适用于TBM掘进隧道围岩等级实时判别方法及系统与流程

本公开属于tbm掘进技术领域，涉及一种适用于tbm掘进隧道围岩等级实时判别方法及系统。

背景技术：

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

区别于传统钻爆法，tbm掘进隧道具有速度快、成型好、污染小等特点，但对地层的变化适应性不足。为了更好地发挥tbm掘进的效率优势，亟需对tbm掘进围岩的等级进行实时判别。现阶段尚未有适合tbm隧道的围岩等级实时判别办法。

技术实现要素：

本公开为了解决上述问题，提出了一种适用于tbm掘进隧道围岩等级实时判别方法及系统，本公开解决了tbm掘进隧道围岩等级无法进行实时判别导致tbm无法高效掘进，甚至出现塌方卡机等事故的问题。

根据一些实施例，本公开采用如下技术方案：

一种适用于tbm掘进隧道围岩等级实时判别方法，包括以下步骤：

(1)对已有的tbm掘进隧道的掘进数据进行统计分析，确定影响围岩等级的主要因素；

(2)对各个等级下的tbm掘进数据进行收集，剔除不合适的数据，建立不同围岩等级下的掘进数据样品库；

(3)用样品库中的数据对bp神经网络训练得到分类器，从而建立模式识别模型；

(4)运用趋势检查法对模型中的各个指标进行趋势检查，检查合格后即得到bp神经网络模式识别模型；

(5)进行工程实例的测试，测试结果符合设定要求后，利用最终的bp神经网络模式识别模型，基于实时掘进数据的导入对围岩等级进行实时判别。

作为可选择的实施方式，所述步骤(1)中影响围岩等级的主要因素需要满足相关性低的要求，避免大量相关性较高的数据输入模型，造成模型重复性、无效性学习，降低模型识别速度和准确率。

作为可选择的实施方式，所述步骤(1)中影响围岩等级的主要因素的选取需要满足各个因素随着围岩等级的改变有明显的区间变化，提高模型对不同围岩等级的敏感性和区分度。

作为一种实施方式，至少可以包括刀盘推力、刀盘扭矩、刀盘转速和tbm净掘进速度。

作为可选择的实施方式，所述步骤(2)中建立的不同围岩等级下的掘进数据样品库，需要剔除明显偏离各因素取值区间的数据，并对无效数据进行剔除。

无效数据为掘进距离小于0.5m，掘进时间小于10min时采集的数据。

作为可选择的实施方式，所述步骤(3)中bp神经网络选取输入层、隐含层和输出层三层的网络进行训练，包括训练和检验两部分，不断调整神经网络的训练参数直至检验数据的准确率达到目标要求，得到bp神经网络分类器，进行模式识别模型判别围岩等级的决策。

作为进一步限定，所述步骤(4)中需要对各个主要影响因素进行趋势检查，具体方法为将需要检查的因素进行取值区间上的归一化，其余因素选取均值，然后输入bp神经网络模式识别模型，将检查因素从0向1取值，验证围岩等级的变化趋势是否与该因素对围岩等级的影响趋势一致，如果趋势一致则满足模型可靠性的要求。

作为进一步限定，所述步骤(5)进行工程实例的测试中，需要选择典型的各等级围岩段作为测试数据，当各等级围岩的识别准确率都达到80％以上时才判定为训练合格；如果多次训练仍旧不合格则进行掘进数据样品库的重新筛选，将不合适的数据进行剔除，直至工程实例测试合格。

作为进一步限定，还包括步骤(6)，建立典型样品库和最近一段开挖周期掘进数据库，建立的典型样品库来自于典型洞段的典型掘进数据，并不断叠加开挖洞段中的典型掘进数据，以此作为训练样本对模型不断进行优化训练，并通过实时掘进数据的反馈进行模型参数的调整。

作为进一步限定，所述步骤(6)建立的典型样品库除了正常掘进过程中的各等级围岩的掘进数据库，还应包括典型的掘进异常数据库，当bp神经网络模式识别模型遇到明显偏离于各等级围岩典型样品库的掘进数据时，会自动与异常数据库进行匹配，根据具体影响因素的偏离情况进行预警。

一种适用于tbm掘进隧道围岩等级实时判别系统，包括：

分析模块，被配置为对已有的tbm掘进隧道的掘进数据进行统计分析，确定影响围岩等级的主要因素；

样品库构建模块，被配置为对各个等级下的tbm掘进数据进行收集，剔除不合适的数据，建立不同围岩等级下的掘进数据样品库；

模式识别模型构建模块，被配置为用样品库中的数据对bp神经网络训练得到分类器，从而建立模式识别模型；

趋势检测模块，被配置为运用趋势检查法对模型中的各个指标进行趋势检查，检查合格后即得到bp神经网络模式识别模型，并进行测试，直到测试结果符合设定要求；

判别模块，被配置为利用最终的bp神经网络模式识别模型，基于实时掘进数据的导入对围岩等级进行实时判别。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种适用于tbm掘进隧道围岩等级实时判别方法的步骤。

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种适用于tbm掘进隧道围岩等级实时判别方法的步骤。

与现有技术相比，本公开的有益效果为：

本公开结合tbm掘进隧道的特点，选取开挖过程中最容易得到的诸多掘进参数作为模型的输入变量，以对tbm施工影响最大的围岩等级判别作为输出变量，建立了bp神经网络模式识别模型，实现了对tbm掘进隧道围岩等级的实时判别，有利于提高tbm的掘进效率。同时模型对掘进过程中可能出现的异常情况如塌方、卡机等进行预警，一定程度上规避了工程事故的发生。本公开能够实时预测tbm掘进隧道围岩的等级，对tbm隧道施工具有重大指导意义。

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是实施步骤流程图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

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。

如图1所示，一种适用于tbm掘进隧道围岩等级实时判别方法，其中：

本发明结合bp神经网络理论，模式识别理论，综合趋势检查法和滚动学习理论，提出了一种适用于tbm掘进隧道围岩等级实时判别方法。本发明对已有tbm隧道工程中的掘进数据进行统计分析，确定影响围岩等级的主要因素，选择影响因素的标准是各指标间不具有或者具有极低的相关性，这样就避免了对大量相关性较高的数据进行统计分析。选择好指标后结合模式识别理论建立不同围岩等级下的掘进数据样品库，然后用样品库中的数据对bp神经网络模式识别模型进行训练和检验，检验模型具有较高的准确率之后用趋势检查法对各个指标进行趋势检查，各个指标满足模型可靠性要求后即可进行工程实例的验证。如果bp神经网络模式识别模型在工程实例测试中依然具有较高的准确性，则说明所建立的模型符合实际工程的要求，可以通过实时掘进数据的输入对掘进围岩的等级进行实时预测。之后将各等级围岩的典型数据作为典型样品库保留为模型的底层训练样本，同时在样品库中不断加入最近一段开挖周期(比如三个月)的掘进数据并删除上一段开挖周期中的非典型数据，实现模型的滚动学习，不断优化模型对掘进地层的适应性，提高模型对围岩等级识别的准确性。

一种适用于tbm掘进隧道围岩等级实时判别方法，包括以下步骤：

(1)对tbm掘进隧道的掘进数据进行统计分析，确定影响围岩等级的主要因素；

(2)对各个等级下的tbm掘进数据进行收集，剔除不合适的数据，建立不同围岩等级下的掘进数据样品库；

(3)用样品库中的数据对bp神经网络训练得到分类器，从而建立模式识别模型；

(4)运用趋势检查法对模型中的各个指标进行趋势检查，检查合格后即得到bp神经网络模式识别模型；

(5)进行工程实例的测试，测试合格后即可以通过实时掘进数据的导入对围岩等级进行实时判别；

(6)建立典型样品库+最近开挖周期掘进数据的滚动学习数据库，随着tbm的掘进和反馈不断对模型进行优化。

作为进一步限定，所述步骤(1)中影响围岩等级的主要因素需要满足相关性低的要求，避免大量相关性较高的数据输入模型，造成模型重复性、无效性学习，降低模型识别速度和准确率。

作为进一步限定，所述步骤(1)中影响围岩等级的主要因素的选取需要满足各个因素随着围岩等级的改变有明显的区间变化，提高模型对不同围岩等级的敏感性和区分度。

作为进一步限定，所述步骤(2)中建立的不同围岩等级下的掘进数据样品库，需要剔除明显偏离各因素取值区间的数据，并对无效数据(掘进距离小于0.5m，掘进时间小于10min)进行剔除。

作为进一步限定，所述步骤(3)中bp神经网络选取输入层、隐含层和输出层三层的网络进行训练，包括训练和检验两部分，不断调整神经网络的训练参数直至检验数据的准确率达到目标要求，得到bp神经网络分类器，进行模式识别模型判别围岩等级的决策。

作为进一步限定，所述步骤(4)中需要对各个主要影响因素进行趋势检查，具体方法为将需要检查的因素进行取值区间上的归一化，其余因素选取均值，然后输入bp神经网络模式识别模型，将检查因素从0向1取值，验证围岩等级的变化趋势是否与该因素对围岩等级的影响趋势一致，如果趋势一致则满足模型可靠性的要求。

作为进一步限定，所述步骤(5)进行工程实例的测试中，需要选择典型的各等级围岩段作为测试数据，当各等级围岩的识别准确率都达到80％以上时才判定为训练合格。如果多次训练仍旧不合格则进行掘进数据样品库的重新筛选，将不合适的数据进行剔除，直至工程实例测试合格。

作为进一步限定，所述步骤(6)建立的典型样品库来自于典型洞段的典型掘进数据，并不断叠加开挖洞段中的典型掘进数据，以此作为训练样本对模型不断进行优化训练，并通过实时掘进数据的反馈进行模型参数的调整。

作为进一步限定，所述步骤(6)建立的典型样品库除了正常掘进过程中的各等级围岩的掘进数据库，还应包括典型的掘进异常数据库，当bp神经网络模式识别模型遇到明显偏离于各等级围岩典型样品库的掘进数据时，会自动与异常数据库进行匹配，根据具体影响因素的偏离情况进行预警，避免出现卡机、塌方等事故。

还提供以下产品实施例：

一种适用于tbm掘进隧道围岩等级实时判别系统，包括：

分析模块，被配置为对已有的tbm掘进隧道的掘进数据进行统计分析，确定影响围岩等级的主要因素；

样品库构建模块，被配置为对各个等级下的tbm掘进数据进行收集，剔除不合适的数据，建立不同围岩等级下的掘进数据样品库；

模式识别模型构建模块，被配置为用样品库中的数据对bp神经网络训练得到分类器，从而建立模式识别模型；

趋势检测模块，被配置为运用趋势检查法对模型中的各个指标进行趋势检查，检查合格后即得到bp神经网络模式识别模型，并进行测试，直到测试结果符合设定要求；

判别模块，被配置为利用最终的bp神经网络模式识别模型，基于实时掘进数据的导入对围岩等级进行实时判别。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种适用于tbm掘进隧道围岩等级实时判别方法的步骤。

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种适用于tbm掘进隧道围岩等级实时判别方法的步骤。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

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。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。