CN106481344B - 一种土压平衡盾构机隧道掘进参数智能控制方法 - Google Patents
一种土压平衡盾构机隧道掘进参数智能控制方法 Download PDFInfo
- Publication number
- CN106481344B CN106481344B CN201610939494.9A CN201610939494A CN106481344B CN 106481344 B CN106481344 B CN 106481344B CN 201610939494 A CN201610939494 A CN 201610939494A CN 106481344 B CN106481344 B CN 106481344B
- Authority
- CN
- China
- Prior art keywords
- pressure shielding
- balancing earth
- shielding machine
- factor node
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种土压平衡盾构机隧道掘进参数智能控制方法,其特征在于:该方法包括如下步骤:S1:采集数据提取影响盾构机掘进性能的因素节点,S2:构建影响盾构机掘进性能所述因素节点的拓扑结构,获取各节点之间的模糊关联矩阵Wij,S3:构建土压平衡盾构机掘进模糊控制网络图,根据迭代推理公式动态演化计算各个因素节点在t+1时刻上的状态值,S4:利用所述模糊控制网络图进行多阶段决策分析,实现对土压平衡盾构机掘进参数的实时分析与纠偏控制。本发明的方法,通过统筹采用专家先验知识、模糊逻辑、图论控制等技术,为复杂环境下地铁盾构工程施工事前、事中、事后多阶段盾构机械参数控制提供推理及实时分析与决策。
Description
技术领域
本实发明属于地下工程施工安全控制领域,更具体地,涉及一种土压平衡盾构机隧道掘进参数智能控制方法。
背景技术
在过去十多年中,我国地下空间开发和城市轨道交通建设高速发展。由于地铁盾构施工环境复杂多变、致险因子多且关联性强等原因,致使施工过程中安全事故频发。为了避免施工安全事故造成严重的人员伤亡和财产损失,国内外工程人员逐渐重视地铁盾构施工过程中的安全管理和风险控制,基于定性或定量的建模评价方法识别关键影响因子和潜在风险,具体包括刀盘荷载模型、统计仿真模型、现场实时观测模型等。
以上模型构建方法在近年来的地铁盾构施工管理与控制中发挥了积极的作用,但是仍然存在以下三个方面的问题:(1)过分依赖专家经验与知识。一旦事故发生,往往急于组织专家开展工程会议集中讨论处理方案,这很可能会延误工程事故处理的最佳时间,同时也说明,稀缺的专家知识尚未集成化管理用于实时安全管理决策支持。(2)局限于静态安全管理。事实上,地铁盾构施工安全管理是一个复杂的动态变化过程,当前的风险管理技术在处理动态过程时往往难以提供实时决策支持。(3)偏重于事前安全管理,未将事中及事后阶段的安全管理有机结合起来,进行系统的全过程实时分析与决策。因而,研究地铁盾构施工安全管理知识集成推理及全过程实时分析决策成为一个关键的科学与应用实践问题。
近年发展起来的模糊控制图论技术,具有较强的模糊信息表达和推理能力,同时可以与神经网络、图论、模糊数学等领域知识相结合,支持专家的先验知识,可以通过模糊语义集构建模型变量之间的拓扑结构关系,具有较强的数学推理能力和反馈机制,被国内外学者认为是不确定环境中实现知识表示、推断、预测等最理想的工具,在生态学、可靠性分析等领域得到广泛运用。利用模糊控制图论技术,对地铁盾构施工环境下的土体条件和机械参数进行不确定性分析,能够融合多领域专家关于具体工程的实践经验,为特定环境下盾构施工参数纠偏和掘进性能改善提供决策支持。
专利文献CN104653190A公开了一种全断面砂砾中土压平衡盾构机掘进工方法,其对掘进土量和排土量形成自动管理,施工安全性好,可在大深度、高水压下掘进工作。但该专利公开的全断面砂砾中土压平衡盾构机掘进工方法仅在土压平衡盾构机掘进过程中,对对掘进土量和排土量形成自动管理,实现较好的施工安全性,实际土压平衡盾构机掘施工复杂多变,该方法无法实现事前、事中及事后多阶段的实时分析和决策控制。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种土压平衡盾构机隧道掘进参数智能控制方法,通过统筹采用专家先验知识、模糊逻辑、图论控制等技术,为复杂环境下地铁盾构工程施工事前、事中、事后多阶段盾构机械参数控制提供推理及实时分析与决策。
为实现上述目的,提供了一种土压平衡盾构机隧道掘进参数智能控制方法,其包括如下步骤:
S1:分析确定影响盾构机掘进性能的因素节点;
S2:构建影响盾构机掘进性能的所述因素节点的拓扑结构,获取各因素节点之间的模糊关联矩阵Wij为:
其中:M为评审专家的个数,bk为评审专家的权重;
S3:以土压平衡盾构机掘进速度为输出变量,以所述因素节点为输入变量,建立模糊控制网络图,根据迭代推理公式动态演化计算所述输出变量或输入变量在t+1时刻上的状态值,所述迭代推理公式为:
其中:Ai(t+1)为输出变量或输入变量在t+1时刻的状态矢量,Ai(t)、Aj(t)为输出变量或输入变量在t时刻的状态矢量,f(x)为变换函数,n为所述因素节点的总数,Wji为因素节点Aj到因素节点Ai的关联权重;
S4:根据所述输出变量或输入变量在t+1时刻上的状态值进行多阶段决策分析,实现对土压平衡盾构机掘进参数的实时分析与纠偏控制。
进一步地,所述因素节点为土体参数和机械操作参数。
进一步地,所述土体参数包括土体粘聚力、摩擦角、压缩模量或土体密实度中的一种或多种。
进一步地,所述机械操作参数包括总推力、刀盘扭矩、土压力或灌注速度中的一种或多种。
进一步地,所述变换函数f(x)为:
其中:tanh(x)为双曲正切函数。
进一步地,所述多阶段决策分析包括事前阶段根据模糊控制网络图结果进行正向预测推理,其包括如下步骤:
S11:将其中任一个因素节点的初始值依次设定为负极差、负差、正差和正极差,其他因素节点的初始值设定为正常值;
S12:通过公式(2)计算得到土压平衡盾构机掘进速度的预测值;
S13:重复步骤S11和步骤S12,得到各因素节点在不同极差水平下土压平衡盾构机掘进速度的正向推理稳态结果;
S14:分析各因素节点在不同极差水平下与土压平衡盾构机掘进速度的相关关系,从而得到影响土压平衡盾构机掘进性能的敏感因素节点;
S15:加强对所述敏感因素节点的实际监控,从而提高所述土压平衡盾构机的掘进性能。
进一步地,所述多阶段决策分析还包括事后阶段通过逆向诊断推理,其包括如下步骤:
S21:将土压平衡盾构机掘进速度的初始值依次设定为负极差、负差、正差和正极差,其他因素节点的初始值均设定为正常值;
S22:通过公式(2)多次迭代计算,得到土压平衡盾构机掘进速度在不同情况下,其他因素节点的概率;
S23:通过所述模糊控制网络图推理演化,得到土压平衡盾构机掘进速度在不同情况下,其他因素节点概率的稳态结果;
S24:分析土压平衡盾构机掘进速度在不同情况下与各因素节点相关关系,从而分析导致水压平衡盾构机掘进速度缓慢的关键因素节点;
S25:根据步骤S24的结果,针对性地进行故障诊断,快速查明最可能致因组合。
进一步地,所述多阶段决策分析还包括事中阶段通过混合控制推理,对一定失效模式下盾构参数进行诊断分析,其包括如下步骤:
S31:将土压平衡盾构机掘进速度的初始值设定为负值,其他因素节点初始值设定为正常值;
S32:等间距或不等间距设置所述敏感因素节点或关键因素节点的初始值;
S33:根据所述模糊控制网络图将土压平衡盾构机掘进速度的初始值从负值逐步恢复至正常值,记录所述关键因素节点的调整策略;
S34:对所述关键因素节点进行实时监控和调整,从而保证土压平衡盾构机高效安全运作。
进一步地,所述极差取值范围为[-1,1],其中,取值为-1时为负极差,取值为1时为正极差。
进一步地,所述正常值为0。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)基于大量工程实际数据及规律,从土体性质和机械操作两个方面提出影响土压平衡盾构机掘进性能的八个影响因素:粘聚力、摩擦角、压缩模量、土体密实度、总推力、刀盘扭矩、土压力和灌注速度,构建土压平衡盾构机掘进参数控制模型。
(2)相比于常规风险管理与诊断工具,本发明提出的模糊认知图是神经网络和模糊逻辑结合的产物,模型引入学习机制并进行自我权重调整,提高系统的智能化;而且模糊逻辑能够自然、直接地表达影响因素与盾构掘进速度的模糊因果关系,具备较好的循环推理和纠偏能力,能够从原始样本数据和专家先验知识中推理各影响因素之间的拓扑结构和概率关系,构建模型,预测未来,有利于满足地铁施工安全实时智能化控制与管理的需要。
(3)本方法能够实现事前正向预测推理分析、事后逆向诊断推理分析及事中混合控制推理分析,提高全过程多方位实时的决策分析与支持,提高了地铁施工盾构施工环境参数和机械操作参数分析诊断互作用分析的准确性和效率,且易于实施,具有先进性和实用性。
附图说明
图1为本发明实施例的一种土压平衡盾构机隧道掘进参数智能控制方法的流程示意图;
图2为本发明实施例的一种土压平衡盾构机隧道掘进参数智能控制方法中涉及的因素相关性程度九级模糊语义表达法;
图3为本发明实施例的一种土压平衡盾构机隧道掘进参数智能控制方法中涉及的盾构掘进性能模糊控制网络图;
图4为本发明实施例的一种土压平衡盾构机隧道掘进参数智能控制方法中涉及的因素测度值五级模糊语义表达法;
图5为本发明实施例的一种土压平衡盾构机隧道掘进参数智能控制方法中涉及的正向推理结果演化图;
图6为本发明实施例的一种土压平衡盾构机隧道掘进参数智能控制方法中涉及的反向推理结果演化图;
图7为本发明实施例的一种土压平衡盾构机隧道掘进参数智能控制方法中涉及的混和推理结果演化图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1为本发明实施例的一种土压平衡盾构机隧道掘进参数智能控制方法的流程示意图。如图1所示,该方法包括以下几个步骤:
(1)基于数据采集的影响土压平衡盾构机掘进因素确定
影响土压平衡盾构机掘进效果的因素较多,具有可以分为土体性质因素和机械操作因素两类。其中,影响土压平衡盾构机掘进效果的土体性质因素主要有C1土体粘聚力、C2摩擦角、C3压缩模量和C4土体密实度;影响土压平衡盾构机掘进效果的机械操作因素主要有C5总推力、C6刀盘扭矩、C7土压力和C8灌注速度。本实施例中选取“CT掘进速度”作为土压平衡盾构机掘进效果的输出变量,上述九个输入、输出变量最终构成模糊控制图的网络节点。
(2)构建影响地铁盾构施工多因素节点的拓扑结构
在利用模糊控制图论技术进行迭代推理运算前,需要确定模型中各网络节点间的关系强度。确定因素节点间关系强度可以根据多名专家先验知识综合得到,即专家法。具体步骤如下:
1)明确调查目的,本次调查主要是确定九个因素节点间因果关系强度;
2)选择熟悉土压平衡盾构施工方面的理论和实践方面专家,本次调查咨询了五位专家;3)用九级模糊语义:负极强(μnvs),负强(μns),负中等(μnm),负弱(μnw),无zero(μz),正弱(μpk),正中等(μpm),正强(μps),正极强(μpvs),如图2所示,形成模糊语义变量集合A={NVS,NS,NM,NW,Z,PW,PM,PS,PVS}描述因素节点间因果关系强度,通过对专家意见进行统计分析,最终确定模型中各网络节点间的关系强度,最终得到盾构参数的模型控制网络模型如图3所示。
(3)正向预测推理分析
图5为本发明实施例的一种土压平衡盾构机隧道掘进参数智能控制方法中涉及的正向推理结果演化图。如图5所示,当已知土压平衡盾构机掘进模糊控制网络图中某个因素节点变量的取值时,可以通过正向预测推理分析得到目标因素节点CT掘进速度的取值情况。图4为本发明实施例的一种土压平衡盾构机隧道掘进参数智能控制方法中涉及的因素测度值五级模糊语义表达法。如图4所示,本发明人的实施例中,应用中通过五级语义法,将数据的实测值都转换到[-1,+1]内,便于理解模型中因素节点变化的程度水平,并能更好的解释输出变量的因果关系。当因素节点取值0(-1或+1),表示水压平衡盾构机掘进效果处于正常(负极差或正极差)水平。
在定量分析原因因素节点Ci(i=1,2,...,8)和目标因素节点CT的直接因果关系过程中,先将某个特定因素节点Ci(i=1,2,...,8)的初始值依次设定为负极差(-1.0),负差(-0.5),正差(+0.5)和正极差(+1.0)水平,其他因素节点的初始值设定为正常(0)水平,通过公式(2)和(3)计算得到目标因素节点CT的预测值。模糊控制网络的演化过程如图5所示,最终的稳态值如表1所示。如当土体粘聚力C1的取值分别为-1.0、-0.5、+0.5和+1.0时,掘进速度CT的模拟演化值对应分别为0.7861、0.6660、-0.6660和-0.7861,由此可知,原因因素节点C1和目标因素节点CT负相关。同理可以得到土体性质因素C1,C2,C3,C4都与CT负相关,机械操作因素C5,C6,C7,C8与CT正相关。其中,C4与CT显著负相关,C8与CT显著正相关,因此,C4土体密实度和C8灌注速度是影响土压平衡盾构机掘进性能的敏感因素,可以作为盾构掘进过程中的关键控制点,加强对这些关键控制点的实际监控管理,便于提高土压平衡盾构机掘进性能。
表1.不同情境下因素取值在不同水平下盾构掘进性能正向推理结果
(4)逆向诊断推理分析
图6为本发明实施例的一种土压平衡盾构机隧道掘进参数智能控制方法中涉及的反向推理结果演化图。如图6所示,当观察到故障已经发生,可以通过模糊控制网络图反向计算各个因素节点的后验概率,即为逆向诊断推理分析。后验概率可以作为重要指标,考察故障或目标结果已经发生状况下致因的可能性组合,为结果致因诊断寻找提供科学可靠依据。在模型初始值设定时,先将目标因素节点CT的初始值依次设定为负极差(-1.0),负差(-0.5),正差(+0.5)和正极差(+1.0)水平,其他因素节点Ci(i=1,2,...,8)的初始值均设定为正常(0)水平。通过公式(2)和(3)的多次迭代计算,得到不同情境下(即盾构掘进性能在不同水平)因素节点后验概率反向诊断推理的网络演化过程如图6所示,最终的稳态值如表2所示。结果表明土体性质因素C1,C2,C3,C4在特点的掘进施工区段的性质比较稳定,参数波动变化不大,而机械操作因素C5,C6,C7,C8对CT有较大影响。当CT=-1.0时,因素节点C8呈现最显著的负向取值-0.9426,表明C8是导致水压平衡盾构机掘进速度缓慢的最可能的因素,进而指导施工人员针对性地进行故障诊断,快速查明最可能致因组合。在施工过程中,以根据模拟分析和调整的有效措施而提出的相应机械操作改进措施。
表2.不同情境下(盾构掘进性能在不同水平)因素节点后验概率反向诊断推理结果
(5)混合控制推理分析
图7为本发明实施例的一种土压平衡盾构机隧道掘进参数智能控制方法中涉及的混和推理结果演化图。如图7所示,为了实现特定的目标,在现有一定信息和经验的基础上,对影响目标实现的诸多因素进行分析、计算和判断选优后,对未来行动做出决定。在复杂工程安全管理过程中,其决策的实时性与有效性直接关系到实际安全管理的成败。根据上述基于模糊控制的土压平衡盾构机掘进分析结果可知,因素节点C8是关键风险及其致险因素,可以通过混合控制推理对其深入分析。在模糊控制网络图中,将目标节点CT的初始值设定为负值(CT=-1.0或-0.5),其他因素节点(Ci=-1.0,i=1,2,…,7)初始值设定为正常(0),而将关键致险因素C8的初始值依次设定为0.01,0.02,0.03,0.04,0.05,0.06,0.07,0.08,0.09,模拟辨识CT初始取值从负值(-1.0或-0.5)恢复到正常水平(0)时,观察关键致险因素C8的调整策略。模型演化结果如图7所示,当C8取0.07时,可以在10次迭代运算内将CT从-1.0调整到正常水平0;当C8取0.05时,可以在10次迭代运算内将CT从-0.5调整到正常水平0,对机械操作变量的实时监控和调整可以帮助地铁施工参与各方加强了解在土压平衡盾构机掘进施工中机械参数的变化规律,为实现地铁盾构施工高效运作管理和智能预警决策提供有力的辅助支持。
本发明的技术方案中,实施例中给出了效果较优的影响盾构机掘进性能的参数,但本发明并不限于实施例中给出的影响盾构机掘进性能的参数,影响盾构机掘进性能的参数包括土体参数和机械操作参数,具体影响盾构机掘进性能的参数根据实际情况确定。
本发明的技术方案中,实施例中给出了效果较优的土体参数,但本发明并不限于实施例中给出的土体参数,土体参数包括土体粘聚力、摩擦角、压缩模量和土体密实度,具体土体参数根据实际情况确定。
本发明的技术方案中,实施例中给出了效果较优的机械操作参数,但本发明并不限于实施例中给出的机械操作参数,机械操作参数包括总推力、刀盘扭矩、土压力和灌注速度,具体机械操作参数根据实际情况确定。
本发明的技术方案中,实施例中给出了效果较优的事前、事中及事后决策分析方法,但本发明并不限于实施例中给出的事前、事中及事后决策分析方法,事前采用正向预测推理分析方法、事中采用混合控制推理分析方法、事后采用逆向诊断推理分析方法,具体的事前、事中及事后决策分析方法根据实际情况确定。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种土压平衡盾构机隧道掘进参数智能控制方法,其特征在于:该方法包括如下步骤:
S1:分析确定影响盾构机掘进性能的因素节点;
S2:构建影响盾构机掘进性能的所述因素节点的拓扑结构,获取各因素节点之间的模糊关联矩阵Wij为:
其中:M为评审专家的个数,bk为评审专家的权重;
S3:以土压平衡盾构机掘进速度为输出变量,以所述因素节点为输入变量,建立模糊控制网络图,根据迭代推理公式动态演化计算所述输出变量或输入变量在t+1时刻上的状态值,所述迭代推理公式为:
其中:Ai(t+1)为输出变量或输入变量在t+1时刻的状态矢量,Ai(t)、Aj(t)为输出变量或输入变量在t时刻的状态矢量,f(x)为变换函数,n为所述因素节点的总数,Wji为因素节点Aj到因素节点Ai的关联权重;
S4:根据所述输出变量或输入变量在t+1时刻上的状态值进行多阶段决策分析,实现对土压平衡盾构机掘进参数的实时分析与纠偏控制。
2.根据权利要求1所述的一种土压平衡盾构机隧道掘进参数智能控制方法,其特征在于:所述因素节点为土体参数和机械操作参数,其中所述土体参数包括土体粘聚力、摩擦角、压缩模量或土体密实度中的一种或多种,所述机械操作参数包括总推力、刀盘扭矩、土压力或灌注速度中的一种或多种。
3.根据权利要求2所述的一种土压平衡盾构机隧道掘进参数智能控制方法,其特征在于:所述变换函数f(x)为:
其中:tanh(x)为双曲正切函数。
4.根据权利要求1-3中任一项所述的一种土压平衡盾构机隧道掘进参数智能控制方法,其特征在于:所述多阶段决策分析包括事前阶段根据模糊控制网络图结果进行正向预测推理,其包括如下步骤:
S11:将其中任一个所述因素节点的初始值依次设定为负极差、负差、正差和正极差,其他因素节点的初始值设定为正常值;
S12:通过所述迭代推理公式计算得到土压平衡盾构机掘进速度的预测值;
S13:重复步骤S11和步骤S12,得到各因素节点在不同极差水平下土压平衡盾构机掘进速度的正向推理稳态结果;
S14:分析各因素节点在不同极差水平下与土压平衡盾构机掘进速度的相关关系,从而得到影响土压平衡盾构机掘进性能的敏感因素节点;
S15:加强对所述敏感因素节点的实际监控,从而提高所述土压平衡盾构机的掘进性能。
5.根据权利要求4所述的一种土压平衡盾构机隧道掘进参数智能控制方法,其特征在于:所述多阶段决策分析还包括事后阶段通过逆向诊断推理,其包括如下步骤:
S21:将土压平衡盾构机掘进速度的初始值依次设定为负极差、负差、正差和正极差,其他因素节点的初始值均设定为正常值;
S22:通过所述迭代推理公式多次迭代计算,得到土压平衡盾构机掘进速度在不同情况下,其他因素节点的概率;
S23:通过所述模糊控制网络图推理演化,得到土压平衡盾构机掘进速度在不同情况下,其他因素节点概率的稳态结果;
S24:分析土压平衡盾构机掘进速度在不同情况下与各因素节点相关关系,从而分析导致水压平衡盾构机掘进速度缓慢的关键因素节点;
S25:根据步骤S24的结果,针对性地进行故障诊断,快速查明最可能致因组合。
6.根据权利要求5所述的一种土压平衡盾构机隧道掘进参数智能控制方法,其特征在于:所述多阶段决策分析还包括事中阶段通过混合控制推理,对一定失效模式下盾构参数进行诊断分析,其包括如下步骤:
S31:将土压平衡盾构机掘进速度的初始值设定为负值,其他因素节点初始值设定为正常值;
S32:等间距或不等间距设置所述敏感因素节点或关键因素节点的初始值;
S33:根据所述模糊控制网络图将土压平衡盾构机掘进速度的初始值从负值逐步恢复至正常值,记录所述关键因素节点的调整策略;
S34:对所述关键因素节点进行实时监控和调整,从而保证土压平衡盾构机高效安全运作。
7.根据权利要求6所述的一种土压平衡盾构机隧道掘进参数智能控制方法,其特征在于:所述极差取值范围为[-1,1],其中,取值为-1时为负极差,取值为1时为正极差。
8.根据权利要求7所述的一种土压平衡盾构机隧道掘进参数智能控制方法,其特征在于:所述正常值为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610939494.9A CN106481344B (zh) | 2016-10-25 | 2016-10-25 | 一种土压平衡盾构机隧道掘进参数智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610939494.9A CN106481344B (zh) | 2016-10-25 | 2016-10-25 | 一种土压平衡盾构机隧道掘进参数智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106481344A CN106481344A (zh) | 2017-03-08 |
CN106481344B true CN106481344B (zh) | 2018-07-06 |
Family
ID=58271629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610939494.9A Active CN106481344B (zh) | 2016-10-25 | 2016-10-25 | 一种土压平衡盾构机隧道掘进参数智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106481344B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109358505B (zh) * | 2018-10-26 | 2022-03-29 | 中铁工程装备集团有限公司 | 一种tbm智能驾驶方法及系统 |
CN109933577B (zh) * | 2019-03-08 | 2020-12-18 | 山东大学 | 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 |
CN109854259B (zh) * | 2019-03-15 | 2020-09-22 | 中铁高新工业股份有限公司 | 一种盾构机施工掘进参数最佳取值范围的获取方法与系统 |
CN110195592B (zh) * | 2019-04-30 | 2021-02-05 | 华中科技大学 | 基于混合深度学习的盾构掘进位姿智能预测方法及系统 |
CN110147875A (zh) * | 2019-05-07 | 2019-08-20 | 西安交通大学 | 一种基于lstm神经网络的盾构机辅助巡航方法 |
CN110242310B (zh) * | 2019-06-14 | 2020-08-11 | 西安电子科技大学 | 基于深度神经网络与关联分析结合的盾构轴线纠偏方法 |
CN110486029B (zh) * | 2019-09-09 | 2021-10-29 | 辽宁石油化工大学 | 盾构机土压平衡控制的优化方法及装置 |
CN111444591A (zh) * | 2019-12-19 | 2020-07-24 | 西南交通大学 | 软土土压平衡盾构隧道掘进速度确定方法及装置 |
CN111472798B (zh) * | 2020-04-02 | 2022-03-29 | 北京市轨道交通建设管理有限公司 | 盾构参数异常智能提示方法和装置 |
CN111594201B (zh) * | 2020-05-28 | 2021-08-13 | 中铁工程装备集团有限公司 | 一种tbm关键参数智能控制系统及方法 |
CN111636891B (zh) * | 2020-06-08 | 2022-04-08 | 中铁高新工业股份有限公司 | 盾构姿态实时预测系统和预测模型的构建方法 |
CN111709650B (zh) * | 2020-06-18 | 2023-05-30 | 中铁十一局集团第四工程有限公司 | 一种滨海复杂地层盾构掘进适应性评价方法 |
CN113236271B (zh) * | 2021-05-21 | 2024-01-19 | 上海隧道工程有限公司 | 盾构智能控制系统及方法 |
CN113361824B (zh) * | 2021-07-19 | 2023-04-07 | 中国铁建重工集团股份有限公司 | 土压平衡盾构机及其推进速度预测方法、装置、存储介质 |
CN113377017B (zh) * | 2021-07-19 | 2022-11-01 | 中国铁建重工集团股份有限公司 | 土压平衡盾构机及其推进速度预测方法、装置、介质 |
CN114706322B (zh) * | 2022-03-30 | 2023-06-23 | 西南交通大学 | 一种盾构机姿态自动控制仿真系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077447A (zh) * | 2013-01-24 | 2013-05-01 | 华中科技大学 | 一种基于贝叶斯网络的地铁施工安全管理决策方法 |
CN103615256A (zh) * | 2013-12-06 | 2014-03-05 | 湖南大学 | 一种微型盾构机土压平衡控制系统及控制方法 |
CN103758527A (zh) * | 2013-07-11 | 2014-04-30 | 上海大学 | 一种确定地面出入式盾构施工盾构机土仓控制压力的方法 |
CN104963691A (zh) * | 2015-06-03 | 2015-10-07 | 华中科技大学 | 一种复杂地层条件下土压盾构开挖面稳定性预测控制方法 |
-
2016
- 2016-10-25 CN CN201610939494.9A patent/CN106481344B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077447A (zh) * | 2013-01-24 | 2013-05-01 | 华中科技大学 | 一种基于贝叶斯网络的地铁施工安全管理决策方法 |
CN103758527A (zh) * | 2013-07-11 | 2014-04-30 | 上海大学 | 一种确定地面出入式盾构施工盾构机土仓控制压力的方法 |
CN103615256A (zh) * | 2013-12-06 | 2014-03-05 | 湖南大学 | 一种微型盾构机土压平衡控制系统及控制方法 |
CN104963691A (zh) * | 2015-06-03 | 2015-10-07 | 华中科技大学 | 一种复杂地层条件下土压盾构开挖面稳定性预测控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106481344A (zh) | 2017-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106481344B (zh) | 一种土压平衡盾构机隧道掘进参数智能控制方法 | |
Rafie et al. | Prediction of subsidence risk by FMEA using artificial neural network and fuzzy inference system | |
Chen et al. | Neuro-genetic, neuro-imperialism and genetic programing models in predicting ultimate bearing capacity of pile | |
Wu et al. | A dynamic Bayesian network based approach to safety decision support in tunnel construction | |
Fattahi | Adaptive neuro fuzzy inference system based on fuzzy c–means clustering algorithm, a technique for estimation of TBM penetration rate | |
Brown | Risk assessment and management in underground rock engineering—an overview | |
CN111042143B (zh) | 一种基于大量监测数据分析的基坑工程预警方法和系统 | |
US20230144184A1 (en) | Advanced geological prediction method and system based on perception while drilling | |
CN106341414A (zh) | 一种基于贝叶斯网络的多步攻击安全态势评估方法 | |
Zhang et al. | A failure probability evaluation method for collapse of drill-and-blast tunnels based on multistate fuzzy Bayesian network | |
CN105139585A (zh) | 一种土质边坡险情智能预警预报方法 | |
Zhang et al. | Collapse risk analysis of deep foundation pits in metro stations using a fuzzy Bayesian network and a fuzzy AHP | |
Harandizadeh et al. | TBM performance prediction developing a hybrid ANFIS-PNN predictive model optimized by imperialism competitive algorithm | |
CN110210169B (zh) | 一种基于lstm的盾构机故障预测方法 | |
CN106156343A (zh) | 一种深基坑施工方案安全评审知识库以及自动安全评审方法 | |
CN103116804A (zh) | 一种模糊神经网络模型及深基坑变形智能预测方法 | |
Wu et al. | A dynamic decision approach for risk analysis in complex projects | |
Zhang et al. | Geological type recognition by machine learning on in-situ data of EPB tunnel boring machines | |
CN115049124A (zh) | 一种基于贝叶斯网络的深长隧道突涌水预测方法 | |
CN112765791A (zh) | 一种基于数值样本和随机森林的tbm卡机风险预测方法 | |
Qiu et al. | TBM tunnel surrounding rock classification method and real-time identification model based on tunneling performance | |
CN112926267B (zh) | 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统 | |
Wu et al. | Comparative analysis and evaluation of bridge construction risk with multiple intelligent algorithms | |
He et al. | Integration of interpretive structural modeling with fuzzy Bayesian network for risk assessment of tunnel collapse | |
Bai et al. | A new measuring method of dredging concentration based on hybrid ensemble deep learning technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |