【技術實現步驟摘要】
本專利技術屬于隧道施工，涉及基于地層信息動態識別的tbm操作參數智能決策方法。
技術介紹
1、隧道掘進機（tbm）是地下基礎設施建設的重要施工方法，在諸如水利輸送系統、城市地鐵隧道以及能源基礎設施等工程得到了廣泛的應用。在地下工程的建設過程中，地質環境往往是高度復雜且不確定的。當操作參數與地質環境匹配較差時，會導致掘進效率過低，甚至造成卡機、刀具異常磨損、施工成本增加等問題。
2、目前，施工人員主要根據經驗判斷掘進段的地質條件以及tbm的掘進狀態，然后通過反復調整操作參數，使得tbm達到一個相對穩定的工作狀態。這既耗時又需要大量的經驗，并且難以在復雜地質條件下實現較優的開挖。因此，建立一種能夠針對不同地質條件自動提供相應tbm操作參數決策值的方法，對確保tbm安全高效的開挖具有重要意義。
3、目前大多數操作參數決策方法是以地質信息確定為前提的，在實際工程中地質信息需要通過取芯實驗獲取，這會耗費大量的時間和精力，并且難以及時有效地指導施工。此外，現有的決策方法大多僅考慮效率和成本，而實際工程中也需要關注不同工況下的設備安全以及尊重施工人員的工程經驗。
技術實現思路
1、本專利技術的目的是提供基于地層信息動態識別的tbm操作參數智能決策方法，解決了現有tbm操作參數決策方法耗費時間較長，難以及時有效地指導施工的問題。
2、本專利技術所采用的技術方案是，基于地層信息動態識別的tbm操作參數智能決策方法，包括以下步驟：
3、步驟1，獲取tbm
4、步驟2，基于表格深度學習架構tabnet，用訓練集構建巖體參數多輸出預測模型和掘進參數多輸出預測模型，分別用于地層信息識別和表征映射關系，用測試集驗證巖體參數多輸出預測模型和掘進參數多輸出預測模型性能；
5、步驟3，構建多目標優化算法實現對掘進效率、施工成本、設備安全和工程經驗的考慮，通過巖體參數多輸出預測模型預測巖體參數進而識別掘進工況，以掘進參數多輸出預測模型為擬合函數，依據實際掘進工況要求優化tbm掘進狀態并給出操作參數決策值。
6、操作參數包括刀盤轉速、刀盤扭矩和刀盤推力，被動參數包括撐靴支撐力、頂護盾油缸左壓力、頂護盾油缸右壓力、側護盾油缸左壓力和側護盾油缸右壓力，巖體參數包括巖體單軸抗壓強度和巖體質量指標。
7、對參數信息進行預處理以構建數據庫，包括使用孤立森林算法對參數信息進行異常值的的識別，然后使用線性插值來替換異常值，并采用min-max方法進行數據歸一化，計算公式如下；
8、
9、其中， x、 x*為歸一化前和歸一化后的特征數值， min( x)、 max( x)分別為特征中的最小值和最大值。
10、根據巖體單軸抗壓強度建立三種掘進工況，即不超過30mpa的為軟巖地層、30mpa至90mpa之間的為平衡地層、超過90mpa的為硬巖地層。
11、步驟2中，基于表格深度學習架構tabnet，以操作參數和被動參數為輸入，以巖體單軸抗壓強度和巖體質量指標為輸出，構建巖體參數多輸出預測模型，在tbm掘進隧道環的過程中會直接產生操作參數和被動參數，以其作為巖體參數多輸出預測模型的輸入，可識別出該隧道環的掘進地層信息。
12、步驟2中，基于表格深度學習架構tabnet，以操作參數和巖體參數為輸入，以掘進速率和每延米刀具消耗量為輸出，構建掘進參數多輸出預測模型，在掘進過程中，動態地將新采集的參數信息加入到數據庫中，不斷訓練巖體參數多輸出預測模型和掘進參數多輸出預測模型，以增強模型性能。
13、步驟3中，通過建立扭矩安全系數kt和推力安全系數ktf實現對設備安全考慮，即分別用于限制決策過程中扭矩過大和推力過大的情況；
14、
15、其中， actual?torque為tbm設備實際的刀盤扭矩值， tbm?maximum?torque為tbm設備允許的最大刀盤扭矩；
16、
17、其中， actual?thust?force為tbm設備實際的刀盤推力值， tbm?maximum?thust? force為tbm設備允許的最大刀盤推力。
18、步驟3中，通過建立工程經驗系數ke實現對工程經驗的考慮，即用于限制決策過程中操作參數調整幅度；
19、
20、其中， toriginal為刀盤推力的初始值， toptimized為刀盤推力的決策值， tforiginal為刀盤扭矩的初始值， tfoptimized為刀盤扭矩的決策值， rpmoriginal為刀盤轉速的初始值， rpmoptimized為刀盤轉速的決策值。
21、步驟3中，通過加權切比雪夫標量化策略將黑翅鳶算法改進成多目標優化算法，然后利用tent混沌映射策略替換黑翅鳶算法的初始種群生成策略，從而構建多目標黑翅鳶優化算法，以tbm掘進隧道環過程中直接產生的操作參數和被動參數作為巖體參數多輸出預測模型的輸入，獲得實際巖體參數，根據實際巖體參數中巖體單軸抗壓強度識別出掘進工況，進而確定優化方案，在優化過程中，根據工程需求設定目標值和權重，保持巖石參數不變，以掘進參數多輸出預測模型為擬合函數，用tbm掘進隧道環過程中直接產生的操作參數和實際巖體參數作為輸入，獲得掘進速率和每延米刀具消耗量，然后結合開挖計劃和施工預算設置掘進速率和每延米刀具消耗量的權重和目標值，綜合考慮掘進效率、施工成本、設備安全和工程經驗，對不同的工況制定不同的優化方案，最終給出相應的刀盤轉速、刀盤扭矩和刀盤推力的決策值。
22、通過模型更新模塊采集獲取的參數信息，使用孤立森林算法對參數信息進行處理，建立數據庫，構建并不斷更新模型的性能，通過掘進地層信息識別模塊以當前掘進段的操作參數和被動參數為輸入，通過表格深度學習模型預測當前掘進段的巖體參數，實現對掘進工況的識別，通過操作參數優化決策模塊使用多目標黑翅鳶優化算法，以掘進參數多目標預測模型為映射關系，根據實際工況對掘進速率和刀具消耗量的需求給出刀盤轉速、刀盤扭矩和刀盤推力的決策值。
23、本專利技術的有益效果如下：...
【技術保護點】
1.基于地層信息動態識別的TBM操作參數智能決策方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于地層信息動態識別的TBM操作參數智能決策方法，其特征在于，所述操作參數包括刀盤轉速、刀盤扭矩和刀盤推力，被動參數包括撐靴支撐力、頂護盾油缸左壓力、頂護盾油缸右壓力、側護盾油缸左壓力和側護盾油缸右壓力，巖體參數包括巖體單軸抗壓強度和巖體質量指標。
3.根據權利要求2所述的基于地層信息動態識別的TBM操作參數智能決策方法，其特征在于，對所述參數信息進行預處理以構建數據庫，包括使用孤立森林算法對參數信息進行異常值的識別，然后使用線性插值來替換異常值，并采用Min-Max方法進行數據歸一化，計算公式如下；
4.根據權利要求3所述的基于地層信息動態識別的TBM操作參數智能決策方法，其特征在于，根據巖體單軸抗壓強度建立所述三種掘進工況，即不超過30MPa的為軟巖地層、30MPa至90MPa之間的為平衡地層、超過90MPa的為硬巖地層。
5.根據權利要求4所述的基于地層信息動態識別的TBM操作參數智能決策方法，其特征在于，所述步驟2中，基
6.根據權利要求5所述的基于地層信息動態識別的TBM操作參數智能決策方法，其特征在于，所述步驟2中，基于表格深度學習架構TabNet，以操作參數和巖體參數為輸入，以掘進速率和每延米刀具消耗量為輸出，構建掘進參數多輸出預測模型，在掘進過程中，動態地將新采集的參數信息加入到數據庫中，不斷訓練巖體參數多輸出預測模型和掘進參數多輸出預測模型，以增強模型性能。
7.根據權利要求6所述的基于地層信息動態識別的TBM操作參數智能決策方法，其特征在于，所述步驟3中，通過建立扭矩安全系數KT和推力安全系數KTF實現對設備安全考慮，即分別用于限制決策過程中扭矩過大和推力過大的情況；
8.根據權利要求7所述的基于地層信息動態識別的TBM操作參數智能決策方法，其特征在于，所述步驟3中，通過建立工程經驗系數Ke實現對工程經驗的考慮，即用于限制決策過程中操作參數調整幅度；
9.根據權利要求8所述的基于地層信息動態識別的TBM操作參數智能決策方法，其特征在于，所述步驟3中，通過加權切比雪夫標量化策略將黑翅鳶算法改進成多目標優化算法，然后利用Tent混沌映射策略替換黑翅鳶算法的初始種群生成策略，從而構建多目標黑翅鳶優化算法，以TBM掘進隧道環過程中直接產生的操作參數和被動參數作為巖體參數多輸出預測模型的輸入，獲得實際巖體參數，根據實際巖體參數中巖體單軸抗壓強度識別出掘進工況，進而確定優化方案，在優化過程中，根據工程需求設定目標值和權重，保持巖石參數不變，以掘進參數多輸出預測模型為擬合函數，用TBM掘進隧道環過程中直接產生的操作參數和實際巖體參數作為輸入，獲得掘進速率和每延米刀具消耗量，然后結合開挖計劃和施工預算設置掘進速率和每延米刀具消耗量的權重和目標值，綜合考慮掘進效率、施工成本、設備安全和工程經驗，對不同的工況制定不同的優化方案，最終給出相應的刀盤轉速、刀盤扭矩和刀盤推力的決策值。
10.根據權利要求1或9所述的基于地層信息動態識別的TBM操作參數智能決策方法，其特征在于，通過模型更新模塊采集獲取的參數信息，使用孤立森林算法對參數信息進行處理，建立數據庫，構建并不斷更新模型的性能，通過掘進地層信息識別模塊以當前掘進段的操作參數和被動參數為輸入，通過表格深度學習模型預測當前掘進段的巖體參數，實現對掘進工況的識別，通過操作參數優化決策模塊使用多目標黑翅鳶優化算法，以掘進參數多目標預測模型為映射關系，根據實際工況對掘進速率和刀具消耗量的需求給出刀盤轉速、刀盤扭矩和刀盤推力的決策值。
...【技術特征摘要】
1.基于地層信息動態識別的tbm操作參數智能決策方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于地層信息動態識別的tbm操作參數智能決策方法，其特征在于，所述操作參數包括刀盤轉速、刀盤扭矩和刀盤推力，被動參數包括撐靴支撐力、頂護盾油缸左壓力、頂護盾油缸右壓力、側護盾油缸左壓力和側護盾油缸右壓力，巖體參數包括巖體單軸抗壓強度和巖體質量指標。
3.根據權利要求2所述的基于地層信息動態識別的tbm操作參數智能決策方法，其特征在于，對所述參數信息進行預處理以構建數據庫，包括使用孤立森林算法對參數信息進行異常值的識別，然后使用線性插值來替換異常值，并采用min-max方法進行數據歸一化，計算公式如下；
4.根據權利要求3所述的基于地層信息動態識別的tbm操作參數智能決策方法，其特征在于，根據巖體單軸抗壓強度建立所述三種掘進工況，即不超過30mpa的為軟巖地層、30mpa至90mpa之間的為平衡地層、超過90mpa的為硬巖地層。
5.根據權利要求4所述的基于地層信息動態識別的tbm操作參數智能決策方法，其特征在于，所述步驟2中，基于表格深度學習架構tabnet，以操作參數和被動參數為輸入，以巖體單軸抗壓強度和巖體質量指標為輸出，構建巖體參數多輸出預測模型，在tbm掘進隧道環的過程中會直接產生操作參數和被動參數，以其作為巖體參數多輸出預測模型的輸入，可識別出該隧道環的掘進地層信息。
6.根據權利要求5所述的基于地層信息動態識別的tbm操作參數智能決策方法，其特征在于，所述步驟2中，基于表格深度學習架構tabnet，以操作參數和巖體參數為輸入，以掘進速率和每延米刀具消耗量為輸出，構建掘進參數多輸出預測模型，在掘進過程中，動態地將新采集的參數信息加入到數據庫中，不斷訓練巖體參數多輸出預測模型和掘進參數多輸出預測模型，以增強模型性能。
7.根據權利要求6所述的基于地層信息動態識別的tbm操作參數智能決策方...
【專利技術屬性】
技術研發人員：佘磊，胡成成，李炎隆，許增光，
申請(專利權)人：西安理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。