CN113685188A - 一种基于岩渣物理特征的tbm掘进优化方法 - Google Patents
一种基于岩渣物理特征的tbm掘进优化方法 Download PDFInfo
- Publication number
- CN113685188A CN113685188A CN202110939424.4A CN202110939424A CN113685188A CN 113685188 A CN113685188 A CN 113685188A CN 202110939424 A CN202110939424 A CN 202110939424A CN 113685188 A CN113685188 A CN 113685188A
- Authority
- CN
- China
- Prior art keywords
- tbm
- rock slag
- tunneling
- slag
- rock
- 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
- 239000002893 slag Substances 0.000 title claims abstract description 111
- 239000011435 rock Substances 0.000 title claims abstract description 109
- 230000005641 tunneling Effects 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 239000002245 particle Substances 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000010276 construction Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 18
- 238000005303 weighing Methods 0.000 claims description 13
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 12
- 239000011707 mineral Substances 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 239000013589 supplement Substances 0.000 claims description 5
- 238000001931 thermography Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 4
- 238000005299 abrasion Methods 0.000 claims description 3
- 238000000701 chemical imaging Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 229910052751 metal Inorganic materials 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims 4
- 238000010079 rubber tapping Methods 0.000 claims 2
- 238000009825 accumulation Methods 0.000 claims 1
- 239000013078 crystal Substances 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 claims 1
- 230000005855 radiation Effects 0.000 claims 1
- 230000008542 thermal sensitivity Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 238000009412 basement excavation Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000005422 blasting Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012106 screening analysis Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 229910052723 transition metal Inorganic materials 0.000 description 1
Images
Classifications
-
- 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
- E21D9/093—Control of the driving shield, e.g. of the hydraulic advancing cylinders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Geochemistry & Mineralogy (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Geology (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Dispersion Chemistry (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种基于岩渣物理特征的TBM掘进优化方法,首先,安装***的图像采集和传感器设备,获取TBM现场掘进参数数据、岩渣的几何特征和物理特征的参数数据作为模型的样本集;其次,建立粒子群算法优化的梯度提升回归树模型进行参数学习与训练反馈,控制TBM掘进参数建议区间;然后,输出TBM净掘进速率,获得最优的预测模型,根据样本中测试集,评估最优预测模型的工作性能,提出最优掘进控制参数;最后,将最优掘进控制参数与相关规范要求进行比对后,及时向TBM控制台反馈,按调整TBM掘进参数。本发明所提出的优化可以应用于TBM施工中,***岩渣信息并动态调整掘进参数,实现TBM破岩效率的智能预测,这对于隧道安全高效的施工有着重要意义。
Description
技术领域
本发明涉及隧道掘进技术领域,特别涉及一种基于岩渣物理特征的TBM掘进优化方法。
背景技术
随着地下空间被不断开发,隧道工程的开挖难度和机械化水平在逐步提升,全断面隧道掘进机(Tunnel Boring Machine,TBM)得到了快速发展和应用。传统的钻爆法施工安全性差且施工程序复杂,相比之下TBM具有以下优点:①改善了作业人员的洞内劳动条件,保证了施工的安全性;②掘进速度是传统钻爆法的3-10倍,并且可以实现连续掘进;③隧道整体成型效果好,实现装配一体化;④施工过程中噪声扰动小,对周围环境基本无影响。
在TBM掘进过程中,主要依靠安装在掘进机刀盘上刀具与岩石之间的作用来实现破岩,刀具在法向推力和滚动力的作用下压向掌子面,使岩石产生破碎。而在实际施工推进中,由于掘进面岩体的非均质性和各向异性,当地层条件发生变化时,对TBM掘进过程的影响较大,若不及时根据当前地层的岩石状态来调整TBM的主要掘进控制参数,将导致TBM掘进效率降低、滚刀磨损严重、设备卡机等不良后果。
对于施工过程中存在的隐患,从现有的测试技术和预测方法看来,还有一些不足之处可以进行优化:①关于岩渣物理特征的测试技术较为简易,通常在出渣皮带的上方架设工业相机进行采集图像信息,并结合传统筛分析的方法判别岩渣的颗粒级配情况,测试中所获取的岩渣几何参数和物理参数有限,且耗时较长,无法对TBM动态掘进过程进行及时反馈;②关于算法预测TBM掘进参数的研究内容,在智能预测及优化决策方法中,通常只选取单一类型的参数作为优化方法中的指标,缺少对TBM掘进参数以及岩渣参数的联合考量,对预测结果的准确性有待提高。
发明内容
为了解决现有技术中存在的不足,本发明提供一种基于岩渣物理特征的TBM掘进优化方法。综合利用TBM掘进指标、岩渣的几何和物理指标形成训练集,构建以GBRT模型为基础的算法预测方法,输入训练集中操作参数的优化目标进行全局寻优以及参数反演,输出得到的TBM主要掘进参数进行预测评价。以此来分析TBM掘进前方地质情况和主要控制参数调整依据,为TBM的安全高效、智能化掘进提供了大数据支持。
实现本发明目的的技术解决方案为:一种基于岩渣物理特征的TBM掘进优化方法,包括以下步骤:
步骤1、数据采集设备的选择,其中图像采集装置包括工业相机、红外线热像仪以及高光谱成像仪,采用LED补光灯作为辅助设备;传感器设备采用压力式称重传感器;通过接线与后台的数据综合存储中心关联,实时采集TBM掘进过程中岩渣的图像信息和重量数据。
步骤2、实时样本数据集的获取,图像采集装置中工业相机获取岩渣形状的表面图像信息,红外热成像获取岩渣表面温度分布信息的热像数据,高光谱成像仪获取岩渣中矿物的诊断性光谱特征;传感器中通过压力式称重传感器获取不同阶段岩渣的重量信息;在TBM主控室中机器运行记录仪现场收集TBM的现场掘进参数。
步骤3、数据的处理设计,将岩渣的几何信息特征、物理信息特征以及TBM的现场掘进参数,形成完整的样本数据集,并选择模型训练的输入指标和输出指标,初定合理的指标取值区间。
步骤4、数据的训练反馈,使用样本数据集建立粒子群算法优化的梯度提升回归树(PSO-GBRT)模型,将数据集分为训练组数据和测试组数据,先使用训练组数据对GBRT模型的关键参数进行训练,获得最优模型参数,再将测试组参数导入GBRT模型得到GBRT预测机。
步骤5、数据信息的辅助反馈与动态调整,将输入指标导入最优的预测模型中训练后,得到设定的输出指标,与规范或设计案例进行比对,依据模型预测和比对的结果,动态调整TBM掘进参数,完成对TBM安全高效掘进的优化。
作为优选,构建所述步骤1中图像采集装置,具体步骤为:
图像采集装置中工业相机、红外线热像仪以及高光谱成像仪,均安装在出渣皮带的上方位置,沿着皮带出渣方向依次记录图像信息,通过数据线将图像信息存储于后台的数据中心,保证数据的稳定传输,出渣皮带两侧安装LED补光灯作为辅助设备;
压力式称重传感器安装在出渣皮带的下方,通过接线与后台的数据综合存储中心关联,实时记录TBM掘进过程中岩渣的图像信息和重量数据,图像的存储和处理均在计算机***上完成。
作为优选,构建所述步骤2中样本数据集,具体步骤为:
TBM掘进的影响指标众多且存在相关性,对于优化模型的参数选取应首先考虑到参数的易得性以及预测的准确性。因此,在TBM掘进过程中,所获取的参数指标包括刀盘推力(Fn)、刀盘扭矩(T)和刀盘转速(RPM);
工业相机采集岩渣的二维图像信息,经过图像灰度处理,提取岩渣的形状和大小等特征,估算岩渣的短轴(c)、中轴(b)和长轴(a)等几何参数指标;
红热成像仪在不接触岩渣的情况下,获取的热成像数据,经过图像识别,得到岩石近表面温度分布信息,换算后可获得岩渣的含水量(MC)、含泥量(Qc)等物理参数指标;
高光谱成像仪拍摄的岩渣图像,测定岩渣中每种矿物的高光谱反射率波谱曲线,建立矿物的高光谱反射率波谱数据库,并将其植入由Matlab开发的矿物自动识别***中,作为矿物自动识别的标准,从而计算岩渣中金属含量,获取刀具的磨损量(VB)信息,了解掘进过程中刀具磨损情况;
压力式称重传感器获取岩渣的重量(W)参数指标,结合工业相机拍摄图像中所获取的岩渣几何特征,确定岩渣的粒径范围。
作为优选,构建所述步骤3中输出指标,具体步骤为:
确定以净掘金速率(PR)为输出指标,即为TBM一次连续掘进过程中挖掘长度与相对应挖掘时间的比值,通过优化的情况,评定TBM掘进参数值的建议区间。
作为优选,构建所述步骤4中采用粒子群算法优化的梯度提升回归树(PSO-GBRT)模型,具体步骤为:
(1)初始化粒子群算法的种群数量20,最大迭代次数200,学习因子c1和c2为1.5,确定模型超参数弱学习器数量,最大树深度,学习速率的初始值,弱学习器数量取值范围为1到1000,最大树深度的取值范围为1到5,学习速率的取值范围为0.01到1,并随机取得这些参数的初始值;
(2)计算粒子群个体的适度值,适度值由样本预测值与样本真实值之间的均方误差计算,所有粒子中适应度最好的数值设置为群体极值;
(3)更新每个粒子的速度和位置,并与前一时刻的极值进行比较,更新个体和群体极值;
(4)判断是否达到预先设定的最大迭代次数或最小误差条件。若不满足,则返回步骤(2),若满足结束条件,则停止迭代,输出参数的最优解;
(5)对PSO-GBRT模型预测性能进行检验,指标R平方(R2)和均方误差根(RMSE)计算公式为如下:
(6)若R2和RMSE满足设定的TBM掘进预测精度要求,进行下一步骤,且将PSO-GBRT预测模型设为最终模型;如果不满足预设的TBM掘进预测精度要求,则返回步骤1)重复进行模型训练和指标优化。
作为优选,构建所述步骤5中动态调整掘进参数,具体步骤为:
(1)将输入指标最终的PSO-GBRT预测模型中,进行辅助决策,输出预测模型指标;
(2)整理输出的最优预测模型指标数值,与《盾构法隧道施工及验收规范》(GB50446-2017)以及盾构施工技术实例中的数值进行比对,确定后续掘进过程中动态调整的预案;
(3)总结各性能参数在掘进过程中的变化规律,合理选择最优掘进参数的组合。
与现有技术相比,本发明的有益效果是:
对于TBM掘进过程中,关于岩渣物理特征的测试方法较为完整,通常在出渣皮带的上方架设不同图像采集装置,获取岩渣含水量、刀具磨损情况等信息,并结合传感器数据判别岩渣的颗粒级配情况,可以做到对TBM动态掘进过程进行及时反馈。
对于TBM参数的研究方法中,将TBM掘进参数、几何参数和物理参数互相联系,同时作为约束条件对TBM的掘进参数进行优化,提高了参数预测结果的可靠性,并且通过机器学习能实时对大量岩渣进行识别,实时输出TBM掘进参数的参考范围。
对于TMB掘进参数辅助决策中,本发明中除了使用常规的梯度提升回归树模型,还组合了粒子群优化算法,从而找到梯度提升回归树模型的最佳参数,提高了模型的预测精度,能够以有效地为TBM掘进参数的动态调整提供参考。
附图说明
图1为本发明的流程示意图。
图2为岩渣信息采集装置示意图。
其中,1—工业相机,2—红外热成像仪,3—高光谱成像仪,4—称重传感器,5—LED补光灯,6—数据综合存储中心,7—工业电脑,8—岩渣,9—出渣皮带。
具体实施方式
为解决背景技术所介绍的现有技术中存在的不足,本发明提出了一种基于岩渣物理特征的TBM掘进优化方法,根据TBM掘进参数和岩渣信息,采用粒子群算法优化的梯度提升回归树(PSO-GBRT)模型实现掘进过程的动态调整,进而有效提高TBM掘进速率,下面结合附图与实施例对本发明作进一步详细说明。
实施例,包括以下步骤:
(1)信息采集设备安装
本发明实施例的TBM开挖岩渣物理特征的自动采集与分析***,该***包括:工业相机、红外热成像仪、高光谱成像仪以及称重传感器,如图2所示,沿箭头的出渣方向依次在传送带安装信息采集设备装置,并采用LED补光灯对出渣皮带上的岩渣进行灯光补偿。
(2)数据的采集和处理
工业相机采集岩渣的二维图像信息,将获取的岩渣图像信息进行图片自动识别,经过岩渣图像处理后,获得岩渣的形状及几何特征。岩渣图像处理包括将所采集的岩渣彩色图像转化为灰度图像,即当灰度值大于事先设定的阈值时为1,小于阈值则为0,使用图像联通区域检测算法来判断连通区域,连通区域即为岩渣的位置,根据连通区域的像素点则可以计算出岩渣中轴与长轴的比值(b/a)及短轴(c)。
红外热成像仪采集岩渣的热图像,通过红外热像仪接收被测物体所发射的红外能量,可以把不可见的红外信息转换成可见光图像,以热图像的形式直观准确的反映物体的二维温度场分布。含水量大的岩渣其表面的温度,要低于含水量小的岩渣。通过温度值的换算岩渣的含水量(MC)和含泥量(Qc)。
高光谱成像测试仪得到集图像数据和光谱数据于一体的三维数据信息,对光谱数据成像信号进行特征提取。在矿物成分的识别中,0.4~2.5μm的光谱区间特性,主要取决于矿物晶格结构中存在的铁、铜、钢等过渡性金属元素的电子跃迁,从而识别岩渣中的刀具成分,获取TBM刀具的磨损量(VB)。
称重传感器通过测量出渣皮带上承受的负载来测量岩渣的力,将来自岩渣的压力转换成相应的电信号,从而达到测量岩渣的重量(W)。将岩渣的几何特征和重量数据相结合,确定粒径分布范围。
通过掘进工作台的操作***,采集TBM的掘进参数刀盘推力(Fn)、刀盘扭矩(T)以及刀盘转速(RPM)。
(3)样本集的选取
采集TBM掘进参数特征,岩渣几何特征以及物理特征,建立了一个包含750个数据样本的数据库用于TBM掘进速率PR的建模。在机器学习研究中,通常将整个样本集分为两组,一组使用训练数据集开发预测模型,一组使用测试数据集评估开发的模型。参考现有的相关研究,通常分配20%-30%的数据集用于模型的测试。因此,在本实施例中,600个样本集用于训练阶段,其余150个样本集用于模型评估或测试阶段。
(4)样本集的训练
使用训练组数据建立GBRT模型,对选定的输入指标进行训练,为了使GBRT模型获得较高的泛化能力,使用PSO优化算法来对模型的n_estimators、learning_rate、max_depth这三个参数进行寻优。
首先,初始化算法的参数,确定模型超参数n_estimators、learning_rate、max_depth的初始值和取值范围,初值设定种群数量20,最大迭代次数200,学习因子c1和c2为1.5。其次,计算粒子群个体的适度值,适度值由样本预测值与样本真实值之间的均方误差计算,所有粒子中适应度最好的设置为全体极值g_best。然后,更新粒子的速度和位置,并与前一时刻的极值进行比较,更新极值。最后,判断设定的结束条件是否满足。若满足结束条件,则停止迭代,输出参数最优解,获取最优参数解下的GBRT预测模型。
(5)数据信息的反馈和比对
利用测试集评估预测模型中,R2指标评价模型预测模型性能,计算公式为:
根据输出指标TBM净掘进速率(PR),整理优化情况下输出指标所对应的TBM掘进参数、岩石的几何特征和物理特征值,与《盾构法隧道施工及验收规范》(GB50446-2017)以及盾构施工技术实例中的数值进行比对。当预测模型输出的净掘进速率小于预设净掘进速率时,通过输出指标所对应的特征值进行动态调整,若预测信息显示岩渣中金属含量将升高,说明滚刀可能出现偏磨现象,应及时调整刀盘扭矩和转速等参数;若预测信息显示岩渣中含水量将升高,说明滚刀可能出现结泥现象,应尽量减小推力,控制出水量。
在大数据广泛应用发展的背景下,本发明具有实时性,通过机器学习能对现场大量岩渣的物理特征进行识别,实时输出TBM净掘进速率,实现TBM掘进参数的动态调整,从而为TBM安全高效的掘进提供参考。
Claims (6)
1.一种基于岩渣物理特征的TBM掘进优化方法,其特征在于,包括以下步骤:
S1,在TBM出渣皮带上依次设置工业相机、红外线热像仪、高光谱成像仪、称量传感器,辅助LED补光灯和数据综合存储中心,实时采集TBM掘进过程中岩渣的图像信息和重量数据;
S2,借助数据处理器获取岩渣信息,所述工业相机用于采集岩渣的表面图像,确定岩渣的短轴、中轴和长轴等几何特征;所述红外热成像仪装置用于岩渣的热成像和图像识别,检测岩渣中含水量和含泥量;所述高光谱成像仪装置用于获取岩渣的图像数据和光谱数据,识别岩渣中矿物成分;所述压力式称重传感器装置用于称量不同阶段岩渣的重量,确定岩渣的粒径范围;
S3,获取TBM现场掘进参数、岩渣物理特征作为输入指标,选取TBM净掘进速率(PR)作为输出指标,设定合理的TBM掘进参数区间;
S4,通过粒子群算法算法的参数学习与训练反馈,建立TBM掘进预测结果对比和分析模型,提出最优掘进控制参数;
S5,采用粒子群算法生成的最优掘进控制参数,与规范或设计进行对比,动态调整掘进参数,提高施工效率、降低能耗。
2.根据权利要求1所述的基于岩渣物理特征的TBM掘进优化方法,其特征在于,所述步骤S1中,工业相机型号为佳能N10-W02,有效像素数为1920×1080,焦距为4.3mm,设置在TBM出渣皮带的上方,实时拍摄岩渣的照片信息;
红外线热像仪型号为高德智感D384M红外热像仪,分辨率为384×288像素,测量范围-20℃-150℃,热灵敏度0.04℃,设置在TBM出渣皮带的上方,记录岩渣的热像数据;
高光谱成像仪型号为HyperSpec-SWIR机载地面两用短波红外高光谱成像光谱仪,光谱范围1000-2500nm,共200个光谱通道,光谱分辨率为8-12nm,设置在TBM出渣皮带的上方,获取岩渣的近景高光谱成像数据;
称量传感器型号为PK13D筒式荷重传感器,最大量程30t,设置在TBM出渣皮带的下方,读取岩渣的重量数据;
LED型号为ninja200专业补光灯,最大光照度为70400lux/0.5m,最高光通亮5800lm,设置在TBM出渣皮带的上方,用于对出渣皮带上的岩渣进行灯光补偿;
在计算机上构建数据存储中心,可以实时将仪器设备所得的岩渣信息传入数据库,再通过无线网络将数据库的数据传入数据存储中心。
3.根据权利要求1所述的基于岩渣物理特征的TBM掘进优化方法,其特征在于,所述步骤S2中,岩渣表面图像处理包括将工业相机所采集的岩渣彩色图像转化为灰度图像,即当灰度值大于事先设定的阈值时为1,小于阈值则为0,使用图像联通区域检测算法来判断连通区域,连通区域即为岩渣的位置,根据连通区域的像素点则可以计算出岩渣的几何特征;
利用热像仪的红外热成像技术将物体的红外热辐射转换为可视图像,在不损坏目标对象的情况下检测其表面温度,利用热像中的不同特征差异可以区分和识别岩石的含水量和含泥量的大小,含水量和含泥量大的岩渣在同一时间,其温度要比量值小的岩渣低;
利用高光谱成像仪能够捕捉到岩渣中矿物的诊断性光谱特征,由于各种矿物晶体结构各不相同,因此由晶格振动而产生的各种矿物光谱特性是不一样的,可以对岩渣中的矿物及其成分进行识别,进而获取TBM掘进过程中刀具金属的磨损量;
利用压力式称重传感器将岩渣的重量转化为电信号输出至外部的控制装置,结合图像处理中获取的几何特征,判断岩渣的粒径范围。
4.根据权利要求1所述的基于岩渣物理特征的TBM掘进优化方法,其特征在于,所述步骤S3具体包括,根据以往研究中参数的使用频率,构建TBM掘进参数、岩渣的几何参数和物理参数作为输入指标样本数据集,TBM现场记录的掘进参数指标包括刀盘推力(Fn)、刀盘扭矩(T)和刀盘转速(RPM),工业相机获取的岩渣几何参数指标包括岩渣的短轴(c)、中轴(b)和长轴(a),仪器获取的岩渣物理参数指标包括重量(W)、含水量(MC)、含泥量(Qc)和刀具磨损量(VB);
以TBM净掘进速率(PR)作为输出指标,构建TBM掘进优化预测模型以及评定TBM掘进参数值的建议区间。
5.根据权利要求1所述的基于岩渣物理特征的TBM掘进优化方法,其特征在于,所述步骤S4具体包括,将收集到的样本数据集进行归一化处理,并将其分为训练集和测试集;使用训练集构建GBRT模型,初始化GBRT的参数,包括弱学习器数量、最大树深度以及学习速率;初始化粒子群算法相关参数,使用粒子群优化算法对GBRT的参数进行寻优,得到最优的弱学习器数量、最大树深度以及学习速率参数值;S4.4将最优的参数代入GBRT模型,得到经过训练的PSO-GBRT预测模型,再将测试集样本数据带入训练完成的PSO-GBRT模型中得到参数预测值,并使用R2和RMSE指标检验模型的预测性能。
6.根据权利要求1所述的基于岩渣物理特征的TBM掘进优化方法,其特征在于,所述步骤S5中,首先对于测试集样本的预测结果进行分析,评估得到最优掘进控制参数的预测值,确定合理的预测值区间;然后将模型输出的预测数值与《盾构法隧道施工及验收规范》(GB50446-2017)以及相关设计的工程案例进行对比,若输出参数符合规范的要求,则对TBM掘进参数动态调整,有效应对掘进过程中出现的刀盘结泥或遭遇硬岩地层等现象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110939424.4A CN113685188B (zh) | 2021-08-16 | 2021-08-16 | 一种基于岩渣物理特征的tbm掘进优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110939424.4A CN113685188B (zh) | 2021-08-16 | 2021-08-16 | 一种基于岩渣物理特征的tbm掘进优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113685188A true CN113685188A (zh) | 2021-11-23 |
CN113685188B CN113685188B (zh) | 2023-01-31 |
Family
ID=78580118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110939424.4A Active CN113685188B (zh) | 2021-08-16 | 2021-08-16 | 一种基于岩渣物理特征的tbm掘进优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113685188B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114439500A (zh) * | 2021-12-16 | 2022-05-06 | 山东大学 | 基于随钻测试的tbm穿越不良地质智能掘进***与方法 |
CN114965315A (zh) * | 2022-05-18 | 2022-08-30 | 重庆大学 | 一种基于高光谱成像的岩体损伤劣化快速评估方法 |
CN115408928A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 基于渣土分析的围岩参数预测方法及装置 |
CN115408925A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 用于隧道施工的岩体参数预测方法和装置 |
CN115408929A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 用于隧道掘进施工预测的数据处理方法和装置 |
CN117056748A (zh) * | 2023-10-12 | 2023-11-14 | 山东能源集团西北矿业有限公司 | 一种矿用tbm掘进过程参数的优化方法 |
CN117147552A (zh) * | 2023-10-30 | 2023-12-01 | 北京交通大学 | 一种用于tbm隧洞的岩渣级配分析方法 |
CN117292197A (zh) * | 2023-10-10 | 2023-12-26 | 山东能源集团西北矿业有限公司 | 一种tbm接触界面的识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106996969A (zh) * | 2017-03-03 | 2017-08-01 | 北京农业质量标准与检测技术研究中心 | 一种土壤重金属空间分布预测方法及*** |
CN109933577A (zh) * | 2019-03-08 | 2019-06-25 | 山东大学 | 基于tbm岩-机参数动态交互机制的隧洞可掘进预测方法及*** |
CN110516730A (zh) * | 2019-08-20 | 2019-11-29 | 中铁工程装备集团有限公司 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
CN111140244A (zh) * | 2020-01-02 | 2020-05-12 | 中铁工程装备集团有限公司 | 一种硬岩掘进机支护等级智能推荐方法 |
CN112127896A (zh) * | 2020-09-18 | 2020-12-25 | 武汉大学 | 一种tbm开挖岩渣信息自动采集与分析***及方法 |
CN112163316A (zh) * | 2020-08-31 | 2021-01-01 | 同济大学 | 一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法 |
CN112182973A (zh) * | 2020-09-30 | 2021-01-05 | 山东大学 | 考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法 |
JP2021017758A (ja) * | 2019-07-22 | 2021-02-15 | 清水建設株式会社 | シールド掘削機制御システム及びシールド掘削機制御方法 |
-
2021
- 2021-08-16 CN CN202110939424.4A patent/CN113685188B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106996969A (zh) * | 2017-03-03 | 2017-08-01 | 北京农业质量标准与检测技术研究中心 | 一种土壤重金属空间分布预测方法及*** |
CN109933577A (zh) * | 2019-03-08 | 2019-06-25 | 山东大学 | 基于tbm岩-机参数动态交互机制的隧洞可掘进预测方法及*** |
JP2021017758A (ja) * | 2019-07-22 | 2021-02-15 | 清水建設株式会社 | シールド掘削機制御システム及びシールド掘削機制御方法 |
CN110516730A (zh) * | 2019-08-20 | 2019-11-29 | 中铁工程装备集团有限公司 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
CN111140244A (zh) * | 2020-01-02 | 2020-05-12 | 中铁工程装备集团有限公司 | 一种硬岩掘进机支护等级智能推荐方法 |
CN112163316A (zh) * | 2020-08-31 | 2021-01-01 | 同济大学 | 一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法 |
CN112127896A (zh) * | 2020-09-18 | 2020-12-25 | 武汉大学 | 一种tbm开挖岩渣信息自动采集与分析***及方法 |
CN112182973A (zh) * | 2020-09-30 | 2021-01-05 | 山东大学 | 考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114439500A (zh) * | 2021-12-16 | 2022-05-06 | 山东大学 | 基于随钻测试的tbm穿越不良地质智能掘进***与方法 |
CN114439500B (zh) * | 2021-12-16 | 2023-09-05 | 山东大学 | 基于随钻测试的tbm穿越不良地质智能掘进***与方法 |
CN114965315A (zh) * | 2022-05-18 | 2022-08-30 | 重庆大学 | 一种基于高光谱成像的岩体损伤劣化快速评估方法 |
CN115408928A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 基于渣土分析的围岩参数预测方法及装置 |
CN115408925A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 用于隧道施工的岩体参数预测方法和装置 |
CN115408929A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 用于隧道掘进施工预测的数据处理方法和装置 |
CN117292197A (zh) * | 2023-10-10 | 2023-12-26 | 山东能源集团西北矿业有限公司 | 一种tbm接触界面的识别方法 |
CN117056748A (zh) * | 2023-10-12 | 2023-11-14 | 山东能源集团西北矿业有限公司 | 一种矿用tbm掘进过程参数的优化方法 |
CN117056748B (zh) * | 2023-10-12 | 2024-03-12 | 山东能源集团西北矿业有限公司 | 一种矿用tbm掘进过程参数的优化方法 |
CN117147552A (zh) * | 2023-10-30 | 2023-12-01 | 北京交通大学 | 一种用于tbm隧洞的岩渣级配分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113685188B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113685188B (zh) | 一种基于岩渣物理特征的tbm掘进优化方法 | |
WO2021147554A1 (zh) | 基于长石特征的隧洞内碎屑岩抗风化能力判别***与方法 | |
CN108489403A (zh) | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 | |
CN110728402B (zh) | 一种基于地质标本分析的区域矿产资源预测*** | |
CN115019171B (zh) | 非接触式围岩快速分区分级方法 | |
CN110234811B (zh) | 道路坍塌风险度评价装置、评价方法及评价用计算机程序 | |
CN1904644A (zh) | 网络化的隧道实时连续超前预报方法及装置 | |
Li et al. | Automatic recognition and classification of microseismic waveforms based on computer vision | |
CN115267928B (zh) | 一种用于随钻元素测井的能谱智能处理方法 | |
CN112541665A (zh) | 一种基于多源信息融合的边坡稳定性精细化评价方法 | |
CN113988142A (zh) | 一种基于卷积神经网络的隧道衬砌空洞声学识别方法 | |
Zhang et al. | Deep learning‐based automatic detection of muck types for earth pressure balance shield tunneling in soft ground | |
Dickmann et al. | Towards the integration of smart techniques for tunnel seismic applications | |
CN115510606A (zh) | 基于超前地质预报数据的围岩智能超前分级方法及*** | |
CN112801035B (zh) | 基于知识与数据双驱动的搭载式岩性智能识别方法及*** | |
JP3247334B2 (ja) | 熱映像による構造物変状診断システム及び診断方法 | |
CN107038700A (zh) | 基于gssim的土壤湿度空间分布特征定量分析方法 | |
CN117011759A (zh) | 钻爆法隧道掌子面围岩多元地质信息解析方法及*** | |
CN114972906A (zh) | 一种土压平衡盾构开挖面土质类型识别方法 | |
CN115046516A (zh) | 基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法 | |
CN110702632B (zh) | 一种深部岩矿高光谱信息三维建模方法 | |
Tian et al. | Rock fracture identification with measurement while drilling data in down-the-hole drills | |
Yuan et al. | Joint investigation and 3D visual evaluation of rock mass quality | |
RU2509890C1 (ru) | Способ контроля и определения координат опасного состояния массива горных пород при подземных горных работах | |
CN105824042A (zh) | 基于照明能量最优的最大纵向距设计方法 |
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 |