CN110244344A - 一种基于深度学习的tbm超前地质预报方法 - Google Patents

Abstract

本发明提供了一种基于深度学习的TBM(全断面隧道掘进机)超前地质预报方法，包括以下步骤：步骤1：获取预测模型所需输入参数数据；步骤2：对获取的各项参数数据进行预处理；步骤3：预测模型的搭建与训练；步骤4：加载预测模型进行地质预报，直接输出地质预报结果。同时在TBM掘进过程中通过数据存储单元实时存储经过预处理后的输入数据和输出数据，在后续使用丰富的数据样本和训练方式进行模型完善。本发明基于深度学习方法充分发挥了TBM掘进数据量大和碴片与地质关联的优势，做到参数输入与地质情况输出之间的端到端对应连接，实现对掌子面地质进行精准预报。

Description

一种基于深度学习的TBM超前地质预报方法

技术领域

本发明属于大数据领域，涉及一种TBM隧道掘进过程中掌子面围岩地质实时预测方法，具体涉及一种基于深度学习的TBM掌子面前端超前地质情况预报方法，用于对TBM掘进过程中掌子面前端地质情况进行预报，为TBM后续支护工序提供指导。

背景技术

TBM，又名全断面隧道掘进机，集掘进、支护、出碴等施工工序并行连续作业于一体，具有掘进速度快、利于环保、综合效益高等优点，可实现传统钻爆法难以实现的复杂地理地貌深埋长隧洞的施工，施工过程中不受气候等因素影响，开挖时能控制地面沉降，被广泛用于山区地层岩石较坚硬的地下隧道工程中。

我国中西部开发战略中，交通隧道、引水隧道等工程，由于山区岩石坚硬结构多样，TBM掘进机得到广泛应用。TBM虽然具有掘进、支护、出渣等优势，但在掘进过程中无法直接对掌子面围岩地质情况进行实时勘测，即使隧道掘进之前对隧道施工区间地质进行勘察，记录勘察数据，但由于地勘取样间隔远，只能提供部分区域地质情况，由于地质多样性，无法提供实际掘进中的实时地质数据。若掌子面围岩出现强度降低，岩石裂隙发育及地下水等情况，不仅会造成刀盘卡机等事故损坏设备，严重时影响后续支护工序，造成塌方，带来人员安全等不良后果。所以，在掘进过程中对掌子面围岩地质情况进行实时监控预测是极其重要的。

根据工程经验获得掌子面地质情况与TBM掘进参数、碴片粒径比重、排碴量之间存在一定的对应关系，TBM掘进参数多达数十个，与刀盘掘进的主要参数如总推力、掘进速度、刀盘扭矩、刀盘转速、贯入度、碴片粒径、出碴皮带机压力等在不同的围岩地质情况数值波动较大，同时掘进参数收到很多外界因素影响，比如：司机操作水平、地质条件、设备状况等。工程掘进过程中的参数数据规模大、特征属性大、取值范围广等特点，导致人为分析数据规律难度大。

目前对于TBM隧道关于地质方面的研究主要有：岩石强度预测的研究、通过地质雷达或地震波进行超前地质预报、对掘进参数变化与地质情况分析等。其中掘进过程中对地质实时预报显得尤为重要，结合掘进参数数据集及地质情况进行地质预报主要包括有三种：

第一种为经验法，主要是以地质勘探报告为参考、有相关专业知识和经验的操作人员结合掘进参数和岩芯取样试验对地质情况进行估测。这种方法依靠了大量的人工经验和专业知识，不具有时效性，而且由于地勘报告中相邻采样点的距离较大，遇到地质复杂端，可能会导致误判而且，从而影响施工安全

第二种方法为神经网络法，是以基于人工神经网络的方法对地质类型预测或地层进行识别。利用机理分析得出可以表征地层变化的关键影响参数，并将这些参数作为模型输入带入到人工神经网络模型中从而可以构建地层识别模型，达到识别地层的目的。例如，浙江大学的朱北斗等人在其发表的论文“基于盾构掘进参数的BP神经网络地层识别[J]”(浙江大学学报，2011(5)，5-13)中，以盾构机的推进力、推进速度、刀盘扭矩、刀盘速度4个关键影响参数作为输入，以地质类型特征作为输出带入到BP神经网络模型中进行训练从而可以构建地层识别模型。

第三种方法为统计回归方法、机器学习的方法。基于统计回归方法是分析在不同地质下掘进参数的变化规律，分析各个掘进参数间、掘进参数与地质情况之间的变化趋势，得出一定规律，通过拟合数值模型对参数进行预测。例如，浙江大学的罗华等人在其发表的论文“基于现场数据的TBM掘进速度研究[J]”(浙江大学学报，2018，52(8)：1566-1574)中，分析在不同岩石饱和单轴抗压强度、完整性系数的条件下，刀盘贯入度随刀盘推力增大呈幂函数曲线增长，随刀盘扭矩增大呈线性关系增长，增长率与岩石饱和单轴抗压强度、完整性系数密切相关。进一步建立对于不同强度、完整性岩石的掘进机掘进速率模型，进行实际工程施工预测。基于机器学习的方法对各项掘进数据特征进行提取，将掘进数据特征与地质特征进行训练，得出映射模型，从而对地质情况进行预测。例如，中国专利201810649269.0提出基于Xgboost算法的盾构施工不良地质类型预测方法，通过对盾构机的PDV历史数据进行预处理，获取关键特征构建不良地质预测数据包，建立Xgboost算法不良地质预测模型，然后运用Xgboost算法对不良地质预测模型进行评估，最后采用模型对盾构施工过程中不良地质类型进行预测。

采用BP神经网络方法虽然具有非线性映射的能力和较好的泛化能力，但对训练样本具有依赖性和在训练过程中容易形成局部极小化，可能会忽略存在其他可以表征地层识别的关键影响因素，导致在样本采样不具有典型性的时候模型不能达到最优精度，而且BP神经网络算法收敛速度很慢。统计回归方法仅分析某一区段的数据变化趋势，很难将掘进参数与地质情况映射关系表示出来，同时没有给出权威性的地质预测模型，都不能满足对地层进行实时预测。采用机器学习的方法建立预测模型的方法，局限性在于模型输入输出特征为不良地质段数据特征，但在TBM工程中，除了与刀盘相关的掘进参数外，碴片粒径比重在不同围岩地质情况下呈现明显的区别，同时模型仅对训练的不良地质特征进行输出，不能对TBM掌子面围岩地质情况进行实时预测。

针对以上研究不足之处，本发明提出一种基于深度学习的TBM超前地质预报方法，在TBM掘进过程中对掌子面围岩地质情况进行实时预测。

发明内容

本发明目的在于克服现有技术存在的不足，基于TBM隧道掘进参数数据样本容量大，提出一种基于深度学习的TBM超前地质预报方法，基于深度卷积神经网络研究TBM掘进参数与围岩地质之间的关联性，通过对输入输出样本进行训练，获得预测模型对TBM掌子面地质情况进行实时预报。

本发明的预测方法包括如下步骤：

(1)获取预测模型所需输入参数数据

本发明预测模型所需输入参数包括：掘进速度v、刀盘转速n、贯入度r、刀盘扭矩T、总推力F、出碴皮带机压力P、碴片粒径d。TBM掘进过程中，持续读取同时刻下数据采集系统中自动记录的掘进速度v、刀盘转速n、贯入度r、刀盘扭矩T、总推力F、出碴皮带机压力P，碴片粒径d通过皮带机上的相机及轮廓提取算法获取。

(2)对获取各项参数数据进行预处理

对各个输入参数预处理方式包括：数据编码、缺失值处理、数据归一化、张量处理等预处理，得到预测模型的输入数据矩阵如下：

输入矩阵形式每列为各个参数数据，每行为一个时间点，每个矩阵为一个样本。

(3)预测模型的搭建与训练

3a)搭建网络训练模型

搭建模型训练主要是为了研究输入数据与输出数据之间的关系，由于各个输入数据之间存在耦合关系，同时各个输入数据与输出数据之间存在各种匹配对应关系，根据样本数据集的数量及容量确定模型的架构，包括网络的卷积核、卷积层、池化层全连接层的数量，选取激活函数、损失函数、添加正则化等；

3b)预测模型的训练

从准备的训练集中留出部分样本作为验证集，选取卷积核的个数，确定卷积方式，训练过程模型总体结构为输入层→卷积层→正则化→激活函数→池化层，最后通过两个全连接层将参数个数与目标输出参数个数保持一致。训练过中设定模型迭代次数、学习率及衰减方法、batch_size的大小，监控训练过程中的训练损失和验证损失、训练精度和验证精度，根据迭代次数绘制变化趋势；

3c)基于验证集进行模型评估

分析训练损失/精度和验证损失/精度的变化趋势，判断模型拟合状态，若出现过拟合，返回步骤(3a)，根据训练损失/精度和验证损失/精度的区别对模型迭代次数、学习率及衰减方法、batch_size等模型参数进行调整，必要时更改激活函数或添加dropout正则化等方法降低过拟合，并重新训练权重文件；

分析训练精度、验证精度是否小于设定阈值，若是，返回步骤(3a)，若精度大于需求精度，则保存权重文件；

3d)使用测试集对模型性能进行测试

将测试样本集中样本作为训练模型的输入进行测试，输出预测结果，并将预测结果与测试样本集中实际输出进行对比，对比模型预测输出值与实际输出值的相似程度。

(4)预测模型进行地质预测

将地质预测模型加载到TBM主机，将步骤(2)中经过预处理的输入数据输入到预测模型中，获取掌子面地质预测结果。

同时，TBM设备不断掘进的过程中，样本数量得到不断丰富，对样本进行一定处理后扩大样本集容量，通过重新训练可不断提高模型预测精度。

本发明与现有技术相比，具有以下优点：

本发明不仅将TBM刀盘相关掘进参数与地质相关联，而且将岩石碴片粒径、皮带机出碴能力与地质相关联，进一步完善提高了掌子面围岩地质情况的预报精度。

本发明充分发挥了TBM掘进过程中数据体量大的优势，通过对大数据进行深度学习，得到掘进参数与地质情况的映射关系，不需要进行复杂的特征工程等工作，弥补了现有人为经验判断的不足；

本发明将参数输入与地质情况直接对应，实现了端到端之间的连接，同时数据采用张量形式进行输入，数据维度扩展范围更大，适合进行TBM掘进参数多维度的训练，方便精准地训练多项参数与地质情况的关系模型，同时训练模型调整简单，后续可根据数据类型数量的不同调整样本集维度大小。

附图说明

图1为本发明实施预报测流程图模型；

图2为本发明模型训练步骤流程图。

具体实施方式

下面结合附图进行具体实施方式详细说明。

参照图1，本发明的实施步骤如下：

(1)获取预测模型所需输入参数数据

预测模型所需输入参数包括：掘进速度v、刀盘转速n、贯入度r、刀盘扭矩T、总推力F、出碴皮带机压力P、碴片粒径d。TBM掘进过程中，持续读取同时刻下数据采集系统中自动记录的掘进速度v、刀盘转速n、贯入度r、刀盘扭矩T、总推力F、出碴皮带机压力P，碴片粒径d通过皮带机上的相机及轮廓提取算法获取。

(2)对输入参数数据进行预处理

对各个输入参数数据进行预处理包括：数据编码、缺失值处理、数据归一化、张量处理；

对各个输入参数数据预处理方法如下：

步骤1a)利用python程序语言调用pandas模块中的fillna()函数对各个参数进行缺失值处理，由于在掘进过程中，存在数据存储遗漏或设备故障等原因导致某一时刻数值存在缺失现象，对存在缺失值的参数进行平均数填充，保证同时刻各项参数数据的完整性；

步骤1b)由于各项参数数值处于不同的量级，地质变化对各项参数变化范围的影响不同，需要对各项参数进行归一化处理，将各项参数归一化到同一个量级，本发明对各项v、n、r、T、F、P、d采用均值归一化处理方法，先求出各个参数数据的均值和标准差，通过转化函数：进行数据归一化，经过处理的各项数据符合标准正态分布，其中μ为数据均值，σ为样本数据的标准差，X为归一化为的值；

步骤1c)在各项参数输入到预测模型之前需要对各项参数数据进行整合，将各项输入参数数据向量化，转化为2维张量(即矩阵)，如：每列为各个参数数据，每行为一个时间点，以每段里程为一个样本，即每个矩阵为一个样本。

(3)预测模型的搭建与训练

本发明模型搭建、训练和测试均使用Python语言、在TensorFlow框架下进行，具体的模型结构和训练步骤如图2所示。

3a)搭建网络训练模型

搭建模型训练主要是为了研究输入数据与输出数据之间的关系，由于各个输入数据之间存在耦合关系，同时各个输入数据与输出数据之间存在各种匹配对应关系，根据样本数据集的数量及容量确定模型的架构，包括网络的卷积核、卷积层、池化层全连接层的数量，选取激活函数、损失函数、添加正则化等；

搭建网络训练模型的方法如下：

确定模型的总体组成，由于将输入参数为二维张量，模型结构主要组成分为输入层、三个卷积层、三个池化层、二个全连接层、一个输出层，其中卷积层包括卷积操作、添加偏置、正则化(BN)操作、激化函数激活，并在每一个卷积层后进行池化操作，每个卷积层中的激活函数选取ReLU()函数，在最后一层全连接层损失函数选用Softmax()，将每个节点的输出值成为了概率和为1的概率分布。

3b)预测模型的训练

样本集的准备，以0.5m里程数据为一个训练样本，对获取的输入输出样本数据进行预处理，输入数据通过缺失值处理，数据归一化及张量处理后，获得输入数据形式为：每列为各个参数数据，每行为一个时间点，每个矩阵为一个样本。

由于输出参数围岩等级为类别型数据，需要对输出数据进行编码处理，本发明采用的数据编码方式为独热编码，具体操作如下，首先采用LabelEncoder进行类别变换：{‘一级围岩’:‘0’,‘二级围岩’:‘1’,‘三级围岩’:‘2’，‘四级围岩’:‘3’,‘五级围岩’:‘4’，‘掌子面塌方’:‘5’},然后调用OneHotEncoder进行独热编码，独热编码给每一个特征创建一个哑特征，即采用N位状态寄存器对N个状态进行编码，每个状态都有独立的寄存器位，任意时刻仅一位有效，在此例中编码结果为：{‘0’:‘1.,0.,0.,0.,0.,0.’,‘1’:‘0.,1.,0.,0.,0.,0.’,‘2’:‘0.,0.,1.,0.,0.,0.’,‘3’:‘0.,0.,0.,1.,0.,0.’,‘4’:‘0.,0.,0.,0.,1.,0.’，‘5’:‘0.,0.,0.,0.,0.,0.,1.’}，最后调用toarray()方法将独热编码得到的稀疏矩阵转换为一般矩阵。

输出数据地质围岩等级通过数据编码和张量处理后，获得输出数据形式为：其中100000：一级围岩，010000：二级围岩，001000：三级围岩，000100：四级围岩，000010：五级围岩，000001：掌子面塌方，通过对输出类型各种围岩等级进行独热编码后转化为计算机可读的形式。每列为各个参数数据，每行为一个时间点，每个矩阵对应为一个样本。针对每种地质围岩情况划分数量相等的训练样本集和测试样本集；

模型训练方法如下：

从准备的训练集中随机分出部分样本作为验证集，使训练集：验证集＝3:1。选取卷积核的个数，确定卷积方式，训练过程模型总体结构为输入层→卷积层→正则化→激活函数→池化层，最后通过两个全连接层将参数个数与目标输出参数个数保持一致。训练过中设定模型迭代次数、学习率及衰减方法、batch_size的大小，监控训练过程中的训练损失和验证损失、训练精度和验证精度，根据迭代次数绘制变化趋势；

将各个输入数据矩阵进行卷积操作，如图2b示意图所示。通过卷积操作将改变数据维度，利于分析各项参数的耦合关系，先使用36组3X3大小的卷积核，步长为1，进行卷积运算使第一个卷积层维度提高到36维，如图2a操作所示，在每一个卷积核进行卷积后对卷积结果添加偏置，然后进行正则化操作，最后使用ReLU()函数进行激活处理。在第一层数据处理结束后，第一层输出数据维度为36维，之后采用2X2平均池化操作，数据维度保持不变进入到第二层，在第二个卷积层中采用54组3X3大小的卷积核步长为1进行卷积运算，同理，第二层最终数据输出维度为54维，继续进行2X2平均池化操作后进入到第三层，在第三个卷积层中采用108组3X3大小的卷积核步长为1进行卷积运算，同理，第三层最终数据输出维度为108维，继续进行2X2平均池化操作后进入到全连接层，通过两个全连接层进行数据整合后使数据输出维度与目标输出相对应，通过目标输出的反向传导调整各项参数的权重。

通过多个训练样本的重复训练，将得到各项参数的权重文件进行保存。

3c)基于验证集进行模型评估

在每次模型训练结束后，分析训练损失/精度和验证损失/精度的变化趋势，判断模型拟合状态，若出现过拟合，返回步骤(3a)，根据训练损失/精度和验证损失/精度的区别重新调整模型迭代次数、学习率及衰减方法、batch_size等模型参数，必要时更改激活函数或添加dropout正则化等方法降低过拟合，并重新训练各项参数权重；

分析训练精度、验证精度是否小于需求精度，若是，返回步骤(3a)，若精度大于需求精度，则保存权重文件；

3d)使用测试集对模型性能进行测试

将测试样本集中样本作为训练模型的输入进行测试，得到预测值，并将预测值与测试样本集中实际值进行对比，对比模型预测值与实际值的相似程度。

测试训练模型性能主要是检测模型的泛化能力，在这过程中，由于测试集中的样本没有参与整个模型的训练，对于预测模型，测试集中的样本数据为全新的数据，将测试样本中的输入数据直接加载到训练好的模型中，得到预测值，将预测值与实际值进行对比，得到测试精度，分析测试精度与需求精度的大小，若小于需求精度，返回步骤(3a)进行重新训练。

(4)预测模型进行地质预测

将地质预测模型加载到TBM主机，将步骤(1)中实时获取的输入数据经过步骤(2)预处理后直接输入到预测模型中，获得掌子面地质预报结果。

如图1所示，在TBM掘进过程中，使用地质预测模型进行掌子面地质预报的同时，将经过预处理的输入数据和预测输出数据通过数据存储单元进行存储，随着TBM设备不断掘进，所获样本数量得到不断丰富，对样本进行一定处理后扩大模型训练样本集容量，在后续过程中，可采用同样的方法对地质预测模型重新训练，基于样本数据的不断增多，预测模型的预报精度可不断提高。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以对预测模型组成和训练参数调整做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于深度学习的TBM超前地质预报方法，包括以下步骤：

(1)获取预测模型所需输入参数数据：

获取预测模型所需输入参数掘进速度v、刀盘转速n、贯入度r、刀盘扭矩T、总推力F、出碴皮带机压力P、碴片粒径d；

(2)对获取的各项参数数据进行预处理：

对输入参数数据进行数据编码、缺失值处理、数据归一化、张量处理等预处理，得到输入参数数据矩阵。

(3)基于历史数据，采用深度学习方法搭建并训练超前地质预测模型：

基于历史输入参数数据与地质数据，搭建深度学习模型框架，包括模型的组成结构、参数数据间处理方法、数据训练方法和精度。

(4)预测模型进行地质预测。

2.针对权利要求书1所述的一种基于深度学习的TBM地质预测方法，步骤(1)所述模型输入参数之出碴皮带机压力和碴片粒径与地质对应关系：

a.出碴皮带机压力与TBM破岩和出碴能力紧密联系，出碴量直接通过皮带机输送压力进行体现，出碴量与掌子面岩石强度及稳定性具有强关联性，软弱围岩、不稳定围岩情况下掌子面发生塌方，出碴量明显增加，皮带机压力增大；

b.碴片粒径作为预测模型的输入参数之一，碴片粒径的比重反映了不同的围岩等级，高围岩等级下，碴片粒径大，呈片状，低围岩等级下，碴片粒径小，呈粉末状。

3.针对权利要求书1所述的一种基于深度学习的TBM地质预测方法，步骤(3)所述的地质预测模型的搭建与训练，直接将参数与地质情况对应，通过模型结构和训练方法实现输入端与输出端的直接连接，更能直接地对地质情况进行预报，主要方法如下：

a.搭建网络训练模型，确定模型的总体组成，由于将输入参数为二维张量，模型结构主要组成分为输入层、三个卷积层、三个池化层、二个全连接层、一个输出层，其中卷积层包括卷积操作、添加偏置、正则化(BN)操作、激化函数激活，并在每一个卷积层后进行池化操作，每个卷积层中的激活函数选取ReLU()函数，在最后一层全连接层损失函数选用SoftMax()，将每个节点的输出值成为了概率和为1的概率分布。

b.预测模型的训练，采用卷积计算的方法提高输入数据的维度和各项参数间的关联程度，采用BN正则化提高网络精确度，降低损失，防止过拟合，采用平均池化进行数据降维，采用全连接层使最终输出与目标输出保持一致。

c.采用验证集调整模型超参数，采用测试集进行预测模型测试。