CN115422822A - 隧道岩体参数预测方法及装置 - Google Patents
隧道岩体参数预测方法及装置 Download PDFInfo
- Publication number
- CN115422822A CN115422822A CN202210871904.6A CN202210871904A CN115422822A CN 115422822 A CN115422822 A CN 115422822A CN 202210871904 A CN202210871904 A CN 202210871904A CN 115422822 A CN115422822 A CN 115422822A
- Authority
- CN
- China
- Prior art keywords
- muck
- rock
- parameters
- tunneling
- rock mass
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 303
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000005641 tunneling Effects 0.000 claims abstract description 169
- 238000007637 random forest analysis Methods 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 42
- 230000001133 acceleration Effects 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000035515 penetration Effects 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 description 41
- 230000000875 corresponding effect Effects 0.000 description 35
- 238000010586 diagram Methods 0.000 description 17
- 239000002893 slag Substances 0.000 description 17
- 239000000523 sample Substances 0.000 description 15
- 239000002689 soil Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000009412 basement excavation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000005526 G1 to G0 transition Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012468 concentrated sample Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005070 sampling Methods 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
- 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
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请公开了一种隧道岩体参数预测方法及装置，本申请方法包括获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息，掘进参数包括刀盘转速、刀盘扭矩、贯入度、切深指数，渣土特征参数包括不均匀系数、曲率系数、最大粒径、粗糙度指数，振动信息包括振动加速度有效值、振动平均幅值、振动峰值、振动平均极值；将掘进参数、渣土特征参数、振动信息输入基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型，输出未掘进岩体的岩体参数预测结果。本申请解决如何更准确地对围岩参数进行预测。
Description
技术领域
本申请涉及土木工程技术领域，具体而言，涉及一种隧道岩体参数预测方法及装置。
背景技术
全断面隧道掘进机(Tunnel Boring Machine，TBM)是机械化施工中常用的智能化设备。在TBM掘进前会根据掌子面围岩的情况采用最为合理的TBM掘进策略，实现安全高效的TBM掘进。然而，TBM刀盘与护盾几乎隔绝了掌子面以及周围洞壁近2m内的所有岩体信息，虽可通过人工换刀仓滚刀支座空隙直接观测到部分掌子面围岩，但掘进过程中换刀仓常有飞溅渣片且渣灰严重降低了换刀仓内部可见度。目前掘进策略的选择，通常是由施工人员根据经验进行围岩参数的粗略判断，进而选择掘进策略的。发明人发现这种经验选择会经常引起较为棘手的TBM故障，造成工期的延误及错过最佳的隧道建设时间等，严重影响施工的效率。因此如何准确的对围岩参数进行预测是亟需解决的问题。
发明内容
本申请的主要目的在于提供一种隧道岩体参数预测方法及装置，解决如何更准确地对围岩参数进行预测。
为了实现上述目的，根据本申请的第一方面，提供了一种隧道岩体参数预测方法。
根据本申请的隧道岩体参数预测方法包括：获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息，所述掘进参数包括刀盘转速、刀盘扭矩、贯入度、切深指数，所述渣土特征参数包括不均匀系数、曲率系数、最大粒径、粗糙度指数，所述振动信息包括振动加速度有效值、振动平均幅值、振动峰值、振动平均极值；将所述掘进参数、所述渣土特征参数、所述振动信息输入基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型，输出未掘进岩体的岩体参数预测结果，所述岩体参数预测模型是基于随机森林算法的岩体完整度分类预测模型和基于BP神经网络的岩体感知模型融合得到的，其中，所述岩体完整度分类预测模型是根据掘进参数、渣土特征参数、振动信息预测岩体完整程度的模型，所述岩体感知模型是根据掘进参数、渣土特征参数、振动信息、岩体完整程度预测岩体参数的模型。
可选的，所述获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息包括：基于掘进机的掘进参数实时监测设备获取所述掘进参数；对已掘进岩体掘进过程中产生的渣土对应的渣土图像进行图像识别确定所述渣土特征参数；基于掘进机的振动监测设备获取所述振动信息。
可选的，所述对已掘进岩体过程中产生的渣土对应的渣土图像进行图像识别确定所述渣土特征参数包括：获取多个所述渣土图像；对每个所述渣土图像依次进行二值化分割处理、分水岭算法分割处理得到多个校准的渣土图像；将每个校准的渣土图像中的渣土进行三维形态等效；根据三维形态等效后的渣土计算每个所述渣土图像中渣土的体积和质量；根据渣土的体积和质量分别绘制每个所述渣土图像对应的粒径级配曲线；根据粒径级配曲线分别计算每个所述渣土图像对应的不均匀系数、曲率系数、最大粒径、粗糙度指数；将多个渣土图像的不均匀系数、曲率系数、最大粒径、粗糙度指数的平均值确定为所述渣土特征参数。
可选的，所述将每个校准的渣土图像中的渣土进行三维形态等效包括：将所述每个校准的渣土图像中的渣土等效为一个椭球，每个渣土对应一个等效椭圆，其中，渣土的长对应于等效椭球的主轴，渣土的横截面等效直径对应于等效椭球的次轴。
可选的，所述根据三维形态等效后的渣土计算每个所述渣土图像中渣土的体积和质量包括：根据渣土对应的等效椭球的主轴和次轴计算每个渣土图像中渣土的体积和质量。
可选的，所述将所述掘进参数、所述渣土特征参数、所述振动信息输入基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型，输出未掘进岩体的岩体参数预测结果包括：将所述掘进参数、所述渣土特征参数、所述振动信息输入所述基于随机森林算法的岩体完整度分类预测模型，输出所述未掘进岩体的完整程度分类结果；将所述掘进参数、所述渣土特征参数、所述振动信息以及所述完整程度分类结果输入所述基于BP神经网络的岩体感知模型，输出所述未掘进岩体的岩体强度和体积节理数。
可选的，所述方法还包括：建立基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型。
可选的，所述建立基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型包括：获取样本数据，所述样本数据包括预设数量的单次掘进区间对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息以及围岩参数；基于随机森林算法对预设数量的单次掘进区间对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息以及围岩参数中的岩体完整程度进行模型训练，得到所述岩体完整度分类预测模型；基于BP神经网络对预设数量的单次掘进区间对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息、围岩参数，以及所述岩体完整度分类预测模型的输出结果进行模型训练，得到所述岩体感知模型。
可选的，所述基于BP神经网络对预设数量的单次掘进区间对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息、围岩参数，以及所述岩体完整度分类预测模型的输出结果进行模型训练，得到所述岩体感知模型还包括：根据网格搜索方式选取神经网络的超参数，并以ReLU函数为激活函数进行模型的训练。
可选的，所述基于随机森林算法对预设数量的单次掘进区间对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息以及围岩参数中的岩体完整程度进行模型训练，得到所述岩体完整度分类预测模型还包括：根据网格搜索方式，分别建立随机森林树颗数、最大深度、最大特征数的学习曲线；分别基于随机森林树颗数、最大深度、最大特征数的学习曲线确定模型的树颗数、最大深度、最大特征数；基于所述树颗数、最大深度、最大特征进行模型的训练。
可选的，所述方法还包括：根据评价指标对基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型进行验证。
为了实现上述目的，根据本申请的第二方面，提供了一种隧道岩体参数预测装置。
根据本申请的隧道岩体参数预测装置包括：获取单元，用于获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息，所述掘进参数包括刀盘转速、刀盘扭矩、贯入度、切深指数，所述渣土特征参数包括不均匀系数、曲率系数、最大粒径、粗糙度指数，所述振动信息包括振动加速度有效值、振动平均幅值、振动峰值、振动平均极值；预测单元，用于将所述掘进参数、所述渣土特征参数、所述振动信息输入基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型，输出未掘进岩体的岩体参数预测结果，所述岩体参数预测模型是基于随机森林算法的岩体完整度分类预测模型和基于BP神经网络的岩体感知模型融合得到的，其中，所述岩体完整度分类预测模型是根据掘进参数、渣土特征参数、振动信息预测岩体完整程度的模型，所述岩体感知模型是根据掘进参数、渣土特征参数、振动信息、岩体完整程度预测岩体参数的模型。
可选的，所述获取单元包括：第一获取模块，用于基于掘进机的掘进参数实时监测设备获取所述掘进参数；第二获取模块，用于对已掘进岩体掘进过程中产生的渣土对应的渣土图像进行图像识别确定所述渣土特征参数；第三获取模块，用于基于掘进机的振动监测设备获取所述振动信息。
可选的，所述第二获取模块，还用于：获取多个所述渣土图像；对每个所述渣土图像依次进行二值化分割处理、分水岭算法分割处理得到多个校准的渣土图像；将每个校准的渣土图像中的渣土进行三维形态等效；根据三维形态等效后的渣土计算每个所述渣土图像中渣土的体积和质量；根据渣土的体积和质量分别绘制每个所述渣土图像对应的粒径级配曲线；根据粒径级配曲线分别计算每个所述渣土图像对应的不均匀系数、曲率系数、最大粒径、粗糙度指数；将多个渣土图像的不均匀系数、曲率系数、最大粒径、粗糙度指数的平均值确定为所述渣土特征参数。
可选的，所述第一获取模块，还用于：将所述每个校准的渣土图像中的渣土等效为一个椭球，每个渣土对应一个等效椭圆，其中，渣土的长对应于等效椭球的主轴，渣土的横截面等效直径对应于等效椭球的次轴。
可选的，所述第一获取模块，还用于：根据渣土对应的等效椭球的主轴和次轴计算每个渣土图像中渣土的体积和质量。
可选的，所述预测单元包括：第一预测模块，用于将所述掘进参数、所述渣土特征参数、所述振动信息输入所述基于随机森林算法的岩体完整度分类预测模型，输出所述未掘进岩体的完整程度分类结果；第二预测模块，用于将所述掘进参数、所述渣土特征参数、所述振动信息以及所述完整程度分类结果输入所述基于BP神经网络的岩体感知模型，输出所述未掘进岩体的岩体强度和体积节理数。
可选的，所述装置还包括：建立单元，用于建立基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型。
可选的，所述建立单元包括：样本获取模块，用于获取样本数据，所述样本数据包括预设数量的单次掘进区间对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息以及围岩参数；第一训练模块，用于基于随机森林算法对预设数量的单次掘进区间对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息以及围岩参数中的岩体完整程度进行模型训练，得到所述岩体完整度分类预测模型；第二训练模块，用于基于BP神经网络对预设数量的单次掘进区间对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息、围岩参数，以及所述岩体完整度分类预测模型的输出结果进行模型训练，得到所述岩体感知模型。
可选的，所述第二训练模块还用于：根据网格搜索方式选取神经网络的超参数，并以ReLU函数为激活函数进行模型的训练。
可选的，所述第一训练模块，还用于：根据网格搜索方式，分别建立随机森林树颗数、最大深度、最大特征数的学习曲线；分别基于随机森林树颗数、最大深度、最大特征数的学习曲线确定模型的树颗数、最大深度、最大特征数；基于所述树颗数、最大深度、最大特征进行模型的训练。
可选的，所述装置还包括：验证单元，用于根据评价指标对基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型进行验证。
为了实现上述目的，根据本申请的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述第一方面中任意一项所述的隧道岩体参数预测方法。
为了实现上述目的，根据本申请的第四方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述第一方面中任意一项所述的隧道岩体参数预测方法。
在本申请实施例的隧道岩体参数预测方法及装置中，首先获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息，掘进参数包括刀盘转速、刀盘扭矩、贯入度、切深指数，渣土特征参数包括不均匀系数、曲率系数、最大粒径、粗糙度指数，振动信息包括振动加速度有效值、振动平均幅值、振动峰值、振动平均极值；然后将掘进参数、渣土特征参数、振动信息输入基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型，输出未掘进岩体的岩体参数预测结果。可以看到，本申请实施例选择了12个指标来进行岩体参数的预测，相比于现有技术中的人工经验判断更可靠；另外，本申请实施例在基于模型预测岩体参数时，采用的预测模型是基于随机森林算法的岩体完整度分类预测模型和基于BP神经网络的岩体感知模型融合得到的，融合后的模型很大程度上减少了BP模型对岩体强度突变出预测过大的情况，预测体积节理数与围岩完整程度不对应的问题基本不再出现，大大的提高了岩体参数预测的准确性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的一种隧道岩体参数预测方法流程图；
图2是根据本申请实施例提供的一种图像采集设备的示意图；
图3a和图3b是根据本申请实施例提供的一种二值化分割处理前后的对比示意图；
图3c是根据本申请实施例提供的一种为分水岭算法分割处理后的示意图；
图4a是根据本申请实施例提供的一种渣土的等效矩形示意图；
图4b是根据本申请实施例提供的一种渣土的二维等效椭圆示意图；
图4c是根据本申请实施例提供的一种渣土的空间等效椭圆示意图；
图5是根据本申请实施例提供的一种粒径级配曲线的示意图；
图6是根据本申请实施例提供的一种掘进机的振动监测设备的示意图；
图7是根据本申请实施例提供的一种岩体参数预测模型的示意图；
图8a和图8b是根据本申请实施例提供的第一次训练和第二次训练对应的树颗数学习曲线；
图9是根据本申请实施例提供的一种最大深度的学习曲线；
图10是根据本申请实施例提供的一种最大特征数的学习曲线；
图11是根据本申请实施例提供的一种隧道岩体参数预测装置的组成框图；
图12是根据本申请实施例提供的另一种隧道岩体参数预测装置的组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例，提供了一种隧道岩体参数预测方法，如图1所示，该方法包括如下的步骤S101-S102：S101.获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息；S102.将掘进参数、渣土特征参数、振动信息输入基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型，输出未掘进岩体的岩体参数预测结果。
步骤S101中，与未掘进岩体相邻的已掘进岩体具体指上一个掘进周期内的进行掘进的岩体。一个掘进周期为TBM从启动到停机的时长。获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进参数，具体为：基于掘进机的掘进参数实时监测设备获取掘进参数，掘进参数包括刀盘转速、刀盘扭矩、贯入度、切深指数(Field Penetration Index，FPI)。刀盘转速与围岩强度基本呈正相关；刀盘扭矩是人为操作参数与围岩参数共同影响的综合性参数；整体上贯入度与岩体强度呈负相关，随着岩体强度的增大，贯入度递减趋势明显。切深指数为二次掘进参数，围岩强度与切深指数基本呈正相关。
步骤S101中获取与未掘进岩体相邻的已掘进岩体被掘进过程中的渣土特征参数，具体为：对已掘进岩体掘进过程中产生的渣土对应的渣土图像进行图像识别确定渣土特征参数，渣土特征参数包括不均匀系数、曲率系数、最大粒径、粗糙度指数。确定渣土特征参数具体包括以下步骤：a)获取多个渣土图像；b).对每个渣土图像依次进行二值化分割处理、分水岭算法分割处理得到多个校准的渣土图像；c).将每个校准的渣土图像中的渣土进行三维形态等效；d).根据三维形态等效后的渣土计算每个渣土图像中渣土的体积和质量；e).根据渣土的体积和质量分别绘制每个渣土图像对应的粒径级配曲线；f).根据粒径级配曲线分别计算每个渣土图像对应的不均匀系数、曲率系数、最大粒径、粗糙度指数；g).将多个渣土图像的不均匀系数、曲率系数、最大粒径、粗糙度指数的平均值确定为渣土特征参数。
步骤a)中的多个渣土图像为上一掘进周期内采集到的渣土的图像信息；由于TBM刀盘转速最小值为2r/min，为保证刀盘能运转一圈获取新渣土，可以取30s为图像采集周期获取一个渣土图像，而不同围岩条件下TBM单次掘进时长不同，大致在1800s以内，如过图像采样周期为30s，单次掘进时长为1800s，则一个掘进周期会采集到60个渣土图像。渣土图像的采集可以通过安装在渣土输送皮带旁的图像采集设备获取。图像采集设备可以包括高速拍照机、补光灯等。如图2所示，为一种图像采集设备的示意图，包括高速摄像机1，安装在皮带2上方大约50cm处，补光灯3顺皮带输送渣土方向补光。
步骤b)中的中的二值化分割处理是将步骤a)中采集到的RGB类型的渣土图像根据渣土之间明暗区别进行灰度化处理，并把图像中RGB三个分量值设为同一个值后，获得灰度图；然后将处理后的灰度图进行二值化分割，由于在人工光源照射下，渣土亮度高于空隙，因此灰度图中空隙一般偏黑，为了把渣土和空隙分隔开，可采用局部阈值分割的办法，将图像中的空隙标记为黑色，渣土标记为白色，即为图像的二值化分割。设灰度图中某点(i,j)处的灰度值为f(i,j)，阈值为T，二值化后图像中该点的灰度值为g(i,j)，则具体二值化过程如下：
如图3a和图3b所示，为二值化分割处理前后的对比示意图。
步骤b)中的分水岭算法分割处理是为了避免由于渣土距离接近、颗粒接触和重叠遮挡，导致渣土识别过程中对渣块数量和粒径的识别出现偏差，进而造成渣土级配曲线中大渣块的数量和面积偏大。分水岭算法分割是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L.Vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。如图3c所示，为分水岭算法分割处理后的示意图。
步骤c)中的三维形态等效具体是先在二维空间上将每个校准的渣土图像中渣土等效为矩形，并按照下述公式计算出等效矩形的长ap和宽bp，如图4a所示为渣土等效矩形示意图；然后再将渣土(块)二维图像映射到三维实体，将渣块等效为空间椭圆，每个渣块对应一个等效椭圆，其中，渣块对应的等效矩形的长ap为等效椭球的主轴，渣块对应的等效矩形的宽bp为等效椭球的次轴。如图4b所示为渣土的二维等效椭圆示意图，图4c所示为渣土的空间等效椭圆示意图。将渣土进行三维等效是因为渣土形态会在渣片与渣块之间相互转变，由于渣片厚度的不均一性，将渣土进行三维等效能够获取较为准确的渣土特征信息。
Sp＝ap×bp
cp 2＝ap 2+bp 2
公式中，Sp为渣土的像素面积，cp为渣土区域内两像素单元最大欧式距离，将两像素单元内最大欧式距离作为等效矩形的对角线，ap为等效矩形的长，和bp为等效矩形的宽。
步骤d)中根据三维形态等效后的渣土计算每个渣土图像中渣土的体积和质量具体为：根据渣土对应的等效椭球的主轴和次轴计算每个渣土图像中渣土的体积和质量。具体计算方式如下：
式中，a和b分别为等效椭球的主轴和次轴，V为渣土的真实计算体积，ρ为渣土的密度，m为渣土的真实计算质量。另外，需要说明的是，为了保证每个渣土图像计算比例的统一性，在保证一定的拍摄图像真实空间的宽度获取图像时，保证读取的图片像素宽度为预先设定的值，图片的纵横比也保持一定。还需要说明的是，公式中的a和b是由前述公式中的ap和bp确定的，ap和bp是由Sp和cp确定的，而Sp和cp是像素面积和像素间的距离不是实际的面积和距离，所以需要将其转换成实际的面积和距离，之后再根据实际的面积和距离最终计算得到实际的体积V。给出Sp和cp转换的公式，如下：
式中，l为图像的真实宽度，lp为图像的像素宽度，S为渣土真实面积，Sp为渣土像素面积，cp为两像素单元内最大欧式距离，c为实际长度。
步骤e)和f)分别为绘制粒径级配曲线，根据粒径级配曲线分别计算每个渣土图像对应的不均匀系数、曲率系数、最大粒径、粗糙度指数。具体的，如图5所示，为根据渣土的体积和质量绘制的一个渣土图像对应的粒径级配曲线的示意图，其中，横坐标为渣土的粒径，纵坐标为渣土的质量累积率。本申请实施例中渣土的粒径为渣土对应的等效椭圆的次轴，渣土的质量累积率为小于某粒径的渣土的质量占总质量的百分比。根据粒径级配曲线可以计算出渣土特征参数：不均匀系数Cu，曲率系数Cc，最大粒径Dmax，粗糙度指数CI。计算公式如下：曲率系数Cc是描述级配曲线平滑程度的指标，计算式为：
其中，d10、d30和d60为过筛重量占10％、30％和60％的粒径；不均匀系数Cu是反映组成渣土的颗粒均匀程度的指标，计算式为：
最大粒径Dmax表示一组渣土颗粒中最大粒径，此处具体为一个渣土图像中渣土颗粒最大粒径。粗糙度指数CI是每个筛分等级中大于该粒径的颗粒数量与总颗粒数的比例之和，计算式为：
其中，mi为大于第i组粒径的渣土总质量，m为渣土总质量，xi为第i组粒径的质量累积率。
步骤g)中是将多个渣土图像的不均匀系数、曲率系数、最大粒径、粗糙度指数的平均值确定为渣土特征参数。给出具体的示例进行说明，假设上一个掘进周期内有60个渣土图像，计算得到了60个不均匀系数Cu，60个曲率系数Cc，60个最大粒径Dmax，60个粗糙度指数CI，分别对上述60个特征参数的值求平均得到新的一组不均匀系数Cu，曲率系数Cc，最大粒径Dmax，粗糙度指数CI的值；这一组新的特征参数的值分别作与未掘进岩体相邻的已掘进岩体被掘进过程中的不均匀系数Cu，曲率系数Cc，最大粒径Dmax，粗糙度指数CI。
步骤S101中获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进机刀盘处与撑靴处的振动信息，具体为：基于掘进机的振动监测设备获取振动信息。振动信息包括振动加速度有效值、振动平均幅值、振动峰值、振动平均极值。振动加速度有效值表征冲击能量；振动平均极值是振动极大值与极小值求其绝对值平均值，引入振动平均极值是为了避免渣土飞溅对传感器的影响，提高准确度。如图6所示，为掘进机的振动监测设备，主要由加速度振动传感器4，数据采集仪5以及计算机6三部分构成，x、y、z三向监测振动，其中，z向为掘进机掘进方向，y向为竖向，x向为水平向。通过掘进机的振动监测设备可以确定振动加速度有效值、振动平均幅值、振动峰值、振动平均极值。具体的各指标的计算公式为：
Xp＝max{|xi|}、
其中，xi为不同时刻振动加速度值，Xp为振动峰值，XRMS为振动加速度有效值，
为振动平均幅值，另外，振动平均极值可以取振动极大值与极小值各5个求其绝对值平均值。
步骤S102中，岩体参数预测模型是基于随机森林算法的岩体完整度分类预测模型和基于BP神经网络的岩体感知模型融合得到的，其中，岩体完整度分类预测模型是根据掘进参数、渣土特征参数、振动信息预测岩体完整程度的模型，岩体感知模型是根据掘进参数、渣土特征参数、振动信息、岩体完整程度预测岩体参数的模型。将掘进参数、渣土特征参数、振动信息输入基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型，输出未掘进岩体的岩体参数预测结果，具体为：将掘进参数、渣土特征参数、振动信息输入基于随机森林算法的岩体完整度分类预测模型，输出未掘进岩体的完整程度分类结果；将掘进参数、渣土特征参数、振动信息以及完整程度分类结果输入基于BP神经网络的岩体感知模型，输出未掘进岩体的岩体强度和体积节理数。
如图7所示，为岩体参数预测模型的示意图，其中包括分类模型和回归模型，分类模型即基于随机森林分类算法的岩体完整度分类预测模型，回归模型即基于BP神经网络的岩体感知模型。两个模型都包括输入层、隐藏层、输出层。岩体参数预测模型的工作流程为，12个指标x1-x12(即刀盘转速、刀盘扭矩、贯入度、切深指数、不均匀系数、曲率系数、最大粒径、粗糙度指数、振动加速度有效值、振动平均幅值、振动峰值、振动平均极值)通过分类模型得到
(完整程度分类结果-围岩完整程度)；然后将12个指标x1-x12以及
(作为回归模型的第13个输入参数x13)通过回归模型得到岩体强度(岩体抗压强度
)和体积节理数(岩体体积节理数
)。模型中的
均为预测值。需要说明的是，本申请实施例是基于已掘进岩体被掘进过程中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息来预测未掘进岩体的岩体参数，这种预测方式是基于围岩的特性在一定的掘进长度内不会突变，因此已掘进的围岩的围岩参数、与已掘进的围岩相邻的未掘进围岩的围岩参数基本是一致的。
步骤S102中的岩体参数预测模型是基于训练样本提前训练出的。因此进一步的，本申请实施例还包括建立基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型。具体包括：获取样本数据；样本数据包括预设数量的单次掘进区间(一个掘进周期)对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息以及围岩参数。如表1所示，为本申请实施例提供的一个样本数据集；基于随机森林算法对预设数量的单次掘进区间对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息以及围岩参数中的岩体完整程度进行模型训练，得到岩体完整度分类预测模型；具体的训练原理为将样本数据集中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息作为模型的输入，岩体完整程度作为模型的输出，不断的进行训练建立输入与输出之间关系的过程；基于BP神经网络对预设数量的单次掘进区间对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息、围岩参数，以及岩体完整度分类预测模型的输出结果进行模型训练，得到岩体感知模型；具体的训练原理为将样本数据集中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息、岩体完整程度作为模型的输入，岩体抗压强度和岩体体积节理数作为模型的输出，不断的进行训练建立输入与输出之间关系的过程。将岩体完整度分类预测模型和岩体感知模型融合，即将岩体完整度分类预测模型的输入和岩体感知模型的输出作为岩体参数预测模型的输入和输出，最终得到岩体参数预测模型。
表1数据集描述性统计
进一步的，岩体感知模型的训练还包括：根据网格搜索方式(Grid Search)选取神经网络的超参数，并以ReLU函数为激活函数进行模型的训练。具体为：根据网格搜索方式在设定的参数范围内依次调整参数，利用调整的参数训练模型，从设定参数中找到在测试集上精度最高的参数。优选的，本申请实施例选择以Randomized Leaky ReLU函数为激活函数。
进一步的，岩体完整度分类预测模型的训练还包括：根据网格搜索方式，分别建立随机森林树颗数、最大深度、最大特征数的学***稳期；取第一个波动范围(65～75)进行第二次训练，通过学***稳期；参与单次分类的最大特征数为4，模型准确率最大。内部节点划分所需最小样本数，叶子节点最少样本数均为1时，模型准确率最大。最终通过网格搜索，选择树颗数为68，最大深度为11，最大特征数为4，内部节点划分所需最小样本数与叶子节点最少样本数均为1，将调好的超参数代入模型，进行训练。
进一步的，为了验证岩体参数预测模型预测的准确性，通过评价指标进行了实际值和预测值的对比分析。本申请实施例通过均方根误差RMSE(Root Mean Squard Error)、平均绝对误差MAE(Mean Absolute Error)以及决定系数指标R2(R Squared)三个评价指标来评价模型的优劣。RMSE、MAE值越小，模型预测越好；R2越接近1，模型预测越好，计算式分别为：
其中，yi表示岩体参数实际值，
表示岩体参数预测值，
表示岩体参数实际值平均值。具体的，将实际值与预测值通过上述计算公式计算后，如表2所示得到岩体抗压强度(USC)的决定系数指标R2为0.918，岩体体积节理数(Jv)的决定系数指标R2为0.947，岩体抗压强度实测值与预测值的平均绝对误差MAE(Mean Absolute Error)为2.79，不超过5MPa；岩体体积节理数实测值与预测值的平均绝对误差MAE(Mean Absolute Error)为1.02，不超过2条/m3；岩体抗压强度实测值与预测值的均方根误差RMSE(Root Mean Squard Error)为3.79，不超过5MPa岩体体积节理数实测值与预测值的均方根误差RMSE(Root Mean SquardError)为1.36，不超过2条/m3。从上述的结果可以确定本申请实施例中的岩体参数预测模型有很好的预测性。
表2模型评价指标
从以上的描述中，可以看出，本申请实施例的隧道岩体参数预测方法中，获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息，掘进参数包括刀盘转速、刀盘扭矩、贯入度、切深指数，渣土特征参数包括不均匀系数、曲率系数、最大粒径、粗糙度指数，振动信息包括振动加速度有效值、振动平均幅值、振动峰值、振动平均极值；然后将掘进参数、渣土特征参数、振动信息输入基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型，输出未掘进岩体的岩体参数预测结果。可以看到，本申请实施例选择了12个指标来进行岩体参数的预测，相比于现有技术中的人工经验判断更可靠；另外，本申请实施例在基于模型预测岩体参数时，采用的预测模型是基于随机森林算法的岩体完整度分类预测模型和基于BP神经网络的岩体感知模型融合得到的，融合后的模型很大程度上减少了BP模型对岩体强度突变出预测过大的情况，预测体积节理数与围岩完整程度不对应的问题基本不再出现，大大的提高了岩体参数预测的准确性。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例，还提供了一种用于实施上述图1-10方法的隧道岩体参数预测装置200，如图11所示，该装置包括：获取单元21，用于获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息，所述掘进参数包括刀盘转速、刀盘扭矩、贯入度、切深指数，所述渣土特征参数包括不均匀系数、曲率系数、最大粒径、粗糙度指数，所述振动信息包括振动加速度有效值、振动平均幅值、振动峰值、振动平均极值；预测单元22，用于将所述掘进参数、所述渣土特征参数、所述振动信息输入基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型，输出未掘进岩体的岩体参数预测结果，所述岩体参数预测模型是基于随机森林算法的岩体完整度分类预测模型和基于BP神经网络的岩体感知模型融合得到的，其中，所述岩体完整度分类预测模型是根据掘进参数、渣土特征参数、振动信息预测岩体完整程度的模型，所述岩体感知模型是根据掘进参数、渣土特征参数、振动信息、岩体完整程度预测岩体参数的模型。
具体的，本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
从以上的描述中，可以看出，本申请实施例的隧道岩体参数预测装置中，先获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息，掘进参数包括刀盘转速、刀盘扭矩、贯入度、切深指数，渣土特征参数包括不均匀系数、曲率系数、最大粒径、粗糙度指数，振动信息包括振动加速度有效值、振动平均幅值、振动峰值、振动平均极值；然后将掘进参数、渣土特征参数、振动信息输入基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型，输出未掘进岩体的岩体参数预测结果。可以看到，本申请实施例选择了12个指标来进行岩体参数的预测，相比于现有技术中的人工经验判断更可靠；另外，本申请实施例在基于模型预测岩体参数时，采用的预测模型是基于随机森林算法的岩体完整度分类预测模型和基于BP神经网络的岩体感知模型融合得到的，融合后的模型很大程度上减少了BP模型对岩体强度突变出预测过大的情况，预测体积节理数与围岩完整程度不对应的问题基本不再出现，大大的提高了岩体参数预测的准确性。
进一步的，如图12所示，所述获取单元21包括：第一获取模块211，用于基于掘进机的掘进参数实时监测设备获取所述掘进参数；第二获取模块212，用于对已掘进岩体掘进过程中产生的渣土对应的渣土图像进行图像识别确定所述渣土特征参数；第三获取模块213，用于基于掘进机的振动监测设备获取所述振动信息。
进一步的，如图12所示，所述第二获取模块212，还用于：获取多个所述渣土图像；对每个所述渣土图像依次进行二值化分割处理、分水岭算法分割处理得到多个校准的渣土图像；将每个校准的渣土图像中的渣土进行三维形态等效；根据三维形态等效后的渣土计算每个所述渣土图像中渣土的体积和质量；根据渣土的体积和质量分别绘制每个所述渣土图像对应的粒径级配曲线；根据粒径级配曲线分别计算每个所述渣土图像对应的不均匀系数、曲率系数、最大粒径、粗糙度指数；将多个渣土图像的不均匀系数、曲率系数、最大粒径、粗糙度指数的平均值确定为所述渣土特征参数。
进一步的，如图12所示，所述第一获取模块211，还用于：将所述每个校准的渣土图像中的渣土等效为一个椭球，每个渣土对应一个等效椭圆，其中，渣土的长对应于等效椭球的主轴，渣土的横截面等效直径对应于等效椭球的次轴。
进一步的，如图12所示，所述第一获取模块211，还用于：根据渣土对应的等效椭球的主轴和次轴计算每个渣土图像中渣土的体积和质量。
进一步的，如图12所示，所述预测单元22包括：第一预测模块221，用于将所述掘进参数、所述渣土特征参数、所述振动信息输入所述基于随机森林算法的岩体完整度分类预测模型，输出所述未掘进岩体的完整程度分类结果；第二预测模块222，用于将所述掘进参数、所述渣土特征参数、所述振动信息以及所述完整程度分类结果输入所述基于BP神经网络的岩体感知模型，输出所述未掘进岩体的岩体强度和体积节理数。
进一步的，如图12所示，所述装置还包括：建立单元23，用于建立基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型。
进一步的，如图12所示，所述建立单元23包括：样本获取模块231，用于获取样本数据，所述样本数据包括预设数量的单次掘进区间对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息以及围岩参数；第一训练模块232，用于基于随机森林算法对预设数量的单次掘进区间对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息以及围岩参数中的岩体完整程度进行模型训练，得到所述岩体完整度分类预测模型；第二训练模块233，用于基于BP神经网络对预设数量的单次掘进区间对应的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息、围岩参数，以及所述岩体完整度分类预测模型的输出结果进行模型训练，得到所述岩体感知模型。
进一步的，如图12所示，所述第二训练模块233还用于：根据网格搜索方式选取神经网络的超参数，并以ReLU函数为激活函数进行模型的训练。
进一步的，如图12所示，所述第一训练模块232，还用于：根据网格搜索方式，分别建立随机森林树颗数、最大深度、最大特征数的学习曲线；分别基于随机森林树颗数、最大深度、最大特征数的学习曲线确定模型的树颗数、最大深度、最大特征数；基于所述树颗数、最大深度、最大特征进行模型的训练。
进一步的，如图12所示，所述装置还包括：验证单元24，用于根据评价指标对基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型进行验证。
具体的，本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
根据本申请实施例，还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述方法实施例中的隧道岩体参数预测方法。
根据本申请实施例，还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述方法实施例中的隧道岩体参数预测方法。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种隧道岩体参数预测方法，其特征在于，所述方法包括：
获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息，所述掘进参数包括刀盘转速、刀盘扭矩、贯入度、切深指数，所述渣土特征参数包括不均匀系数、曲率系数、最大粒径、粗糙度指数，所述振动信息包括振动加速度有效值、振动平均幅值、振动峰值、振动平均极值；
将所述掘进参数、所述渣土特征参数、所述振动信息输入基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型，输出未掘进岩体的岩体参数预测结果，所述岩体参数预测模型是基于随机森林算法的岩体完整度分类预测模型和基于BP神经网络的岩体感知模型融合得到的，其中，所述岩体完整度分类预测模型是根据掘进参数、渣土特征参数、振动信息预测岩体完整程度的模型，所述岩体感知模型是根据掘进参数、渣土特征参数、振动信息、岩体完整程度预测岩体参数的模型。
2.根据权利要求1所述的隧道岩体参数预测方法，其特征在于，所述获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息包括：
基于掘进机的掘进参数实时监测设备获取所述掘进参数；
对已掘进岩体掘进过程中产生的渣土对应的渣土图像进行图像识别确定所述渣土特征参数；
基于掘进机的振动监测设备获取所述振动信息。
3.根据权利要求2所述的隧道岩体参数预测方法，其特征在于，所述对已掘进岩体过程中产生的渣土对应的渣土图像进行图像识别确定所述渣土特征参数包括：
获取多个所述渣土图像；
对每个所述渣土图像依次进行二值化分割处理、分水岭算法分割处理得到多个校准的渣土图像；
将每个校准的渣土图像中的渣土进行三维形态等效；
根据三维形态等效后的渣土计算每个所述渣土图像中渣土的体积和质量；
根据渣土的体积和质量分别绘制每个所述渣土图像对应的粒径级配曲线；
根据粒径级配曲线分别计算每个所述渣土图像对应的不均匀系数、曲率系数、最大粒径、粗糙度指数；
将多个渣土图像的不均匀系数、曲率系数、最大粒径、粗糙度指数的平均值确定为所述渣土特征参数。
4.根据权利要求3所述的隧道岩体参数预测方法，其特征在于，所述将每个校准的渣土图像中的渣土进行三维形态等效包括：
将所述每个校准的渣土图像中的渣土等效为一个椭球，每个渣土对应一个等效椭圆，其中，渣土的长对应于等效椭球的主轴，渣土的横截面等效直径对应于等效椭球的次轴。
5.根据权利要求3所述的隧道岩体参数预测方法，其特征在于，所述根据三维形态等效后的渣土计算每个所述渣土图像中渣土的体积和质量包括：
根据渣土对应的等效椭球的主轴和次轴计算每个渣土图像中渣土的体积和质量。
6.根据权利要求1所述的隧道岩体参数预测方法，其特征在于，所述将所述掘进参数、所述渣土特征参数、所述振动信息输入基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型，输出未掘进岩体的岩体参数预测结果包括：
将所述掘进参数、所述渣土特征参数、所述振动信息输入所述基于随机森林算法的岩体完整度分类预测模型，输出所述未掘进岩体的完整程度分类结果；
将所述掘进参数、所述渣土特征参数、所述振动信息以及所述完整程度分类结果输入所述基于BP神经网络的岩体感知模型，输出所述未掘进岩体的岩体强度和体积节理数。
7.根据权利要求1所述的隧道岩体参数预测方法，其特征在于，所述方法还包括：建立基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型。
8.一种隧道岩体参数预测装置，其特征在于，所述装置包括：
获取单元，用于获取与未掘进岩体相邻的已掘进岩体被掘进过程中的掘进参数、渣土特征参数、掘进机刀盘处与撑靴处的振动信息，所述掘进参数包括刀盘转速、刀盘扭矩、贯入度、切深指数，所述渣土特征参数包括不均匀系数、曲率系数、最大粒径、粗糙度指数，所述振动信息包括振动加速度有效值、振动平均幅值、振动峰值、振动平均极值；
预测单元，用于将所述掘进参数、所述渣土特征参数、所述振动信息输入基于随机森林分类与BP神经网络回归相融合的岩体参数预测模型，输出未掘进岩体的岩体参数预测结果，所述岩体参数预测模型是基于随机森林算法的岩体完整度分类预测模型和基于BP神经网络的岩体感知模型融合得到的，其中，所述岩体完整度分类预测模型是根据掘进参数、渣土特征参数、振动信息预测岩体完整程度的模型，所述岩体感知模型是根据掘进参数、渣土特征参数、振动信息、岩体完整程度预测岩体参数的模型。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1至7中任意一项所述的隧道岩体参数预测方法。
10.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1至7中任意一项所述的隧道岩体参数预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210871904.6A CN115422822A (zh) | 2022-07-22 | 2022-07-22 | 隧道岩体参数预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210871904.6A CN115422822A (zh) | 2022-07-22 | 2022-07-22 | 隧道岩体参数预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115422822A true CN115422822A (zh) | 2022-12-02 |
Family
ID=84196009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210871904.6A Pending CN115422822A (zh) | 2022-07-22 | 2022-07-22 | 隧道岩体参数预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115422822A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114692273A (zh) * | 2022-03-29 | 2022-07-01 | 中铁工程装备集团有限公司 | 面向tbm施工隧道地质字典建立方法及*** |
| CN117077413A (zh) * | 2023-08-21 | 2023-11-17 | 石家庄铁道大学 | 基于地质和掘进特征参数的tbm主梁振动预测方法 |
| 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 (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673059A (zh) * | 2021-08-26 | 2021-11-19 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
| CN114662406A (zh) * | 2022-04-12 | 2022-06-24 | 中国科学院武汉岩土力学研究所 | 机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法 |
-
2022
- 2022-07-22 CN CN202210871904.6A patent/CN115422822A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673059A (zh) * | 2021-08-26 | 2021-11-19 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
| CN114662406A (zh) * | 2022-04-12 | 2022-06-24 | 中国科学院武汉岩土力学研究所 | 机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周振梁等: "《TBM 掘进参数分布规律及高效掘进技术研究》", 《土木工程学报》, vol. 54, 31 December 2021 (2021-12-31), pages 121 - 148 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114692273A (zh) * | 2022-03-29 | 2022-07-01 | 中铁工程装备集团有限公司 | 面向tbm施工隧道地质字典建立方法及*** |
| CN117077413A (zh) * | 2023-08-21 | 2023-11-17 | 石家庄铁道大学 | 基于地质和掘进特征参数的tbm主梁振动预测方法 |
| CN117077413B (zh) * | 2023-08-21 | 2024-02-23 | 石家庄铁道大学 | 基于地质和掘进特征参数的tbm主梁振动预测方法 |
| 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115422822A (zh) | 隧道岩体参数预测方法及装置 | |
| CN106290388B (zh) | 一种绝缘子故障自动检测方法 | |
| Chen et al. | Towards semi-automatic discontinuity characterization in rock tunnel faces using 3D point clouds | |
| CN112990227B (zh) | 掌子面地质检测方法 | |
| CN114548278A (zh) | 基于深度学习的在役隧道衬砌结构缺陷识别方法及*** | |
| 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 | |
| CN115408925A (zh) | 用于隧道施工的岩体参数预测方法和装置 | |
| CN109241627A (zh) | 概率分级的动态支护方法及自动设计支护方案的装置 | |
| CN110363299B (zh) | 面向露头岩层分层的空间案例推理方法 | |
| Leng et al. | Rock mass trace line identification incorporated with grouping algorithm at tunnel faces | |
| CN115690081A (zh) | 一种树木计数方法、***、存储介质、计算机设备及终端 | |
| Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
| CN113027505B (zh) | 多液压支架的控制方法、装置及多液压支架控制*** | |
| KR20230126832A (ko) | 터널 굴착면 3d 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법 | |
| CN109543268A (zh) | 基于kriging模型的TBM推进力主要影响因素的识别方法 | |
| CN115408928A (zh) | 基于渣土分析的围岩参数预测方法及装置 | |
| CN116682010B (zh) | 一种基于tbm岩渣图像的围岩分类实时预测方法 | |
| Calvo et al. | Unlocking the correlation in fluvial outcrops by using a DOM-derived virtual datum: Method description and field tests in the Huesca fluvial fan, Ebro Basin (Spain) | |
| JP3697957B2 (ja) | 切羽前方亀裂分布予測方法 | |
| Fu et al. | Evaluation of the particle size distribution of on-site rockfill using mask R-CNN deep learning model | |
| CN115526855A (zh) | 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质 | |
| CN114066271A (zh) | 一种隧道突水灾害监测管理*** | |
| Zheng et al. | Simulation of bench stepping and optimization of bolt parameters based on multiple geological information fusion | |
| Donovan et al. | The application of three-dimensional imaging to rock discontinuity characterization | |
| CN106407335A (zh) | 一种志愿者编辑能力的评估方法及*** |
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 |