω],具体计算公式如下:
本发明的有益效果在于:本发明提出的盾构法隧道施工开挖面土质实时预测***及方法,利用盾构机掘进过程中采集到的掘进数据与皮带机出土图像数据即可对开挖面土体进行实时预测,并以此作为调整盾构掘进参数的依据,具有快速、精准、成本低等特点,可以为施工决策控制提供准确的信息。
本发明可以使盾构司机在未知地质或地质突变的情况下采取安全预防措施调整盾构的操作参数,防止地表沉降过大或者开挖面的失稳。
附图说明
图1为本发明一实施例中盾构法隧道施工开挖面土质实时预测方法的流程图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
为了进一步理解本发明,下面结合实施例对本发明优选实施方案进行描述,但是应当理解,这些描述只是为进一步说明本发明的特征和优点,而不是对本发明权利要求的限制。
该部分的描述只针对几个典型的实施例,本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
说明书中各个实施例中的步骤的表述只是为了方便说明,本申请的实现方式不受步骤实现的顺序限制。说明书中的“连接”既包含直接连接,也包含间接连接。
本发明揭示了一种盾构法隧道施工开挖面土质实时预测***,图1揭示了本发明一实施例中土质实时预测***的组成;请参阅图1,所述土质实时预测***包括:相似工程数据获取模块1、土质信息处理模块2、施工数据处理模块3、土质预测器构建模块4及土质预测模块5。
所述相似工程数据获取模块1用以通过对工程关键指标的分析,筛选出与施工项目工况相似的历史工程项目,并从工程数据库中对其数据进行抽取。所述土质信息处理模块2用以基于隧道施工前的地质勘查结果,分析隧道开挖面土层分布情况,对隧道开挖面的土质特征进行计算。所述施工数据处理模块3用以对盾构施工过程中获取到的施工掘进数据和皮带机出土图像数据进行预处理,得到土质特征灰度图及渣土图像。所述土质预测器构建模块4用以基于所述施工数据处理模块获取的土质特征灰度图和渣土图像,采用卷积神经网络学习历史施工数据分别构建或更新第一土质预测器和第二土质预测器。所述土质预测模块5用以基于所述施工数据处理模块对实时施工数据进行预处理后获得的土质特征灰度图及渣土图像,分别采用第一土质预测器及第二土质预测器对盾构施工土质进行预测,得到两个预测结果,并将两个预测结果进行融合,得到土质实时预测结果。
在本发明的一实施例中,基于所述施工数据处理模块获取的施工掘进数据转化为土质特征灰度图,基于土质特征灰度图构建第一土质预测器;基于所述施工数据处理模块获取的渣土图像数据构建第二土质预测器;采用卷积神经网络学习盾构历史施工数据完成第一土质预测器及第二土质预测器的构建。根据采集到的实时施工数据,分别采用第一土质预测器及第二土质预测器对开挖面土质进行预测,并根据两种预测器针对不同土质特征的预测性能,赋予相应的权重,将两种预测器结果进行融合得到最终的预测结果。
在本发明的一实施例中,用以筛选相似工程;判断相似工程与否考虑如下因素:盾构机类型、隧道埋深、隧道直径和主要穿越土层类别;具体筛选步骤包括:选择盾构机类型相同且隧道直径相差小于设定阈值的工程项目;筛选盾构轴线穿越地质情况相似度满足设定条件且埋深相差小于设定阈值的工程项目;从工程数据库中对相似工程的施工数据进行抽取。
在一实施例中,所述土层信息处理模块用以基于地质勘查获得的盾构隧道沿线地质描述计算隧道断面土体的物理性质,主要包括粘聚力、内摩擦角以及含水率。
基于各土层物理性质数据和开挖面占比计算得到开挖面的土质特征,假设与开挖面接触的共有层土层,具体计算步骤包括:
S21、计算第i层土层与开挖面接触的面积S,定义第i层上边界埋深为d1,下边界埋深为d2,开挖面中心点埋深为d,开挖面半径为R,具体计算方式如下:
S=S2-S1;
S22、计算第i层土占开挖面面积比例,公式如下:
S23、重复步骤S21、S22,直到完成所有与开挖面接触的土层占比计算;
S24、计算开挖面的土质特征,定义第i层土的粘聚力、内摩擦角以及含水率分别为Ci、φi和ωi,开挖面土体总体粘聚力、内摩擦角以及含水率分别为C、φ和ω,计算公式如下:
S25、生成开挖面土质特征向量[C,φ,ω],使用该向量来表示该位置开挖面土质状况。
在本发明的一实施例中,所述施工数据处理模块包括盾构掘进数据处理单元、皮带机出土图像处理单元。
所述盾构掘进数据处理单元用以从盾构施工数据库中获取到的原始施工数据进行处理,具体步骤如下:
步骤S31、筛选关键施工参数:根据掘进参数的分析结合盾构施工经验,从大量掘进参数中选取以下开挖面各分区土压力、各分区推力、刀盘扭矩、贯入度、螺旋机土压力、螺旋机扭矩和螺闸门开度作为关键掘进参数;
步骤S32、剔除停推期间数据:根据推进速度、刀盘转速和推力大小进行停推判断,若推进速度、刀盘转速和推力其中一者为0,则判断为停机并将该条数据删除;
步骤S33、划分盾构掘进段:根据停推时间节点将盾构施工数据划分为独立的盾构掘进段;
步骤S34、剔除启推阶段不稳定数据:根据实际数据情况和盾构机特性定义启推阶段距离,删除启推距离内的盾构掘进速度;
步骤S35、删除掘进参数异常波动值:由于传感器在采集盾构掘进参数时会产生一些异常值,根据历史推进数据采用3σ准则剔除掘进参数中的异常数据;
步骤S36、数据标准化:计算相似施工工况下各掘进参数数据的均值作为该参数基准值,并将原始数据均除以该基准值进行标准化处理;
步骤S37、施工数据转灰度图:将盾构掘进数据转换为灰度图以便进行数据特征提取,定义盾构掘进参数矩阵为Xr×m=[x1,x2...xr-1,xr]T,其中r为掘进参数特征数量;最后把归一化后的数据乘以设定像数值转化为灰度图,由于其数据主要反应盾构施工土质的变化情况故定义为土质特征灰度图。
所述皮带机出土图像处理单元用以对土体图像数据进行处理;具体包括:调整图像亮度;对图像的对比度进行增强;采用中值滤波器对图像进行降噪处理;对原始图像进行裁剪,裁剪出图像中仅包含渣土的部分,并统一图像大小得到渣土图像。
在一实施例中,所述土质预测器构建模块用以将土质预测器根据其数据来源不同分为两个部分,包括基于土质特征灰度图的土质预测器和基于渣土图像的土质预测器。
所述基于土质特征灰度图的土质预测器采用卷积神经网络模型学习已知工况的掘进数据来建立模型;该模型输入为r×m的土质特征灰度图,输出为土质特征向量[C,φ,ω];卷积神经网络模型具体结构包括:
(1)具有r×m输入的输入层;
(2)具有8个卷积核的卷积层,卷积核大小为3×3;
(3)RELU激活层;
(4)过滤器大小为2×2,步长为2的最大池化层;
(5)具有3个输出的全连接层;
所述基于渣土图像的土质预测器采用卷积神经网络对渣土图像和开挖面土质特征的关系进行学习,输入为300×300的RGB图像,输出为土质特征向量[C,φ,ω],其网络结构如下:
(1)输入层具有300×300×3的输入;
(2)具有64个卷积核的卷积层,卷积核大小为5×5;
(3)RELU激活层;
(4)过滤器大小为3×3,步长为2的最大池化层;
(5)具有128个卷积核的卷积层,卷积核大小为3×3;
(6)RELU激活层;
(7)过滤器大小为3×3,步长为2的最大池化层;
(8)具有256个输出的全连接层;
(9)具有3个输出的全连接层。
在本发明的一实施例中,所述土质预测模块根据两种土质预测器针对不同土质特征的预测性能,赋予相应的权重,将两种土质预测器结果进行融合得到最终的预测结果。计算步骤包括:
计算在两种土体预测器在历史数据上各土质特征的拟合优度rCi,rφi,rωi,定义i=1时为基于土质特征灰度图的土质预测器拟合优度,i=2时为基于渣土图像的土质预测器拟合优度;
计算两种土体预测器输出结果权重pCi,pφi,pωi,定义i=1时为基于土质特征灰度图的土质预测器输出结果的权重,i=2时为基于渣土图像的土质预测器输出结果的权重,权重具体计算方式如下:
基于上述计算结果,利用盾构采集到的实时施工数据,采用基于土质特征灰度图的土质预测器和基于渣土图像的土质预测器对开挖面土质进行预测,并将两者预测结果进行融合,得到最终模型输出[C,φ,ω],具体计算公式如下:
在本发明的一种使用场景中,请参阅图1,在实际工程项目应用过程中各模块互相联系,实际应用时可以分为离线阶段和在线预测阶段。
离线阶段主要进行已知工况数据的筛选与处理和模型的构建及更新,具体操作步骤如下,模型构建时首先采用相似工程数据获取模块筛选工况相似的历史工程项目并获取相关施工数据,然后使用土质信息处理模块对根据实际施工状况修正后的地质报告进行处理,并使用施工数据处理模块对历史掘进数据进行处理,最后使用处理后的数据对土质预测器进行训练得到初始土质预测器模型。
在线预测阶段主要根据实时施工数据对开挖面土质状况进行实时预测并进行模型的在线更新;具体步骤如下,首先采集盾构实时施工数据,然后判断当前盾构切口是否处于钻孔点位置,如处于钻孔点位置则根据地质勘查数据和盾构掘进数据,使用土质预测器构建模块对土质预测器进行更新,否则采用土层预测模块结合当前施工数据对开挖面土质情况进行计算,最后输出最终辨别结果。
本发明还揭示一种盾构法隧道施工开挖面土质实时预测方法,图1为本发明一实施例中土质实时预测方法的流程图;请参阅图1,所述土质实时预测方法包括:
相似工程数据获取步骤,通过对工程关键指标的分析,筛选出与施工项目工况相似度符合设定要求的历史工程项目;
土质信息处理步骤,基于隧道施工前的地质勘查结果,分析隧道开挖面土层分布情况,对隧道开挖面整体的土体关键物理性质进行计算;
施工数据处理步骤,对盾构施工过程中获取到的施工掘进数据和皮带机出土图像数据进行预处理,得到土质特征灰度图及渣土图像;
土质预测器构建步骤,基于所述施工数据处理步骤获取的施工掘进数据构建第一土质预测器,基于所述施工数据处理步骤获取的渣土图像分别构建第二土质预测器,采用卷积神经网络学习盾构历史施工数据完成第一土质预测器及第二土质预测器的构建;以及
土质预测步骤,根据采集到的实时施工数据,采用第一土质预测器及第二土质预测器对开挖面土质进行预测分别得到预测结果,并将两个预测结果进行融合,得到最终预测结果。
在本发明的一实施例中,施工数据处理步骤中,获取的施工掘进数据转化为土质特征灰度图;基于土质特征灰度图构建第一土质预测器,获取的渣土图像构建第二土质预测器;采用卷积神经网络学习盾构历史施工数据完成第一土质预测器及第二土质预测器的构建;根据采集到的实时施工数据,分别采用第一土质预测器及第二土质预测器对开挖面土质进行预测,并对两种预测器针对不同土质特征的预测性能进行评价;采用土质预测器在各土体物理性质上的拟合优度来定义其预测性能,并赋予该预测器相应的权重。
在一实施例中,所述相似工程数据获取步骤中,根据以往的研究及盾构隧道现场施工经验,判断相似工程考虑如下因素:盾构机类型、隧道埋深、隧道直径和主要穿越土层类别。具体筛选步骤包括:选择盾构机类型相同且隧道直径相差小于设定阈值的工程项目;筛选盾构轴线穿越地质情况相似度符合设定要求且埋深相差小于设定阈值的工程项目;从工程数据库中对相似工程的施工数据进行抽取。
在本发明的一实施例中,所述土层信息处理步骤中,为准确描述开挖面土层状况,计算盾构开挖面土层总体的关键物理性质,影响盾构掘进的关键土体物理性质主要包括粘聚力、内摩擦角以及含水率。
基于各土层关键土质信息和开挖面占比计算得到开挖面整体的土体物理性质,假设与开挖面接触的共有n层土层,具体计算步骤包括:
S21、计算第i层土层与开挖面接触的面积S,定义第i层上边界埋深为d1,下边界埋深为d2,开挖面中心点埋深为d,开挖面半径为R,具体计算方式如下:
S=S2-S1;
S22、计算第i层土占开挖面面积比例,公式如下:
S23、重复步骤S21、S22,直到完成所有与开挖面接触的土层占比计算;
S24、计算开挖面各项关键土质信息,定义第i层土的粘聚力、内摩擦角以及含水率分别为Ci、φi和ωi,开挖面土体总体粘聚力、内摩擦角以及含水率分别为C、φ和ω,计算公式如下:
S25、生成开挖面土质特征向量[C,φ,ω],使用该向量来表示该位置开挖面土质状况。
在本发明的一实施例中,所述施工数据处理步骤包括盾构掘进数据处理步骤、皮带机出土图像处理步骤。
在一实施例中,所述盾构掘进数据处理步骤中,从盾构施工数据库中获取到的施工数据包含大量无效信息,且各掘进参数量纲存在较大差距,需要对原始施工数据进行处理,具体步骤如下:
步骤S31、筛选关键施工参数:根据掘进参数的分析结合盾构施工经验,从大量掘进参数中选取以下开挖面各分区土压力、各分区推力、刀盘扭矩、贯入度、螺旋机土压力、螺旋机扭矩和螺闸门开度作为关键掘进参数;
步骤S32、剔除停推期间数据:根据推进速度、刀盘转速和推力大小进行停推判断,推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除;
步骤S33、划分盾构掘进段:根据停推时间节点将盾构施工数据划分为独立的盾构掘进段;
步骤S34、剔除启推阶段不稳定数据:根据实际数据情况和盾构机特性定义启推阶段距离,删除启推距离内的盾构掘进速度;
步骤S35、删除掘进参数异常波动值:由于传感器在采集盾构掘进参数时会产生一些异常值,根据历史推进数据采用3σ准则剔除掘进参数中的异常数据;
步骤S36、数据标准化:计算相似施工工况下各掘进参数数据的均值作为该参数基准值,并将原始数据均除以该基准值进行标准化处理;
步骤S37、施工数据转灰度图:将盾构掘进数据转换为灰度图以便进行数据特征提取,定义盾构掘进参数矩阵为Xr×m=[x1,x2...xr-1,xr]T,其中r为掘进参数特征数量;最后把归一化后的数据乘以设定像数值转化为灰度图,由于其数据主要反应盾构施工土质的变化情况故定义为土质特征灰度图。
在一实施例中,所述皮带机出土图像处理步骤中,对土体图像数据进行处理;具体包括:调整图像亮度;对图像的对比度进行增强;采用中值滤波器对图像进行降噪处理;对原始图像进行裁剪,裁剪出图像中仅包含渣土的部分,并统一图像大小得到渣土图像。
在本发明的一实施例中,所述土质预测器构建步骤中,将土质预测器根据其数据来源不同分为两个部分,包括基于土质特征灰度图的土质预测器和基于渣土图像的土质预测器。
所述基于土质特征灰度图的土质预测器采用卷积神经网络模型学习已知工况的掘进数据来建立模型;该模型输入为r×m的土质特征灰度图,输出为土质特征向量[C,φ,ω];卷积神经网络模型具体结构如下:
(1)具有r×m输入的输入层;
(2)具有8个卷积核的卷积层,卷积核大小为3×3;
(3)RELU激活层;
(4)过滤器大小为2×2,步长为2的最大池化层;
(5)具有3个输出的全连接层;
所述基于渣土图像的土质预测器采用卷积神经网络对渣土图像和开挖面土质特征的关系进行学习,输入为300×300的RGB图像,输出为土质特征向量[C,φ,ω],其网络结构如下:
(1)输入层具有300×300×3的输入;
(2)具有64个卷积核的卷积层,卷积核大小为5×5;
(3)RELU激活层;
(4)过滤器大小为3×3,步长为2的最大池化层;
(5)具有128个卷积核的卷积层,卷积核大小为3×3;
(6)RELU激活层;
(7)过滤器大小为3×3,步长为2的最大池化层;
(8)具有256个输出的全连接层;
(9)具有3个输出的全连接层。
在本发明的一实施例中,所述土质预测步骤中,根据两种预测器针对不同土质特征的预测性能,赋予相应的权重,并将两种预测器结果进行融合得到最终的预测结果。计算步骤包括:
计算在两种土体预测器在历史数据上各土质特征的拟合优度rCi,rφi,rωi,定义i=1时为基于土质特征灰度图的土质预测器拟合优度,i=2时为基于渣土图像的土质预测器拟合优度;
计算两种土体预测器输出结果权重pCi,pφi,pωi,定义i=1时为基于土质特征灰度图的土质预测器输出结果的权重,i=2时为基于渣土图像的土质预测器输出结果的权重,权重具体计算方式如下:
基于上述计算结果,利用盾构采集到的实时施工数据,采用基于土质特征灰度图的土质预测器和基于渣土图像的土质预测器对开挖面土质进行预测,并将两者预测结果进行融合,得到最终模型输出[C,φ,ω],具体计算公式如下:
综上所述,本发明提出的盾构法隧道施工开挖面土质实时预测***及方法,利用盾构机掘进过程中采集到的掘进数据与皮带机出土图像数据即可对开挖面土体进行实时预测,并以此作为调整盾构掘进参数的依据,具有快速、精准、成本低等特点,可以为施工决策控制提供准确的信息。本发明可以使盾构司机在未知地质或地质突变的情况下采取安全预防措施调整盾构的操作参数,防止地表沉降过大或者开挖面的失稳。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施;例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中,本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中;例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现;例如,作为与处理器配合从而执行各个步骤或功能的电路。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。实施例中所涉及的效果或优点可因多种因素干扰而可能不能在实施例中体现,对于效果或优点的描述不用于对实施例进行限制。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (10)
1.一种盾构法隧道施工开挖面土质实时预测***,其特征在于,所述预测***包括:
相似工程数据获取模块,用以通过对工程关键指标的分析,筛选出与施工项目工况相似的历史工程项目,并从工程数据库中对其数据进行抽取;
土质信息处理模块,用以基于隧道施工前的地质勘查结果,分析隧道开挖面土层分布情况,对隧道开挖面的土质特征进行计算;
施工数据处理模块,用以对盾构施工过程中获取到的施工掘进数据和皮带机出土图像数据进行预处理,得到土质特征灰度图及渣土图像;
土质预测器构建模块,用以基于所述施工数据处理模块获取的土质特征灰度图和渣土图像,采用卷积神经网络学习历史施工数据分别构建或更新第一土质预测器和第二土质预测器;以及
土质预测模块,用以基于所述施工数据处理模块对实时施工数据进行预处理后获得的土质特征灰度图及渣土图像,分别采用第一土质预测器及第二土质预测器对盾构施工土质进行预测,得到两个预测结果,并将两个预测结果进行融合,得到实时土质预测结果。
2.根据权利要求1所述的盾构法隧道施工开挖面土质实时预测***,其特征在于:
所述土质预测模块根据两种土质预测器针对不同土质特征的预测性能,赋予相应的权重,将两种土质预测器结果进行融合得到最终的预测结果。
3.根据权利要求1所述的盾构法隧道施工开挖面土质实时预测***,其特征在于:
所述相似工程数据获取模块用以筛选相似工程;判断相似工程与否考虑如下因素:盾构机类型、隧道埋深、隧道直径和主要穿越土层类别;具体筛选步骤包括:
选择盾构机类型相同且隧道直径相差小于设定阈值的工程项目;
筛选盾构轴线穿越地质情况相似度满足设定条件且埋深相差小于设定阈值的工程项目;
从工程数据库中对相似工程的施工数据进行抽取;
所述土层信息处理模块用以基于地质勘查获得的盾构隧道沿线地质描述计算隧道断面土体的物理性质,主要包括粘聚力、内摩擦角以及含水率;
基于各土层物理性质数据和开挖面占比计算得到开挖面的土质特征,假设与开挖面接触的共有n层土层,具体计算步骤包括:
S21、计算第i层土层与开挖面接触的面积S,定义第i层上边界埋深为d1,下边界埋深为d2,开挖面中心点埋深为d,开挖面半径为R,具体计算方式如下:
S=S2-S1;
S22、计算第i层土占开挖面面积比例,公式如下:
S23、重复步骤S21、S22,直到完成所有与开挖面接触的土层占比计算;
S24、计算开挖面的土质特征,定义第i层土的粘聚力、内摩擦角以及含水率分别为Ci、φi和ωi,开挖面土体总体粘聚力、内摩擦角以及含水率分别为C、φ和ω,计算公式如下:
S25、生成开挖面土质特征向量[C,φ,ω],使用该向量来表示该位置开挖面土质状况。
4.根据权利要求1所述的盾构法隧道施工开挖面土质实时预测***,其特征在于:
所述施工数据处理模块包括盾构掘进数据处理单元、皮带机出土图像处理单元;
所述盾构掘进数据处理单元用以从盾构施工数据库中获取到的原始施工数据进行处理,具体步骤如下:
步骤S31、筛选关键施工参数:根据掘进参数的分析结合盾构施工经验,从大量掘进参数中选取以下开挖面各分区土压力、各分区推力、刀盘扭矩、贯入度、螺旋机土压力、螺旋机扭矩和螺闸门开度作为关键掘进参数;
步骤S32、剔除停推期间数据:根据推进速度、刀盘转速和推力大小进行停推判断,若推进速度、刀盘转速和推力其中一者为0,则判断为停机并将该条数据删除;
步骤S33、划分盾构掘进段:根据停推时间节点将盾构施工数据划分为独立的盾构掘进段;
步骤S34、剔除启推阶段不稳定数据:根据实际数据情况和盾构机特性定义启推阶段距离,删除启推距离内的盾构掘进速度;
步骤S35、删除掘进参数异常波动值:由于传感器在采集盾构掘进参数时会产生一些异常值,根据历史推进数据采用3σ准则剔除掘进参数中的异常数据;
步骤S36、数据标准化:计算相似施工工况下各掘进参数数据的均值作为该参数基准值,并将原始数据均除以该基准值进行标准化处理;
步骤S37、施工数据转灰度图:将盾构掘进数据转换为灰度图以便进行数据特征提取,定义盾构掘进参数矩阵为Xr×m=[x1,x2...xr-1,xr]T,其中r为掘进参数特征数量;最后把归一化后的数据乘以设定像数值转化为灰度图,由于其数据主要反应盾构施工土质的变化情况故定义为土质特征灰度图;;
所述皮带机出土图像处理单元用以对土体图像数据进行处理;具体包括:调整图像亮度;对图像的对比度进行增强;采用中值滤波器对图像进行降噪处理;对原始图像进行裁剪,裁剪出图像中仅包含渣土的部分,并统一图像大小得到渣土图像。
5.根据权利要求1所述的盾构法隧道施工开挖面土质实时预测***,其特征在于:
所述土质预测器构建模块用以根据数据来源不同分别构建不同的土质预测器,包括基于土质特征灰度图的土质预测器和基于渣土图像的土质预测器;
所述基于土质特征灰度图的土质预测器采用卷积神经网络模型学习已知工况的掘进数据来建立模型;该模型输入为r×m的土质特征灰度图,输出为土质特征向量[C,φ,ω];
所述基于渣土图像的土质预测器采用卷积神经网络对渣土图像和开挖面土质特征的关系进行学习,输入为渣土图像,输出为土质特征向量[C,φ,ω];
所述土质预测模块用以根据两种土质预测器针对不同土质特征的预测性能,赋予相应的权重,将两种土质预测器结果进行融合得到最终的预测结果;计算步骤包括:
计算在两种土体预测器在历史数据上各土质特征的拟合优度rCi,rφi,rωi,定义i=1时为基于土质特征灰度图的土质预测器拟合优度,i=2时为基于渣土图像的土质预测器拟合优度;
计算两种土体预测器输出结果权重pCi,pφi,pωi,定义i=1时为基于土质特征灰度图的土质预测器输出结果的权重,i=2时为基于渣土图像的土质预测器输出结果的权重,权重具体计算方式如下:
基于上述计算结果,利用盾构采集到的实时施工数据,采用基于土质特征灰度图的土质预测器和基于渣土图像的土质预测器对开挖面土质进行预测,并将两者预测结果进行融合,得到最终模型输出[C,φ,ω],具体计算公式如下:
6.一种盾构法隧道施工开挖面土质实时预测方法,其特征在于,所述预测方法包括:
相似工程筛选步骤,通过对工程关键指标的分析,筛选出与施工项目工况相似的历史工程项目,并从工程数据库中对其数据进行抽取;
土质信息处理步骤,基于隧道施工前的地质勘查结果,分析隧道开挖面土层分布情况,对隧道开挖面的土质特征进行计算;
施工数据处理步骤,对盾构施工过程中获取到的施工掘进数据和皮带机出土图像数据进行预处理,得到土质特征灰度图及渣土图像;
土质预测器构建步骤,基于所述施工数据处理模块获取的土质特征灰度图和渣土图像,采用卷积神经网络学习历史施工数据分别构建或更新第一土质预测器和第二土质预测器;以及
土质预测步骤,基于所述施工数据处理模块对实时施工数据进行预处理后获得的土质特征灰度图及渣土图像,分别采用第一土质预测器及第二土质预测器对盾构施工土质进行预测,得到两个预测结果,并将两个预测结果进行融合,得到土质实时预测结果。
7.根据权利要求6所述的盾构法隧道施工开挖面土质实时预测方法,其特征在于:
施工数据处理步骤中,获取的盾构掘进数据及皮带机出土图像数据转化为土质特征灰度图和渣土图像,
土质预测器构建步骤中,采用卷积神经网络学习历史施工数据分别构建或更新第一土质预测器和第二土质预测器;
土质预测步骤中,根据采集到的实时施工数据,基于所述施工数据处理模块进行数据预处理后得到的土质特征灰度图和渣土图像,采用第一土质预测器及第二土质预测器对开挖面土质进行预测,得到两个预测结果,并根据两种土质预测器针对不同土质特征的预测性能,赋予相应的权重,将两种土质预测器结果进行融合得到最终的预测结果。
8.根据权利要求6所述的盾构法隧道施工开挖面土质实时预测方法,其特征在于:
所述相似工程数据获取步骤中,判断相似工程考虑如下因素:盾构机类型、隧道埋深、隧道直径和主要穿越土层类别;具体筛选步骤包括:
选择盾构机类型相同且隧道直径相差小于设定阈值的工程项目;
筛选盾构轴线穿越地质情况相似度符合设定要求且埋深相差小于设定阈值的工程项目;
从工程数据库中对相似工程的施工数据进行抽取;
所述土层信息处理步骤中,基于地质勘查获得的盾构隧道沿线地质描述计算隧道断面土体的物理性质,主要包括粘聚力、内摩擦角以及含水率;基于各土层物理性质数据和开挖面占比计算得到开挖面的土质特征,假设与开挖面接触的共有n层土层,具体计算步骤包括:
S21、计算第i层土层与开挖面接触的面积S,定义第i层上边界埋深为d1,下边界埋深为d2,开挖面中心点埋深为d,开挖面半径为R,具体计算方式如下:
S=S2-S1;
S22、计算第i层土占开挖面面积比例,公式如下:
S23、重复步骤S21、S22,直到完成所有与开挖面接触的土层占比计算;
S24、计算开挖面的土质特征,定义第i层土的粘聚力、内摩擦角以及含水率分别为Ci、φi和ωi,开挖面土体总体粘聚力、内摩擦角以及含水率分别为C、φ和ω,计算公式如下:
S25、生成开挖面土质特征向量[C,φ,ω],使用该向量来表示该位置开挖面土质状况。
9.根据权利要求6所述的盾构法隧道施工开挖面土质实时预测方法,其特征在于:
所述施工数据处理步骤包括盾构掘进数据处理步骤、皮带机出土图像处理步骤;
所述盾构掘进数据处理步骤中,从盾构施工数据库中获取到的施工数据包含大量无效信息,且各掘进参数量纲存在较大差距,需要对原始施工数据进行处理,具体步骤如下:
步骤S31、筛选关键施工参数:根据掘进参数的分析结合盾构施工经验,从大量掘进参数中选取以下开挖面各分区土压力、各分区推力、刀盘扭矩、贯入度、螺旋机土压力、螺旋机扭矩和螺闸门开度作为关键掘进参数;
步骤S32、剔除停推期间数据:根据推进速度、刀盘转速和推力大小进行停推判断,推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除;
步骤S33、划分盾构掘进段:根据停推时间节点将盾构施工数据划分为独立的盾构掘进段;
步骤S34、剔除启推阶段不稳定数据:根据实际数据情况和盾构机特性定义启推阶段距离,删除启推距离内的盾构掘进速度;
步骤S35、删除掘进参数异常波动值:由于传感器在采集盾构掘进参数时会产生一些异常值,根据历史推进数据采用3σ准则剔除掘进参数中的异常数据;
步骤S36、数据标准化:计算相似施工工况下各掘进参数数据的均值作为该参数基准值,并将原始数据均除以该基准值进行标准化处理;
步骤S37、施工数据转灰度图:将盾构掘进数据转换为灰度图以便进行数据特征提取,定义盾构掘进参数矩阵为Xr×m=[x1,x2...xr-1,xr]T,其中r为掘进参数特征数量;最后把归一化后的数据乘以设定像数值转化为灰度图,由于其数据主要反应盾构施工土质的变化情况故定义为土质特征灰度图;
所述皮带机出土图像处理步骤中,对土体图像数据进行处理;具体包括:调整图像亮度;对图像的对比度进行增强;采用中值滤波器对图像进行降噪处理;对原始图像进行裁剪,裁剪出图像中仅包含渣土的部分,并统一图像大小得到渣土图像。
10.根据权利要求6所述的盾构法隧道施工开挖面土质实时预测方法,其特征在于:
所述土质预测器构建步骤中,将土质预测器根据其数据来源不同分为两个部分,包括基于土质特征灰度图的土质预测器和基于渣土图像的土质预测器;
所述基于土质特征灰度图的土质预测器采用卷积神经网络模型学习已知工况的掘进数据来建立模型;该模型输入为r×m的土质特征灰度图,输出为土质特征向量[C,φ,ω];
所述基于渣土图像的土质预测器采用卷积神经网络对渣土图像和开挖面土质特征的关系进行学习,输入为设定格式的图像,输出为土质特征向量[C,φ,ω];
所述土质预测步骤中,对两种预测器针对不同土质特征的预测性能进行评价;采用预测器在各土体物理性质上的拟合优度来定义其预测性能,并赋予该预测器相应的权重;计算步骤如下:
计算在两种土质预测器在历史数据上各土质特征的拟合优度rCi,rφi,rωi,定义i=1时为基于土质特征灰度图的土质预测器拟合优度,i=2时为基于渣土图像的土质预测器拟合优度;
计算两种土体预测器输出结果权重pCi,pφi,pωi,定义i=1时为基于土质特征灰度图的土质预测器输出结果的权重,i=2时为基于渣土图像的土质预测器输出结果的权重,权重具体计算方式如下:
基于上述计算结果,利用盾构采集到的实时施工数据,采用基于土质特征灰度图的土质预测器和基于渣土图像的土质预测器对开挖面土质进行预测,并将两者预测结果进行融合,得到最终模型输出[C,φ,ω],具体计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110558201.3A CN113255990B (zh) | 2021-05-21 | 2021-05-21 | 盾构法隧道施工开挖面土质实时预测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110558201.3A CN113255990B (zh) | 2021-05-21 | 2021-05-21 | 盾构法隧道施工开挖面土质实时预测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255990A true CN113255990A (zh) | 2021-08-13 |
CN113255990B CN113255990B (zh) | 2024-05-03 |
Family
ID=77183649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110558201.3A Active CN113255990B (zh) | 2021-05-21 | 2021-05-21 | 盾构法隧道施工开挖面土质实时预测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255990B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113958369A (zh) * | 2021-11-10 | 2022-01-21 | 重庆科技学院 | 一种基于数字孪生的隧道衬砌结构健康监测方法及其*** |
CN116465455A (zh) * | 2023-04-12 | 2023-07-21 | 山西建筑工程集团有限公司 | 集成式土体物理指标数字化监测方法和*** |
CN117475241A (zh) * | 2023-12-27 | 2024-01-30 | 山西省水利建筑工程局集团有限公司 | 用于悬臂式掘进机隧洞开挖的地质突变检测***及方法 |
CN118049239A (zh) * | 2024-04-16 | 2024-05-17 | 中建铁路投资建设集团有限公司 | 一种暗挖工程数据处理和隧道施工质量控制*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10331575A (ja) * | 1997-05-30 | 1998-12-15 | Fujita Corp | トンネル切羽前方の地質予測方法 |
CN104963691A (zh) * | 2015-06-03 | 2015-10-07 | 华中科技大学 | 一种复杂地层条件下土压盾构开挖面稳定性预测控制方法 |
CN106126775A (zh) * | 2016-06-13 | 2016-11-16 | 暨南大学 | 双线隧道盾构施工引起的土***移分析方法 |
KR20190061302A (ko) * | 2017-11-27 | 2019-06-05 | 인하대학교 산학협력단 | 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법 |
CN110926426A (zh) * | 2019-12-03 | 2020-03-27 | 西安科技大学 | 地铁盾构管片残余渣土体积实时检测装置及检测方法 |
CN111832223A (zh) * | 2020-06-29 | 2020-10-27 | 上海隧道工程有限公司 | 基于神经网络的盾构施工地表沉降预测方法 |
CN112614021A (zh) * | 2020-12-24 | 2021-04-06 | 东南大学 | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 |
-
2021
- 2021-05-21 CN CN202110558201.3A patent/CN113255990B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10331575A (ja) * | 1997-05-30 | 1998-12-15 | Fujita Corp | トンネル切羽前方の地質予測方法 |
CN104963691A (zh) * | 2015-06-03 | 2015-10-07 | 华中科技大学 | 一种复杂地层条件下土压盾构开挖面稳定性预测控制方法 |
CN106126775A (zh) * | 2016-06-13 | 2016-11-16 | 暨南大学 | 双线隧道盾构施工引起的土***移分析方法 |
KR20190061302A (ko) * | 2017-11-27 | 2019-06-05 | 인하대학교 산학협력단 | 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법 |
CN110926426A (zh) * | 2019-12-03 | 2020-03-27 | 西安科技大学 | 地铁盾构管片残余渣土体积实时检测装置及检测方法 |
CN111832223A (zh) * | 2020-06-29 | 2020-10-27 | 上海隧道工程有限公司 | 基于神经网络的盾构施工地表沉降预测方法 |
CN112614021A (zh) * | 2020-12-24 | 2021-04-06 | 东南大学 | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 |
Non-Patent Citations (4)
Title |
---|
SUN ZHONGHAI: "Faults Prediction and Diagnoses of Shield Machine Based on LSTM", IEEE * |
周文波, 吴惠明: "盾构法隧道施工智能化辅助决策***", 城市道桥与防洪, no. 01 * |
崔童: "大直径泥水平衡盾构施工过程中地层变形特征及地表沉降预测研究", 中国优秀硕士学位论文全文数据库, no. 06 * |
徐进;彭雄志;胡伟明;唐浩俊;: "基于神经网络的盾构机掘进隧道地表沉降预测", 四川建筑, no. 03 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113958369A (zh) * | 2021-11-10 | 2022-01-21 | 重庆科技学院 | 一种基于数字孪生的隧道衬砌结构健康监测方法及其*** |
CN113958369B (zh) * | 2021-11-10 | 2023-10-20 | 重庆科技学院 | 一种基于数字孪生的隧道衬砌结构健康监测方法及其*** |
CN116465455A (zh) * | 2023-04-12 | 2023-07-21 | 山西建筑工程集团有限公司 | 集成式土体物理指标数字化监测方法和*** |
CN116465455B (zh) * | 2023-04-12 | 2023-10-20 | 山西建筑工程集团有限公司 | 集成式土体物理指标数字化监测方法和*** |
CN117475241A (zh) * | 2023-12-27 | 2024-01-30 | 山西省水利建筑工程局集团有限公司 | 用于悬臂式掘进机隧洞开挖的地质突变检测***及方法 |
CN118049239A (zh) * | 2024-04-16 | 2024-05-17 | 中建铁路投资建设集团有限公司 | 一种暗挖工程数据处理和隧道施工质量控制*** |
CN118049239B (zh) * | 2024-04-16 | 2024-06-14 | 中建铁路投资建设集团有限公司 | 一种暗挖工程数据处理和隧道施工质量控制*** |
Also Published As
Publication number | Publication date |
---|---|
CN113255990B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Automated recognition model of geomechanical information based on operational data of tunneling boring machines | |
CN113255990B (zh) | 盾构法隧道施工开挖面土质实时预测***及方法 | |
Huang et al. | BIM, machine learning and computer vision techniques in underground construction: Current status and future perspectives | |
CN110109895B (zh) | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 | |
CN113239439B (zh) | 盾构施工地表沉降预测***及方法 | |
CN113204824B (zh) | 多模型融合的盾构施工沉降预测方法及*** | |
Boubou et al. | Artificial neural network application for the prediction of ground surface movements induced by shield tunnelling | |
CN109978226B (zh) | 基于循环神经网络的盾构施工地面沉降预测方法 | |
KR101967978B1 (ko) | 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법 | |
Yazdani-Chamzini et al. | Developing a fuzzy model based on subtractive clustering for road header performance prediction | |
CN111832223A (zh) | 基于神经网络的盾构施工地表沉降预测方法 | |
Yan et al. | Identification of geological characteristics from construction parameters during shield tunnelling | |
Guo et al. | Advance prediction of collapse for TBM tunneling using deep learning method | |
Zhang et al. | A new index for cutter life evaluation and ensemble model for prediction of cutter wear | |
Lin et al. | Multi-objective robust optimization for enhanced safety in large-diameter tunnel construction with interactive and explainable AI | |
Liu et al. | A hybrid data-driven model for geotechnical reliability analysis | |
Hassan et al. | Predictive models to evaluate the interaction effect of soil-tunnel interaction parameters on surface and subsurface settlement | |
Qiu et al. | TBM tunnel surrounding rock classification method and real-time identification model based on tunneling performance | |
Shi et al. | Data-driven sequential development of geological cross-sections along tunnel trajectory | |
CN113323676B (zh) | 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法 | |
Wang et al. | Data-driven analysis of soil consolidation with prefabricated vertical drains considering stratigraphic variation | |
Yan et al. | A novel method for identifying geomechanical parameters of rock masses based on a PSO and improved GPR hybrid algorithm | |
LIANG et al. | Stratum identification based on multiple drilling parameters and probability classification | |
Wen et al. | IoT-assisted feature learning for surface settlement prediction caused by shield tunnelling | |
Liu et al. | Prediction of retaining structure deformation of ultra-deep foundation pit by empirical mode decomposition with recurrent neural networks |
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 |