JP2000345793A - 岩盤判定システム - Google Patents

Abstract

(57)【要約】 【課題】 掘削作業を継続しつつ岩盤判断のロジックの
作成・変更を行う。 【解決手段】 掘削データ生成部２１は、各計測器１３
〜１５からの測定値およびモニタカメラ１６からの映像
信号に基づいて各種掘削データを生成する。岩盤判定シ
ステム２２は、判定処理部２５によって、判断ロジック
格納部２４に格納されたファジイモデルを用いて地山等
級の推論を行う。また、ＴＢＭのテールから出現した岩
盤の人間による地山等級の判定結果と、掘削データベー
ス２６に格納された同一岩盤に関する掘削データとの対
で成る学習データを生成して、学習データベース２７を
作成する。学習処理部２３は、学習データベース２７の
学習データを用いて最急降下法によって上記ファジイモ
デルの学習を行う。こうして、トンネル掘削作業を停止
することなく、簡単に岩盤判断のロジックの作成・変更
を行う。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、トンネル掘削機
(ＴＢＭ)等によって掘削された岩盤の地山等級を判定す
る岩盤判定システムに関する。

【０００２】

【従来の技術】従来、ＴＢＭによって岩盤を掘削する場
合において、岩盤の地山等級を判定する場合には以下の
ようにして行っている。すなわち、ＴＢＭの進行に伴っ
て岩盤がＴＢＭのテールから出現した時点で、岩自体の
固さ(ハンマーによる打撃テスト),亀裂の密度や間隔,湧
水や断層の有無等を人間が判断することによって、岩盤
の地山等級を判定するようにしている。

【０００３】この地山等級は、岩盤の状態の優劣を表す
指標であり、例えば「“トンネル標準示方書[山岳工法
偏]・同解説”,土木学会」の道路トンネルの地山分類で
は、Ａ〜Ｅの５ランクに分類されている。そして、上記
ＴＢＭで掘削したトンネル坑内では、この地山等級に合
せた支保パターンによって坑壁の補強が行われるのであ
る。

【０００４】ところが、上述の地山等級判定方法では、
ＴＢＭによって掘削された個所の岩盤がＴＢＭのテール
から出現するまでに時間が掛るので、岩盤の判定が遅く
なってしまう。特に崩壊性の高い岩盤の場合には、支保
の設置が遅れることによって重大な事故に繋がる危険性
がある。

【０００５】そこで、上述のような問題を解決するため
に、上記ＴＢＭの掘削データ(カッタ用モータの電流・電
圧,回転数,振動,推力,掘進速度,掘削ズリ高さ等)から岩
盤の状態を判断するシステムが提案されている。このシ
ステムでは、多くの掘削データを瞬時に判断するのは人
間では困難であるので、コンピュータを使用して多くの
掘削データから岩盤の状態を瞬時に判断するようにして
いる。このようなシステムに地山等級を判定させること
によって、速めに支保の準備を行うことが可能になり、
支保の設置遅れによる事故発生を防止することが可能に
なる。

【０００６】

【発明が解決しようとする課題】しかしながら、上記従
来の岩盤の状態を判断するシステムにおいては、以下の
ような問題がある。すなわち、上述のようなシステムに
おいて、岩盤判断のロジックを作成するためには多くの
掘削データと人間が判断した地山等級とを照合して分析
する必要があり、このような作業には多大な時間を必要
とするのである。

【０００７】また、上記掘削データはＴＢＭの仕様や地
山の種類によっても変わるので、ＴＢＭの仕様が変れば
判断ロジックの見直しが必要となる。また、同じＴＢＭ
を使用していても異なるトンネル工事に適用する場合に
は、判断ロジックの見直しが必要となる。さらには、同
じトンネル工事であっても、ＴＢＭの通過する岩盤の種
類が場所によって大きく変るような場合には、岩盤の種
類が変る毎に判断ロジックの見直しが必要となる。

【０００８】ところが、上述したように、岩盤判断のロ
ジックを作成するためには多大な時間を必要とするた
め、上記判断ロジックの見直しを行う度に掘削作業を停
止する必要が生ずると言う問題がある。

【０００９】そこで、この発明の目的は、掘削作業を継
続しつつ岩盤判断のロジックの作成・変更を行うことが
できる岩盤判定システムを提供することにある。

【００１０】

【課題を解決するための手段】上記目的を達成するた
め、請求項１に係る発明は、掘削機を使用して掘削した
岩盤の地山等級を判定する岩盤判定システムにおいて、
岩盤を掘削する際の上記掘削機の状態に基づいて掘削デ
ータを生成する掘削データ生成部と、上記掘削データを
入力として,当該掘削データが得られた岩盤の地山等級
を人間の経験則に基づく推論ロジックを用いて推論する
地山等級推論部を備えたことを特徴としている。

【００１１】上記構成によれば、掘削データ生成部で生
成された掘削データを用いて、地山等級推論部によっ
て、人間の経験則に基づく岩盤の地山等級の推論が行わ
れる。こうして、掘削機で掘削された岩盤の地山等級が
瞬時に且つ人間の経験則に即して正確に判定される。そ
の結果、この判定された地山等級に従って、速めに支保
の準備を行うことが可能となる。

【００１２】また、請求項２に係る発明は、請求項１に
係る発明の岩盤判定システムにおいて、上記掘削データ
を格納する掘削データ格納部と、上記地山等級推論部に
よる推論時に用いられる推論ロジックが格納されたロジ
ック格納部と、人間によって判定された岩盤の地山等級
の判定結果と当該判定時点よりも前に上記掘削データ格
納部に格納された同一岩盤の掘削データとの対でなる学
習データを用いて,上記推論ロジックの学習を行う学習
処理部を備えたことを特徴としている。

【００１３】上記構成によれば、上記掘削機による掘削
作業を行いながら、同一岩盤に対する掘削データと人間
による地山等級の判定結果との対でなる学習データが作
成されて、ロジック格納部に格納された推論ロジックの
学習が行われる。こうして、掘削作業を継続しつつ岩盤
判断のロジックが構築・変更される。

【００１４】その場合に、掘削時に得られた掘削データ
は掘削データ格納部に格納されている。したがって、人
間が地山の等級を判定した際に同一岩盤の掘削データを
上記掘削データ格納部から読み出すことによって、人間
による地山等級の判定結果とこの判定時点より以前に得
られた同一岩盤の掘削データとを１つの学習データとし
て、上記推論ロジックの学習が行われる。

【００１５】また、請求項３に係る発明は、請求項２に
係る発明の岩盤判定システムにおいて、上記ロジック格
納部には,上記推論ロジックとして複数のファジイルー
ルが格納されており、上記学習処理部は,上記学習デー
タを構成する掘削データを上記ファジイルールに与えた
場合における推論結果としての地山等級が,当該学習デ
ータを構成する人間による地山等級判定結果に近づくよ
うに上記ファジイルールを調整することによって,上記
ファジイルールの学習を行うようになっていることを特
徴としている。

【００１６】上記構成によれば、上記推論ロジックとし
て人間の経験則をよく表すファジイルールが使用され
て、上記掘削機で掘削された岩盤の地山等級がより人間
の経験則に即して正確に判定される。さらに、上記推論
ロジックの学習が、上記ファジイルールの調整によって
簡単に行われる。

【００１７】また、請求項４に係る発明は、請求項１乃
至請求項３の何れか一つに係る発明の岩盤判定システム
において、上記掘削機はトンネル掘削機であり、上記掘
削データとしてカッタ電流,カッタ電圧,カッタ回転数,
カッタ振動数,ジャッキ推力,掘進速度および掘削ズリ高
さのうち少なくとも２つを用いることを特徴としてい
る。

【００１８】上記構成によれば、カッタ電流,カッタ電
圧,カッタ回転数,カッタ振動数,ジャッキ推力,掘進速度
および掘削ズリ高さのうち少なくとも２つを上記掘削デ
ータとして用いて、トンネル掘削機で掘削されたトンネ
ル岩盤の地山等級が瞬時に且つ人間の経験則に即して正
確に判定される。

【００１９】また、請求項５に係る発明は、請求項１乃
至請求項３の何れか一つに係る発明の岩盤判定システム
において、上記掘削機は削岩機であり、上記掘削データ
として打撃圧,回転圧,回転数,フィード圧およびフィー
ド速度のうち少なくとも２つを用いることを特徴として
いる。

【００２０】上記構成によれば、打撃圧,回転圧,回転
数,フィード圧およびフィード速度のうち少なくとも２
つを上記掘削データとして用いて、削岩機で削孔された
岩盤の地山等級が瞬時に且つ人間の経験則に即して正確
に判定される。

【００２１】また、請求項６に係る発明は、請求項１乃
至請求項５の何れか一つに係る発明の岩盤判定システム
において、上記地山等級推論部によって推論された岩盤
の地山等級に基づいて、用いるべき支保パターンを選択
して出力する出力部を備えたことを特徴としている。

【００２２】上記構成によれば、上記地山等級推論部に
よって推論された岩盤の地山等級に応じて出力された支
保パターンに基づいて、掘削された岩盤の補強に最適な
支保パターンが得られる。

【００２３】

【発明の実施の形態】以下、この発明を図示の実施の形
態により詳細に説明する。図１は、本実施の形態の岩盤
判定システムが適用されたＴＢＭの概略図である。この
ＴＢＭは、ビーム体１の前端部に、隔壁２を介して設け
られたカッタヘッド３をモータ４で回転しつつ、ビーム
体１の軸の左右の夫々設けられた推進ジャッキ５を駆動
して、リアグリッパ６を反力の支点としてビーム体１を
前進させることによって、岩盤にトンネルを掘削する。

【００２４】そして、上記カッタヘッド３に取り付けら
れた複数のローラカッタ７で掘削されたズリ(掘削岩片)
は、ベルトコンベア８によって後方に運搬されて運搬車
(図示せず)内に溜められる。こうして、所定距離を掘進
すると、推進ジャッキ５の駆動を停止し、フロントグリ
ッパ９を掘削壁面１０に当接させた後に、リアグリッパ
６を内側に没入させる。そして、推進ジャッキ５を収縮
することによって、フロントグリッパ９を反力の支点と
してリアグリッパ６を前方に移動させる。次に、上記リ
アグリッパ６を掘削壁面１０に当接させ、フロントグリ
ッパ９を没入させる。

【００２５】以後、上述の動作を繰り返し、上記フロン
トグリッパ９とリアグリッパ６とを交互に出没させなが
ら推進ジャッキ５を駆動することによって、ＴＢＭを掘
進させるのである。尚、１１はスキンプレートであり、
１２は支保である。

【００２６】上記ＴＢＭには、上記モータ４の電流,電
圧,回転数,振動を計測するモータ用センサ１３と、推進
ジャッキ５の油圧を計測する油圧計１４と、推進ジャッ
キ５のストロークを計測するストローク計１５と、ベル
トコンベア８によって搬送される上記ズリを写すモニタ
カメラ１６が搭載されている。上記各計測器によって測
定された測定値は掘削データ生成部２１に送出され、種
々の掘削データが生成される。

【００２７】すなわち、上記モータ用センサ１３からの
上記モータ４の電流を表す信号に基づいてカッタ電流Ｉ
が求められ、モータ４の電圧を表す信号に基づいてカッ
タ電圧Ｅが求められ、モータ４の回転数を表す信号に基
づいてカッタ回転数Ｎが求められ、モータ４の振動を表
す信号に基づいてカッタ振動数Ｂが求められる。さら
に、油圧計１４からの推進ジャッキ５の油圧を表す信号
に基づいて、推進ジャッキ５の推力Ｆtが求められる。
また、ストローク計１５からの推進ジャッキ５のストロ
ークを表す信号に基づいて、カッタヘッド３の推進速度
Ｒおよび推進長さＬが求められる。また、モニタカメラ
１６からの画像信号に基づいて、その画像を処理し、上
記ズリの大きさ毎の個数をカウントし、所定掘進長当た
りの掘削されたズリの大きさ毎の出現個数を算出し、上
記ズリの大きさ毎の出現個数と推進長さＬとに基づいて
平均ズリ高さＺhが求められる。

【００２８】こうして、上記掘削データ生成部２１によ
って求められた各掘削データは、岩盤判定システム２２
に入力される。この岩盤判定システム２２は、人間の判
断を正解として判断ロジックを学習させる学習処理部２
３を有している。この学習処理部２３は、ある掘削箇所
の岩盤を掘削した際の掘削データと同一個所の岩盤に対
する人間の地山等級の判定結果との組み合わせを学習デ
ータとして、判断ロジック格納部２４に格納された判断
ロジックを修正する。そして、この学習を複数の掘削箇
所に係る学習データで繰り返し行うことによって、次第
に判断ロジックの能力を向上させるのである。

【００２９】そして、実際の岩盤判定処理においては、
判定処理部２５によって、上記構築されて判断ロジック
格納部２４に格納されている判断ロジックを用いて、掘
削岩盤の地山等級を判定するのである。以下、岩盤判定
システム２２の各機能について詳細に説明する。

【００３０】従来、物理量が示すある物体の状態の判定
を人間の経験と勘とに基づいて自動的に行う方法とし
て、ファジィ推論による方法がある。この方法は、人間
の経験と勘とに基づいて、上記物体の状態を表す変数
(状態変数)と上記状態の判定結果との関係を幾つかの推
論ルールで表現して登録しておく。そして、上記物体の
状態変数の測定値を上記推論ルールに当て嵌めて、現在
の状態を判定するものである。

【００３１】本実施の形態における岩盤判定システム２
２は、上記地山等級の判断ロジックにファジイ推論を使
用する。このファジイ推論は、ＩＦ(前件部)ＴＨＥＮ
(後件部)形式のファジイモデルを使用し、ＴＢＭの掘削
データ(状態変数)を前件部のファジイ変数に入力して前
件部の適合度を求め、この前件部の適合度を用いて後件
部の適合度を求めて地山等級を推論するものである。
尚、前件部のファジイ変数にはメンバーシップ関数を用
い、後件部のファジイ変数は実数値とする。このファジ
イモデルは判断ロジック格納部２４に格納される。

【００３２】上記判断ロジック格納部２４に格納された
ファジイモデルは、初期状態においては、全前件部のメ
ンバーシップ関数には同じ形状のメンバーシップ関数が
与えられると共に、全後件部の実数値には同一値が与え
られている。したがって、トンネルの掘削を開始する際
には、上記ファジイモデルのメンバーシップ関数を掘削
箇所の岩盤の種類に合う形状に設定する一方、後件部を
掘削箇所の岩盤の種類に合う値に設定する必要がある。
また、一旦メンバーシップ関数の形状および後件部の値
を最適に設定した後であっても、岩盤の種類が大きく変
った場合には、再度メンバーシップ関数の形状および後
件部の値を設定し直す必要がある。その場合に、学習処
理部２３によって以下に述べるような学習を行うのであ
る。

【００３３】すなわち、先ず、上記ファジイモデルにお
ける上記後件部の初期値は０としておく。そして、上記
掘削データと人間が判断した地山等級(数値)との組み合
せでなる複数の学習データの掘削データを、順次上記フ
ァジイモデルの前件部に与える。そして、その場合の後
件部の出力値と当該学習データの地山等級値との誤差
(両値の差)を求める。そして、全ファジイモデルの誤差
を減少させるように上記メンバーシップ関数の形状およ
び後件部の値を修正し、上述の学習操作を繰り返すので
ある。その場合における繰り返しの停止は、予め設定さ
れた繰り返し回数の終了で行う。あるいは、全ファジイ
モデルに関する平均誤差が所定値に達した時点で行う。

【００３４】ここで、上記状態変数として個々の掘削デ
ータの計測値を用いているが、変動係数あるいは変化分
等を用いてもよい。

【００３５】尚、本実施の形態においては、ファジイモ
デルの前件部において、各掘削データ毎に設定されるメ
ンバーシップ関数の個数も設定可能としている。また、
各掘削データに対して設定された複数のメンバシップ関
数を組み合わせ、それらを前件部として１個のファジイ
ルールを作成している。例えば、３種類の掘削データに
対して５個のメンバシツプ関数を設定した場合には、フ
ァジイルール数は５×５×５×＝１２５個となる。

【００３６】また、上記地山等級は数量化するものとす
る。例えば、Ａ〜Ｅランクという分類に対して、夫々１
０,２０,…,４０,５０のように数量化するのである。こ
の地山等級に相当する数量は中間値も扱うことができる
ものとし、人間が地山等級を３０(Ｃランク)と４０(Ｄ
ランク)の中間であると考えた場合には地山等級「３５」
を与えるのである。その結果、岩盤判定システム２２か
らは、数量化された地山等級が岩盤判定結果として出力
されることになる。この岩盤判定結果は、ｌ０,２０,
…,５０のような離散値ではなく、その中間の１３,１７
などの値が出力されるので、１０,２０,３０の離散値間
に１５や２５等の境界値を設けて、従来より用いられて
いる地山等級に分類すればよい。

【００３７】以下、上記岩盤判定システム２２の具体的
動作について説明する。図２は、上記ＴＢＭによるトン
ネル掘削工事の作業手順を示すフローチャートである。
ステップＳ1で、上述のようにして、推進ジャッキ５を
所定距離だけ前進させながらカッタヘッド３によってト
ンネルを掘進させる。ステップＳ2で、上記ＴＢＭに取
り付けられた種々の計測器１３〜１５やモニタカメラ１
６と掘削データ生成部２１とによって上述のようにして
種々の掘削データが生成され、岩盤判定システム２２に
入力される。その場合、後に行われる学習のために、上
記生成された掘削データが掘削データベース２６に格納
される。ステップＳ3で、上記ＴＢＭの進行に伴ってテ
ールから出現したトンネル壁面が支保される。ステップ
Ｓ4で、岩盤判定システム２２の判定処理部２５によっ
て、上記掘削データに基づいて、判断ロジック格納部２
４に格納されたファジイモデルを用いて上記ファジイ推
論が行われ、推論結果としての地山等級が出力される。

【００３８】ステップＳ5で、上記出力された地山等級
に基づいて支保パターンが選択されて、支保の準備が行
われる。ステップＳ6で、上記判断ロジックの学習を行
うか否かが判別される。その結果、行う場合にはステッ
プＳ7に進み、行わない場合にはステップＳ1に戻って、
さらにトンネル掘削が続行される。ここで、上記学習の
可否の判別は、岩盤判定システム２２の出力結果と人間
による実際の地山等級の判定結果とのズレの度合いで判
定する。あるいは、予め調査されたトンネル掘削区間の
岩質に応じて、大きく岩質が変わる箇所を指定してお
き、この指定箇所に到達したことによって判定してもよ
い。

【００３９】ステップＳ7で、上記岩盤判定システム２
２の学習処理部２３によって、後に詳述するようにして
学習処理が行われる。そうした後、上記ステップＳ1に
戻って、さらにトンネル掘削が続行される。

【００４０】次に、上記トンネル掘削工事の作業手順に
おける上記ステップＳ7において行われる学習処理につ
いて、詳細に説明する。本実施の形態におけるファジイ
モデルの学習は、以下に簡単に述べるような最急降下法
によって行う。

【００４１】上述したように、上記判断ロジック格納部
２４には、ＩＦ〜ＴＨＥＮ〜の形式で記述されたｎ個の
ファジイルールでなるファジイモデルが格納されてい
る。 IF ｘ₁＝Ａ_i1 and … and ｘ_m＝Ａ_im THEN ｙ＝ｗ_i（ｉ
＝１,…,ｎ） その場合、前件部の適合度μ_iは以下の式で表される。 μ_i＝Ａ_i1(ｘ₁)＊ … ＊Ａ_im(ｘ_m) ここで、Ａ_ij：メンバーシップ関数（ｊ＝１,…,ｍ）そ
して、この前件部の適合度μ_iをその総和が「１」になる
ように規格化したものを次式とする。 一方、後件部の適合度ｗ_iは実数値であり、推論値ｙ^*は
以下のようになる。

【００４２】ここで、上記ファジイモデルによる推論結
果ｙ^* _pと人間が判断した結果ｙ^r _pとの差(推論誤差)Ｅ
は、以下の評価関数で表される。 Ｅ＝(ｙ^* _p−ｙ^r _p)²/２ そして、学習アルゴリズムとして、上記推論誤差Ｅが小
さくなるようにメンバーシップ関数Ａ_ijの形状を調整す
るのである。ここで、メンバーシップ関数Ａ_ijの中心値
をａ_ijとし、幅をｂ_ijとすると、推論誤差の評価関数Ｅ
はａ_ij,ｂ_ij,ｗ_iの値に依存することになる。 Ｅ＝ｆ(ａ_ij,ｂ_ij,ｗ_i)

【００４３】そこで、ファジイモデルのチューニングパ
ラメータをａ_ij,ｂ_ij,ｗ_iとし、上記評価関数Ｅの夫々
の微分値 を用いて、評価関数Ｅが最小となるためのチューニング
パラメータの更新方向を求める。すなわち、チューニン
グパラメータａ_ij,ｂ_ij,ｗ_iを、その夫々の微分値の符
号と反対方向に微調整することによって評価関数Ｅを小
さくし、これを繰り返して評価関数Ｅを最小化するので
ある。

【００４４】尚、チューニングパラメータａ_ij,ｂ_ij,ｗ
_iの調整は次式によっておこなう。 ここで、Ｋa,Ｋb,Ｋwは定数であり、できるだけ小さな
値を設定する。また、学習データ数をＮとし、Ｎ個の学
習データによる一回の学習を１セットとすると、１セッ
トの学習後における学習データ当たりの推論誤差Ｄは次
式のようになる。 Ｄ＝Σ(ｙ^* _p−ｙ^r _p)²/Ｎ そして、チューニングパラメータａ_ij,ｂ_ij,ｗ_iの調整
はＮ個の学習データを用いて繰り返して行うものとし、
ｋセット目の学習時における推論誤差をＤと(k−１)セ
ット目の学習時における推論誤差Ｄとの変化量ΔＤが要
求推論誤差εよりも小さくなるまで学習を繰り返すので
ある。尚、学習の終了条件を、ΔＤ≦εではなく所定の
学習回数としても差し支えない。

【００４５】以下、図２に示すトンネル掘削工事の作業
手順における学習処理動作について具体的に説明する。
図３は、上記ステップＳ7において行われる学習処理動
作のフローチャートである。上記ステップＳ6において
学習が必要であると判別されると学習処理動作がスター
トする。

【００４６】ステップＳ11で、上記ＴＢＭを掘進させな
がらテールから出現したＮ箇所の岩盤の地山等級が人間
によって判定される。ステップＳ12で、上記ステップＳ
11において判定された地山等級に対応するＮ箇所の岩盤
の掘削データが、掘削データベース２６から読み出され
る。ステップＳ13で、上記ステップＳ12において読み出
されたＮ個の掘削データと上記ステップＳ11において判
定されたＮ個の地山等級とが対応付けられて学習データ
が生成され、学習データベース２７が作成される。

【００４７】このように、本実施の形態においては、上
記ＴＢＭによって岩盤を掘進している際に得られた掘削
データを掘削データベース２６に保存するようにしてい
る。したがって、この掘削データベース２６を用いるこ
とによって、岩盤がＴＢＭのテールから出現した時点に
人間によって判定された地山等級値とこの判定時点より
も前に得られた同一岩盤の掘削データとを対応付けて学
習データを作成することができる。すなわち、同一岩盤
から時間差を有して得られる掘削データと地山等級値と
を１つの学習データとして、後に詳述するように、ファ
ジイモデルの学習を行うことが可能になるのである。

【００４８】ステップＳ14で、上記メンバーシップ関数
Ａ_ijの中心値ａ_ijと幅ｂ_ijとを初期値に設定し、後件部
の適合度ｗ_iに「０」に設定する初期設定が行われる。ス
テップＳ15で、学習セット数ｋに「１」がセットされる。
ステップＳ16で、カウント値ｔに「１」がセットされる。
ステップＳ17で、学習データベース２７からｔ番目の学
習データが読み出される。ステップＳ18で、上記読み出
された学習データの掘削データが、判断ロジック格納部
２４に格納されたファジイモデルを構成する各ファジイ
ルールの前件部に代入されて、上述のようにして推論値
ｙ^*が演算される。

【００４９】ステップＳ19で、上記ステップＳ17におい
て読み出された学習データの地山等級と上記ステップＳ
18において算出された地山等級の推論値ｙ^*とに基づい
て、上述のようにして評価関数Ｅが演算される。そし
て、評価関数Ｅの各チューニングパラメータａ_ij,ｂ_ij,
ｗ_iでの微分値 が演算される。ステップＳ20で、得られた各微分値の演
算結果に基づいて各チューニングパラメータａ_ij,ｂ_ij,
ｗ_iが微調整される。ステップＳ21で、学習データ番号
ｔが学習データ数Ｎより小さいか否かが判別される。そ
して、小さい場合にはステップＳ22に進み、そうでない
場合にはステップＳ23に進む。ステップＳ22で、学習デ
ータ番号ｔがインクリメントされる。そうした後、ステ
ップＳ17に戻って次の学習データによる学習に移行す
る。

【００５０】ステップＳ23で、上述のようにして、上記
推論誤差Ｄとその変化量ΔＤが演算される。ステップＳ
24で、ΔＤ＞εが成立するか否かが判別される。その結
果、成立すればステップＳ25に進み、成立しなければ推
論誤差Ｄが収束したので学習処理を終了する。ステップ
Ｓ25で、学習セット数ｋがインクリメントされる。そう
した後、上記ステップＳ16に戻って、次の学習セットに
移行する。そして、上記ステップＳ24において、ΔＤ＞
εが成立しないと判定されると学習処理を終了する。

【００５１】上述のように、本実施の形態においては、
ＴＢＭに掘削データ生成部２１と岩盤判定システム２２
を設けている。そして、トンネル掘削時において各計測
器１３〜１５からの測定値およびモニタカメラ１６から
の映像信号に基づいて、掘削データ生成部２１によって
各種掘削データを生成して岩盤判定システム２２に入力
する。そうすると、岩盤判定システム２２は、判断ロジ
ック格納部２４に格納されたファジイモデルを用いて、
判定処理部２５によって、掘削データに基づいて地山等
級の推論を行う。そして、推論結果としての地山等級を
出力する。

【００５２】したがって、多数の掘削データに基づいて
瞬時に地山等級を決定でき、速めに支保の準備ができ、
支保の設置遅れによる事故の発生を防止できるのであ
る。

【００５３】その際に、掘削開始時であって上記ファジ
イモデルが初期状態である場合や岩盤の状態が大きく変
化したため上記ファジイモデルを変更する必要がある場
合には、ＴＢＭのテールから出現した岩盤の人間による
地山等級の判定結果と、掘削データベース２６に格納さ
れた同一岩盤に関する掘削データとの対で成る学習デー
タを生成して、学習データベース２７を作成する。そし
て、学習処理部２３によって、上記学習データを用いて
最急降下法によって上記ファジイモデルの学習を行うよ
うにしている。

【００５４】したがって、掘削作業を継続しつつ岩盤判
断のロジックを構築・変更することができ、短時間に簡
単に岩盤判断ロジックを作成・変更することができる。
すなわち、本実施の形態によれば、上記判断ロジックの
見直しを行う度に掘削作業を停止する必要が全く無く、
トンネル掘削作業の迅速化を図ることができるのであ
る。

【００５５】また、上記学習に際しては、上述のように
上記掘削データベース２６に保存された掘削データを用
いて学習データを作成している。したがって、ＴＢＭの
テールから出現した岩盤の人間による地山等級の判定値
と、この判定時点よりも前に得られた同一岩盤の掘削デ
ータとを１つの学習データとして、上記ファジイモデル
の学習を行うことが可能になる。

【００５６】上記実施の形態においては、上記岩盤判定
システム２２をＴＢＭに適用して、ＴＢＭのテールから
出現した岩盤の地山等級を人間が判断した結果と、同一
岩盤に関する掘削データとの対を学習データとして、掘
削対象岩盤の地山等級を判断する判断ロジックを学習さ
せる場合を例に説明している。しかしながら、上記岩盤
判定システムは、ＴＢＭ以外のトンネル工事装置にも応
用可能である。

【００５７】図４は、岩盤判定システムを、トンネル切
羽岩盤に発破用あるいは調査用の孔を削孔する際に使用
される削岩機に搭載した場合を示す。削岩機３１は、台
車３２上におけるブーム３３に取り付けられて先端が定
着具３５によって岩盤に固定される穿孔機３６を有して
いる。そして、一端が穿孔機３６のドリフタ３７に取り
付けられて軸受部３８で支持された回転軸をドリフタ３
７によって回転させ、上記回転軸の先端のビット３９で
岩盤に削孔するものである。

【００５８】上記ドリフタ３７には計測器(図示せず)が
設けられ、この計測器からの測定値が掘削データ生成部
４５に入力される。そして、上記ＴＢＭの場合と同様
に、掘削データ生成部４５によって各種掘削データ(打
撃圧,回転圧,回転数,フィード圧,フィード速度)を生成
して岩盤判定システム４６に入力する。そして、岩盤判
定システム４６によって、掘削データに基づいて地山等
級の推論が行われる。それと同時に、掘削データベース
４７が作成される。また、学習データベース４８を作成
し、学習データベース４８から読み出された学習データ
に基づいて、岩盤判定システム４６の判断ロジックが学
習されるのである。

【００５９】尚、上記削岩機の場合においても、上記Ｔ
ＢＭの場合と同様に、現在ビット３９で削孔されている
個所の岩盤の地山等級は、掘削されて出現されるまで判
定することはできない。したがって、学習データベース
４８を用いることによって、掘削されて出現した岩盤の
人間による地山の判定結果と、その判定時点よりも前に
得られた同一岩盤の掘削データとを１つの学習データと
して、上記ファジイモデルの学習を行うことが可能にな
るのである。

【００６０】上記各実施の形態においては、上記岩盤判
定システム２２,４６の出力を掘削対象地盤の地山等級
としている。ところが、実際のトンネル工事において
は、この地山等級に応じて支保パターンを決定するの
で、岩盤判定システム２２,４６の出力を直接支保パタ
ーンとしてもよい。その場合、通常のトンネル工事にお
いては支保パターンも人間が判断しているので、上述の
地山等級の場合と同様に判断ロジックを学習することが
可能である。

【００６１】また、各実施の形態における上記岩盤判定
システム２２,４６においは、判断ロジックとしてファ
ジイ理論を用いている。しかしながら、この発明におけ
る岩盤の判断ロジックはこれに限定されるものではな
く、ニューラルネットワークを用いることも可能であ
る。尚、代表的なニューラルネットワークとしては多層
パーセプトロンがあり、学習アルゴリズムにはバックプ
ロパゲーションがある。

【００６２】

【発明の効果】以上より明らかなように、請求項１に係
る発明の岩盤判定システムは、掘削データ生成部によっ
て掘削データを生成し、地山等級推論部によって、当該
掘削データが得られた岩盤の地山等級を人間の経験則に
基づく推論ロジックを用いて推論するので、掘削機で掘
削された岩盤の地山等級を、瞬時に且つ人間の経験則に
即して正確に判定できる。したがって、この判定された
地山等級に従って、掘削された岩盤が上記掘削機の後方
に出現する前に、速めに支保の準備を行うことができ
る。

【００６３】すなわち、この発明によれば、支保の設置
遅れによる崩落事故の発生を防止できるのである。

【００６４】また、請求項２に係る発明の岩盤判定シス
テムは、上記掘削データを掘削データ格納部に格納し、
学習処理部によって、人間によって判定された岩盤の地
山等級の判定結果と当該判定時点よりも前に上記掘削デ
ータ格納部に格納された同一岩盤の掘削データとの対で
なる学習データを用いて上記推論ロジックの学習を行う
ので、掘削作業を継続しつつ短時間に簡単に上記推論の
ロジックを構築・変更することができる。すなわち、こ
の発明によれば、上記推論ロジックの見直しを行う度に
掘削作業を停止する必要が全く無く、トンネル掘削作業
の迅速化を図ることができる。

【００６５】さらに、上記得られた掘削データを掘削デ
ータ格納部に格納するので、ＴＢＭのテールから出現し
た岩盤の人間による地山等級の判定結果とその判定時点
よりも前に得られた同一岩盤の掘削データとを１つの学
習データとして、上記推論ロジックの学習を行うことが
できる。

【００６６】また、請求項３に係る発明の岩盤判定シス
テムにおける上記ロジック格納部には、上記推論ロジッ
クとして複数のファジイルールを格納しているので、人
間の経験則をよく表すファジイルールを使用することに
よって、岩盤の地山等級をより人間の経験則に即して正
確に判定できる。

【００６７】さらに、上記学習処理部は、上記学習デー
タの掘削データを上記ファジイルールに与えた場合にお
ける推論結果が人間による地山等級判定結果に近づくよ
うに上記ファジイルールを調整するので、上記推論ロジ
ックの学習を簡単に行うことができる。

【００６８】また、請求項４に係る発明の岩盤判定シス
テムにおける上記掘削機はトンネル掘削機であり、上記
掘削データとしてカッタ電流,カッタ電圧,カッタ回転
数,カッタ振動数,ジャッキ推力,掘進速度および掘削ズ
リ高さのうち少なくとも２つを用いるので、上記トンネ
ル掘削機で掘削されたトンネル岩盤の地山等級を瞬時に
且つ人間の経験則に即して正確に判定することができ
る。

【００６９】また、請求項５に係る発明の岩盤判定シス
テムにおける上記掘削機は削岩機であり、上記掘削デー
タとして打撃圧,回転圧,回転数,フィード圧およびフィ
ード速度のうち少なくとも２つを用いるので、上記削岩
機で削孔された岩盤の地山等級を瞬時に且つ人間の経験
則に即して正確に判定することができる。

【００７０】また、請求項６に係る発明の岩盤判定シス
テムは、上記地山等級推論部によって推論された岩盤の
地山等級に基づいて、出力部によって、用いるべき支保
パターンを選択して出力するので、掘削された岩盤の補
強に最適な支保パターンを得ることができる。

【図面の簡単な説明】

【図１】 この発明の岩盤判定システムが適用されたＴ
ＢＭの概略断面図である。

【図２】 図１に示すＴＢＭによるトンネル掘削工事の
作業手順を示すフローチャートである。

【図３】 図２に示す作業手順において行われる学習処
理動作のフローチャート図である。

【図４】 この発明の岩盤判定システムを削岩機に適用
した場合の説明図である。

【符号の説明】

１３…モータ用センサ、 １４…油圧計、 １５…ストロー
ク計、 １６…モニタカメラ、 ２１,４５…掘
削データ生成部、 ２２,４６…岩盤判定システム、 ２３…学習処理
部、 ２４…判断ロジック格納部、 ２５…判定処理
部、 ２６,４７…掘削データベース、 ２７,４８…学
習データベース、 ３１…削岩機。

フロントページの続き (72)発明者 背野 康英 大阪府大阪市阿倍野区松崎町２丁目２番２ 号 株式会社奥村組内 Ｆターム(参考） 2D054 AC20 GA17 GA63 GA72 GA74 5H004 GB20 HB03 HB08 HB12 HB14 JB06 JB07 KC08 KC12 KD02 KD14 KD22 KD42 KD62 9A001 BB01 BB03 BB04 FF07 HH05 HH06 KK27 KK31 KK37 KK42

Claims (6)

【特許請求の範囲】
1. 【請求項１】 掘削機を使用して掘削した岩盤の地山等
   級を判定する岩盤判定システムにおいて、 岩盤を掘削する際の上記掘削機の状態に基づいて掘削デ
   ータを生成する掘削データ生成部と、 上記掘削データを入力として、当該掘削データが得られ
   た岩盤の地山等級を人間の経験則に基づく推論ロジック
   を用いて推論する地山等級推論部を備えたことを特徴と
   する岩盤判定システム。
2. 【請求項２】 請求項１に記載の岩盤判定システムにお
   いて、 上記掘削データを格納する掘削データ格納部と、 上記地山等級推論部による推論時に用いられる推論ロジ
   ックが格納されたロジック格納部と、 人間によって判定された岩盤の地山等級の判定結果と当
   該判定時点よりも前に上記掘削データ格納部に格納され
   た同一岩盤の掘削データとの対でなる学習データを用い
   て、上記推論ロジックの学習を行う学習処理部を備えた
   ことを特徴とする岩盤判定システム。
3. 【請求項３】 請求項２に記載の岩盤判定システムにお
   いて、 上記ロジック格納部には、上記推論ロジックとして複数
   のファジイルールが格納されており、 上記学習処理部は、上記学習データを構成する掘削デー
   タを上記ファジイルールに与えた場合における推論結果
   としての地山等級が、当該学習データを構成する人間に
   よる地山等級判定結果に近づくように、上記ファジイル
   ールを調整することによって、上記ファジイルールの学
   習を行うようになっていることを特徴とする岩盤判定シ
   ステム。
4. 【請求項４】 請求項１乃至請求項３の何れか一つに記
   載の岩盤判定システムにおいて、 上記掘削機はトンネル掘削機であり、 上記掘削データとして、カッタ電流,カッタ電圧,カッタ
   回転数,カッタ振動数,ジャッキ推力,掘進速度および掘
   削ズリ高さのうち少なくとも２つを用いることを特徴と
   する岩盤判定システム。
5. 【請求項５】 請求項１乃至請求項３の何れか一つに記
   載の岩盤判定システムにおいて、 上記掘削機は削岩機であり、 上記掘削データとして、打撃圧,回転圧,回転数,フィー
   ド圧およびフィード速度のうち少なくとも２つを用いる
   ことを特徴とする岩盤判定システム。
6. 【請求項６】 請求項１乃至請求項５の何れか一つに記
   載の岩盤判定システムにおいて、 上記地山等級推論部によって推論された岩盤の地山等級
   に基づいて、用いるべき支保パターンを選択して出力す
   る出力部を備えたことを特徴とする岩盤判定システム。