[发明专利]一种基于地质参数量化的盾构掘进参数预测方法

说明书

本发明涉及一种基于地质参数量化的盾构掘进参数预测方法，该方法包括以下步骤：将地层沿着埋深方向进行单元化处理，基于各单元片段的地质参数和隧道参数，建立地质状况量化矩阵，结合对应的掘进参数生成训练数据，并基于训练数据建立卷积神经网络模型；获取待施工段的地质状况量化矩阵，输入所述卷积神经网络模型获得对应掘进参数的预测值。与现有技术相比，本发明具有充分体现土层的复杂程度、预测精度高等优点。

技术领域

本发明涉及隧道掘进机智能控制领域，尤其是涉及一种基于地质参数量化的盾构掘进参数预测方法。

背景技术

在利用盾构机进行施工时，不同地层下掘进参数的设定严重依赖于人工经验，然而当地层较为复杂尤其是复合地层时，很难通过人工经验设定合理的掘进参数。

为了解决上述问题，现有技术公开一些技术手段。如专利申请CN112163316A公开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，将盾构机掘进段划分为空推段、上升段、平稳段，并利用传感器连续采集的上升段掘进参数数据形成输入参数矩阵，将平稳掘进段的平均推进速度、平均刀盘转速作为目标输出参数，利用卷积神经网络进行模型训练，实现利用上升段掘进参数数据到平稳掘进段掘进参数的预测；专利CN103870677B公开一种掘进机的掘进参数设定方法，收集基于包含单轴抗压强度、巴西试验劈裂抗拉强度、冲击试验压头的最大荷载与相应的位移的比值、软弱结构面的平均间距和隧道轴线与软弱结构面之间的夹角的围岩参数，利用偏最小二乘法和自适应神经元模糊推理系统建立推进效率与围岩参数的关系模型；专利申请CN110084322A公开一种基于神经网络的盾构机掘进参数的预测方法，采集特定盾构机型号的一段挖掘历史数据；并对上述数据进行降维、相关性分析、特征提取，对提取的特征数据进行平滑处理、归一化处理；将上述数据分为观测指标和预测指标，将观测指标作为输入、预测指标作为输出，利用包含输入层、隐藏层、输出层的神经网络进行模型训练；并利用训练好的模型对盾构机的掘进参数进行预测。

目前的研究主要集中在两个方面，一方面建立掘进参数与掘进参数的联系，即将盾构机的掘进参数划分为输入参数和输出参数，并利用机器学习算法实现输出参数的预测，或者根据初始掘进段掘进参数实现平稳掘进段参数的预测，这些仅仅根据掘进参数进行的预测没有充分考虑到地质状况的改变，往往只适合某个地质状况，应用范围不大。另一方面是根据地质参数实现掘进参数的预测，目前在进行地质参数的量化处理上过于简单，首先复合地层用加权平均计算对应地质参数，无法体现掌子面复杂的地层情况，厚度较小的地层由于权重较小而无法在整体中得到体现；亦或当存在某种单一地层的岩土体天然重度、土体变形模量、土体黏聚力、内摩擦角这四个参数与复合地层加权后上述四个参数相同时，现有方法将预测相同的掘进参数设计值，然而单一地层和复合地层在设置掘进参数时往往有较大的差异；其次，现有方法仅仅考虑了掌子面地质的平均情况，没有考虑掌子面上方和掌子面下方地质情况以及与掌子面地层的上、下分布关系，而上软下硬和上硬下软的地层在掘进参数的设置上会有很大的差异；最后，现有方法预测掘进参数时没有考虑不同深度处地质参数的联系，即地质物理参数随着深度变化的特性无法得到体现；在地质参数的量化处理上采用领域知识简单地提取了几个地质参数特征，无法反映复杂的地质状况，从而无法建立精度较高的卷积神经网络模型。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种充分体现土层的复杂程度、预测精度高的基于地质参数量化的盾构掘进参数预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于地质参数量化的盾构掘进参数预测方法，该方法包括以下步骤：

将地层沿着埋深方向进行单元化处理，基于各单元片段的地质参数和隧道参数，建立地质状况量化矩阵，结合对应的掘进参数生成训练数据，并基于训练数据建立卷积神经网络模型；

获取待施工段的地质状况量化矩阵，输入所述卷积神经网络模型获得对应掘进参数的预测值。