CN109933577A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109933577A CN109933577A CN201910176393.4A CN201910176393A CN109933577A CN 109933577 A CN109933577 A CN 109933577A CN 201910176393 A CN201910176393 A CN 201910176393A CN 109933577 A CN109933577 A CN 109933577A
- Authority
- CN
- China
- Prior art keywords
- tbm
- rock
- parameter
- rock mass
- driving
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000003993 interaction Effects 0.000 title claims abstract description 40
- 230000007246 mechanism Effects 0.000 title claims abstract description 40
- 239000011435 rock Substances 0.000 claims abstract description 92
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims description 23
- 230000005641 tunneling Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 230000008846 dynamic interplay Effects 0.000 claims description 8
- 230000035515 penetration Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001141 propulsive effect Effects 0.000 claims description 4
- 230000008929 regeneration Effects 0.000 claims description 4
- 238000011069 regeneration method Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 241000208340 Araliaceae Species 0.000 description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 description 5
- 235000008434 ginseng Nutrition 0.000 description 5
- 241000233633 Phytophthora drechsleri Species 0.000 description 4
- 239000002096 quantum dot Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000005303 weighing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000011034 rock crystal Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G01V20/00—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Abstract
本公开提出了基于TBM岩‑机参数动态交互机制的隧洞可掘进预测方法及系统，包括：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。本公开该方法结合TBM施工特点选取设备参数和岩体参数指标，精确度更高，客观性更强，得到的结果也更精确。
Description
技术领域
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。
发明内容
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E为TBM最佳掘进 总得分，依据工程实际和专家经验，对得分进行等级划分，确定TBM隧洞可掘 进分级。其中，为各项设备参数包括刀盘推力(F)、刀盘转矩(T)、 贯入度(P)、推进速度(R)得分。各项设备参数得分公式如下：
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。
Claims (10)
1.基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法，其特征是，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。
2.如权利要求1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，其特征是，根据适用于TBM掘进的最佳掘进公式计算TBM最佳掘进总得分，依据工程实际和专家经验，对得分进行等级划分，确定TBM隧洞可掘进分级；
TBM最佳掘进总得分，具体为：
其中E为TBM最佳掘进总得分，其中，为各项设备参数包括刀盘推力F、刀盘转矩T、贯入度P、推进速度R得分。
3.如权利要求2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，其特征是，各项设备参数得分公式如下：
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。
4.如权利要求1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，其特征是，TBM岩-机参数动态交互机制为TBM掘进过程中输出扭矩、转速、掘进速度、推进力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围岩参数之间的相关性。
5.如权利要求2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，其特征是，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，所述各岩体信息权重通过熵权法计算获得。
6.如权利要求2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，其特征是，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。
7.如权利要求6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，其特征是，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；采用加权更新种群最优位置中心改进种群进化方式；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。
8.基于TBM岩-机参数动态交互机制的隧洞可掘进预测系统，其特征是，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。
9.一种计算机设备，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权利要求1-7任一所述的基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法的步骤。
10.一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权利要求1-7任一所述的基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法的步骤。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910176393.4A CN109933577B (zh) | 2019-03-08 | 2019-03-08 | 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 |
| PCT/CN2020/072864 WO2020181923A1 (zh) | 2019-03-08 | 2020-01-17 | 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 |
| US17/057,443 US20210209263A1 (en) | 2019-03-08 | 2020-01-17 | Tunnel tunneling feasibility prediction method and system based on tbm rock-machine parameter dynamic interaction mechanism |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910176393.4A CN109933577B (zh) | 2019-03-08 | 2019-03-08 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109933577A true CN109933577A (zh) | 2019-06-25 |
| CN109933577B CN109933577B (zh) | 2020-12-18 |
Family
ID=66986495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910176393.4A Active CN109933577B (zh) | 2019-03-08 | 2019-03-08 | 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 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20210209263A1 (zh) |
| CN (1) | CN109933577B (zh) |
| WO (1) | WO2020181923A1 (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110331987A (zh) * | 2019-07-11 | 2019-10-15 | 中国电建集团成都勘测设计研究院有限公司 | 用于硬岩地层的双护盾tbm掘进施工方法 |
| CN110987155A (zh) * | 2019-12-17 | 2020-04-10 | 山东大学 | 一种tbm滚刀损耗状态实时监测装置及方法 |
| CN111594198A (zh) * | 2020-04-30 | 2020-08-28 | 东北大学 | 一种开敞式tbm施工数据掘进循环的划分方法 |
| WO2020181923A1 (zh) * | 2019-03-08 | 2020-09-17 | 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 |
| WO2021073497A1 (zh) * | 2019-10-18 | 2021-04-22 | 中铁隧道局集团有限公司 | 一种基于扭推比的破碎地层tbm卡机风险预警方法 |
| CN112926267A (zh) * | 2021-03-10 | 2021-06-08 | 山东大学 | 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 |
| CN113222273A (zh) * | 2021-05-26 | 2021-08-06 | 中铁十八局集团有限公司 | 一种基于gwo-fw-mkl-svr算法的tbm掘进速率预测方法 |
| CN113685188A (zh) * | 2021-08-16 | 2021-11-23 | 中铁十八局集团有限公司 | 一种基于岩渣物理特征的tbm掘进优化方法 |
| CN116682010A (zh) * | 2023-06-01 | 2023-09-01 | 北京交通大学 | 一种基于tbm岩渣图像的围岩分类实时预测方法 |
| CN117706068A (zh) * | 2024-02-06 | 2024-03-15 | 湖南省通盛工程有限公司 | 一种桥梁基底岩石rqd测定方法、系统和存储介质 |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435022B (zh) * | 2021-06-18 | 2022-09-13 | 中国电建集团华东勘测设计研究院有限公司 | 基于多道面波勘探的岩土体参数二维空间变异性表征方法 |
| CN114124456B (zh) * | 2021-10-22 | 2023-04-07 | 石河子大学 | 综合能源系统安全检测方法、装置、电子设备及存储介质 |
| CN114969897B (zh) * | 2022-04-28 | 2024-03-26 | 中国水利水电第六工程局有限公司 | Tbm施工中周边环境探测方法 |
| CN114607392B (zh) * | 2022-05-11 | 2022-08-19 | 北京城建集团有限责任公司 | 一种基于盾构工程特征的砂卵石地层分类方法 |
| CN115618222B (zh) * | 2022-06-21 | 2023-05-05 | 北京交通大学 | 一种隧道掘进响应参数的预测方法 |
| CN115130930B (zh) * | 2022-08-30 | 2022-11-25 | 矿冶科技集团有限公司 | 一种非煤矿山掘进机设备选型方法 |
| CN115495826B (zh) * | 2022-10-13 | 2023-06-06 | 西安理工大学 | 基于隔离墙的主动引导型地裂缝减灾方法 |
| CN116720246B (zh) * | 2023-06-09 | 2023-12-05 | 北京城建设计发展集团股份有限公司 | 基于面向工程的围岩性态判别与隧道支护参数选取方法 |
| CN116777083B (zh) * | 2023-08-17 | 2024-04-26 | 交通运输部公路科学研究所 | 一种基于灰关联投影的隧道衬砌崩落预测方法 |
| CN117168419B (zh) * | 2023-11-02 | 2024-02-02 | 中国电建集团西北勘测设计研究院有限公司 | 一种基于机器视觉系统的岩体结构与质量自动化识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060122786A1 (en) * | 2004-10-26 | 2006-06-08 | University Of Utah Research Foundation | Prediction model of cadaveric graft survival |
| CN107423524A (zh) * | 2017-08-16 | 2017-12-01 | 西安理工大学 | 一种长埋深隧洞突涌水灾害危险性等级预判的方法 |
| CN108253938A (zh) * | 2017-12-29 | 2018-07-06 | 武汉大学 | Tbm破岩矿渣数字近景摄影测量识别及反演方法 |
| CN108470095A (zh) * | 2018-03-07 | 2018-08-31 | 大连理工大学 | 基于数据驱动径向基函数模型的tbm推进力预测方法 |
| CN109213810A (zh) * | 2018-09-30 | 2019-01-15 | 盾构及掘进技术国家重点实验室 | 一种盾构tbm掘进参数的数据挖掘方法 |
| CN109345029A (zh) * | 2018-10-26 | 2019-02-15 | 石家庄铁道大学 | 一种基于改进Topsis法的隧道施工优选方法 |
| CN109408649A (zh) * | 2018-09-27 | 2019-03-01 | 中铁工程装备集团有限公司 | 基于纹理特征与机器学习的渣片智能化分析方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015103720A1 (zh) * | 2014-01-07 | 2015-07-16 | 山东大学 | 一种隧道施工大型综合地球物理超前探测模型试验装置 |
| CN106481344B (zh) * | 2016-10-25 | 2018-07-06 | 华中科技大学 | 一种土压平衡盾构机隧道掘进参数智能控制方法 |
| CN107632523B (zh) * | 2017-09-30 | 2019-07-23 | 中铁工程装备集团有限公司 | 一种硬岩tbm掘进控制参数智能决策方法及系统 |
| 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 |
-
2019
- 2019-03-08 CN CN201910176393.4A patent/CN109933577B/zh active Active
-
2020
- 2020-01-17 US US17/057,443 patent/US20210209263A1/en not_active Abandoned
- 2020-01-17 WO PCT/CN2020/072864 patent/WO2020181923A1/zh active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060122786A1 (en) * | 2004-10-26 | 2006-06-08 | University Of Utah Research Foundation | Prediction model of cadaveric graft survival |
| CN107423524A (zh) * | 2017-08-16 | 2017-12-01 | 西安理工大学 | 一种长埋深隧洞突涌水灾害危险性等级预判的方法 |
| CN108253938A (zh) * | 2017-12-29 | 2018-07-06 | 武汉大学 | Tbm破岩矿渣数字近景摄影测量识别及反演方法 |
| CN108470095A (zh) * | 2018-03-07 | 2018-08-31 | 大连理工大学 | 基于数据驱动径向基函数模型的tbm推进力预测方法 |
| CN109408649A (zh) * | 2018-09-27 | 2019-03-01 | 中铁工程装备集团有限公司 | 基于纹理特征与机器学习的渣片智能化分析方法及系统 |
| CN109213810A (zh) * | 2018-09-30 | 2019-01-15 | 盾构及掘进技术国家重点实验室 | 一种盾构tbm掘进参数的数据挖掘方法 |
| CN109345029A (zh) * | 2018-10-26 | 2019-02-15 | 石家庄铁道大学 | 一种基于改进Topsis法的隧道施工优选方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘东海，黄培志: ""基于熵权的隧洞TBM施工进度风险分析"", 《中国农村水利水电》 * |
| 杨继华等: ""基于可拓学理论的TBM掘进效率地质影响因素研究"", 《隧道建设》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020181923A1 (zh) * | 2019-03-08 | 2020-09-17 | 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 |
| CN110331987A (zh) * | 2019-07-11 | 2019-10-15 | 中国电建集团成都勘测设计研究院有限公司 | 用于硬岩地层的双护盾tbm掘进施工方法 |
| WO2021073497A1 (zh) * | 2019-10-18 | 2021-04-22 | 中铁隧道局集团有限公司 | 一种基于扭推比的破碎地层tbm卡机风险预警方法 |
| CN110987155A (zh) * | 2019-12-17 | 2020-04-10 | 山东大学 | 一种tbm滚刀损耗状态实时监测装置及方法 |
| CN111594198A (zh) * | 2020-04-30 | 2020-08-28 | 东北大学 | 一种开敞式tbm施工数据掘进循环的划分方法 |
| CN112926267A (zh) * | 2021-03-10 | 2021-06-08 | 山东大学 | 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 |
| CN113222273A (zh) * | 2021-05-26 | 2021-08-06 | 中铁十八局集团有限公司 | 一种基于gwo-fw-mkl-svr算法的tbm掘进速率预测方法 |
| CN113222273B (zh) * | 2021-05-26 | 2022-06-07 | 中铁十八局集团有限公司 | 一种基于gwo-fw-mkl-svr算法的tbm掘进速率预测方法 |
| CN113685188A (zh) * | 2021-08-16 | 2021-11-23 | 中铁十八局集团有限公司 | 一种基于岩渣物理特征的tbm掘进优化方法 |
| CN116682010A (zh) * | 2023-06-01 | 2023-09-01 | 北京交通大学 | 一种基于tbm岩渣图像的围岩分类实时预测方法 |
| CN116682010B (zh) * | 2023-06-01 | 2024-01-23 | 北京交通大学 | 一种基于tbm岩渣图像的围岩分类实时预测方法 |
| CN117706068A (zh) * | 2024-02-06 | 2024-03-15 | 湖南省通盛工程有限公司 | 一种桥梁基底岩石rqd测定方法、系统和存储介质 |
| CN117706068B (zh) * | 2024-02-06 | 2024-04-19 | 湖南省通盛工程有限公司 | 一种桥梁基底岩石rqd测定方法、系统和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109933577B (zh) | 2020-12-18 |
| WO2020181923A1 (zh) | 2020-09-17 |
| US20210209263A1 (en) | 2021-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109933577A (zh) | 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 | |
| Einstein et al. | Probabilistic and statistical methods in engineering geology: Specific methods and examples part I: Exploration | |
| CN109165664A (zh) | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 | |
| Huo et al. | Disc cutters plane layout design of the full-face rock tunnel boring machine (TBM) based on different layout patterns | |
| Aryafar et al. | Application of metaheuristic algorithms to optimal clustering of sawing machine vibration | |
| Dormishi et al. | Performance evaluation of gang saw using hybrid ANFIS-DE and hybrid ANFIS-PSO algorithms | |
| CN104850732B (zh) | 一种基于砂体统计学的油藏小层划分方法及装置 | |
| US11933713B2 (en) | Determining system and method for weathering resistant capability of clastic rocks in tunnel based on feldspar features | |
| EP3459027A1 (en) | Computer implemented method for generating a field development plan (fdp) for the exploitation of oil and gas reservoirs | |
| CN109934398A (zh) | 一种钻爆法施工隧道瓦斯危险等级预测方法和装置 | |
| CN106355011A (zh) | 一种地球化学数据元素序结构分析方法及装置 | |
| CN110442666A (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
| CN109740119A (zh) | 一种tbm掘进隧洞围岩单轴抗压强度快速估算方法 | |
| CN103065051A (zh) | 一种对岩体自动进行分级分区的方法 | |
| CN110705178A (zh) | 一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法 | |
| Gao et al. | Back analysis of rock mass parameters and initial stress for the Longtan tunnel in China | |
| Ji et al. | Modified Q-index for prediction of rock mass quality around a tunnel excavated with a tunnel boring machine (TBM) | |
| BRPI0512314B1 (pt) | "método e aparelho para programar extração de um recurso em um ambiente de mina" | |
| CN112529267A (zh) | 一种基于模糊综合评价法的超前地质预报方法及系统 | |
| Wood, AO et al. | Mineral exploration: Discovering and defining ore deposits | |
| CN109978344A (zh) | 一种掘进机施工隧道瓦斯风险等级评价方法和装置 | |
| MA et al. | KNN method for intelligent observational classification of rock mass quality in tunnel | |
| CN112668771B (zh) | 一种海底隧道的综合评价选址方法及系统 | |
| CN110441815A (zh) | 基于差分进化及块坐标下降改进的模拟退火瑞雷波反演方法 | |
| Talaslioglu | A new genetic algorithm methodology for design optimization of truss structures: bipopulation-based genetic algorithm with enhanced interval search |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |