CN112182973A - 考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法 - Google Patents
考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法 Download PDFInfo
- Publication number
- CN112182973A CN112182973A CN202011065664.8A CN202011065664A CN112182973A CN 112182973 A CN112182973 A CN 112182973A CN 202011065664 A CN202011065664 A CN 202011065664A CN 112182973 A CN112182973 A CN 112182973A
- Authority
- CN
- China
- Prior art keywords
- tbm
- vibration
- cutter head
- rock
- cutter
- 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 122
- 239000002893 slag Substances 0.000 title claims abstract description 92
- 238000005457 optimization Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000005641 tunneling Effects 0.000 claims abstract description 39
- 238000005265 energy consumption Methods 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 31
- 238000010276 construction Methods 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 14
- 230000001133 acceleration Effects 0.000 claims description 20
- 239000002245 particle Substances 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Earth Drilling (AREA)
Abstract
本公开提供了一种考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法，获取TBM设计参数数据和岩体参数数据；根据获取的参数数据，得到总推进力和刀盘转速与刀盘振动信息和岩渣几何信息的第一映射关系模型；以岩渣几何信息阈值和刀盘振动信息阈值为约束条件，以掘进速度与能耗为综合优化目标，根据第一映射关系模型以及预构建的总推进力和刀盘转速与掘进速度和能耗的第二映射关系模型，进行全局搜索寻优，得到优化的推进速度设定值和刀盘转速给定值；本公开针对目前TBM施工中操作参数与岩体条件无法科学匹配的难题，提出的刀盘振动和岩渣中获取有效信息的参数优化方法具有提高施工效率、降低能耗的有益效果。
Description
技术领域
本公开涉及隧道掘进机技术领域，特别涉及一种考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法。
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，并不必然构成现有技术。
TBM(Tunnel Boring Machine，隧道全断面岩石掘进机)施工具有成洞质量高、施工效率高、安全性高和机械自动化程度高等优势，因此在深埋长大隧道建设中得到了非常广泛的应用。在实际施工过程中，地层条件的变化对TBM存在着较大的影响，若不及时根据当前围岩状态来调整TBM的主要操作参数，将导致TBM掘进效率降低、滚刀磨损严重，甚至发生卡机等安全事故。现有优化TBM操作参数研究中并未增加相关约束条件来合理的控制参数的变化。施工中由于掘进面岩体非均质性和各向异性导致TBM滚刀在切削岩体时受力不平衡，引起TBM刀盘振动。而TBM刀盘振动本质上是TBM与围岩的相互作用，因此TBM刀盘的振动信息可以有效反映当前掘进作业时TBM的运行状态和围岩状态。TBM破岩渣片的形态大小等几何信息也是判断掘进面岩体状态和刀具磨损情况的一个重要依据。因此，开展一种考虑刀盘振动与岩渣信息的TBM主要操作参数的合理优化方法研究，对于提高TBM掘进效率、降低滚刀磨损带来的施工成本增加以及保障TBM隧道施工安全具有重要的意义。
本公开发明人发现，对于目前TBM主要操作参数优化方面的研究，存在着以下不足：
(1)TBM刀盘振动信息可以有效的反映TBM运行状态和围岩状态，是岩机相互作用的产物，但目前的TBM主要操作参数优化中没有将振动信息充分利用起来；
(2)TBM破岩渣片几何形态的统计数据对于TBM掘进状态的判断具有重要的指导意义，而岩渣所包含的信息并未在目前的TBM主要操作参数优化中充分发挥作用；
(3)在现有研究中通常只选取一个TBM目标参数作为优化的对象，缺乏将多个参数相结合作为联合目标，并且没有将刀盘振动与岩渣信息同时作为约束条件来对TBM主要操作参数进行优化。
发明内容
为了解决现有技术的不足，本公开提供了一种考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法，综合利用岩机关系模型、刀盘振动与岩渣几何信息预测模型，以刀盘振动信息和岩渣信息为约束条件，对提出的主要操作参数优化目标进行全局寻优，并对所得到的TBM主要操作参数进行预测评价，从而获得了最优的主要操作参数，提高了施工效率，降低了能耗。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法。
一种考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法，包括以下步骤：
获取TBM设计参数数据和岩体参数数据；
根据获取的参数数据，得到总推进力和刀盘转速与刀盘振动信息和岩渣几何信息的第一映射关系模型；
以岩渣几何信息阈值和刀盘振动信息阈值为约束条件，以掘进速度与能耗为综合优化目标，根据第一映射关系模型以及预构建的总推进力和刀盘转速与掘进速度和能耗的第二映射关系模型，进行全局搜索寻优，得到优化的推进速度设定值和刀盘转速给定值。
作为可能的一些实现方式，以刀盘直径、滚刀总数、滚刀间距、滚刀半径、刀尖宽度、单轴抗压强度、节理间距、推力以及刀盘转速为输入，以振动峰值加速度、主频频率、平均粒径和粗度指数为输出构建TBM刀盘振动和岩渣几何信息预测模型；
当掘进中的TBM在一定的地质条件下时，TBM设计参数与岩体参数固定不变，得到总推进力和刀盘转速与刀盘振动信息和岩渣几何信息的第一映射关系模型。
作为可能的一些实现方式，岩渣几何信息阈值为岩渣平均粒径阈值，刀盘振动信息阈值为振动峰值加速度阈值。
作为进一步的限定，根据施工现场岩渣几何信息和刀盘振动信息的统计数据，结合TBM司机调整主要操作参数的经验数据，确定降低总推进力和刀盘转速设定值时所统计到的岩渣平均粒径和振动峰值加速度，以此时的岩渣平均粒径和峰值加速度为岩渣平均粒径阈值和振动峰值加速度阈值。
作为可能的一些实现方式，以掘进速度与能耗为综合优化目标，具体为搜索到掘进速度较高且能耗较小的一个最低平衡点时所对应得到的推力与刀盘转速值作为为优化结果。
作为可能的一些实现方式，对总推进力和刀盘转速利用梯度下降法进行全局寻优，得到优化的推进速度设定值和刀盘转速给定值。
作为可能的一些实现方式，利用深度学习算法建立总推进力和刀盘转速与掘进速度和能耗的第二映射关系模型。
本公开第二方面提供了一种考虑刀盘振动与岩渣几何信息的TBM操作参数优化系统。
一种考虑刀盘振动与岩渣几何信息的TBM操作参数优化系统，包括：
数据获取模块，被配置为：获取TBM设计参数数据和岩体参数数据；
第一映射关系模型构建模块，被配置为：根据获取的参数数据，得到总推进力和刀盘转速与刀盘振动信息和岩渣几何信息的第一映射关系模型；
操作参数优化模块，被配置为：以岩渣几何信息阈值和刀盘振动信息阈值为约束条件，以掘进速度与能耗为综合优化目标，根据第一映射关系模型以及预构建的总推进力和刀盘转速与掘进速度和能耗的第二映射关系模型，进行全局搜索寻优，得到优化的推进速度设定值和刀盘转速给定值。
本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法中的步骤。
本公开第四方面提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本公开第一方面所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法中的步骤。
本公开第五方面提供了一种隧道全断面岩石掘进机，包括本公开第二方面所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化系统。
本公开第六方面提供了一种隧道全断面岩石掘进机，包括本公开第三方面所述的计算机可读存储介质。
本公开第七方面提供了一种隧道全断面岩石掘进机，包括本公开第四方面所述的电子设备。
与现有技术相比，本公开的有益效果是：
1、本公开利用振动传感器监测振动信号，并结合TBM司机经验将其加入到TBM主要操作参数优化模型中作为约束条件，充分考虑了岩机相互作用的信息，提高了模型优化精度。
2、本公开对岩渣进行筛分统计，利用平均粒径和粗度指数表征其形态特征，并将其作为优化模型的约束条件，充分利用了岩渣信息，并可以依据岩渣形态来判断滚刀工作状态，提高了模型优化精度并且使司机掌握了TBM工作状态。
3、本公开在进行TBM主要操作参数优化时，将掘进速度与能耗作为联合优化的目标，综合利用刀盘振动与岩渣信息预测模型和主要操作参数与掘进速度、能耗最优的关系模型，从而提出一种安全、高效、低能耗的TBM主要操作参数优化方法。
4、本公开针对目前TBM施工中操作参数与岩体条件无法科学匹配的难题，提出的刀盘振动和岩渣中获取有效信息的参数优化方法具有提高施工效率、降低能耗的有益效果。
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为本公开实施例1提供的考虑刀盘振动与岩渣几何信息的TBM主要操作参数优化方法的整体流程示意图。
图2为本公开实施例1提供的考虑刀盘振动与岩渣几何信息的TBM主要操作参数优化方法的主要操作参数优化思路示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
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。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
正如背景技术所介绍的现有技术中存在的不足，为了解决如上的技术问题，本实施例提出了一种考虑刀盘振动与岩渣信息的TBM主要操作参数优化方法，下面结合说明书附图，对本发明做进一步的阐述。
如图1所示，本公开实施例1提供了一种考虑刀盘振动与岩渣信息的TBM主要操作参数优化方法，包括以下步骤：
(1)相关参数获取。
考虑刀盘振动与岩渣信息的TBM主要操作参数优化方法所需要的相关参数包括TBM设计参数、岩体参数、TBM主要操作参数、刀盘振动数据以及岩渣信息。
TBM设计参数可从TBM设计生产方获得，包括刀盘直径、滚刀总数量、滚刀间距、滚刀半径以及刀尖宽度；
岩体参数相关数据由工程现场和室内实验获得，包括单轴抗压强度和节理间距；
TBM主要操作参数由掘进机云平台获得，包括总推力和刀盘转速；
刀盘振动数据由振动传感器监测获得，包括峰值加速度和主频频率；
岩渣信息由TBM皮带机传送出的岩渣经筛分统计获得，包括平均粒径和粗度指数。
所述的岩体参数中，单轴抗压强度通过在施工现场钻孔取芯，加工成标准试件后由室内单轴压缩实验得到，或通过现场点荷载实验获得；节理间距由施工现场的地质素描获得。
所述的TBM主要操作参数，通过TBM数据云平台采集，采集到的数据为每秒1条，一天可产生约8万组数据。
所述的刀盘振动数据，由振动传感器实时监测获得，振动传感器安装在TBM刀盘的背面，不会对TBM正常作业产生影响，只要TBM处于掘进状态即可监测采集数据，采集数据的形式为振动加速度，通过时域分析可得到振动峰值加速度，通过频域分析可得到主频频率。
所述的岩渣信息数据，通过获取现场岩渣进行筛分实验、称重、测量统计获得，其中，平均粒径计算公式如下：
式中，分子部分代表了所筛选岩渣中重量占到了16％、50％和84％的相对应的岩渣尺寸。
所述的粗度指数为筛分实验中每层筛网中累积的重量百分比之和，所选用的筛分器具(筛网尺寸)不同，得到的数据也不同。
(2)原始数据清洗和处理。
在(1)中获得的TBM主要操作参数和岩体参数的原始数据中，由于施工中的不确定情况出现或实验中出现误差，导致原始数据中存在缺失或不在正常取值范围内，因此需要挑选出用于岩机关系模型、刀盘振动信息和岩渣几何信息预测模型建立的有效数据，并使得相关参数的数据逐一对应，建立起数据库。并且在下一步建立模型之前，需要对这些数据进行归一化处理，来避免因数量级和量纲的不同对建模产生影响。最后将数据集划分为训练集、验证集和测试集，常用的划分比例为8:1:1。
(3)建立TBM刀盘振动和岩渣几何信息的预测模型。
利用人工智能算法建立TBM刀盘振动和岩渣几何信息的预测模型，所述的人工智能算法可以使用支持向量机、BP神经网络、决策树、集成学习、卷积神经网络、循环神经网络等一系列算法。
输入参数为刀盘直径、滚刀总数、滚刀间距、滚刀半径、刀尖宽度、单轴抗压强度、节理间距、推力以及刀盘转速，输出参数为振动峰值加速度、主频频率、平均粒径和粗度指数。使用划分好的训练集数据对所建立的TBM刀盘振动和岩渣几何信息预测模型进行训练学习，学习后再分别使用验证集和测试集对所建立的模型进行验证和测试。
(4)建立TBM主要操作参数与掘进速度、能耗的关系模型。
利用深度学习算法，例如循环神经网络(RNN)、卷积神经网络(CNN)等算法，建立TBM主要操作参数(推力和刀盘转速)与掘进速度、能耗综合最优的关系模型，挖掘推力、刀盘转速与掘进速度、能耗之间的内在关联。基于训练集对TBM主要操作参数(推力和刀盘转速)与掘进速度、能耗之间的关系进行训练挖掘，之后分别输入验证集和测试集对所建立的关系模型进行验证和测试。
(5)TBM主要操作参数优化方法约束条件的设定。
在优化过程中，将刀盘振动信息和岩渣信息设定为约束条件。通过在施工现场对岩渣信息和振动信息的统计分析，并结合TBM司机调整主要操作参数的经验，确定降低主要操作参数设定值时所统计到的岩渣平均粒径和振动峰值加速度，并定义此时的岩渣平均粒径和峰值加速度为岩渣“危险平均粒径”和振动“危险峰值加速度”。实现TBM主要操作参数优化的约束条件，即若监测到的岩渣信息与振动信息达到了上述边界值，则需要下调主要操作参数推力和刀盘转速的数值，并对边界值进行可靠度分析。
(6)TBM主要操作参数的优化。
综合利用刀盘振动与岩渣几何信息预测模型以及TBM主要操作参数与掘进速度、能耗最优的关系模型，以“危险平均粒径”与“危险峰值加速度”为约束条件，以掘进速度与能耗为综合优化目标，在此前提下对所述的TBM主要操作参数(推力和刀盘转速)利用梯度下降法进行全局寻优，建立TBM主要操作参数的优化模型。
其中，以掘进速度与能耗为综合优化目标，即搜索到掘进速度较高且能耗较小的一个最低平衡点时，所对应得到的推力与刀盘转速值，即为优化所得到的主要操作参数值。
本实施例提供的考虑刀盘振动与岩渣信息的TBM主要操作参数优化方法的主要操作参数优化思路图，如图2所示；
首先，建立起刀盘振动与岩渣几何信息预测模型，当掘进中的TBM在一定的地质条件下时，TBM设计参数与岩体参数固定不变，此时TBM主要操作参数(推力、刀盘转速)将与刀盘振动信息、岩渣几何信息建立起相关关系；
其次，建立起TBM主要操作参数(推力、刀盘转速)与掘进速度、能耗的关系模型。此时在整个优化模型中，将掘进速度与能耗、TBM主要操作参数(推力、刀盘转速)、刀盘振动与岩渣几何信息这几个重要参数建立起了相关关系，即TBM是主要操作参数优化模型建立。
把上述获得的“危险平均粒径”与“危险峰值加速度”作为约束条件，在岩渣和振动信息不超过“危险平均粒径”与“危险峰值加速度”的前提下，进行全局搜索找到掘进速度高与能耗低的综合最优平衡点所对应的TBM主要操作参数时，即为优化所得到的主要操作参数值。
实施例2：
本公开实施例2提供了一种考虑刀盘振动与岩渣几何信息的TBM操作参数优化系统，包括：
数据获取模块，被配置为：获取TBM设计参数数据和岩体参数数据；
第一映射关系模型构建模块，被配置为：根据获取的参数数据，得到总推进力和刀盘转速与刀盘振动信息和岩渣几何信息的第一映射关系模型；
操作参数优化模块，被配置为：以岩渣几何信息阈值和刀盘振动信息阈值为约束条件，以掘进速度与能耗为综合优化目标，根据第一映射关系模型以及预构建的总推进力和刀盘转速与掘进速度和能耗的第二映射关系模型，进行全局搜索寻优，得到优化的推进速度设定值和刀盘转速给定值。
所述系统的工作方法与实施例1提供的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法中的步骤，所述步骤为：
获取TBM设计参数数据和岩体参数数据；
根据获取的参数数据，得到总推进力和刀盘转速与刀盘振动信息和岩渣几何信息的第一映射关系模型；
以岩渣几何信息阈值和刀盘振动信息阈值为约束条件，以掘进速度与能耗为综合优化目标，根据第一映射关系模型以及预构建的总推进力和刀盘转速与掘进速度和能耗的第二映射关系模型，进行全局搜索寻优，得到优化的推进速度设定值和刀盘转速给定值。
详细步骤与实施例1提供的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法相同，这里不再赘述。
实施例4：
本公开实施例4提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本公开实施例1所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法中的步骤，所述步骤为：
获取TBM设计参数数据和岩体参数数据；
根据获取的参数数据，得到总推进力和刀盘转速与刀盘振动信息和岩渣几何信息的第一映射关系模型；
以岩渣几何信息阈值和刀盘振动信息阈值为约束条件，以掘进速度与能耗为综合优化目标，根据第一映射关系模型以及预构建的总推进力和刀盘转速与掘进速度和能耗的第二映射关系模型，进行全局搜索寻优，得到优化的推进速度设定值和刀盘转速给定值。
详细步骤与实施例1提供的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法相同，这里不再赘述。
实施例5：
本公开实施例5提供了一种隧道全断面岩石掘进机，包括本公开实施例2所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化系统。
实施例6：
本公开实施例6提供了一种隧道全断面岩石掘进机，包括本公开实施例3所述的计算机可读存储介质。
实施例7
本公开实施例7提供了一种隧道全断面岩石掘进机，包括本公开实施例4所述的电子设备。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
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)
1.一种考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法，其特征在于，包括以下步骤：
获取TBM设计参数数据和岩体参数数据；
根据获取的参数数据，得到总推进力和刀盘转速与刀盘振动信息和岩渣几何信息的第一映射关系模型；
以岩渣几何信息阈值和刀盘振动信息阈值为约束条件，以掘进速度与能耗为综合优化目标，根据第一映射关系模型以及预构建的总推进力和刀盘转速与掘进速度和能耗的第二映射关系模型，进行全局搜索寻优，得到优化的推进速度设定值和刀盘转速给定值。
2.如权利要求1所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法，其特征在于，以刀盘直径、滚刀总数、滚刀间距、滚刀半径、刀尖宽度、单轴抗压强度、节理间距、推力以及刀盘转速为输入，以振动峰值加速度、主频频率、平均粒径和粗度指数为输出构建TBM刀盘振动和岩渣几何信息预测模型；
当掘进中的TBM在一定的地质条件下时，TBM设计参数与岩体参数固定不变，得到总推进力和刀盘转速与刀盘振动信息和岩渣几何信息的第一映射关系模型。
3.如权利要求1所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法，其特征在于，岩渣几何信息阈值为岩渣平均粒径阈值，刀盘振动信息阈值为振动峰值加速度阈值。
4.如权利要求3所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法，其特征在于，根据施工现场岩渣几何信息和刀盘振动信息的统计数据，结合TBM司机调整主要操作参数的经验数据，确定降低总推进力和刀盘转速设定值时所统计到的岩渣平均粒径和振动峰值加速度，以此时的岩渣平均粒径和峰值加速度为岩渣平均粒径阈值和振动峰值加速度阈值。
5.如权利要求1所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法，其特征在于，以掘进速度与能耗为综合优化目标，具体为搜索到掘进速度较高且能耗较小的一个最低平衡点时所对应得到的推力与刀盘转速值作为为优化结果。
6.如权利要求1所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法，其特征在于，对总推进力和刀盘转速利用梯度下降法进行全局寻优，得到优化的推进速度设定值和刀盘转速给定值；
或者，
利用深度学习算法建立总推进力和刀盘转速与掘进速度和能耗的第二映射关系模型。
7.一种考虑刀盘振动与岩渣几何信息的TBM操作参数优化系统，其特征在于，包括：
数据获取模块，被配置为：获取TBM设计参数数据和岩体参数数据；
第一映射关系模型构建模块，被配置为：根据获取的参数数据，得到总推进力和刀盘转速与刀盘振动信息和岩渣几何信息的第一映射关系模型；
操作参数优化模块，被配置为：以岩渣几何信息阈值和刀盘振动信息阈值为约束条件，以掘进速度与能耗为综合优化目标，根据第一映射关系模型以及预构建的总推进力和刀盘转速与掘进速度和能耗的第二映射关系模型，进行全局搜索寻优，得到优化的推进速度设定值和刀盘转速给定值。
8.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法中的步骤。
9.一种电子设备，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程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化方法中的步骤。
10.一种隧道全断面岩石掘进机，其特征在于，包括权利要求7所述的考虑刀盘振动与岩渣几何信息的TBM操作参数优化系统；
或者，
包括权利要求8所述的计算机可读存储介质；
或者，
包括权利要求9所述的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011065664.8A CN112182973B (zh) | 2020-09-30 | 2020-09-30 | 考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011065664.8A CN112182973B (zh) | 2020-09-30 | 2020-09-30 | 考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112182973A true CN112182973A (zh) | 2021-01-05 |
| CN112182973B CN112182973B (zh) | 2022-11-04 |
Family
ID=73948099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011065664.8A Active CN112182973B (zh) | 2020-09-30 | 2020-09-30 | 考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112182973B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158561A (zh) * | 2021-04-14 | 2021-07-23 | 山东大学 | 适用于多种岩体条件的tbm操作参数优化方法及系统 |
| CN113158562A (zh) * | 2021-04-14 | 2021-07-23 | 山东大学 | 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 |
| 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 |
| CN113947821A (zh) * | 2021-12-20 | 2022-01-18 | 南京航空航天大学 | 一种涡轮增压叶片质量控制方法 |
| CN114418469A (zh) * | 2022-03-30 | 2022-04-29 | 华中科技大学 | 基于lgbm-nsga-ⅲ的盾构近接施工参数多目标优化方法及设备 |
| 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 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778010A (zh) * | 2016-12-29 | 2017-05-31 | 中铁十八局集团隧道工程有限公司 | 基于数据驱动支持向量回归机的tbm刀具寿命预测方法 |
| CN107577862A (zh) * | 2017-08-30 | 2018-01-12 | 中铁工程装备集团有限公司 | 一种tbm在掘岩体状态实时感知系统和方法 |
| CN107918279A (zh) * | 2017-11-20 | 2018-04-17 | 上海交通大学 | 一种基于粒子群优化算法pso的tbm减振控制方法 |
| CN110110419A (zh) * | 2019-04-28 | 2019-08-09 | 中铁工程装备集团有限公司 | 一种基于多目标学习的tbm掘进参数预测方法 |
| CN110318765A (zh) * | 2019-07-02 | 2019-10-11 | 中国科学院武汉岩土力学研究所 | 基于岩性识别的机械-水力联合破岩tbm实时掘进方法 |
| CN111144635A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
| CN111445509A (zh) * | 2020-03-18 | 2020-07-24 | 中铁十五局集团有限公司 | 一种tbm滚刀磨损几何尺寸视觉测量方法及系统 |
-
2020
- 2020-09-30 CN CN202011065664.8A patent/CN112182973B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778010A (zh) * | 2016-12-29 | 2017-05-31 | 中铁十八局集团隧道工程有限公司 | 基于数据驱动支持向量回归机的tbm刀具寿命预测方法 |
| CN107577862A (zh) * | 2017-08-30 | 2018-01-12 | 中铁工程装备集团有限公司 | 一种tbm在掘岩体状态实时感知系统和方法 |
| CN107918279A (zh) * | 2017-11-20 | 2018-04-17 | 上海交通大学 | 一种基于粒子群优化算法pso的tbm减振控制方法 |
| CN110110419A (zh) * | 2019-04-28 | 2019-08-09 | 中铁工程装备集团有限公司 | 一种基于多目标学习的tbm掘进参数预测方法 |
| CN110318765A (zh) * | 2019-07-02 | 2019-10-11 | 中国科学院武汉岩土力学研究所 | 基于岩性识别的机械-水力联合破岩tbm实时掘进方法 |
| CN111144635A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
| CN111445509A (zh) * | 2020-03-18 | 2020-07-24 | 中铁十五局集团有限公司 | 一种tbm滚刀磨损几何尺寸视觉测量方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| RUIRUI WANG 等: "ATBM cutter life prediction method based on rock mass classification", 《KSCE JOURNAL OF CIVIL ENGINEERING》 * |
| 孙金山 等: "TBM滚刀破岩过程影响因素数值模拟研究", 《岩土力学》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158561A (zh) * | 2021-04-14 | 2021-07-23 | 山东大学 | 适用于多种岩体条件的tbm操作参数优化方法及系统 |
| CN113158562A (zh) * | 2021-04-14 | 2021-07-23 | 山东大学 | 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 |
| 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 |
| CN113947821A (zh) * | 2021-12-20 | 2022-01-18 | 南京航空航天大学 | 一种涡轮增压叶片质量控制方法 |
| CN114418469A (zh) * | 2022-03-30 | 2022-04-29 | 华中科技大学 | 基于lgbm-nsga-ⅲ的盾构近接施工参数多目标优化方法及设备 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112182973B (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112182973B (zh) | 考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法 | |
| CN109685378B (zh) | 一种基于数据挖掘的tbm施工围岩可掘性分级方法 | |
| CN109933577B (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 | |
| CN112196559B (zh) | 基于掘进速度与刀具消耗最优的tbm操作参数优化方法 | |
| CN106778010B (zh) | 基于数据驱动支持向量回归机的tbm刀具寿命预测方法 | |
| US11748531B2 (en) | Mitigation of high frequency coupled vibrations in PDC bits using in-cone depth of cut controllers | |
| CN103306722A (zh) | 一种冲击危险区的微震多维信息综合区域探测评价方法 | |
| Gajewski et al. | Towards the identification of worn picks on cutterdrums based on torque and power signals using Artificial Neural Networks | |
| CN111197500A (zh) | 适用于tbm掘进隧道围岩等级实时判别方法及系统 | |
| CN114372319A (zh) | 一种基于随采参数和/或随钻参数的岩石可切割性评价方法、破岩设备及破岩系统 | |
| CN113586028A (zh) | 基于数字孪生的反井钻机扩孔刀盘的智能监控系统 | |
| CN110967974A (zh) | 基于粗糙集的煤流平衡自适应控制方法 | |
| CN115238564A (zh) | 基于钻进参数和超欠挖结果自动匹配优化爆破参数的方法 | |
| Shaffiee Haghshenas et al. | Statistical study to evaluate performance of cutting machine in dimension stone cutting process | |
| US11687690B2 (en) | Mitigation of cutting-induced stick-slip vibration during drilling with drill bits having depth of cut controllers | |
| CN113158561B (zh) | 适用于多种岩体条件的tbm操作参数优化方法及系统 | |
| CN113158562B (zh) | 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 | |
| CN113657515B (zh) | 一种基于岩机敏感参量判识和改进fmc模型隧道围岩等级的分类方法 | |
| CN107679330B (zh) | 一种tbm刀盘系统破岩性能损耗程度的实时评价方法 | |
| CN112598061B (zh) | 一种隧道围岩聚类分级方法 | |
| CN116296956A (zh) | 一种滚刀磨损检测方法和装置 | |
| CN112554943B (zh) | 一种基于tbm掘进参数的地质风险预警方法、系统及装置 | |
| CN113344342A (zh) | 一种复杂地质条件下双模盾构适应性“信息熵”评价方法 | |
| Schubert et al. | Excavation and support determination for the design and construction of tunnels | |
| Wang et al. | Sensitivity of TBM’s performance to structural, control and geological parameters under different prediction models |
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 |