CN111222683A - 一种基于pca-knn的tbm施工围岩综合分级预测方法 - Google Patents
一种基于pca-knn的tbm施工围岩综合分级预测方法 Download PDFInfo
- Publication number
- CN111222683A CN111222683A CN201911120644.3A CN201911120644A CN111222683A CN 111222683 A CN111222683 A CN 111222683A CN 201911120644 A CN201911120644 A CN 201911120644A CN 111222683 A CN111222683 A CN 111222683A
- Authority
- CN
- China
- Prior art keywords
- surrounding rock
- comprehensive
- tbm
- grading
- principal component
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 135
- 238000010276 construction Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013178 mathematical model Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000005641 tunneling Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims description 17
- 238000000513 principal component analysis Methods 0.000 claims description 17
- 238000012847 principal component analysis method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000009412 basement excavation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 239000003673 groundwater Substances 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 4
- 206010057175 Mass conditions Diseases 0.000 abstract description 3
- 238000005422 blasting Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种基于PCA‑KNN的TBM施工围岩综合分级预测方法，采用k近邻算法对所得到的若干主成分变量及对应的综合围岩等级进行训练学习，建立各指标‑综合围岩分级的数学模型；基于训练数据对检测数据提取主成分并用已建立的数学模型验证所建立模型的准确性；获取未开挖掌子面附近进行影响因素指标值，并基于训练数据的平均值和标准差等进行主成分分析，得到相应的主成分后用已获得的数学模型进行TBM施工围岩综合分级预测。本发明克服了岩体条件的不确定性、岩机相互作用的复杂性等带来的困难，有效选取TBM性能及围岩预测的主要影响因素，FPI可以作为联系掘进参数与地质参数的纽带，选取的各地质因素也是影响TBM性能的主要影响因素。
Description
技术领域
本发明属于围岩综合分级预测技术领域，尤其涉及一种基于PCA-KNN的TBM施工围岩综合分级预测方法。
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。
在采用TBM(Tunnel Boring Machine)施工的隧道中，由于TBM对地质变化敏感，且前期投资较大，根据地质条件进行TBM施工的可行性判断、TBM选型、TBM施工进度安排及成本估计等显得十分重要。
目前国内外传统的隧道围岩分级方法大多服务于钻爆法等传统施工方法，不能有效指导TBM隧道施工。因此，在实际TBM隧道施工过程中，必须考虑不同地质环境对TBM施工带来的影响，对TBM施工围岩综合分级预测也成为现场工程中必须考虑到的重点。
目前，对TBM施工围岩综合分级预测面临着一系列难以处理的问题。
具体问题如下：
TBM隧道国内外暂时没有一套统一的分级标准，已有的围岩分级方法一般只使用与钻爆法施工的隧道中，没有一套统一的标准，有的只是针对钻爆法的规范，有的只是针对不同特定类型的隧道分级，不适用于TBM施工；
TBM机型较大，会将掌子面挡住，很难看清掌子面前方围岩具体情况；
岩体条件的不确定性、岩机相互作用的复杂性和施工过程的多变性是制约TBM性能及围岩预测的主要因素；
如何选取对TBM施工性能产生影响重要的影响因素具有很大主观性；
如何建立准确有效的多影响因素与TBM施工性能的关系也是一大难点。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于PCA-KNN的TBM施工围岩综合分级预测方法,基于统计学方法对现场施工数据进行深入挖掘，评价信息丰富，结果准确率高，简单高效，方便快捷。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
一种基于PCA-KNN的TBM施工围岩综合分级预测方法,包括：
以TBM实际施工速度为指标将施工围岩分级；
确定TBM施工围岩综合分级所有的影响因素指标；
获取需要进行预测的工区影响因素指标数据和相应的根据施工速度分级的综合围岩等级分级数据，并对影响因素指标值进行均值方差归一化；
采用主成分分析法对已开挖得到的影响因素进行主成分分析，得到若干主成分变量，并与根据施工速度分级的综合围岩等级相对应；
采用k近邻算法对所得到的若干主成分变量及对应的综合围岩等级进行训练学习，建立各指标-综合围岩分级的数学模型；
基于训练数据对检测数据提取主成分并用已建立的数学模型验证所建立模型的准确性；
获取未开挖掌子面附近进行影响因素指标值，并基于训练数据的平均值和标准差等进行主成分分析，得到相应的主成分后用已获得的数学模型进行TBM施工围岩综合分级预测。
进一步的技术方案，根据已有的工程实例，基于TBM施工的日平均掘进速度V将TBM施工围岩分为如下表1的四个等级：
表1基于TBM日均掘进速度的施工围岩分级
其中，表中v表示大于1.2m/h的TBM日掘进速度。
进一步的技术方案，确定TBM施工围岩综合分级所有的影响因素指标为：场切深指数FPI，为x1；岩石强度，为x2；岩体完整性，为x3；地下水状态，为x4；初始地应力状态，为x5；隧道轴线与主要软弱结构面夹角，为x6，其中场切深指数FPI与地质参数和掘进参数都具有较好的相关性，作为联系掘进参数与地质参数的纽带。
进一步的技术方案，对收集到的影响因素指标的原始指标数据x1、x2、x3、x4、x5、x6进行均值方差归一化。
进一步的技术方案，对获得的归一化指标数据进行主成分分析时，计算指标间的Pearson相关系数矩阵；
计算相关矩阵R的特征值和特征向量；
基于特征值及累计方差贡献率确定主成分个数。
进一步的技术方案，利用低维度的主成分变量和相对应的围岩分级用KNN算法进行训练学习，建立数学模型；
基于训练数据获得检测数据的主成分变量，并用以对建立的KNN数学模型验证其准确性。
进一步的技术方案，获取未开挖掌子面附近进行影响因素指标值进行提取主成分并带入数学模型中进行预测适用于TBM开挖隧道的围岩级别。
本发明公开了一种基于PCA-KNN的TBM施工围岩综合分级预测系统,包括：
围岩分级影响因素指标确定模块，以TBM实际施工速度为指标将施工围岩分级；
确定TBM施工围岩综合分级所有的影响因素指标；
指标数据处理模块，获取需要进行预测的工区影响因素指标数据和相应的根据施工速度分级的综合围岩等级分级数据，并对影响因素指标值进行均值方差归一化；
采用主成分分析法对已开挖得到的影响因素进行主成分分析，得到若干主成分变量，并与根据施工速度分级的综合围岩等级相对应；
模型建立模块，采用k近邻算法对所得到的若干主成分变量及对应的综合围岩等级进行训练学习，建立各指标-综合围岩分级的数学模型；
基于训练数据对检测数据提取主成分并用已建立的数学模型验证所建立模型的准确性；
预测模块，获取未开挖掌子面附近进行影响因素指标值，并基于训练数据的平均值和标准差等进行主成分分析，得到相应的主成分后用已获得的数学模型进行TBM施工围岩综合分级预测。
以上一个或多个技术方案存在以下有益效果：
本发明基于统计学方法对现场施工数据进行深入挖掘，评价信息丰富，结果准确率高，简单高效，方便快捷。
本发明所拟定的基于TBM掘进性能的分级是根据国内外大量工程实践所得出的，具有较高的可信度。
本发明可以利用各个影响因素指标间接地预测TBM施工围岩综合分级，克服了现有分级方法仅适用于钻爆法施工的缺点，可有效指导TBM施工，进行施工进度预测。
对原始数据进行均值方差归一化可有效降低范围差比较大的数据带来的误差，有效提高了后续预测的准确率。
基于训练数据，对测试数据进行均值方差归一化可有效体现原始数据库的重要性，原始数据是后续预测的基准。
本发明克服了岩体条件的不确定性、岩机相互作用的复杂性等带来的困难，有效选取TBM性能及围岩预测的主要影响因素，FPI可以作为联系掘进参数与地质参数的纽带，选取的各地质因素也是影响TBM性能的主要影响因素。
主成分分析法可以提取各影响因素中的主要影响成分，可用少量的数据就可反映比较真实的影响因素特点，同时可解决了KNN算法的“维数灾难”，降低影响因素的维度有利于KNN算法的有效进行。
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为本发明实施例流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明基于统计学方法对现场施工数据进行深入挖掘，分析场切深指数FPI、岩石强度、岩体完整性、地下水状态、初始地应力状态、隧道轴线与主要软弱结构面夹角对TBM性能的影响，利用主成分分析法提取各影响因素的主要成分并用KNN算法对所得样本进行训练学习和测试，并以TBM日均掘进速度为基准建立了一套适用于TBM开挖的围岩综合分级预测方法。
实施例一
本实施例公开了如图1所示，一种基于主成分分析法和k近邻算法(PCA-KNN)的TBM施工围岩综合分级预测方法，工作步骤如下：
步骤1.以TBM实际施工速度为指标，结合国内外TBM施工统计数据将施工围岩分为四级：Ⅰ，Ⅱ，Ⅲ，Ⅳ，级别数越大则TBM施工越慢；
步骤2.基于岩体自身的条件和岩机相互作用及国内外工程数据实例，确定TBM施工围岩综合分级所有的影响因素指标；
步骤3.收集需要进行预测的工区影响因素指标数据和相应的根据施工速度分级的综合围岩等级分级数据，并对影响因素指标值进行均值方差归一化；
收集数据时，根据现场施工收集所选取的指标的值，如前期勘察，现场实验等都可以获取指标数据。
步骤4.采用主成分分析法(PCA)对已开挖得到的影响因素(即上述收集的指标数据)进行主成分分析，得到若干主成分变量，并与根据施工速度分级的综合围岩等级相对应；
需要说明的是，分级是根据实际施工速度得到的，主成分分析之前与分析之后并没有改变这个数据对应的分级。
步骤5.采用k近邻算法对所得到的若干主成分变量及对应的综合围岩等级进行训练学习，建立各指标-综合围岩分级的数学模型；
步骤6.基于训练数据对检测数据提取主成分并用已建立的数学模型验证所建立模型的准确性；
步骤7.获取未开挖掌子面附近进行影响因素指标值，并基于训练数据的平均值和标准差等进行主成分分析，得到相应的主成分后用以获得的数学模型进行TBM施工围岩综合分级预测。
主成分分析即在保留原始数据的大部分信息不变的情况下，对原始数据进行降维，将高维的多变量指标简化为少数的几个新的变量。在对未开挖掌子面附近进行影响因素指标值进行主成分分析的时候需要对数据进行均值方差归一化，这时候需要用到平均值和方差，这个平均值和方差用的是训练数据的平均值和方差对新数据进行归一化的。
根据已有的工程实例，基于TBM施工的日平均掘进速度V将TBM施工围岩分为如下表1的四个等级：
表1基于TBM日均掘进速度的施工围岩分级
注：表中v表示大于1.2m/h的TBM日掘进速度。
根据国内外工程施工实例选取所有的影响因素指标为：场切深指数FPI(x1)、岩石强度(x2)、岩体完整性(x3)、地下水状态(x4)、初始地应力状态(x5)、隧道轴线与主要软弱结构面夹角(x6)，其中FPI与地质参数和掘进参数都具有较好的相关性，可以作为联系掘进参数与地质参数的纽带。
为消除各影响因素指标值的过大差异对预测结果产生不利影响，对收集到的原始指标数据x1、x2、x3、x4、x5、x6进行均值方差归一化，其中：
式中
和sj分别代表第j个指标的平均值和标准差，i代表第i个数据，j代表第i个数据的第j个指标。
对获得的归一化指标数据进行主成分分析时，计算指标间的Pearson相关系数矩阵，即：
R＝(rkl)n×n (k,l＝1,2,…,n) (4)
式中rkl为第k个指标和第l个指标间的相关系数，且rkl＝rlk，具体计算公式为：
计算相关矩阵R的特征值和特征向量，其中λ1,λ2,λn满足λi≥0(i＝1,2,…,n)，特征值对应的单位化特征向量记为p1,p2,pn；
确定主成分个数。计算主成分的累计贡献率，一般取特征值大于1且累计方差贡献率达85％～95％所对应的前k个主成分。
式中vs为第s个主成分的方差贡献率，vsumk为前k个主成分的累计贡献率。
计算提取主成分的对应得分，当几个主成分的累计得分达到85％的时候才能保留原始数据的大部分信息，主成分系数矩阵为：U＝(p1,p2,…,pn)，若从原指标中提取前k个主成分，则有：
式中X*为原指标数据的归一化矩阵，
为归一化之后的指标变量。
获得的目标主成分数量比原指标数据的维数低，从而解决了KNN算法的“维数灾难”，利用低维度的主成分变量和相对应的围岩分级用KNN算法进行训练学习，建立数学模型。
基于训练数据获得检测数据的主成分变量，这样以训练数据为基准可以降低误差，并用已建立的KNN数学模型验证所建立模型的准确性。
则用获取未开挖掌子面附近进行影响因素指标值进行提取主成分并带入数学模型中进行预测适用于TBM开挖隧道的围岩级别。
实施例二
本实施例的目的是提供一种计算装置,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，所述处理器执行所述程序时实现以下步骤，包括：
以TBM实际施工速度为指标将施工围岩分级；
确定TBM施工围岩综合分级所有的影响因素指标；
获取需要进行预测的工区影响因素指标数据和相应的根据施工速度分级的综合围岩等级分级数据，并对影响因素指标值进行均值方差归一化；
采用主成分分析法对已开挖得到的影响因素进行主成分分析，得到若干主成分变量，并与根据施工速度分级的综合围岩等级相对应；
采用k近邻算法对所得到的若干主成分变量及对应的综合围岩等级进行训练学习，建立各指标-综合围岩分级的数学模型；
基于训练数据对检测数据提取主成分并用已建立的数学模型验证所建立模型的准确性；
获取未开挖掌子面附近进行影响因素指标值，并基于训练数据的平均值和标准差等进行主成分分析，得到相应的主成分后用已获得的数学模型进行TBM施工围岩综合分级预测。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行以下步骤：
以TBM实际施工速度为指标将施工围岩分级；
确定TBM施工围岩综合分级所有的影响因素指标；
获取需要进行预测的工区影响因素指标数据和相应的根据施工速度分级的综合围岩等级分级数据，并对影响因素指标值进行均值方差归一化；
采用主成分分析法对已开挖得到的影响因素进行主成分分析，得到若干主成分变量，并与根据施工速度分级的综合围岩等级相对应；
采用k近邻算法对所得到的若干主成分变量及对应的综合围岩等级进行训练学习，建立各指标-综合围岩分级的数学模型；
基于训练数据对检测数据提取主成分并用已建立的数学模型验证所建立模型的准确性；
获取未开挖掌子面附近进行影响因素指标值，并基于训练数据的平均值和标准差等进行主成分分析，得到相应的主成分后用已获得的数学模型进行TBM施工围岩综合分级预测。
实施例四
本发明公开了一种基于PCA-KNN的TBM施工围岩综合分级预测系统,包括：
围岩分级影响因素指标确定模块，以TBM实际施工速度为指标将施工围岩分级；
确定TBM施工围岩综合分级所有的影响因素指标；
指标数据处理模块，获取需要进行预测的工区影响因素指标数据和相应的根据施工速度分级的综合围岩等级分级数据，并对影响因素指标值进行均值方差归一化；
采用主成分分析法对已开挖得到的影响因素进行主成分分析，得到若干主成分变量，并与根据施工速度分级的综合围岩等级相对应；
模型建立模块，采用k近邻算法对所得到的若干主成分变量及对应的综合围岩等级进行训练学习，建立各指标-综合围岩分级的数学模型；
基于训练数据对检测数据提取主成分并用已建立的数学模型验证所建立模型的准确性；
预测模块，获取未开挖掌子面附近进行影响因素指标值，并基于训练数据的平均值和标准差等进行主成分分析，得到相应的主成分后用已获得的数学模型进行TBM施工围岩综合分级预测。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
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。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明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发明的保护范围以内。
Claims (10)
1.一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是，包括：
以TBM实际施工速度为指标将施工围岩分级；
确定TBM施工围岩综合分级所有的影响因素指标；
获取需要进行预测的工区影响因素指标数据和相应的根据施工速度分级的综合围岩等级分级数据，并对影响因素指标值进行均值方差归一化；
采用主成分分析法对已开挖得到的影响因素进行主成分分析，得到若干主成分变量，并与根据施工速度分级的综合围岩等级相对应；
采用k近邻算法对所得到的若干主成分变量及对应的综合围岩等级进行训练学习，建立各指标-综合围岩分级的数学模型；
基于训练数据对检测数据提取主成分并用已建立的数学模型验证所建立模型的准确性；
获取未开挖掌子面附近进行影响因素指标值，并基于训练数据的平均值和标准差等进行主成分分析，得到相应的主成分后用已获得的数学模型进行TBM施工围岩综合分级预测。
2.如权利要求1所述的一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是，根据已有的工程实例，基于TBM施工的日平均掘进速度V将TBM施工围岩分为如下表1的四个等级：
表1 基于TBM日均掘进速度的施工围岩分级
其中，表中v表示大于1.2m/h的TBM日掘进速度。
3.如权利要求1所述的一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是，确定TBM施工围岩综合分级所有的影响因素指标为：场切深指数FPI，为x1；岩石强度，为x2；岩体完整性，为x3；地下水状态，为x4；初始地应力状态，为x5；隧道轴线与主要软弱结构面夹角，为x6，其中场切深指数FPI与地质参数和掘进参数都具有较好的相关性，作为联系掘进参数与地质参数的纽带。
4.如权利要求3所述的一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是，对收集到的影响因素指标的原始指标数据x1、x2、x3、x4、x5、x6进行均值方差归一化。
5.如权利要求4所述的一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是，对获得的归一化指标数据进行主成分分析时，计算指标间的Pearson相关系数矩阵；
计算相关矩阵R的特征值和特征向量；
基于特征值及累计方差贡献率确定主成分个数。
6.如权利要求5所述的一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是，利用低维度的主成分变量和相对应的围岩分级用KNN算法进行训练学习，建立数学模型；
基于训练数据获得检测数据的主成分变量，并用以对建立的KNN数学模型验证其准确性。
7.如权利要求1所述的一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是，获取未开挖掌子面附近进行影响因素指标值进行提取主成分并带入数学模型中进行预测适用于TBM开挖隧道的围岩级别。
8.一种基于PCA-KNN的TBM施工围岩综合分级预测系统,其特征是，包括：
围岩分级影响因素指标确定模块，以TBM实际施工速度为指标将施工围岩分级；
确定TBM施工围岩综合分级所有的影响因素指标；
指标数据处理模块，获取需要进行预测的工区影响因素指标数据和相应的根据施工速度分级的综合围岩等级分级数据，并对影响因素指标值进行均值方差归一化；
采用主成分分析法对已开挖得到的影响因素进行主成分分析，得到若干主成分变量，并与根据施工速度分级的综合围岩等级相对应；
模型建立模块，采用k近邻算法对所得到的若干主成分变量及对应的综合围岩等级进行训练学习，建立各指标-综合围岩分级的数学模型；
基于训练数据对检测数据提取主成分并用已建立的数学模型验证所建立模型的准确性；
预测模块，获取未开挖掌子面附近进行影响因素指标值，并基于训练数据的平均值和标准差等进行主成分分析，得到相应的主成分后用已获得的数学模型进行TBM施工围岩综合分级预测。
9.一种计算装置,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，其特征是，所述处理器执行所述程序时实现以下步骤，包括：
以TBM实际施工速度为指标将施工围岩分级；
确定TBM施工围岩综合分级所有的影响因素指标；
获取需要进行预测的工区影响因素指标数据和相应的根据施工速度分级的综合围岩等级分级数据，并对影响因素指标值进行均值方差归一化；
采用主成分分析法对已开挖得到的影响因素进行主成分分析，得到若干主成分变量，并与根据施工速度分级的综合围岩等级相对应；
采用k近邻算法对所得到的若干主成分变量及对应的综合围岩等级进行训练学习，建立各指标-综合围岩分级的数学模型；
基于训练数据对检测数据提取主成分并用已建立的数学模型验证所建立模型的准确性；
获取未开挖掌子面附近进行影响因素指标值，并基于训练数据的平均值和标准差等进行主成分分析，得到相应的主成分后用已获得的数学模型进行TBM施工围岩综合分级预测。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行以下步骤：
以TBM实际施工速度为指标将施工围岩分级；
确定TBM施工围岩综合分级所有的影响因素指标；
获取需要进行预测的工区影响因素指标数据和相应的根据施工速度分级的综合围岩等级分级数据，并对影响因素指标值进行均值方差归一化；
采用主成分分析法对已开挖得到的影响因素进行主成分分析，得到若干主成分变量，并与根据施工速度分级的综合围岩等级相对应；
采用k近邻算法对所得到的若干主成分变量及对应的综合围岩等级进行训练学习，建立各指标-综合围岩分级的数学模型；
基于训练数据对检测数据提取主成分并用已建立的数学模型验证所建立模型的准确性；
获取未开挖掌子面附近进行影响因素指标值，并基于训练数据的平均值和标准差等进行主成分分析，得到相应的主成分后用已获得的数学模型进行TBM施工围岩综合分级预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911120644.3A CN111222683B (zh) | 2019-11-15 | 2019-11-15 | 一种基于pca-knn的tbm施工围岩综合分级预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911120644.3A CN111222683B (zh) | 2019-11-15 | 2019-11-15 | 一种基于pca-knn的tbm施工围岩综合分级预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111222683A true CN111222683A (zh) | 2020-06-02 |
| CN111222683B CN111222683B (zh) | 2022-09-20 |
Family
ID=70807782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911120644.3A Active CN111222683B (zh) | 2019-11-15 | 2019-11-15 | 一种基于pca-knn的tbm施工围岩综合分级预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111222683B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832821A (zh) * | 2020-07-09 | 2020-10-27 | 山东大学 | 一种tbm卡机风险预测方法及系统 |
| CN112149901A (zh) * | 2020-09-23 | 2020-12-29 | 华北电力科学研究院有限责任公司 | 一种汽轮机低压末级压力场预测方法及装置 |
| CN112365044A (zh) * | 2020-11-09 | 2021-02-12 | 武汉理工大学 | 一种基于k近邻算法和支持向量机的隧道掌子面失效概率预测方法 |
| 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 |
| CN113688446A (zh) * | 2021-07-12 | 2021-11-23 | 南通大学 | 一种围岩判别分级方法 |
| CN113762360A (zh) * | 2021-08-20 | 2021-12-07 | 同济大学 | 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法 |
| CN113807004A (zh) * | 2021-06-30 | 2021-12-17 | 北京交通大学 | 基于数据挖掘的刀具寿命预测方法、装置及系统 |
| GB2620807A (en) * | 2022-07-18 | 2024-01-24 | Xinjiang Irtysh Invest And Development Co Ltd | TBM adaptive surrounding rock classification method |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120209575A1 (en) * | 2011-02-11 | 2012-08-16 | Ford Global Technologies, Llc | Method and System for Model Validation for Dynamic Systems Using Bayesian Principal Component Analysis |
| CN109740800A (zh) * | 2018-12-18 | 2019-05-10 | 山东大学 | 适用于隧道tbm掘进岩爆风险分级及预测方法与系统 |
-
2019
- 2019-11-15 CN CN201911120644.3A patent/CN111222683B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120209575A1 (en) * | 2011-02-11 | 2012-08-16 | Ford Global Technologies, Llc | Method and System for Model Validation for Dynamic Systems Using Bayesian Principal Component Analysis |
| CN109740800A (zh) * | 2018-12-18 | 2019-05-10 | 山东大学 | 适用于隧道tbm掘进岩爆风险分级及预测方法与系统 |
Non-Patent Citations (4)
| Title |
|---|
| 吴顺川 等: "基于PCA-PNN原理的岩爆烈度分级预测方法", 《煤炭学报》 * |
| 崔久华: "基于岩机参数融合的TBM掘进效率评价及围岩分级研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
| 段志伟等: "基于主成分分析与BP神经网络的TBM围岩可掘性分级实时识别方法研究", 《隧道建设(中英文)》 * |
| 薛亚东等: "基于掘进性能的TBM施工围岩综合分级方法", 《岩石力学与工程学报》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832821A (zh) * | 2020-07-09 | 2020-10-27 | 山东大学 | 一种tbm卡机风险预测方法及系统 |
| CN112149901A (zh) * | 2020-09-23 | 2020-12-29 | 华北电力科学研究院有限责任公司 | 一种汽轮机低压末级压力场预测方法及装置 |
| CN112149901B (zh) * | 2020-09-23 | 2024-04-16 | 华北电力科学研究院有限责任公司 | 一种汽轮机低压末级压力场预测方法及装置 |
| CN112365044A (zh) * | 2020-11-09 | 2021-02-12 | 武汉理工大学 | 一种基于k近邻算法和支持向量机的隧道掌子面失效概率预测方法 |
| 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 |
| CN113807004A (zh) * | 2021-06-30 | 2021-12-17 | 北京交通大学 | 基于数据挖掘的刀具寿命预测方法、装置及系统 |
| CN113807004B (zh) * | 2021-06-30 | 2024-08-06 | 北京交通大学 | 基于数据挖掘的刀具寿命预测方法、装置及系统 |
| CN113688446A (zh) * | 2021-07-12 | 2021-11-23 | 南通大学 | 一种围岩判别分级方法 |
| CN113688446B (zh) * | 2021-07-12 | 2023-09-15 | 南通大学 | 一种围岩判别分级方法 |
| CN113762360A (zh) * | 2021-08-20 | 2021-12-07 | 同济大学 | 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法 |
| CN113762360B (zh) * | 2021-08-20 | 2024-03-29 | 同济大学 | 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法 |
| GB2620807A (en) * | 2022-07-18 | 2024-01-24 | Xinjiang Irtysh Invest And Development Co Ltd | TBM adaptive surrounding rock classification method |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111222683B (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111222683B (zh) | 一种基于pca-knn的tbm施工围岩综合分级预测方法 | |
| CN109635461B (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
| WO2020125682A1 (zh) | 一种应用随钻数据计算岩石强度的方法和系统 | |
| 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 | |
| CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
| CN110006568B (zh) | 一种利用岩芯获取三维地应力的方法及获取系统 | |
| WO2021147554A1 (zh) | 基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法 | |
| CN105005712B (zh) | 灰岩含水层富水性评价方法 | |
| CN112085242B (zh) | 一种基于大数据深度学习方法的低阻层精准预测方法与装置 | |
| CN113946790A (zh) | 一种导水裂隙带高度预测方法、系统、设备及终端 | |
| CN116756953A (zh) | 隧道施工期锚杆支护设计动态优化方法及装置 | |
| CN109886421B (zh) | 基于集成学习的群智能采煤机切割模式识别系统 | |
| CN115408927B (zh) | 用于预测岩体参数的数据处理方法和装置 | |
| CN111706322A (zh) | 一种岩石钻进响应的预测方法和预测系统 | |
| CN108549967B (zh) | 盾构机刀盘性能健康评估方法与系统 | |
| CN111273352A (zh) | 地质构造智能检测方法、装置与电子设备 | |
| CN110674868A (zh) | 一种基于高维钻进参数信息的地层岩性识别系统及其方法 | |
| CN113431557B (zh) | 一种基于人工智能的井下井眼轨迹跟踪方法 | |
| CN114418314A (zh) | 一种拉链式压裂施工时效性分析细节多模型求解方法 | |
| CN112727433A (zh) | 一种钻井参数优化方法 | |
| CN112257763A (zh) | 一种基于特征选择与AdaBoost模型的矿井突水水源判别方法 | |
| Liang et al. | Shearer cutting pattern recognition based on multi-scale fuzzy entropy and support vector machine | |
| CN112132416A (zh) | 基于PageRank算法的工程勘察质量精细化评价方法 | |
| CN113221327B (zh) | 一种基于adaboost集成算法的深部爆破破坏区形状预测方法 | |
| CN118430692B (zh) | 一种三维找矿预测方法、系统、设备及介质 |
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 |