CN111291500A - 一种基于土压平衡盾构机参数数据的反演建模方法 - Google Patents

Abstract

本发明公开了一种基于土压平衡盾构机参数数据的反演建模方法，包括如下步骤：步骤A：提取历史运行数据集data,然后提取平稳掘进段的数据形成数据集data1；步骤B：在数据集data1中选取出优质掘进环的平稳掘进段数据形成数据集data2；步骤C：将数据集data2扩充3个属性项，分别存放在各个目标参数的水平值形成数据集data3；步骤D：将数据集data3以整环为单位划分为训练集和测试集，确定模型超参数；步骤E：提取土压平衡盾构机的实时正常掘进段数据，代入学习的随机森林模型，计算出各个目标参数的水平值；本发明针对土压平衡盾构机原始施工数据，采用机器学习中随机森林模型的方法反演出目标参数建议水平值，为土压平衡盾构机施工的辅助掘进提供了技术支撑。

Description

一种基于土压平衡盾构机参数数据的反演建模方法

技术领域

本发明属于土压平衡盾构机施工技术领域，特别涉及一种基于土压平衡盾构机参数数据的反演建模方法。

背景技术

土压平衡盾构机在掘进过程中，随着刀盘旋转不断切削岩土并通过刀盘开口被压进土舱，然后通过螺旋机转到皮带上输送到渣车里运至洞外；在沿圆周布置的液压千斤顶推力下，盾构机不断向前推进，当盾构机向前推进一个管片的长度(沿洞轴向)时，便可以用管片拼装机将若干管片依从下而上的顺序拼装成环，以此类推。在应用土压平衡式盾构施工技术的过程中，应该尽量保证土舱压力和开挖面土压力之间的平衡性。在具体的施工过程中，为了能够更好的保证土压力平衡，便需要合理调控刀盘、螺旋机和掘进的速度，以便能够更好的管控切削的土量和出土量。

中国专利公开号为CN110069893A，公开了一种基于多项式回归的盾构机掘进参数的预测方法，首次将基于机器学习的大数据处理方法应用于盾构工程数据的处理中，通过将盾构工程大数据经过清洗和统计处理后经过机器学习方法进行特征学习的方法，借助于机器学习算法的数据高层特征抽取能力，对运行参数和运行效率高效建模，从而对工程中盾构的参数调节做出指导性的建议，具有人工智能的特性。

中国专利公告号为CN106652637B，公开了一种盾构机协同操作虚拟训练系统及方法，用于解决现有技术中存在的不能对指令数据并发控制所造成的培训效果差的技术问题，训练系统包括：虚拟场景构建模块、指令输入模块、指令数据处理模块和系统业务模块；训练方法为：传感器采集盾构机相关数据并传输至数据服务器；虚拟场景构建模块读取数据服务器数据并完成虚拟环境的配置；指令输入模块传输可编程逻辑控制器的指令数据；指令数据处理模块将指令数据进行并发控制处理；系统业务模块将并发处理后的指令数据导入虚拟环境中实现盾构机虚拟训练并对虚拟训练过程进行打分、分析和建议。本发明使培训人员更加直接、清楚的了解自身操作的问题，提升操作人员协同解决问题的能力。

中国专利公告号为CN106096162A，公开了一种确定盾构土舱压力的方法及其数学模型和构建方法；该数学模型通过参数盾构机的埋深、开挖隧道的断面、上覆土体的容重和有效内摩擦角以及在保证盾构施工安全的必要条件下构建而成；而盾构土舱的压力则通过确定参数盾构机的埋深、开挖隧道的断面以及上覆土体的容重和有效内摩擦角后，代入数学模型获得；本申请通过构建模型确定盾构土舱压力，方法简洁易懂有效，所需指标非常简便，通过普通的岩土工程勘察即可获得；利用本发明确定的盾构土舱压力，比国外确定方法获得的值稍高，和实际监测数据对比，高于最低监测值，但远远低于最高监测结果，效果很好。

然而在施工过程中会碰到地质条件变化的情况，如果能从历史项目中学习到同类盾构机在类似地质情况下的施工经验，则会对盾构司机提供大力帮助，从而显著地提高施工效率。

发明内容

本发明为了给盾构操作员提供操作指导，提出了一种基于土压平衡盾构机参数数据的反演建模方法，可以从施工历史数据中学习出参考模型，然后根据当前土压平衡盾构机运行数据和地质条件，计算出总推进力、螺机转速等操作建议值，为土压平衡盾构机施工的辅助掘进提供技术支撑；本发明为达到上述目的所采取的技术方案是：

一种基于土压平衡盾构机参数数据的反演建模方法，包括如下步骤：

步骤A：提取与施工作业同类型的土压平衡盾构机在类似地质条件下的历史运行数据集data,然后从历史运行数据集data中整环提取平稳掘进段的数据形成数据集data1，并剔除异常数据；

步骤B：在数据集data1中选取出优质掘进环的平稳掘进段数据形成数据集data2；其中优质掘进环是指该环平均掘进速度高于整个数据集data1的平均掘进速度，且该环的掘进速度四分位差小于整个数据集data1的掘进速度四分位差；

步骤C：将数据集data2扩充3个属性项，分别存放在各个目标参数的水平值形成数据集data3,以备后续建模的训练和测试使用；

步骤D：将数据集data3以整环为单位划分为训练集和测试集，在训练集上学习随机森林模型，并在测试集上进行验证，确定模型超参数；

步骤E：提取土压平衡盾构机的实时正常掘进段数据，根据学习的随机森林模型输入参数来筛选数据，代入学习的随机森林模型，计算出各个目标参数的水平值。

优选的，历史运行数据集data需满足如下条件：a.土压平衡盾构机的刀盘布局、刀盘直径参数应接近；b.对应施工路段的地质条件应类似。

优选的，在步骤A中，提取历史运行数据集data后，使用变点检测方法提取数据集data1，并采用2σ原则剔除异常值。

优选的，在步骤A中，所述平稳掘进段的数据包括九项施工参数、施工环号和采样时刻，其中九项施工参数包括总推进力、推进速度、刀盘转速、螺机转速、左中土仓压力、左上土仓压力、左下土仓压力、右下土仓压力和右中土仓压力。

优选的，在步骤B中，对数据集data2中的数据再分别针对步骤C中待存放的各个目标参数作[Q_0.025,Q_0.975]区间外的数据去除处理。

优选的，在步骤C中，将数据集data2扩充3个属性项，分别存放总推进力、刀盘转速、螺机转速这三个参数的水平值；将总推进力、刀盘转速、螺机转速参数分别依概率分布平均划分为N个水平，其水平值的计算规则为：针对每个参数，记样本观测值的最小和最大值分别为min和max，记其

样本分位数分别为

…和

若样本观测值处在

或

区间内，则其水平值分别置为1、2、…、N-1或N；扩充后的数据集，记为数据集data3。

优选的，在步骤D中，确定模型超参数如下：

输出变量：总推进力、刀盘转速、螺机转速参数的水平值；

输入变量：总推进力、推进速度、刀盘转速、螺机转速、左中土仓压力、左上土仓压力、左下土仓压力、右下土仓压力和右中土仓压力参数的当前时刻的观测值，以及总推进力、刀盘转速和螺机转速这三个参数前1、2、…和k个时刻的观测值；

选定树的数量T₁和竞争变量个数T₂。

优选的，在步骤E中，计算出各个目标参数的水平值为总推进力、刀盘转速、螺机转速三个参数的水平值，再将其转化为对应的取之区间，显示在操作界面上。

优选的，步骤E具体分为如下步骤：

步骤E1，提取土压平衡盾构机的实时正常掘进段数据；

步骤E2，判断是否为平稳掘进段数据，若是平稳掘进段数据，则根据学习的随机森林模型的输入参数筛选数据；若不是平稳掘进段数据，则丢弃该数据；

步骤E3，将筛选的数据代入学习的模型，计算目标参数的水平值。

优选的，在步骤步骤E1中，提取土压平衡盾构机的实时正常掘进段数据包括推进速度、刀盘转速、总推进力、螺机转速和土仓压力。

本发明的有益效果：(1)本发明针对土压平衡盾构机原始施工数据，根据提取出的掘进效率高路段中平稳掘进段数据，采用机器学习中随机森林模型的方法反演出目标参数建议水平值，准确度高、计算复杂度低，为土压平衡盾构机施工的辅助掘进提供了技术支撑。

(2)在盾构机上使用本发明建模方法，就相当于为盾构机操作人员提供了多位实时在线指导的优秀老师，可对掘进操作进行实时指导，从而达到又快又好地完成掘进任务目的。

附图说明

图1为项目1中螺机转速预测效果图；

图2为项目1中总推进力预测效果图；

图3为项目1中刀盘转速预测效果图；

图4为项目1中螺机转速预测混淆矩阵；

图5为项目1中总推进力预测混淆矩阵；

图6为项目1中刀盘转速预测混淆矩阵；

图7为项目2中螺机转速预测效果图；

图8为项目2中总推进力预测效果图；

图9为项目2中刀盘转速预测效果图；

图10为项目2中螺机转速预测混淆矩阵；

图11为项目2中总推进力预测混淆矩阵；

图12为项目2中刀盘转速预测混淆矩阵；

图13为项目3中螺机转速预测效果图；

图14为项目3中总推进力预测效果图；

图15为项目3中刀盘转速预测效果图；

图16为项目3中螺机转速预测混淆矩阵；

图17为项目3中总推进力预测混淆矩阵；

图18为项目3中刀盘转速预测混淆矩阵；

图19为项目4中螺机转速预测效果图；

图20为项目4中总推进力预测效果图；

图21为项目4中刀盘转速预测效果图；

图22为项目4中螺机转速预测混淆矩阵；

图23为项目4中总推进力预测混淆矩阵；

图24为项目4中刀盘转速预测混淆矩阵。

具体实施方式

下面结合附图与具体实施方式对本发明做进一步描述：本发明包括如下步骤：

步骤A：提取与施工作业同类型的土压平衡盾构机在类似地质条件下的历史运行数据集data,然后从历史运行数据集data中整环提取平稳掘进段的数据形成数据集data1，并剔除异常数据；

步骤B：在数据集data1中选取出优质掘进环的平稳掘进段数据形成数据集data2；其中优质掘进环是指该环平均掘进速度高于整个数据集data1的平均掘进速度，且该环的掘进速度四分位差小于整个数据集data1的掘进速度四分位差；

步骤C：将数据集data2扩充3个属性项，分别存放在各个目标参数的水平值形成数据集data3,以备后续建模的训练和测试使用；

步骤D：将数据集data3以整环为单位划分为训练集和测试集，在训练集上学习随机森林模型，并在测试集上进行验证，确定模型超参数；

步骤E：提取土压平衡盾构机的实时正常掘进段数据，根据学习的随机森林模型输入参数来筛选数据，代入学习的随机森林模型，计算出各个目标参数的水平值。

依托于盾构大数据信息采集平台，为保障该反演建模方法的准确性，在步骤A中，历史运行数据集data需满足如下条件：a.土压平衡盾构机的刀盘布局、刀盘直径参数应接近；b.对应施工路段的地质条件应类似。同时在提取历史运行数据集data后，使用变点检测方法提取数据集data1，并采用2σ原则剔除异常值。

土压平衡盾构机运行原始数据中含有500多项属性，其中刀盘转速、螺机转速和总推进力被称为主动参数，原始数据中除主动参数的其它属性项与数据分析的关联性不大，因此，从原始数据集中只抽取九项施工参数、施工环号和采样时刻，其中九项施工参数包括总推进力、推进速度、刀盘转速、螺机转速、左中土仓压力、左上土仓压力、左下土仓压力、右下土仓压力和右中土仓压力。

在步骤B中，对数据集data2中的数据再分别针对步骤C中待存放的各个目标参数作[Q_0.025,Q_0.975]区间外的数据去除处理，从排除数据集data2中概率小的数据以提高建模的准确性。

在步骤C中，将数据集data2扩充3个属性项，分别存放总推进力、刀盘转速、螺机转速这三个参数的水平值；将总推进力、刀盘转速、螺机转速参数分别依概率分布平均划分为N个水平，其水平值的计算规则为：针对每个参数，记样本观测值的最小和最大值分别为min和max，记其

样本分位数分别为

…和

若样本观测值处在

或

区间内，则其水平值分别置为1、2、…、N-1或N；扩充后的数据集，记为数据集data3。此步骤的优点在于：为盾构机操作人员提供操作建议值时，不是给出一个具体的数值，而是给出一个取值区间，这样可以方便操作人员的操作；因为操作人员很难将某个操作参数设定在一个给定的数值上，更何况盾构机的操作参数有7个。

在步骤D中，确定模型超参数如下：

输出变量：总推进力、刀盘转速、螺机转速参数的水平值；

输入变量：总推进力、推进速度、刀盘转速、螺机转速、左中土仓压力、左上土仓压力、左下土仓压力、右下土仓压力和右中土仓压力参数的当前时刻的观测值，以及总推进力、刀盘转速和螺机转速这三个参数前1、2、…和k个时刻的观测值；

选定树的数量T₁和竞争变量个数T₂。

在步骤E中，计算出各个目标参数的水平值为总推进力、刀盘转速、螺机转速三个参数的水平值，再将其转化为对应的取之区间，显示在操作界面上。

其中步骤E进一步还可以分为如下步骤：

步骤E1，提取土压平衡盾构机的实时正常掘进段数据；

步骤E2，判断是否为平稳掘进段数据，若是平稳掘进段数据，则根据学习的随机森林模型的输入参数筛选数据；若不是平稳掘进段数据，则丢弃该数据；

步骤E3，将筛选的数据代入学习的模型，计算目标参数的水平值，显示在土压平衡盾构机操控主界面上供盾构机操作员参考。

在步骤步骤E1中，提取土压平衡盾构机的实时正常掘进段数据包括推进速度、刀盘转速、总推进力、螺机转速和土仓压力。

土压平衡盾构机施工呈现一定的周期性，在每环的施工过程中，都要经历启动、正常掘进、更换渣车、停机等阶段。在启动阶段，各参数，例如刀盘扭矩、总推进力、推进速度等处于上升趋势；而在正常掘进阶段，各参数则几乎平稳，变化不大。因此，从历史项目的施工数据中找出掘进效率高的正常掘进施工路段，再按照本发明进行土压平衡盾构机运行参数反演建模，即可学习到高效掘进的施工经验，也为当前的施工操作提供指导。

在机器学习领域，混淆矩阵(confusion matrix)，又称为可能性表格或是错误矩阵。它是一种特定的矩阵用来呈现算法性能的可视化效果，通常是监督学习(非监督学习，通常用匹配矩阵：matching matrix)。其每一列代表预测值，每一行代表的是实际的类别。这个名字来源于它可以非常容易的表明多个类别是否有混淆(也就是一个class被预测成另一个class)。

本实施例中，已提取粉质黏土、卵石与细砂及粉质黏土的不均匀混合、细沙、细卵石等四种地质条件下的施工路段盾构机运行数据，参见如下表1。

表1.已采集的部分施工路段数据

针对表1中给出的线路区间掘进数据，分别进行了建模并测试。取N＝5、k＝4、T₁＝15和T₂＝6时，使用整环数据对螺机转速、总推进力、刀盘转速进行测试，测试结果如下：

1、项目1：某市地铁1号线某区间

准确率见表2，图示化的测试结果见图1-图6(图1-图3中虚线表示预测正确，实线表示错误部分)。

表2.按环号提取测试集上测试螺机转速、总推进力、刀盘转速准确率

数据源	地质条件	建模数据条数	螺机转速	刀盘转速	总推进力
						左线80～120	粉质黏土	16103	0.988406	0.858385	0.930228

2、项目2：某市地铁19号线某区间

准确率见表3，图示化的测试结果见图7-图12(图7-图9中虚线表示预测正确，实线表示错误部分)。

表3.按环号提取测试集上测试螺机转速、总推进力、刀盘转速准确率

3、项目3：某市地铁4号线某区间

准确率见表4，图示化的测试结果见图13-图18(图13-图15中虚线表示预测正确，实线表示错误部分)。

表4.按环号提取测试集上测试螺机转速、总推进力、刀盘转速准确率

4、项目4：某市地铁9号线某区间

准确率见表5，图示化的测试结果见图19-图24(图19-图21中中虚线表示预测正确，实线表示错误部分)。

表5.按环号提取测试集上测试螺机转速、总推进力、刀盘转速准确率

数据源	地质信息	建模数据条数	螺机转速	刀盘转速	总推进力
						左线40～135	粉质黏土	38589	0.992312	0.967778	0.836818

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于土压平衡盾构机参数数据的反演建模方法，其特征在于，包括如下步骤：

步骤A：提取与施工作业同类型的土压平衡盾构机在类似地质条件下的历史运行数据集data,然后从历史运行数据集data中整环提取平稳掘进段的数据形成数据集data1，并剔除异常数据；

步骤B：在数据集data1中选取出优质掘进环的平稳掘进段数据形成数据集data2；其中优质掘进环是指该环平均掘进速度高于整个数据集data1的平均掘进速度，且该环的掘进速度四分位差小于整个数据集data1的掘进速度四分位差；

步骤C：将数据集data2扩充3个属性项，分别存放在各个目标参数的水平值形成数据集data3,以备后续建模的训练和测试使用；

步骤D：将数据集data3以整环为单位划分为训练集和测试集，在训练集上学习随机森林模型，并在测试集上进行验证，确定模型超参数；

步骤E：提取土压平衡盾构机的实时正常掘进段数据，根据学习的随机森林模型输入参数来筛选数据，代入学习的随机森林模型，计算出各个目标参数的水平值。

2.根据权利要求1所述的基于土压平衡盾构机参数数据的反演建模方法，其特征在于，历史运行数据集data需满足如下条件：a.土压平衡盾构机的刀盘布局、刀盘直径参数应接近；b.对应施工路段的地质条件应类似。

3.根据权利要求1所述的基于土压平衡盾构机参数数据的反演建模方法，其特征在于，在步骤A中，提取历史运行数据集data后，使用变点检测方法提取数据集data1，并采用2σ原则剔除异常值。

4.根据权利要求2所述的基于土压平衡盾构机参数数据的反演建模方法，其特征在于，在步骤A中，所述平稳掘进段的数据包括九项施工参数、施工环号和采样时刻，其中九项施工参数包括总推进力、推进速度、刀盘转速、螺机转速、左中土仓压力、左上土仓压力、左下土仓压力、右下土仓压力和右中土仓压力。

5.根据权利要求1至4任一项所述的基于土压平衡盾构机参数数据的反演建模方法，其特征在于，在步骤B中，对数据集data2中的数据再分别针对步骤C中待存放的各个目标参数作[Q_0.025,Q_0.975]区间外的数据去除处理。

6.根据权利要求5所述的基于土压平衡盾构机参数数据的反演建模方法，其特征在于，在步骤C中，将数据集data2扩充3个属性项，分别存放总推进力、刀盘转速、螺机转速这三个参数的水平值；将总推进力、刀盘转速、螺机转速参数分别依概率分布平均划分为N个水平，其水平值的计算规则为：针对每个参数，记样本观测值的最小和最大值分别为min和max，记其

样本分位数分别为

和

若样本观测值处在

或

区间内，则其水平值分别置为1、2、…、N-1或N；扩充后的数据集，记为数据集data3。

7.根据权利要求6所述的基于土压平衡盾构机参数数据的反演建模方法，其特征在于，在步骤D中，确定模型超参数如下：

输出变量：总推进力、刀盘转速、螺机转速参数的水平值；

输入变量：总推进力、推进速度、刀盘转速、螺机转速、左中土仓压力、左上土仓压力、左下土仓压力、右下土仓压力和右中土仓压力参数的当前时刻的观测值，以及总推进力、刀盘转速和螺机转速这三个参数前1、2、…和k个时刻的观测值；

选定树的数量T₁和竞争变量个数T₂。

8.根据权利要求7所述的基于土压平衡盾构机参数数据的反演建模方法，其特征在于，在步骤E中，计算出各个目标参数的水平值为总推进力、刀盘转速、螺机转速三个参数的水平值，再将其转化为对应的取之区间，显示在操作界面上。

9.根据权利要求8所述的基于土压平衡盾构机参数数据的反演建模方法，其特征在于，步骤E具体分为如下步骤：

步骤E1，提取土压平衡盾构机的实时正常掘进段数据；

步骤E2，判断是否为平稳掘进段数据，若是平稳掘进段数据，则根据学习的随机森林模型的输入参数筛选数据；若不是平稳掘进段数据，则丢弃该数据；

步骤E3，将筛选的数据代入学习的模型，计算目标参数的水平值。

10.根据权利要求9所述的基于土压平衡盾构机参数数据的反演建模方法，其特征在于，在步骤步骤E1中，提取土压平衡盾构机的实时正常掘进段数据包括推进速度、刀盘转速、总推进力、螺机转速和土仓压力。

Images