CN112598061A - 一种隧道围岩聚类分级方法 - Google Patents
一种隧道围岩聚类分级方法 Download PDFInfo
- Publication number
- CN112598061A CN112598061A CN202011541283.2A CN202011541283A CN112598061A CN 112598061 A CN112598061 A CN 112598061A CN 202011541283 A CN202011541283 A CN 202011541283A CN 112598061 A CN112598061 A CN 112598061A
- Authority
- CN
- China
- Prior art keywords
- surrounding rock
- rock
- class
- tpi
- surrounding
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种隧道围岩聚类分级方法,包括如下步骤:采集TBM破岩状态数据;根据TBM破岩状态数据计算岩体可掘进性特征参数和可切削性特征参数;根据岩体可掘进性特征参数和可切削性特征参数,利用高斯混合模型对TBM破岩状态数据所对应的围岩进行聚类判别,输出聚类后的围岩类别并绘制隧道围岩聚类分布图;利用线性拟合方法根据步骤S3所得到的隧道围岩聚类分布图中各围岩类别之间的边界点确定对应的边界回归直线,修正初始围岩类别;采集新的TBM破岩状态数据,计算岩体可掘进性特征参数和可切削性特征参数,根据岩体可掘进性特征参数、可切削性特征参数以及边界回归直线,对围岩进行围岩类别和施工围岩等级的判别,具有良好的通用性。
Description
技术领域
本发明属于隧道工程施工技术领域,具体涉及一种隧道围岩聚类分级方法。
背景技术
隧道围岩分类对于评价围岩稳定性、指导TBM主司机掘进以及选择合适的支护方式具有至关重要的意义。如果围岩分类不准确,容易导致控制参数设置不合理,进而造成掘进效率不高效。此外,支护方式选择与隧道围岩等级密切相关,且支护方式选择不当容易诱发围岩局部塌方、卡机,严重威胁现场施工人员的安全。因此,合理、准确的隧道围岩分类方法可提高TBM掘进效率、大大降低施工危险。
在TBM掘进过程中,主司机常根据TBM开挖岩渣、掘进参数,结合前期地质资料以及施工过程中揭露的岩体情况,人为综合判定围岩等级。其围岩等级分类结果与人为经验密切相关,具有一定的主观性,且围岩等级分类往往滞后于TBM破岩掘进,因而不能及时指导TBM安全、高效施工。掘进参数具有高度即时性的特点,伴随掘进开挖即时生成,可有效表达地层适应性。因而,本专利通过对实时获取的掘进参数进行建模分析,以快速获取隧道围岩等级。
随着大数据分析技术、人工智能方法逐渐应用于隧道智能化施工领域,围岩等级分类方法开始由人为经验判断走向机器自动分类。现有围岩等级自动分类方法主要通过对大量掘进参数、岩体参数进行回归分析、分类等统计方法来实现围岩分类,但由于影响围岩分类的因素众多且复杂难以描述,单一隧道围岩等级分类方法的精度不高,难以满足工程实践要求。
发明内容
针对现有的围岩分类方法精度不高、难以满足工程实践要求的问题,本发明提出了一种隧道围岩聚类分级方法,基于混合高斯模型和边界线性修正的方法进行聚类分析,实现了围岩等级的快速分类。
为解决以上技术问题,本发明所采用的技术方案如下:
一种隧道围岩聚类分级方法,包括如下步骤:
S1,采集TBM破岩状态数据;
S2,根据步骤S1所得到的TBM破岩状态数据计算岩体可掘进性特征参数和可切削性特征参数;
S3,根据步骤S2所得到的岩体可掘进性特征参数和可切削性特征参数,利用高斯混合模型对TBM破岩状态数据所对应的围岩进行聚类判别,输出聚类后的围岩类别并绘制隧道围岩聚类分布图;
S4,利用线性拟合方法根据步骤S3所得到的隧道围岩聚类分布图中各围岩类别之间的边界点确定对应的边界回归直线;
S5,采集新TBM破岩状态数据,计算新TBM破岩状态数据所对应的岩体可掘进性特征参数和可切削性特征参数,根据新破岩状态数据所对应的岩体可掘进性特征参数、可切削性特征参数以及步骤S4所得到的边界回归直线,对新TBM破岩状态数据所对应的围岩进行围岩类别和施工围岩等级的判别。
在步骤S1中,所述TBM破岩状态数据包括若干条掘进数据,每条掘进数据均包括主推力、刀盘扭矩、贯入度、推进速度和刀盘转速。
在步骤S2中,所述根据步骤S1所得到的TBM破岩状态数据计算岩体可掘进性特征参数和可切削性特征参数,包括如下步骤:
S2.1,从步骤S1所得到的TBM破岩状态数据中筛选出刀盘转速大于零的施工段掘进数据;
S2.2,根据推进速度和贯入度从步骤S2.1中所得到的施工段掘进数据中提取正常掘进数据形成掘进数据集;
S2.3,根据步骤S2.2所得到掘进数据集计算每条掘进数据所对应的岩体可掘进性特征参数和可切削性特征参数。
所述岩体可掘进性特征参数为:
式中,FPI0.7表示岩体可掘进性特征参数,N表示刀盘上的滚刀数量,P表示贯入度,F表示主推力;
所述可切削性特征参数为:
式中,TPI1.1表示可切削性特征参数,R表示刀盘半径,T表示刀盘扭矩。
在步骤S3中,所述聚类后的围岩类别包括第一围岩类别Cluster1、第二围岩类别Cluster2和第三围岩类别Cluster3,所述隧道围岩聚类分布图中每个坐标点的横坐标和纵坐标分别为一条掘进数据所对应的岩体可掘进性特征参数FPI0.7和可切削性特征参数TPI1.1。
在步骤S3中利用高斯混合模型对TBM破岩状态数据所对应的围岩进行聚类判别的步骤如下:
S3.1,高斯混合模型的输入数据为岩体可掘进性特征参数FPI0.7、可切削性特征参数TPI1.1组成的数据矩阵x,输出数据为聚类围岩类别Cluster1、Cluster2和Cluster3;高斯混合模型公式如下:
式中,K表示高斯分布函数的数量,即围岩类别的数量,K=3;d表示输入数据的矩阵维度,d=2;Σ表示协方差矩阵,描述输入数据中岩体可掘进性特征参数FPI0.7、可切削性特征参数TPI1.1之间的相关度;p(i)=πi表示输入数据隶属于第i个围岩类别的先验概率,且满足是第i个围岩类别的概率密度函数;
S3.2,高斯混合模型通过最大期望优化算法确定各围岩类别所对应高斯分布函数的最优均值μ、协方差Σ及权重系数π值,具体包括以下步骤:
S3.2.1,根据输入数据x及各围岩类别的初始权重系数,通过以下公式计算围岩类别Ct的后验概率分布P(Ct|x):
其中,Ct=[C1,C2,C3],C1表示第一围岩类别Cluster1,C2表示第二围岩类别Cluster2,C3表示第三围岩类别Cluster3;
S3.2.2,根据S3.2.1中围岩类别Ct的后验概率分布P(Ct|x)迭代计算围岩类别Ct所对应高斯分布函数的均值、协方差和权重系数:
式中,N表示输入数据的样本数量,P(j)(Ct|xn)表示第j迭代后通过第n个输入样本xn所估计围岩类别Ct的后验概率分布;P(j+1)(Ct)表示第j+1迭代后围岩类别Ct所对应高斯分布函数的权重系数,μ(j+1)(Ct)和Σ(j+1)(Ct)分别表示第j+1迭代后围岩类别Ct所对应高斯分布函数的均值、协方差;
S3.2.3,通过重复执行步骤S3.2.1和S3.2.2,围岩类别Ct所对应高斯分布函数的均值、协方差、权重系数趋于稳定不变,此时获得高斯混合模型聚类后的围岩类别,且所对应高斯分布函数的均值μ、协方差Σ及权重系数为最优解;
S3.3,根据岩体可掘进性特征参数FPI0.7、可切削性特征参数TPI1.1及其聚类围岩类别,绘制隧道围岩聚类分布图,隧道围岩聚类分布图中每个坐标点的横坐标和纵坐标分别为一条掘进数据所对应的岩体可掘进性特征参数FPI0.7和可切削性特征参数TPI1.1,不同围岩类别使用不同表示符号进行可视化展示。
在步骤S4中,所述确定各围岩类别之间的边界回归直线的方法为:
S4.1,根据步骤S3所得到的隧道围岩聚类分布图确定第二围岩类别Cluster2内第二围岩类别Cluster2与第一围岩类别Cluster1之间的边界点,根据各边界点的坐标利用线性拟合方法求取第一边界回归直线L1;
S4.2,根据步骤S4.1所得到的第一边界回归直线L1对第二围岩类别Cluster2和第一围岩类别Cluster1进行修正并更新隧道围岩聚类分布图;
S4.3,根据步骤S4.2更新后的隧道围岩聚类分布图确定第三围岩类别Cluster3内第三围岩类别Cluster3与第二围岩类别Cluster2之间的边界点,根据各边界点的坐标利用线性拟合方法求取第二边界回归直线L2;
S4.4,根据步骤S4.3所得到的第二边界回归直线L2对第三围岩类别Cluster3与第二围岩类别Cluster2进行修正并再次更新隧道围岩聚类分布图。
所述根据各边界点的坐标利用线性拟合方法求取第一边界回归直线L1,包括如下步骤:
S4.1.1,按照边界点的横坐标或者纵坐标的数值大小对各边界点的坐标由大至小进行排序,提取出前i个坐标,其中i为正整数,且i≥10;
S4.1.2,根据步骤S4.1.1所得到的i个坐标,利用线性拟合方法拟合出i-1条拟合回归直线;
S4.1.3,从步骤S4.1.2所得到的i-1条拟合回归直线中剔除一次项系数大于零或者常数项小于零的拟合回归直线;
S4.1.4,根据步骤S4.1.3所得到的拟合回归直线的常数项的数值大小,剔除常数项为最大值和常数项为最小值所对应的拟合回归直线,对剩余的拟合回归直线的一次性系数和常数项分别求取均值,从而得到第二围岩类别Cluster2与第一围岩类别Cluster1的第一边界回归直线L1。
所述第一边界回归直线L1所对应的公式为:
TPIborder1=10.2926-0.0871*FPI0.7;
式中,TPIborder1表示第一临界值,FPI0.7表示岩体可掘进性特征参数。
所述第二边界回归直线L2所对应的公式为:
TPIborder2=6.9729-0.1453*FPI0.7;
式中,TPIborder2表示第二临界值。
在步骤S4.2中,所述对对第二围岩类别Cluster2和第一围岩类别Cluster1进行修正并更新隧道围岩聚类分布图的方法为::
S4.2.1,将第一围岩类别Cluster1中的各坐标点的横坐标代入第一边界回归直线L1中分别求取所对应的第一临界值TPIborder1;
S4.2.2,将步骤S4.2.1所得到的第一临界值TPIborder1与各坐标点的纵坐标分别对应比较,若TPI1.1≤TPIborder1,则该坐标点所对应的围岩类别为第一围岩类别Cluster1,若TPIborder1>TPI1.1,则该坐标点所对应的围岩类别为第二围岩类别Cluster2;
S4.2.3,根据步骤S4.2.2所得到的结果更新隧道围岩聚类分布图。
对新TBM破岩状态数据所对应的围岩进行围岩类别和施工围岩等级的判别方法为:
S5.1,将新TBM破岩状态数据所对应的岩体可掘进性特征参数FPI0.7代入第一边界回归直线L1计算第一临界值TPIborder1,将新TBM破岩状态数据所对应的岩体可掘进性特征参数FPI0.7再代入第二边界回归直线L2中计算第二临界值TPIborder2;
S5.1,将第一临界值TPIborder1、第二临界值TPIborder2和新TBM破岩状态数据所对应的可切削性特征参数TPI1.1进行比较;
若TPI1.1≤TPIborder1,则该新TBM破岩状态数据所对应的围岩类别为第一围岩类别Cluster1,且对应的施工围岩等级为II类~IIIa类;
若TPIborder1<TPI1.1≤TPIborder2,则该新TBM破岩状态数据所对应的围岩类别为第二围岩类别Cluster2,且对应的施工围岩等级为IIIb类~IVa类;
S5.3,若TPI1.1>TPIborder2,则该新TBM破岩状态数据所对应的围岩类别为第三围岩类别Cluster3,且对应的施工围岩等级为IVb类~V类。
本发明的有益效果:
本发明可以通过实时采集的TBM破岩状态数据直接获取围岩等级,用以评估掘进工作面围岩的稳定性、指导TBM掘进模式,当围岩处于第一围岩类别Cluster1时,围岩多为位于完整性~较完整范围内的坚硬岩,掘进机采用高转速、低推进速度的掘进模式,以降低TBM刀盘的磨损,当围岩处于第二围岩类别Cluster2时,围岩多为位于较完整~较破碎范围内的较坚硬岩,掘进机采用较高转速、较高推进速度的掘进模式,以保证TBM掘进的高效性;当围岩处于第三围岩类别Cluster3时,围岩多为位于较破碎~破碎范围内的软岩,掘进机采用较低转速、中等推进速度的掘进模式,以保证TBM掘进的安全性。此外,本发明利用高斯混合模型对围岩进行初步的聚类判别,然后利用线性拟合方法并结合边界线性修正法对隧道围岩聚类分布图进行更新保障了围岩等级分类方法的准确性,且岩体可掘进性特征参数和可切削性特征参数有综合考量刀盘直径、滚刀数量等设计参数和掘进参数的影响;方法简单、具有良好的通用性,可快速应用于刀盘直径不同的TBM项目。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
图2为隧道围岩聚类分布图。
图3为对隧道围岩聚类分布图中的围岩类别进行修正后的隧道围岩聚类分布图。
图4为围岩类别与围岩等级对照图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种隧道围岩聚类分级方法,如图1所示,包括如下步骤:
S1,采集TBM破岩状态数据;所述TBM破岩状态数据包括若干条掘进数据,每条掘进数据均包括主推力、刀盘扭矩、贯入度、推进速度和刀盘转速。
S2,根据步骤S1所得到的TBM破岩状态数据计算岩体可掘进性特征参数FPI0.7和可切削性特征参数TPI1.1,包括如下步骤:
S2.1,从步骤S1所得到的TBM破岩状态数据中筛选出刀盘转速大于零的施工段掘进数据;获得实际施工破岩状态数据;
S2.2,根据推进速度和贯入度从步骤S2.1中所得到的施工段掘进数据中提取正常掘进数据形成掘进数据集;
所述正常掘进数据是指每条掘进数据的掘进参数均满足以下条件:
①每条掘进数据中的推进速度V在正常值范围内,即δ1≤V≤δ2,其中δ1表示低报阈值,低报阈值与刀盘正常运行时刀盘转速的数值相等,δ2表示高报阈值即为最大推进速度,最大推进速度可以从TBM设备技术参数表中直接获得;
②每条掘进数据中的贯入度P≥1mm/r,以避免岩体可掘进性特征参数和可切削性特征参数值过大的现象,影响围岩等级分类的准确性。
S2.3,根据步骤S2.2所得到掘进数据集计算每条掘进数据所对应的岩体可掘进性特征参数FPI0.7和可切削性特征参数TPI1.1,FPI0.7可表征设备掘进的难易程度,TPI1.1可表征滚刀切削岩石的难易程度;
所述岩体可掘进性特征参数FPI0.7的计算公式为:
式中,N表示刀盘上的滚刀数量,P表示贯入度,F表示主推力;
所述可切削性特征参数TPI1.1的计算公式为:
式中,R表示刀盘半径,T表示刀盘扭矩。
S3,如图2所示,根据步骤S2所得到的岩体可掘进性特征参数FPI0.7和可切削性特征参数TPI1.1,利用高斯混合模型对TBM破岩状态数据所对应的围岩进行聚类判别,输出聚类后的围岩类别并绘制隧道围岩聚类分布图;利用高斯混合模型对TBM破岩状态数据所对应的围岩进行聚类判别的具体步骤如下:
S3.1,高斯混合模型的输入数据为岩体可掘进性特征参数FPI0.7、可切削性特征参数TPI1.1组成的数据矩阵x,输出数据为聚类围岩类别Cluster1、Cluster2和Cluster3。高斯混合模型可通过多元高斯分布函数预测围岩类别,每一个高斯分布函数代表一种围岩类别,高斯混合模型公式如下:
式中,K表示高斯分布函数的数量,即围岩类别的数量,K=3;d表示输入数据的矩阵维度,d=2;Σ表示协方差矩阵,描述输入数据中岩体可掘进性特征参数FPI0.7、可切削性特征参数TPI1.1之间的相关度;p(i)=πi,表示第i个高斯模型的权重,即输入数据隶属于第i个围岩类别的先验概率,且满足是第i个围岩类别的概率密度函数。
S3.2,高斯混合模型通过最大期望优化算法确定各围岩类别所对应高斯分布函数的最优均值μ、协方差Σ及权重系数π值,具体包括以下步骤:
S3.2.1,根据输入数据x及各围岩类别的初始权重系数,通过以下公式计算围岩类别Ct的后验概率分布P(Ct|x):
式中,Ct=[C1,C2,C3],C1表示第一围岩类别Cluster1,C2表示第二围岩类别Cluster2,C3表示第三围岩类别Cluster3。
S3.2.2,根据S3.2.1中后验概率分布P(Ct|x)迭代计算围岩类别Ct所对应高斯分布函数的均值、协方差和权重系数:
式中,N表示输入数据的样本数量,P(j)(Ct|xn)表示第j迭代后通过第n个输入样本xn所估计围岩类别Ct的后验概率分布;P(j+1)(Ct)表示第j+1迭代后围岩类别Ct所对应高斯分布函数的权重系数,μ(j+1)(Ct)和Σ(j+1)(Ct)表示第j+1迭代后围岩类别Ct所对应高斯分布函数的均值、协方差。
S3.2.3,通过重复执行步骤S3.2.1和S3.2.2,围岩类别Ct所对应高斯分布函数的均值、协方差、权重系数趋于稳定不变,此时获得高斯混合模型聚类后的围岩类别,且所对应高斯分布函数的均值μ、协方差Σ及权重系数为最优解。
S3.3,根据岩体可掘进性特征参数FPI0.7、可切削性特征参数TPI1.1及其聚类围岩类别,绘制隧道围岩聚类分布图,图中每个坐标点的横坐标和纵坐标分别为一条掘进数据所对应的岩体可掘进性特征参数FPI0.7和可切削性特征参数TPI1.1,不同围岩类别使用不同表示符号进行可视化展示。
所述聚类后的围岩类别包括第一围岩类别Cluster1、第二围岩类别Cluster2和第三围岩类别Cluster3,上述围岩类别是基于破岩状态参数聚类获得的围岩类别,可改善人为评估围岩等级的主观性、精度低等问题,准确对应实际施工围岩等级及其岩体强度、完整性信息,所述隧道围岩聚类分布图中每个坐标点的横坐标和纵坐标分别为一条掘进数据所对应的岩体可掘进性特征参数FPI0.7和可切削性特征参数TPI1.1。
S4,利用线性拟合方法根据步骤S3所得到的隧道围岩聚类分布图中各围岩类别之间的边界点确定对应的边界回归直线,包括如下步骤:
S4.1,根据步骤S3所得到的隧道围岩聚类分布图确定第二围岩类别Cluster2内第二围岩类别Cluster2与第一围岩类别Cluster1之间的边界点,根据各边界点的坐标利用线性拟合方法求取第一边界回归直线L1;
所述根据各边界点的坐标利用线性拟合方法求取第一边界回归直线L1,包括如下步骤:
S4.1.1,按照边界点的横坐标或者纵坐标的数值大小对各边界点的坐标由大至小进行排序,提取出前i个坐标,其中i为正整数,且i≥10;
本实施例中,i=10。
S4.1.2,根据步骤S4.1.1所得到的i个坐标,利用线性拟合方法拟合出i-1条拟合回归直线;
所述i-1条回归直线的拟合方法为:首先从i个坐标中随机提取出2组、3组、4组....、i组数据分别形成对应的数据集,2组、3组、4组....或i组数据中的每组数据均包括对应边界点的横坐标和横坐标所对应的纵坐标,也即岩体可掘进性特征参数FPI0.7和对应的可切削性特征参数TPI1.1,然后根据各数据集中的数据分别计算对应的拟合回归直线。
S4.1.3,从步骤S4.1.2所得到的i-1条拟合回归直线中剔除一次项系数大于零或者常数项小于零的拟合回归直线。
S4.1.4,根据步骤S4.1.3所得到的拟合回归直线的常数项的数值大小,剔除常数项为最大值和常数项为最小值所对应的拟合回归直线,对剩余的拟合回归直线的一次性系数和常数项分别求取均值,从而得到第二围岩类别Cluster2与第一围岩类别Cluster1的第一边界回归直线L1。
所述第一边界回归直线L1所对应的公式为:
TPIborder1=10.2926-0.0871*FPI0.7; (3)
式中,TPIborder1表示第一临界值,根据第一临界值TPIborder1可以判断所掘进的围岩属于第二围岩类别Cluster2还是第一围岩类别Cluster1。
S4.2,根据步骤S4.1所得到的第一边界回归直线L1对第二围岩类别Cluster2和第一围岩类别Cluster1进行修正并更新隧道围岩聚类分布图,包括如下步骤:
S4.2.1,将第一围岩类别Cluster1中的各坐标点的横坐标代入第一边界回归直线L1中分求取所对应的第一临界值TPIborder1;
S4.2.2,将步骤S4.2.1所得到的第一临界值TPIborder1与各坐标点的纵坐标分别对应比较,若TPI1.1≤TPIborder1,则该坐标点所对应的围岩类别为第一围岩类别Cluster1,若TPIborder1>TPI1.1,则该坐标点所对应的围岩类别为第二围岩类别Cluster2;
S4.2.3,根据步骤S4.2.2所得到的结果更新隧道围岩聚类分布图。
S4.3,根据步骤S4.2更新后的隧道围岩聚类分布图确定第三围岩类别Cluster3内第三围岩类别Cluster3与第二围岩类别Cluster2之间的边界点,根据各边界点的坐标利用线性拟合方法求取第二边界回归直线L2;
所述根据各边界点的坐标利用线性拟合方法求取第二边界回归直线L2,包括如下步骤:
S4.3.1,按照边界点的横坐标或者纵坐标的数值大小对各边界点的坐标由大至小进行排序,提取出前j个坐标,其中j为正整数,且j≥10;
本实施例中,j=10。
S4.3.2,根据步骤S4.3.1所得到的j个坐标,利用线性拟合方法拟合出j-1条拟合回归直线;
所述j-1条回归直线的拟合方法为:首先从j个坐标中随机提取出2组、3组、4组....、j组数据分别形成对应的数据集,2组、3组、4组....或j组数据中的每组数据均包括对应边界点的横坐标和横坐标所对应的纵坐标,也即岩体可掘进性特征参数FPI0.7和对应的可切削性特征参数TPI1.1,然后根据各数据集中的数据分别计算对应的拟合回归直线。
S4.3.3,从步骤S4.3.2所得到的j-1条拟合回归直线中剔除一次项系数大于零或者常数项小于零的拟合回归直线。
S4.3.4,根据步骤S4.3.3所得到的拟合回归直线的常数项的数值大小,剔除常数项为最大值和常数项为最小值所对应的拟合回归直线,对剩余的拟合回归直线的一次性系数和常数项分别求取均值,从而得到第三围岩类别Cluster3与第二围岩类别Cluster2的第二边界回归直线L2。
所述第二边界回归直线L2所对应的公式为:
TPIborder2=6.9729-0.1453*FPI0.7; (4)
式中,TPIborder2表示第二临界值,根据第二临界值可以判断所掘进的围岩属于第三围岩类别Cluster3还是第二围岩类别Cluster2。
S4.4,如图3所示,根据步骤S4.3所得到的第二边界回归直线L2对第三围岩类别Cluster3与第二围岩类别Cluster2进行修正并再次更新隧道围岩聚类分布图;便于主司机直观观察不同岩体可掘进性特征参数FPI0.7、可切削性特征参数TPI1.1所对应的围岩类别。
S5,采集新TBM破岩状态数据,计算新TBM破岩状态数据所对应的岩体可掘进性特征参数FPI0.7和可切削性特征参数TPI1.1,如图4所示,根据新破岩状态数据所对应的岩体可掘进性特征参数、可切削性特征参数以及步骤S4所得到的边界回归直线,对新TBM破岩状态数据所对应的围岩进行围岩类别和施工围岩等级的判别。
所述新TBM破岩状态数据所对应的岩体可掘进性特征参数FPI0.7和可切削性特征参数TPI1.1根据步骤S2.3中的式(1)和式(2)计算获得。
所述对新TBM破岩状态数据所对应的围岩进行围岩类别和施工围岩等级的判别方法为:
S5.1,将新TBM破岩状态数据所对应的岩体可掘进性特征参数FPI0.7代入第一边界回归直线L1计算第一临界值TPIborder1,将新TBM破岩状态数据所对应的岩体可掘进性特征参数FPI0.7再代入第二边界回归直线L2中计算第二临界值TPIborder2;
S5.1,将第一临界值TPIborder1、第二临界值TPIborder2和新TBM破岩状态数据所对应的可切削性特征参数TPI1.1进行比较;
若TPI1.1≤TPIborder1,则该新TBM破岩状态数据所对应的围岩类别为第一围岩类别Cluster1,且对应的施工围岩等级为II类~IIIa类,表示围岩多为完整~较完整的坚硬岩;
若TPIborder1<TPI1.1≤TPIborder2,则该新TBM破岩状态数据所对应的围岩类别为第二围岩类别Cluster2,且对应的施工围岩等级为IIIb类~IVa类,表示围岩多为较完整~较破碎的较坚硬岩;
S5.3,若TPI1.1>TPIborder2,则该新TBM破岩状态数据所对应的围岩类别为第三围岩类别Cluster3,且对应的施工围岩等级为IVb类~V类,表示围岩多为较破碎~破碎的软岩。
本发明可以根据实时采集的TBM破岩状态数据快速地对围岩等级进行判断,方便主司机根据围岩等级合理调整掘进参数。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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。
Claims (12)
1.一种隧道围岩聚类分级方法,其特征在于,包括如下步骤:
S1,采集TBM破岩状态数据;
S2,根据步骤S1所得到的TBM破岩状态数据计算岩体可掘进性特征参数和可切削性特征参数;
S3,根据步骤S2所得到的岩体可掘进性特征参数和可切削性特征参数,利用高斯混合模型对TBM破岩状态数据所对应的围岩进行聚类判别,输出聚类后的围岩类别并绘制隧道围岩聚类分布图;
S4,利用线性拟合方法根据步骤S3所得到的隧道围岩聚类分布图中各围岩类别之间的边界点确定对应的边界回归直线;
S5,采集新TBM破岩状态数据,计算新TBM破岩状态数据所对应的岩体可掘进性特征参数和可切削性特征参数,根据新破岩状态数据所对应的岩体可掘进性特征参数、可切削性特征参数以及步骤S4所得到的边界回归直线,对新TBM破岩状态数据所对应的围岩进行围岩类别和施工围岩等级的判别。
2.根据权利要求1所述的隧道围岩聚类分级方法,其特征在于,在步骤S1中,所述TBM破岩状态数据包括若干条掘进数据,每条掘进数据均包括主推力、刀盘扭矩、贯入度、推进速度和刀盘转速。
3.根据权利要求2所述的隧道围岩聚类分级方法,其特征在于,在步骤S2中,所述根据步骤S1所得到的TBM破岩状态数据计算岩体可掘进性特征参数和可切削性特征参数,包括如下步骤:
S2.1,从步骤S1所得到的TBM破岩状态数据中筛选出刀盘转速大于零的施工段掘进数据;
S2.2,根据推进速度和贯入度从步骤S2.1中所得到的施工段掘进数据中提取正常掘进数据形成掘进数据集;
S2.3,根据步骤S2.2所得到掘进数据集计算每条掘进数据所对应的岩体可掘进性特征参数和可切削性特征参数。
5.根据权利要求4所述的隧道围岩聚类分级方法,其特征在于,在步骤S3中,所述聚类后的围岩类别包括第一围岩类别Cluster1、第二围岩类别Cluster2和第三围岩类别Cluster3,所述隧道围岩聚类分布图中每个坐标点的横坐标和纵坐标分别为一条掘进数据所对应的岩体可掘进性特征参数FPI0.7和可切削性特征参数TPI1.1。
6.根据权利要求5所述的隧道围岩聚类分级方法,其特征在于,在步骤S3中利用高斯混合模型对TBM破岩状态数据所对应的围岩进行聚类判别的步骤如下:
S3.1,高斯混合模型的输入数据为岩体可掘进性特征参数FPI0.7、可切削性特征参数TPI1.1组成的数据矩阵x,输出数据为聚类围岩类别Cluster1、Cluster2和Cluster3,高斯混合模型公式如下:
式中,K表示高斯分布函数的数量,即围岩类别的数量,K=3;d表示输入数据的矩阵维度,d=2;Σ表示协方差矩阵,描述输入数据中岩体可掘进性特征参数FPI0.7、可切削性特征参数TPI1.1之间的相关度;p(i)=πi表示输入数据隶属于第i个围岩类别的先验概率,且满足 是第i个围岩类别的概率密度函数;
S3.2,高斯混合模型通过最大期望优化算法确定各围岩类别所对应高斯分布函数的最优均值μ、协方差Σ及权重系数π值,具体包括以下步骤:
S3.2.1,根据输入数据x及各围岩类别的初始权重系数,通过以下公式计算围岩类别Ct的后验概率分布P(Ct|x):
其中,Ct=[C1,C2,C3],C1表示第一围岩类别Cluster1,C2表示第二围岩类别Cluster2,C3表示第三围岩类别Cluster3;
S3.2.2,根据S3.2.1中围岩类别Ct的后验概率分布P(Ct|x)迭代计算围岩类别Ct所对应高斯分布函数的均值、协方差和权重系数:
式中,N表示输入数据的样本数量,P(j)(Ct|xn)表示第j迭代后通过第n个输入样本xn所估计围岩类别Ct的后验概率分布;P(j+1)(Ct)表示第j+1迭代后围岩类别Ct所对应高斯分布函数的权重系数,μ(j+1)(Ct)和Σ(j+1)(Ct)分别表示第j+1迭代后围岩类别Ct所对应高斯分布函数的均值、协方差;
S3.2.3,通过重复执行步骤S3.2.1和S3.2.2,围岩类别Ct所对应高斯分布函数的均值、协方差、权重系数趋于稳定不变,此时获得高斯混合模型聚类后的围岩类别,且所对应高斯分布函数的均值μ、协方差Σ及权重系数为最优解;
S3.3,根据岩体可掘进性特征参数FPI0.7、可切削性特征参数TPI1.1及其聚类围岩类别,绘制隧道围岩聚类分布图,隧道围岩聚类分布图中每个坐标点的横坐标和纵坐标分别为一条掘进数据所对应的岩体可掘进性特征参数FPI0.7和可切削性特征参数TPI1.1,不同围岩类别使用不同表示符号进行可视化展示。
7.根据权利要求5或6所述的隧道围岩聚类分级方法,其特征在于,在步骤S4中,所述确定各围岩类别之间的边界回归直线的方法为:
S4.1,根据步骤S3所得到的隧道围岩聚类分布图确定第二围岩类别Cluster2内第二围岩类别Cluster2与第一围岩类别Cluster1之间的边界点,根据各边界点的坐标利用线性拟合方法求取第一边界回归直线L1;
S4.2,根据步骤S4.1所得到的第一边界回归直线L1对第二围岩类别Cluster2和第一围岩类别Cluster1进行修正并更新隧道围岩聚类分布图;
S4.3,根据步骤S4.2更新后的隧道围岩聚类分布图确定第三围岩类别Cluster3内第三围岩类别Cluster3与第二围岩类别Cluster2之间的边界点,根据各边界点的坐标利用线性拟合方法求取第二边界回归直线L2;
S4.4,根据步骤S4.3所得到的第二边界回归直线L2对第三围岩类别Cluster3与第二围岩类别Cluster2进行修正并再次更新隧道围岩聚类分布图。
8.根据权利要求7所述的隧道围岩聚类分级方法,其特征在于,所述根据各边界点的坐标利用线性拟合方法求取第一边界回归直线L1,包括如下步骤:
S4.1.1,按照边界点的横坐标或者纵坐标的数值大小对各边界点的坐标由大至小进行排序,提取出前i个坐标,其中i为正整数,且i≥10;
S4.1.2,根据步骤S4.1.1所得到的i个坐标,利用线性拟合方法拟合出i-1条拟合回归直线;
S4.1.3,从步骤S4.1.2所得到的i-1条拟合回归直线中剔除一次项系数大于零或者常数项小于零的拟合回归直线;
S4.1.4,根据步骤S4.1.3所得到的拟合回归直线的常数项的数值大小,剔除常数项为最大值和常数项为最小值所对应的拟合回归直线,对剩余的拟合回归直线的一次性系数和常数项分别求取均值,从而得到第二围岩类别Cluster2与第一围岩类别Cluster1的第一边界回归直线L1。
9.根据权利要求7或8所述的隧道围岩聚类分级方法,其特征在于,所述第一边界回归直线L1所对应的公式为:
TPIborder1=10.2926-0.0871*FPI0.7;
式中,TPIborder1表示第一临界值,FPI0.7表示岩体可掘进性特征参数。
10.根据权利要求8所述的隧道围岩聚类分级方法,其特征在于,所述第二边界回归直线L2所对应的公式为:
TPIborder2=6.9729-0.1453*FPI0.7;
式中,TPIborder2表示第二临界值。
11.根据权利要求7或8所述的隧道围岩聚类分级方法,其特征在于,在步骤S4.2中,所述对对第二围岩类别Cluster2和第一围岩类别Cluster1进行修正并更新隧道围岩聚类分布图的方法为:
S4.2.1,将第一围岩类别Cluster1中的各坐标点的横坐标代入第一边界回归直线L1中分别求取所对应的第一临界值TPIborder1;
S4.2.2,将步骤S4.2.1所得到的第一临界值TPIborder1与各坐标点的纵坐标分别对应比较,若TPI1.1≤TPIborder1,则该坐标点所对应的围岩类别为第一围岩类别Cluster1,若TPIborder1>TPI1.1,则该坐标点所对应的围岩类别为第二围岩类别Cluster2;
S4.2.3,根据步骤S4.2.2所得到的结果更新隧道围岩聚类分布图。
12.根据权利要求1所述的隧道围岩聚类分级方法,其特征在于,对新TBM破岩状态数据所对应的围岩进行围岩类别和施工围岩等级的判别方法为:
S5.1,将新TBM破岩状态数据所对应的岩体可掘进性特征参数FPI0.7代入第一边界回归直线L1计算第一临界值TPIborder1,将新TBM破岩状态数据所对应的岩体可掘进性特征参数FPI0.7再代入第二边界回归直线L2中计算第二临界值TPIborder2;
S5.1,将第一临界值TPIborder1、第二临界值TPIborder2和新TBM破岩状态数据所对应的可切削性特征参数TPI1.1进行比较:
若TPI1.1≤TPIborder1,则该新TBM破岩状态数据所对应的围岩类别为第一围岩类别Cluster1,且对应的施工围岩等级为II类~IIIa类;
若TPIborder1<TPI1.1≤TPIborder2,则该新TBM破岩状态数据所对应的围岩类别为第二围岩类别Cluster2,且对应的施工围岩等级为IIIb类~IVa类;
S5.3,若TPI1.1>TPIborder2,则该新TBM破岩状态数据所对应的围岩类别为第三围岩类别Cluster3,且对应的施工围岩等级为IVb类~V类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011541283.2A CN112598061B (zh) | 2020-12-23 | 2020-12-23 | 一种隧道围岩聚类分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011541283.2A CN112598061B (zh) | 2020-12-23 | 2020-12-23 | 一种隧道围岩聚类分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598061A true CN112598061A (zh) | 2021-04-02 |
CN112598061B CN112598061B (zh) | 2023-05-26 |
Family
ID=75200474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011541283.2A Active CN112598061B (zh) | 2020-12-23 | 2020-12-23 | 一种隧道围岩聚类分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598061B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115239108A (zh) * | 2022-07-13 | 2022-10-25 | 北京交通大学 | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049826A1 (en) * | 2003-08-28 | 2005-03-03 | Bin Zhang | Regression-clustering for complex real-world data |
CN105118047A (zh) * | 2015-07-15 | 2015-12-02 | 陕西师范大学 | 基于行星际和地磁参数的极光卵边界位置预测方法 |
CN106815810A (zh) * | 2017-01-12 | 2017-06-09 | 深圳怡化电脑股份有限公司 | 一种确定拟合边界的方法及装置 |
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 |
CN107657277A (zh) * | 2017-09-22 | 2018-02-02 | 上海斐讯数据通信技术有限公司 | 一种基于大数据的人体异常行为检测与判定方法及系统 |
CN107728059A (zh) * | 2017-10-20 | 2018-02-23 | 郭莹莹 | 一种变桨系统状态评估方法 |
CN108922559A (zh) * | 2018-07-06 | 2018-11-30 | 华南理工大学 | 基于语音时频变换特征和整数线性规划的录音终端聚类方法 |
CN110728753A (zh) * | 2019-10-09 | 2020-01-24 | 湖南大学 | 一种基于线性拟合的目标点云3d边界框拟合方法 |
CN110849372A (zh) * | 2019-11-28 | 2020-02-28 | 哈尔滨工程大学 | 一种基于em聚类的水下多目标轨迹关联方法 |
CN110967024A (zh) * | 2019-12-23 | 2020-04-07 | 苏州智加科技有限公司 | 可行驶区域的检测方法、装置、设备及存储介质 |
CN111079342A (zh) * | 2019-11-29 | 2020-04-28 | 中铁工程装备集团有限公司 | 一种基于在线岩体等级分类的tbm掘进性能预测方法 |
WO2020125668A1 (zh) * | 2018-12-18 | 2020-06-25 | 中国铁建重工集团股份有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN112115537A (zh) * | 2020-09-17 | 2020-12-22 | 中铁工程装备集团有限公司 | 一种tbm可掘性分级方法 |
-
2020
- 2020-12-23 CN CN202011541283.2A patent/CN112598061B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049826A1 (en) * | 2003-08-28 | 2005-03-03 | Bin Zhang | Regression-clustering for complex real-world data |
CN105118047A (zh) * | 2015-07-15 | 2015-12-02 | 陕西师范大学 | 基于行星际和地磁参数的极光卵边界位置预测方法 |
CN106815810A (zh) * | 2017-01-12 | 2017-06-09 | 深圳怡化电脑股份有限公司 | 一种确定拟合边界的方法及装置 |
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 |
CN107657277A (zh) * | 2017-09-22 | 2018-02-02 | 上海斐讯数据通信技术有限公司 | 一种基于大数据的人体异常行为检测与判定方法及系统 |
CN107728059A (zh) * | 2017-10-20 | 2018-02-23 | 郭莹莹 | 一种变桨系统状态评估方法 |
CN108922559A (zh) * | 2018-07-06 | 2018-11-30 | 华南理工大学 | 基于语音时频变换特征和整数线性规划的录音终端聚类方法 |
WO2020125668A1 (zh) * | 2018-12-18 | 2020-06-25 | 中国铁建重工集团股份有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN110728753A (zh) * | 2019-10-09 | 2020-01-24 | 湖南大学 | 一种基于线性拟合的目标点云3d边界框拟合方法 |
CN110849372A (zh) * | 2019-11-28 | 2020-02-28 | 哈尔滨工程大学 | 一种基于em聚类的水下多目标轨迹关联方法 |
CN111079342A (zh) * | 2019-11-29 | 2020-04-28 | 中铁工程装备集团有限公司 | 一种基于在线岩体等级分类的tbm掘进性能预测方法 |
CN110967024A (zh) * | 2019-12-23 | 2020-04-07 | 苏州智加科技有限公司 | 可行驶区域的检测方法、装置、设备及存储介质 |
CN112115537A (zh) * | 2020-09-17 | 2020-12-22 | 中铁工程装备集团有限公司 | 一种tbm可掘性分级方法 |
Non-Patent Citations (3)
Title |
---|
BRIJESH VERMA等: "Cluster-Oriented Ensemble Classifier: Impact of Multicluster Characterization on Ensemble Classifier Learning", IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING * |
张娜等: "基于隧道掘进机掘进过程的岩体状态感知方法", 《浙江大学学报(工学版)》 * |
翟永杰等: "基于改进区域候选网络的航拍图像中绝缘子目标识别方法", 《浙江电力》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115239108A (zh) * | 2022-07-13 | 2022-10-25 | 北京交通大学 | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112598061B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685378B (zh) | 一种基于数据挖掘的tbm施工围岩可掘性分级方法 | |
CN112664174B (zh) | 一种基于多钻孔的隧道围岩等级判定方法及系统 | |
CN105938611A (zh) | 一种基于随钻参数对地下工程围岩快速实时分级的方法 | |
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 | |
CN106157181B (zh) | 一种基于随钻参数对土质围岩快速实时分级的方法 | |
CN110805469A (zh) | 山岭隧道钻爆法施工掌子面稳定性分级方法 | |
CN109241627A (zh) | 概率分级的动态支护方法及自动设计支护方案的装置 | |
CN108470095A (zh) | 基于数据驱动径向基函数模型的tbm推进力预测方法 | |
CN110847969A (zh) | 一种适用于岩体条件地下洞室群变形分级预警指标的确定方法 | |
CN112598061B (zh) | 一种隧道围岩聚类分级方法 | |
CN115017791A (zh) | 隧道围岩级别识别方法和装置 | |
CN115115129A (zh) | 一种基于加权随机森林的tbm施工速度预测方法 | |
CN111144001A (zh) | 一种基于bp神经网络的矿山井筒工程tbm控制方法 | |
CN113779880A (zh) | 一种基于超前钻探数据的隧道围岩二维质量评价方法 | |
CN113361043B (zh) | 一种硬岩隧道掘进机刀盘比能的预测方法及系统 | |
Qiu et al. | TBM tunnel surrounding rock classification method and real-time identification model based on tunneling performance | |
CN115952590A (zh) | 基于bo-rf-mompa混合算法的盾构隧道优化设计方法及设备 | |
CN113326661B (zh) | 一种基于RS-XGBoost的隧道超前钻探定量解译方法及设备 | |
CN113946899A (zh) | 一种基于实时地质信息的泥水盾构掘进参数预测方法 | |
CN112115537B (zh) | 一种tbm可掘性分级方法 | |
CN112963160B (zh) | 一种用盾构实时掘进参数来识别确定地层特性的方法 | |
CN117786794A (zh) | 一种盾构下穿既有隧道变形优化控制方法及系统 | |
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 | |
CN115239108B (zh) | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 | |
CN116432855A (zh) | 一种基于掘进数据的隧道塌方情况的预测方法 |
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 |