基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法及系统与流程
本公开涉及隧道工程技术领域，特别是涉及基于tbm岩-机参数动态交互机制的隧洞可掘进预测方法及系统。
背景技术：
近年来，tbm法已成为我国长大隧道特别是山岭隧道的首选工法。目前，tbm施工岩体信息如抗压强度、完整性等参数是通过人工现场素描、取样并进行室内试验得到，获取手段比较落后，无法实时感知和预测岩体状态。
tbm施工中掘进参数的选择和控制基本上完全依靠人为经验作出判断和调整，掘进参数与岩体状态参数匹配性差，一旦遭遇地层变化或复杂地质条件，难以及时有效地调整掘进方案和控制参数，容易发生卡机、地质灾害，甚至人员伤亡等事故。
因此，tbm智能掘进分级及预测已成为隧道工程领域的重大技术挑战和前沿热点问题。
技术实现要素：
为了解决现有技术的不足，本公开实施例子提供了基于tbm岩-机参数动态交互机制的隧洞可掘进预测方法，进行tbm掘进可行性分级，并结合tbm岩-机参数动态交互机制对tbm掘进效率进行预测。
为了实现上述目的，本申请采用以下技术方案：
本公开实施例子公开了基于tbm岩-机参数动态交互机制的隧洞可掘进预测方法，包括：
根据tbm掘进过程中的围岩参数-机器参数动态交互规律，建立设备信息样本数据库及岩体信息样本数据库；
对tbm掘进参数上升段的岩体信息样本数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重；
通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件得到不同岩体信息条件下tbm掘进参数稳定段掘进参数的最优解；
通过得到的权重信息和掘进稳定段参数最优解，建立适用于tbm掘进的最佳掘进公式，根据该掘进公式进行tbm掘进可行性分级，对tbm掘进效率进行预测。
本公开实施例子该方法结合tbm施工特点选取设备掘进指标和岩体信息指标，并收集大量数据组成样本数据库。该方法所采用的熵权法相对其他主观赋权重方法来说，精确度更高，客观性更强，得到的结果也更精确。所采用的量子粒子群算法避免了传统粒子群算法全局寻优能力差、收敛速度慢等现象，极大地提高了粒子群算法的全局寻优能力和优化效率，本发明对量子粒子群算法进行了进一步改进，使其在计算后期避免陷入局部最优，且极大地增加了种群多样性，得到的结果质量更高、更准确。因此，本方法评价信息非常丰富，效率高，结果准确率高。
本公开另一实施例子公开了基于tbm岩-机参数动态交互机制的隧洞可掘进预测系统，包括：
数据库建立单元，被配置为：根据tbm掘进过程中的围岩参数-机器参数动态交互规律，建立设备信息样本数据库及岩体信息样本数据库；
岩体信息权重计算单元，被配置为：对tbm掘进参数上升段的岩体信息样本数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重；
最优解计算单元，被配置为：通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件得到不同岩体信息条件下tbm掘进参数稳定段掘进参数的最优解；
预测单元，被配置为：通过得到的权重信息和掘进稳定段参数最优解，建立适用于tbm掘进的最佳掘进公式，根据该掘进公式进行tbm掘进可行性分级，对tbm掘进效率进行预测。
与现有技术相比，本公开的有益效果是：
1、本公开该方法结合tbm施工特点选取设备参数和岩体参数指标，紧密切合工程实际需求，并从实际工程中选取大量的样本数据，选用熵权法作为指标权重的确定方法，熵权法相对其他主观赋权重方法来说，精确度更高，客观性更强，得到的结果也更精确。
2、本公开该方法采用的改进量子粒子群方法，不仅极大地提高了粒子群算法的全局寻优能力和优化效率，还避免其计算后期陷入局部最优，且极大地增加了种群多样性，得到的结果质量更高、更准确。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开具体实施例子的评价步骤流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
tbm施工中掘进参数的选择和控制基本上完全依靠人为经验作出判断和调整，掘进参数与岩体状态参数匹配性差，一旦遭遇地层变化或复杂地质条件，难以及时有效地调整掘进方案和控制参数，容易发生卡机、地质灾害，甚至人员伤亡等事故。因此，tbm智能掘进分级及预测已成为隧道工程领域的重大技术挑战和前沿热点问题。
实施例子一
本公开的一种典型的实施方式中，参见附图1所示，提供了一种适用于tbm智能掘进分级及预测方法。本公开通过tbm岩-机参数动态交互机制研究，建立考虑tbm机器参数、围岩指标参数的tbm掘进效率综合评价指标体系，获取以掘进效率最优为决策目标的机器参数决策准则。
该指标评价体系包括了tbm设备参数、岩体指标参数。设备参数主要包括刀盘推力(f)、刀盘转矩(t)、贯入度(p)、推进速度(r)；岩体参数信息包括岩体单轴抗压强度、岩体完整性、岩石硬度、岩石耐磨性、岩石石英含量、断层破碎带、地应力状态、特殊岩土组合、地下水、岩体优势结构面走向与隧道线夹角θ。
该评价指标体系建立后，就可以进行tbm掘进效率的综合评价，继而可以得到tbm在某一岩层的掘进最优解以及可掘进预测。
在该实施例子中，对已有的tbm掘进岩机信息进行搜集总结并建立样本数据库，通过对tbm正常掘进过程中的掘进循环进行分析，得到tbm掘进参数分为tbm掘进参数上升段和tbm掘进参数稳定段；对tbm掘进参数上升段使用熵权法对岩体信息样本数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重；通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件利用改进的量子粒子群方法得到不同岩体信息条件下tbm掘进参数稳定段的最优解；通过得到的权重信息和掘进稳定段参数最优解，建立适用于tbm掘进的最佳掘进公式。
该方法结合tbm施工特点选取设备掘进指标和岩体信息指标，并收集大量数据组成样本数据库。该方法所采用的熵权法相对其他主观赋权重方法来说，精确度更高，客观性更强，得到的结果也更精确。所采用的量子粒子群算法避免了传统粒子群算法全局寻优能力差、收敛速度慢等现象，极大地提高了粒子群算法的全局寻优能力和优化效率，本发明对量子粒子群算法进行了进一步改进，使其在计算后期避免陷入局部最优，且极大地增加了种群多样性，得到的结果质量更高、更准确。因此，本方法评价信息非常丰富，效率高，结果准确率高。
下面对tbm岩-机动态交互机制进行解释说明，tbm岩-机动态交互机制即为tbm掘进过程中的围岩参数-机器参数动态交互规律，根据该规律建立隧道围岩参数-tbm机器参数反馈模型。
在具体实施例子中，模拟不同地层，不同岩石，不同机器参数的tbm掘进过程，获得tbm掘进过程中围岩参数和机器参数的相关关系，得到tbm掘进过程中输出扭矩、转速、掘进速度、推进力等机器参数和岩石的单轴抗压强度、岩石抗拉强度、岩石硬度、结构面间距、洞轴线与主要结构面夹角等围岩参数之间的相关性。
tbm在掘进过程中会自动记录其在掘进过程中的各项机器参数以及围岩参数。获取tbm机器参数(扭矩、转速、掘进速度、推进力等)和围岩参数(岩石单轴抗压强度、岩石抗拉强度、岩石硬度、结构面间距、洞轴线与主要结构面夹角)之间的相关关系，建立tbm围岩参数-机器参数的掘进模型，计算在不同tbm工况和围岩参数组合下tbm的掘进速度，分析tbm机器参数和围岩参数的相关关系，其中tbm工况包括不同的tbm输出扭矩和推进力，围岩参数条件包括不同的岩石抗压强度、抗拉强度、弹性模型、节理间距、倾角及地应力组合。
利用已得到的岩-机参数动态交互机制，建立隧道围岩参数-tbm机器参数反馈模型，以此来确定不同设备信息状态下的收敛条件。
其中，在tbm掘进循环中，从滚刀接触岩石开始，贯入度、推力、转矩tbm掘进参数均逐渐增大至稳定值，该阶段称为tbm掘进参数上升段；tbm各掘进参数保持平稳略有小波动的阶段称为tbm掘进稳定段。
该实施例子中的该机制反应了tbm岩-机动态交互规律，是建立tbm掘进效率综合评价指标体系，获取以掘进效率最优为决策目标的机器参数决策准则的基础。
该评价指标体系是在tbm岩-机参数动态交互机制的基础上，通过综合评价方法建立的，本公开实施例子所采用的综合评价方法包括熵权法和量子粒子群法。
在具体实施例子中，通过熵权法计算不同岩体参数的权重，计算过程为熵权法的常规计算过程。
在具体实施例子中，设备参数主要包括刀盘推力(f)、刀盘转矩(t)、贯入度(p)、推进速度(r)；岩体参数信息包括岩体单轴抗压强度、岩体完整性、岩石硬度、岩石耐磨性、岩石石英含量、断层破碎带、地应力状态、特殊岩土组合、地下水、岩体优势结构面走向与隧道线夹角θ。
其中，岩石完整性用rqd值来衡量，岩石硬度用凿碎比功z来衡量，岩石耐磨性用岩石耐磨指数cai来衡量，断层破碎带用宽度w来反映其影响程度，地应力状态用应力指数d来衡量，特殊岩土组合包括花岗岩蚀变带和上下软硬岩石不同两种情况，采用两种岩石强度差值σ来衡量其影响程度，地下水用单位涌水量q来表示。
建立tbm掘进循环设备信息和岩体信息样本数据库，通过熵权法对tbm掘进参数上升段的岩体信息样本数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重。
tbm掘进循环分为参数上升段和参数稳定段，通过熵权法计算参数上升段不同岩体信息的权重，即可通过tbm参数上升段岩-机响应规律，并结合tbm岩-机交互机制，得到tbm参数稳定段的最优掘进解。
关于熵权法，熵权法是一种为指标进行赋权的办法，熵能够表示数据显示的有效信息量。若待评事物某个指标量值变化轻微时，熵值比较高，表示这个指标给出的有效信息量比较少，所占权重相对较低；反之则相反。熵权法优越性在于它是一种客观客观赋权办法，大大降低了人为因素对指标权重的影响；对于多个评价对象的赋权问题，采用熵权法只需要进行一次计算就能得到适用于各评价对象的指标权重极大的简化了计算过程；通过熵权法对评价指标进行赋权将多个评价对象联系起来，降低了出现偶然情况的影响，让评价结果更为合理。
具体的计算步骤：(1)原始数据归一化处理。根据得到的数据资料，构建原始数据矩阵，然后将该矩阵原始数据无量纲化操作。(2)计算信息熵。(3)计算熵权，根据得出的信息熵，可计算出对应指标的权重。
根据得到的tbm相关数据，研究tbm掘进过程中围岩参数-机器参数动态交互规律，建立隧道围岩参数-tbm机器参数反馈模型，根据得到的反馈模型，可以知道在一定的围岩条件下，tbm的最佳掘进速度。
通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件利用改进的量子粒子群方法得到不同岩体信息条件下tbm掘进参数稳定段掘进参数的最优解。
量子粒子群算法为全局寻优算法，即掌握了不同的岩体信息以后，通过tbm岩-机交互机制和利用熵权法求得的权重，量子粒子群算法可以得到在此种岩体信息工况下，tbm的最佳掘进速度。
采用概率福作为量子粒子群算法的编码方式，避免了直接采用二进制编码带来的繁琐解码方式。在量子计算中，采用|0>和|1>表示微观粒子的两种基本状态，称为量子比特。符号“|>”为狄拉克符号，在量子粒子群算法(qpso)中，最小单元是量子位，量子位具有两个基本态，|0>态和|1>态，任意时刻量子位的状态可以使基本态的线性组合，称为叠加态。
本公开实施例子中，对量子粒子群算法进行改进，结合混沌搜索、加权更新种群最优位置中心和邻域变异3个方面进行，利用混沌思想初始化种群，可有效提高初始种群多样性与分布均衡性，增强算法收敛速度和搜索精度；采用加权更新种群最优位置中心改进种群进化方式，可有效降低落后粒子干扰，增强精英个体在种群进化中的导向作用，提高种群搜索能力以加速收敛；对种群最优个体在逐代缩小的邻域范围内随机变异，开展局部精细化搜索，若变异得到的新个体适应度有所提升，则直接替换变异前种群全局最优个体，否则以一定概率随机替换种群中个体。
通过得到的权重信息和掘进稳定段参数最优解，建立适用于tbm掘进的最佳掘进公式。根据该掘进公式进行tbm掘进可行性分级，并结合tbm岩-机参数动态交互机制对tbm掘进效率进行预测。
具体的，最佳掘进公式主要是对某一工况条件下的可掘进问题有一个整体的把握，进行总体评分，其次进行可掘进分级，根据不同地区的不同围岩参数，对其掘进可行性进行分级，从而根据掘进可行性分级给出最佳的施工方法和支护结构设计。并进行科学管理及正确评价经济效益、制定劳动定额、材料消耗标准等的基础，具有重大意义。
建立tbm最佳掘进公式，公式为
其中，wi、wj、wk、wm为各项岩体参数在不同设备参数条件下利用熵权法得到的权重，ei、ej、ek、em为各项岩体参数在不同设备参数条件下根据岩-机交互关系得到的分数，n为岩体参数的个数。
本公开实施例子以tbm岩-机参数动态交互机制为理论基础获取tbm掘进参数，对依托工程穿越典型不良地质段(断层、岩性突变、富水岩体等)的tbm机器参数进行收集整理，包括tbm穿越不良地质段的前、中、后数据，研究tbm穿越不良地质机器参数的变化规律。建立以掘进效率最佳为评判标准的隧道不良地质tbm机器参数表征方法，采用熵权法、量子粒子群算法建立不同不良地质体的判别指标体系，分析不良地质判别指标在tbm穿越不良地质段的变化规律和特征，建立tbm临近不良地质体的超前判识准则，实现tbm掘进过程中不良地质实时超前判识及预警。
实施例子二
该实施例子公开了基于tbm岩-机参数动态交互机制的隧洞可掘进预测系统，包括：
数据库建立单元，被配置为：根据tbm掘进过程中的围岩参数-机器参数动态交互规律，建立设备信息样本数据库及岩体信息样本数据库；
岩体信息权重计算单元，被配置为：对tbm掘进参数上升段的岩体信息样本数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重；
最优解计算单元，被配置为：通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件得到不同岩体信息条件下tbm掘进参数稳定段掘进参数的最优解；
预测单元，被配置为：通过得到的权重信息和掘进稳定段参数最优解，建立适用于tbm掘进的最佳掘进公式，根据该掘进公式进行tbm掘进可行性分级，对tbm掘进效率进行预测。
应当注意，尽管在上文的详细描述中提及了设备的若干模块或子模块，但是这种划分仅仅是示例性而非强制性的。实际上，根据本公开的实施例，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
实施例子三
该实施例子公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述所述的基于tbm岩-机参数动态交互机制的隧洞可掘进预测方法的步骤。
实施例子四
该实施例子公开了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述所述的基于tbm岩-机参数动态交互机制的隧洞可掘进预测方法的步骤。
在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！