一种TBM极端复杂地质条件下掘进控制方法及系统

本发明属于隧道工程技术领域，具体涉及一种tbm极端复杂地质条件下掘进控制方法及系统。

背景技术：

这里的陈述仅提供与本发明相关的背景技术，而不必然地构成现有技术。

近年来，tbm长大隧道的建设已经向偏远地区偏移，这些地区面积广袤，地质条件极端复杂，存在着诸如花岗岩蚀变带、活动断裂带、高地压、大规模破碎带等复杂地质灾害。tbm的快速掘进遭遇到前所未有的挑战，开挖缓慢、频繁卡机等问题困扰着工程的建设进度，提高tbm在极端复杂地质条件下的掘进效率是重大工程建设的必然要求。

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，其他一些tbm掘进智能化系统都是在tbm掘进参数与岩体状态参数匹配性上进行改进，取得了一些满意的结果，但是这些方法都只适用于岩体力学参数分布均匀且岩体力学参数较为恒定。极端复杂地质条件有以下两个特点：

一、岩体力学参数分布不均匀。最简单的例子即岩体软硬互层，但在极端复杂地质条件下，掌子面的岩体力学参数分布会出现各种可能的情况，这就导致以当前掌子面的某一岩体力学参数来决定tbm的掘进参数是非常不准确的，很有可能产生负面效果。

二、岩体力学参数不恒定。通常情况下，隧道掌子面的岩体力学参数在同一岩层掘进时，岩体力学参数是较为恒定的。也就是说，在岩性没有发生大的改变时，岩体力学参数基本相同。但是在极端复杂地质条件下，同一岩性的岩体力学参数却会发生突变，例如花岗岩蚀变带，其岩体力学参数可能由接近花岗岩突变为砂化后的岩体力学参数，两者相差巨大。

在上述情况下，研究发明一种适用于极端复杂地质条件下的tbm高效掘进系统就显得尤为重要。

技术实现要素：

针对现有技术存在的不足，本发明的目的是提供一种tbm极端复杂地质条件下掘进控制方法及系统，该方法针对极端复杂地质条件，对tbm掘进效率进行了充分提高。

为了实现上述目的，本发明是通过如下的技术方案来实现：

第一方面，本发明的实施例提供了一种tbm极端复杂地质条件下掘进控制方法，包括以下步骤：

建立tbm掘进样本数据库，并由tbm掘进参数与岩体力学参数的动态交互规律，建立tbm控制决策模型；

获取tbm工作状态信息，并对tbm健康状态进行评价；若tbm健康状态非优时，tbm控制决策模型调整掘进参数和状态，使tbm在优的健康状态下进行掘进。

作为进一步的技术方案，tbm掘进样本数据库的数据信息包括tbm掘进参数、岩体力学参数信息。

作为进一步的技术方案，tbm掘进参数与岩体力学参数的动态交互规律的得出过程为：

通过运用深度学习算法对tbm掘进过程中岩体力学参数与tbm掘进参数之间的相互关系进行分析，建立tbm掘进参数与岩体力学参数的动态交互规律。

作为进一步的技术方案，岩体力学参数的获得过程为：

通过tbm掘进参数对应的岩体数据库得出岩体力学参数；通过图像采集对渣土颗粒直径的规模分布进行统计分析得出岩体力学参数；通过人工神经网络对两种方法得到的岩体力学参数进行加权融合，得出隧道掌子面岩体力学参数分布的真实解。

作为进一步的技术方案，tbm工作状态信息包括刀盘推力、刀盘转矩、贯入度、推进速度。

作为进一步的技术方案，tbm健康状态评价等级分为优、良、中、差：

tbm健康状态的评价根据设定的参数阈值区间进行，处于第一设定阈值区间内，评价等级为优；处于第二设定阈值区间内，评价等级为良；处于第三设定阈值区间内，评价等级为中；处于第四设定阈值区间内，评价等级为差。

作为进一步的技术方案，若tbm健康状态为良，根据tbm工作状态信息确定tbm出现问题的单元，调整相应掘进参数，得到目前tbm掘进参数、tbm状态调整的最优解。

作为进一步的技术方案，若tbm健康状态为中或者差，控制tbm停止掘进，并对各项信息进行分析，待问题解决后继续掘进。

作为进一步的技术方案，采集tbm掘进信息、岩体力学参数信息、注浆信息、渣土图像信息，建立tbm施工信息库，并对tbm健康状态非优的信息进行深度学习训练，重新拟合tbm掘进参数与岩体力学参数的关系的最优解，调整tbm在同样状况下的掘进参数。

第二方面，本发明实施例还提供了一种tbm极端复杂地质条件下掘进控制系统，包括：

模型建立模块，用于建立tbm掘进样本数据库，并由tbm掘进参数与岩体力学参数的动态交互规律，建立tbm控制决策模型；

状态评价模块，用于获取tbm工作状态信息，并对tbm健康状态进行评价；若tbm健康状态非优时，tbm控制决策模型调整掘进参数和状态，使tbm在优的健康状态下进行掘进。

上述本发明的实施例的有益效果如下：

本发明的方法，充分运用大数据和智能平台的优势，一方面可以收集tbm施工的各项数据，并以此作为未来tbm掘进参数调整的重要数据支撑，工程建设数量越多，该控制系统越智能；另一方面基于云智能平台，tbm施工过程中各项数据实时共享，实现tbm施工过程的远程监控，tbm各部分的健康状态可以实时传输到相关负责人移动端上，实现真正的智能化施工。

本发明的方法，提出了岩体力学参数分布的采集机制，将tbm渣土图像采集技术与tbm掘进参数与岩体力学参数交互规律相结合，运用智能算法将两者结合起来，做到了对tbm前方掌子面岩体力学参数分布的实时监测。该方法可以确保tbm在遇到极端复杂地质条件时自动采取有效的对应措施，防止出现tbm卡机等严重事故。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明根据一个或多个实施方式的掘进控制方法的原理示意图；

图中：为显示各部位位置而夸大了互相间间距或尺寸，示意图仅作示意使用。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。如在这里所使用的，除非本发明另外明确指出，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；

为了方便叙述，本发明中如果出现“上”、“下”、“左”“右”字样，仅表示与附图本身的上、下、左、右方向一致，并不对结构起限定作用,仅仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。

术语解释部分:本发明中如出现术语“安装”、“相连”、“连接”、“固定”等，应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或为一体；可以是机械连接，也可以是电连接，可以是直接连接，也可以是通过中间媒介间接相连，可以是两个元件内部连接，或者两个元件的相互作用关系，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明的具体含义。

正如背景技术所介绍的，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，其他一些tbm掘进智能化系统都是在tbm掘进参数与岩体状态参数匹配性上进行改进，取得了一些满意的结果，但是这些方法都只适用于岩体力学参数分布均匀且岩体力学参数较为恒定的情况下，一旦tbm遇到极端复杂地质条件时，就会出现一系列重大问题。为了解决如上的技术问题，本发明提出了一种tbm极端复杂地质条件下掘进控制方法及系统。

实施例1：

本发明的一种典型的实施方式中，如图1所示，提出一种基于云智能平台的tbm极端复杂地质条件下高效率掘进方法，该云智能平台是基于多种深度学习和机器学习框架的人工智能云平台，具备强大的硬件资源管理能力以及高效的模型开发能力，通过tbm施工的大数据信息作为数据支撑，可以快速高效的计算出隧道掌子面前方的岩体力学参数分布情况。

该方法的步骤过程为：

根据tbm掘进参数信息和岩体力学参数信息等建立tbm掘进样本数据库，结合高清渣土图像采集技术，求得掌子面岩体力学参数分布的真实解；

建立tbm控制决策模型和tbm在线监控系统的tbm掘进大数据云智能平台，根据岩体力学参数分布和tbm健康状态决定tbm的掘进参数和工作状态，并将具体信息发送到智能终端；

tbm健康评价非优时，云智能平台会对相关信息进行深度学习，重新拟合相关数据，并将交互规律更新后的信息作为样本数据加入到样本数据库中。

其中，建立tbm掘进样本数据库前，进行tbm的信息采集，包括采集tbm掘进参数、tbm当前工作状态信息、岩体力学参数信息，不良地质体信息，这些信息组成tbm掘进云智能平台的基本信息来源。

通过收集的多种信息，建立tbm掘进样本数据库，同时通过运用深度学习算法得到tbm掘进过程中岩体力学参数与tbm掘进参数的动态交互关系，建立tbm掘进参数与岩体力学参数的动态交互规律，tbm控制决策模型即基于此建立，tbm控制决策模型可控制调整掘进参数。

需要说明的是，该交互规律并不是一成不变的，随着tbm掘进距离的增加，tbm掘进参数与岩体力学参数的动态交互关系的样本数据库逐渐增加，深度学习算法会根据更多的学习样本对岩体力学参数与tbm掘进参数之间的交互规律进行不断调整，达到动态交互的目的。

在可选的实施方案中，根据tbm掘进数据库和渣土图像采集技术，通过人工神经网络计算得到掌子面岩体力学参数分布的真实解。

具体的，tbm掘进参数的采集是通过tbm在线监控系统进行；tbm在线监控系统，该监控系统具有采集端，采集端包括分布于tbm的10个传感器，其中4个位于刀盘及刀盘驱动系统，2个位于支撑系统，2个位于推进系统，2个位于液压与电气控制系统，通过多个传感器的设置，可以实现对tbm掘进参数的采集。

tbm当前工作状态信息通过tbm自带的信息终端获取，tbm设置有总控室，信息终端有tbm工作状态信息的汇总，包括刀盘推力(f)、刀盘转矩(t)、贯入度(p)、推进速度(r)。

岩体力学参数信息通过实时信息采集终端获取，该终端通过两种方式获取岩体力学参数分布，一种通过tbm掘进参数对应的岩体数据库判断岩体力学参数整体强度，一种通过高清渣土图像采集技术，对渣土颗粒直径的规模分布进行采集分析，从而得出掌子面的岩体力学参数分布。

在进一步的实施方案中，云智能平台同时实现数据收集、在线监控、数据分析、决策、提交信息多种功能，真正实现tbm的智能高效掘进；其tbm在线监控系统会对tbm的健康状态进行评价，评价等级分为优、良、中、差四个等级，在非优情况下，云智能平台会对相关数据进行深度学习并采取相应的应对措施。

本实施例中，智能终端包括云平台的多种客户端，包括pc端和智能手机端，云智能平台的相关信息可以在所有客户端同步，不同授权认证的技术人员拥有不同的操作权限，从而实现对tbm的信息远程监控和控制；对收集的各种信息以及tbm的决策建议进行人机交互。

为了使得本领域技术人员能够更加清楚地了解本发明的技术方案，以下将结合具体的实施例详细说明本发明的技术方案。

本发明给出基于云智能平台的tbm极端复杂地质条件下掘进方法，其具体的实施步骤为：

采集tbm掘进参数、岩体力学参数信息，并建立tbm掘进样本数据库，通过运用深度学习算法对tbm掘进参数与岩体力学参数之间的相互关系(即为tbm岩机关系)进行分析，建立tbm掘进参数与岩体力学参数的动态交互规律，由此建立tbm控制决策模型，以期对掘进参数进行调整；此步骤中，通过设置于tbm的传感器监测得到tbm掘进参数；通过渣土图像采集技术，对渣土颗粒直径的规模分布进行统计分析，并依据tbm当前掘进参数的范围进行归类，最后通过深度学习算法基于渣土颗粒直径分布计算出当前掌子面的岩体力学参数。

tbm岩机关系与渣土颗粒识别得到了不同的岩体力学参数，由于tbm岩机关系可以预测相应的岩体力学参数，而渣土颗粒识别也可得到相应的岩体力学参数，通过人工神经网络确定两种方法的权重，对两种方法得到的岩体力学参数进行加权融合，最终求得隧道掌子面岩体力学参数分布的真实解。

根据得到的岩体力学参数分布的真实解，云智能平台会自动的进行tbm掘进参数的调整，同时tbm在线监控系统会自动监控tbm各主要单元的工作状态信息，也即健康情况，并对tbm目前的健康状态做出评价，评价等级分为优、良、中、差，分别表示为绿色、黄色、橙色、红色。tbm在线监控系统具有数据分析端，进行数据的处理分析与对比验证，并通过数据处理分析的结果判断tbm当前的健康状态，并做出健康评价。

tbm健康状态的评价根据设定的参数阈值区间进行，处于第一设定阈值区间内，评价等级为优；处于第二设定阈值区间内，评价等级为良；处于第三设定阈值区间内，评价等级为中；处于第四设定阈值区间内，评价等级为差。

如果tbm目前健康状态为优，则无需调整参数。

如果tbm健康状态为良，则云智能平台会对tbm在线监控系统的数据进行分析，判断tbm哪些单元出现问题，并会调整相关参数，得到目前tbm掘进参数、tbm状态调整的最优解，同时提示信息会发送到云智能平台的pc端和移动端，引起施工人员的注意。具体来说，tbm状态为良时，tbm掘进系统信息终端会提示刀盘推力(f)、刀盘转矩(t)、贯入度(p)、推进速度(r)这几种工作状态信息参数的具体数据，并会提示哪种参数出现了问题，tbm控制决策模型根据tbm掘进系统信息终端的数据会自动进行相应掘进参数和状态的调整，并最终使tbm的健康状态保持在“优”的状态。

pc端和移动端会显示人机交互界面，施工人员可以直观看到tbm目前的健康状态，并可以查看tbm各传感器的具体参数。

如果tbm健康状态为中或者差，tbm会停止掘进，并对各项信息进行分析，总结原因，相关信息会通过云智能平台发送给相关人员，等待问题解决后，由tbm施工负责人发出掘进命令。

云智能平台会收集所有施工信息，包括掘进信息、岩石参数信息、注浆信息、渣土图像识别信息等，建立tbm施工信息库，并对tbm健康状态非优的信息进行深度学习训练，重新拟合tbm岩机关系最优解，调整tbm在遇到类似情况时的掘进参数。具体来说，云智能平台会自动的调节tbm掘进参数使其状态保持为“优”，每一次调节无论失败还是成功都是一次学习样本，随着样本数量的增加，云智能平台通过深度学习框架所建立的tbm控制决策模型的调节成功率会越来越高，使tbm基本保持在“优”的状态。

在tbm掘进过程中，收集分析各种数据，存在明显错误的数据予以剔除，保留合适的数据样本组成大数据样本库。云智能平台在现有tbm智能平台的基础上添加多种功能，例如判断tbm故障，调整相关参数，提示信息发送到云智能平台的pc端和移动端等。云智能平台通过多种深度学习和机器学习的框架进行数据挖掘。

实施例2：

该实施例提供了一种tbm极端复杂地质条件下掘进控制系统，包括：

模型建立模块，用于建立tbm掘进样本数据库，并由tbm掘进参数与岩体力学参数的动态交互规律，建立tbm控制决策模型；

状态评价模块，用于获取tbm工作状态信息，并对tbm健康状态进行评价；若tbm健康状态非优时，tbm控制决策模型调整掘进参数和状态，使tbm在优的健康状态下进行掘进。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。