JP2000345793A - 岩盤判定システム - Google Patents
岩盤判定システムInfo
- Publication number
- JP2000345793A JP2000345793A JP11159625A JP15962599A JP2000345793A JP 2000345793 A JP2000345793 A JP 2000345793A JP 11159625 A JP11159625 A JP 11159625A JP 15962599 A JP15962599 A JP 15962599A JP 2000345793 A JP2000345793 A JP 2000345793A
- Authority
- JP
- Japan
- Prior art keywords
- rock
- excavation
- data
- learning
- inference
- 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
- 238000009412 basement excavation Methods 0.000 claims abstract description 129
- 241000282414 Homo sapiens Species 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000011435 rock Substances 0.000 claims description 140
- 238000013500 data storage Methods 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 22
- 230000009189 diving Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 22
- 238000005553 drilling Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 102100029777 Eukaryotic translation initiation factor 3 subunit M Human genes 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 101001012700 Homo sapiens Eukaryotic translation initiation factor 3 subunit M Proteins 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000009527 percussion Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C39/00—Devices for testing in situ the hardness or other properties of minerals, e.g. for giving information as to the selection of suitable mining tools
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
- Feedback Control In General (AREA)
Abstract
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
(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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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=Ai1 and … and xm=Aim THEN y=wi(i
=1,…,n) その場合、前件部の適合度μiは以下の式で表される。 μi=Ai1(x1)* … *Aim(xm) ここで、Aij:メンバーシップ関数(j=1,…,m)そ
して、この前件部の適合度μi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wiは実数値であり、推論値y*は
以下のようになる。
果y* pと人間が判断した結果yr 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−yr 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Aijの形状を調整す
るのである。ここで、メンバーシップ関数Aijの中心値
をaijとし、幅をbijとすると、推論誤差の評価関数E
はaij,bij,wiの値に依存することになる。 E=f(aij,bij,wi)
ラメータをaij,bij,wi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aij,bij,wi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。
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−yr p)2/N そして、チューニングパラメータaij,bij,wi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。
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。
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。
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。
Aijの中心値aijと幅bijとを初期値に設定し、後件部
の適合度wi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。
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aij,bij,
wi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aij,bij,
wi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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
遅れによる崩落事故の発生を防止できるのである。
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。
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。
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。
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。
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。
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。
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。
BMの概略断面図である。
作業手順を示すフローチャートである。
理動作のフローチャート図である。
した場合の説明図である。
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。
Claims (6)
- 【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。 - 【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。 - 【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。 - 【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。 - 【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。 - 【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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP15962599A JP4094770B2 (ja) | 1999-06-07 | 1999-06-07 | 岩盤判定システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP15962599A JP4094770B2 (ja) | 1999-06-07 | 1999-06-07 | 岩盤判定システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2000345793A true JP2000345793A (ja) | 2000-12-12 |
JP4094770B2 JP4094770B2 (ja) | 2008-06-04 |
Family
ID=15697818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP15962599A Expired - Lifetime JP4094770B2 (ja) | 1999-06-07 | 1999-06-07 | 岩盤判定システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4094770B2 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1394814A1 (en) * | 2001-05-09 | 2004-03-03 | Kajima Corporation | Gallery monitoring method and monitoring system |
WO2006134223A1 (en) * | 2005-06-15 | 2006-12-21 | Mine On-Line Service Oy | Method and apparatus for ore processing |
CN110096827A (zh) * | 2019-05-09 | 2019-08-06 | 中铁工程服务有限公司 | 一种基于深度神经网络的盾构机参数优化方法 |
JP2019190189A (ja) * | 2018-04-27 | 2019-10-31 | 戸田建設株式会社 | 山岳トンネルにおける発破最適化方法 |
WO2019234907A1 (ja) * | 2018-06-08 | 2019-12-12 | 日本電気株式会社 | 制御装置、制御方法、及び、制御プログラムが記録された記録媒体 |
CN111709650A (zh) * | 2020-06-18 | 2020-09-25 | 中铁十一局集团第四工程有限公司 | 一种滨海复杂地层盾构掘进适应性评价方法 |
JP7328144B2 (ja) | 2019-12-27 | 2023-08-16 | 五洋建設株式会社 | 切羽性状推定装置および推定方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0925790A (ja) * | 1995-07-10 | 1997-01-28 | Komatsu Ltd | 地山の圧縮強度算出方法,地山の圧縮強度算出装置,支保工選択方法および掘進機制御方法 |
JPH09112185A (ja) * | 1995-10-23 | 1997-04-28 | Taisei Corp | トンネルの岩盤強度の計測方法 |
JPH1019853A (ja) * | 1996-07-09 | 1998-01-23 | Okumura Corp | 地盤判定装置 |
JPH1151932A (ja) * | 1997-07-31 | 1999-02-26 | Ohbayashi Corp | トンネル岩盤強度の推定方法 |
JP2000034890A (ja) * | 1998-07-16 | 2000-02-02 | Kajima Corp | Tbm切羽及び周辺地質のリアルタイム評価方法及び装置 |
-
1999
- 1999-06-07 JP JP15962599A patent/JP4094770B2/ja not_active Expired - Lifetime
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0925790A (ja) * | 1995-07-10 | 1997-01-28 | Komatsu Ltd | 地山の圧縮強度算出方法,地山の圧縮強度算出装置,支保工選択方法および掘進機制御方法 |
JPH09112185A (ja) * | 1995-10-23 | 1997-04-28 | Taisei Corp | トンネルの岩盤強度の計測方法 |
JPH1019853A (ja) * | 1996-07-09 | 1998-01-23 | Okumura Corp | 地盤判定装置 |
JPH1151932A (ja) * | 1997-07-31 | 1999-02-26 | Ohbayashi Corp | トンネル岩盤強度の推定方法 |
JP2000034890A (ja) * | 1998-07-16 | 2000-02-02 | Kajima Corp | Tbm切羽及び周辺地質のリアルタイム評価方法及び装置 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1394814A1 (en) * | 2001-05-09 | 2004-03-03 | Kajima Corporation | Gallery monitoring method and monitoring system |
EP1394814A4 (en) * | 2001-05-09 | 2005-06-15 | Kajima Corp | METHOD AND SYSTEM FOR MONITORING GALLERIES |
US7287934B2 (en) | 2001-05-09 | 2007-10-30 | Kajima Corporation | Stratum disposal monitoring system |
WO2006134223A1 (en) * | 2005-06-15 | 2006-12-21 | Mine On-Line Service Oy | Method and apparatus for ore processing |
JP7049902B2 (ja) | 2018-04-27 | 2022-04-07 | 戸田建設株式会社 | 山岳トンネルにおける発破最適化方法 |
JP2019190189A (ja) * | 2018-04-27 | 2019-10-31 | 戸田建設株式会社 | 山岳トンネルにおける発破最適化方法 |
WO2019234907A1 (ja) * | 2018-06-08 | 2019-12-12 | 日本電気株式会社 | 制御装置、制御方法、及び、制御プログラムが記録された記録媒体 |
JPWO2019234907A1 (ja) * | 2018-06-08 | 2021-06-03 | 日本電気株式会社 | 制御装置、制御方法、及び、制御プログラム |
JP7078912B2 (ja) | 2018-06-08 | 2022-06-01 | 日本電気株式会社 | 制御装置、制御方法、及び、制御プログラム |
CN110096827A (zh) * | 2019-05-09 | 2019-08-06 | 中铁工程服务有限公司 | 一种基于深度神经网络的盾构机参数优化方法 |
CN110096827B (zh) * | 2019-05-09 | 2022-08-05 | 中铁工程服务有限公司 | 一种基于深度神经网络的盾构机参数优化方法 |
JP7328144B2 (ja) | 2019-12-27 | 2023-08-16 | 五洋建設株式会社 | 切羽性状推定装置および推定方法 |
CN111709650A (zh) * | 2020-06-18 | 2020-09-25 | 中铁十一局集团第四工程有限公司 | 一种滨海复杂地层盾构掘进适应性评价方法 |
CN111709650B (zh) * | 2020-06-18 | 2023-05-30 | 中铁十一局集团第四工程有限公司 | 一种滨海复杂地层盾构掘进适应性评价方法 |
Also Published As
Publication number | Publication date |
---|---|
JP4094770B2 (ja) | 2008-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7035778B2 (en) | Method of assaying downhole occurrences and conditions | |
US11416645B2 (en) | Systems for automated blast design planning and methods related thereto | |
KR102003612B1 (ko) | 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법 | |
Jung et al. | An ANN to predict ground condition ahead of tunnel face using TBM operational data | |
US11598204B2 (en) | Metric-based sustainability index for wellbore life cycle | |
JP2000345793A (ja) | 岩盤判定システム | |
KR20180116922A (ko) | 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법 | |
JP7219181B2 (ja) | シールド掘進機の施工管理方法 | |
US20240111916A1 (en) | Systems for automated blast design planning and methods related thereto | |
Mbarak et al. | SPT based determination of undrained shear strength: Regression models and machine learning | |
CN113446022B (zh) | 盾构掘进控制***及方法 | |
CN112906153A (zh) | 基于lstm的土压平衡盾构的土压智能动态调控方法 | |
CN114370264B (zh) | 机械钻速确定、钻井参数优化方法、装置及电子设备 | |
JP7286457B2 (ja) | 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 | |
KR102211129B1 (ko) | 굴착면 내부의 지반 상태 정보를 획득하는 스마트 선대구경 천공장치 | |
JPH11294080A (ja) | トンネル掘進システム | |
JP6131160B2 (ja) | 岩盤探査方法および岩盤探査システム、並びに岩盤探査用穿孔データ補正装置 | |
JP5258734B2 (ja) | トンネル切羽前方探査方法及び探査システム | |
JP7492482B2 (ja) | シールド掘進機の掘進予測モデル | |
Entezari et al. | A data-driven approach to predict shear wave velocity from CPTu measurements | |
CN116050008A (zh) | 岩体质量实时评价方法、装置、设备及可读存储介质 | |
JP2022143627A (ja) | シールド掘進機の掘進予測モデル | |
JP2022143625A (ja) | シールド掘進機の施工管理方法 | |
JP2023003193A (ja) | 施工管理システムおよび方法 | |
Rausche et al. | Automatic signal matching with CAPWAP |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050622 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070921 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071002 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071127 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20080205 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080306 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110314 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 4094770 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140314 Year of fee payment: 6 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
EXPY | Cancellation because of completion of term |