CN112632852B - 岩溶地区地铁隧道盾构掘进速度预测方法及装置 - Google Patents

岩溶地区地铁隧道盾构掘进速度预测方法及装置 Download PDF

Info

Publication number
CN112632852B
CN112632852B CN202011476775.8A CN202011476775A CN112632852B CN 112632852 B CN112632852 B CN 112632852B CN 202011476775 A CN202011476775 A CN 202011476775A CN 112632852 B CN112632852 B CN 112632852B
Authority
CN
China
Prior art keywords
tunneling
speed
correction coefficient
coefficient alpha
karst
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.)
Active
Application number
CN202011476775.8A
Other languages
English (en)
Other versions
CN112632852A (zh
Inventor
童建军
桂登斌
王明年
赵思光
李志铵
易文豪
王志龙
李佳旺
钱坤
杨迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202011476775.8A priority Critical patent/CN112632852B/zh
Publication of CN112632852A publication Critical patent/CN112632852A/zh
Application granted granted Critical
Publication of CN112632852B publication Critical patent/CN112632852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH DRILLING; MINING
    • E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
    • E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
    • E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Abstract

一种岩溶地区地铁隧道盾构掘进速度预测方法及装置，属于城市地下工程盾构隧道施工领域。该方法基于获取岩溶地区盾构的掘进相关参数数据，利用掘进体岩溶率对相关掘进参数进行修正，结合机器学习的方法对盾构推进速度进行预测。基于神经网络构建掘进速度预测模型，对现有数据代入所述掘进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。可以较为准确的预测出岩溶地区盾构掘进速度，提高施工安全，降低施工成本。

Description

岩溶地区地铁隧道盾构掘进速度预测方法及装置
技术领域
本申请涉及盾构隧道施工领域，具体而言，涉及一种岩溶地区地铁隧道盾构掘进速度预测方法及装置。
背景技术
岩溶地区地铁在盾构修建过程中常需要穿越岩溶发育地段进行施工，在施工过程中对于掘进速度的控制尤为关键。掘进速度过快不仅仅会导致姿态控制难、沉降控制难及围岩扰动大还会导致施工安全风险，而掘进速度过慢则会使施工工期长、施工成本高。
发明内容
有鉴于此，本申请实施例提供了一种岩溶地区地铁隧道盾构掘进速度预测方法及装置，旨在较为准确的预测岩溶地区盾构掘进速度，降低施工风险。
第一方面，本实施例提供一种岩溶地区地铁隧道盾构掘进速度预测方法，包括如下步骤：
获取单元，所述获取单元用于获取盾构隧道的掘进参数，所述掘进参数包括土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速；
修正系数生成单元，所述修正系数生成单元用于根据已获取的掘进参数结合岩溶发育程度补勘资料的体岩溶率引入压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5；
掘进参数筛选单元，所述掘进参数筛选单元用于进行异常数据分析，剔除其中异常的掘进参数；
自由组合单元，所述自由组合单元用于对影响因素进行单项多次、两项交互及三项交互，单项多次P2、T2、F2、K1 2、K2 2，两项交互PT、PF、PK1、PK2、TF、TK1、TK2、FK1、FK2、K1K2，三项交互PTF、PTK1、PTK2、TFK1、TFK2、FK1K2，累计26项因素；
分析处理单元，所述分析处理单元用于对上述自由组合的26项因素同掘进速度进行相关性分析，并剔除低相关性的影响因素；
预测单元，所述预测单元用于采用神经网络构建掘进速度预测模型，将现有的样本数据代入所述进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。
结合第一方面的实施例，在一些实施例中，压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5具体为
α1＝-2.7259δ2+2.3712δ+0.6852
α2＝-0.1799δ2+0.1964δ+0.939
α3＝0.038δ2-0.0353δ+0.9936
α4＝-0.7297δ2+0.1655δ+0.9878
α5＝0.8611δ2-1.0308δ+0.5238。
结合第一方面的实施例，在一些实施例中，对土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速进行箱型图绘制，剔除数据中偏离离箱体1.5倍箱体长的奇异数据。
结合第一方面的实施例，在一些实施例中，采用神经网络构建掘进速度预测模型，将样本库代入所述进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。
第二方面，本申请提供了一种岩溶地区地铁隧道盾构掘进速度预测装置，包括
获取单元，所述获取单元用于获取盾构隧道的掘进参数，所述掘进参数包括土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速；
修正系数生成单元，所述修正系数生成单元用于根据已获取的掘进参数结合岩溶发育程度补勘资料的体岩溶率引入压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5；
筛选单元，所述筛选单元用于进行异常数据分析，剔除其中异常的掘进参数；
自由组合单元，所述自由组合单元用于对影响因素进行单项多次、两项交互及三项交互，单项多次P2、T2、F2、K1 2、K2 2，两项交互PT、PF、PK1、PK2、TF、TK1、TK2、FK1、FK2、K1K2，三项交互PTF、PTK1、PTK2、TFK1、TFK2、FK1K2，累计26项因素；
分析处理单元，所述分析处理单元用于对上述自由组合的26项因素同掘进速度进行相关性分析，并剔除低相关性的影响因素；
预测单元，所述预测单元用于采用神经网络构建掘进速度预测模型，将现有的样本数据代入所述进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。
结合第二方面的实施例，在一些实施例中，压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5具体为
α1＝-2.7259δ2+2.3712δ+0.6852
α2＝-0.1799δ2+0.1964δ+0.939
α3＝0.038δ2-0.0353δ+0.9936
α4＝-0.7297δ2+0.1655δ+0.9878
α5＝0.8611δ2-1.0308δ+0.5238。
结合第二方面的实施例，在一些实施例中，所述筛选单元在对土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速进行箱型图绘制，剔除数据中偏离离箱体1.5倍箱体长的奇异数据。
结合第二方面的实施例，在一些实施例中，采用神经网络构建掘进速度预测模型，将样本库代入所述进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。
第三方面，本申请提供了一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现前述的岩溶地区地铁隧道盾构掘进速度预测方法。
第四方面，本申请提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现前述的岩溶地区地铁隧道盾构掘进速度预测方法。
本申请提供了一种岩溶地区地铁隧道盾构掘进速度预测方法及装置，该方法基于获取岩溶地区盾构的掘进相关参数数据，利用掘进体岩溶率对相关掘进参数进行修正，结合机器学习的方法对盾构推进速度进行预测。根据包括土压力、刀盘转速、总推力、刀盘扭矩、螺旋机转速的掘进参数样本数据与现有岩溶发育程度补勘资料进行结合，以体岩溶率引入压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5，对修正后的掘进参数异常值检测并剔除，将相关因素按照排列组合的方式进行自由组合为单项多次、两项交互及三项交互，单项多次P2、T2、F2、K1 2、K2 2，两项交互PT、PF、PK1、PK2、TF、TK1、TK2、FK1、FK2、K1K2，三项交互PTF、PTK1、PTK2、TFK1、TFK2、FK1K2，对该26项因素同掘进速度进行相关性分析，根据相关性分析结果剔除低相关性的影响因素。基于神经网络构建掘进速度预测模型，对现有数据代入所述掘进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。可以较为准确的预测出岩溶地区盾构掘进速度，提高施工安全，降低施工成本。
附图说明
为了更清楚地说明本申请实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本申请实施例提供的岩溶地区地铁隧道盾构掘进速度预测方法的流程图；
图2是本申请实施例提供的掘进速度预测方法流程图；
图3是本申请实施例提供的掘进参数修正系数引入流程图；
图4是本申请实施例提供的岩溶地区地铁隧道盾构掘进速度预测模型的示意图；
图5是本申请实施例提供的岩溶地区地铁隧道盾构掘进速度预测装置的结构示意图；
图6是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
实施例
图1示出了根据本公开的岩溶地区地铁隧道盾构掘进速度预测方法的一个实施例流程图，图2示出了根据本公开的岩溶地区地铁隧道盾构掘进速度预测方法一个实施例流程图。该包括岩溶地区地铁隧道盾构掘进速度预测方法可以应用于岩溶地区盾构隧道。如图1和图2所示，该软土土压平衡盾构隧道掘进速度确定方法包括如下步骤：
步骤101，获取岩溶盾构隧道掘进参数。
在这里，上述盾构掘进参数包括土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速。其中，盾构掘进参数的数据采集可以通过土压平衡盾构机的数据采集系统采集到的实时采集。
需要说明的是，该方法适用于岩溶发育段盾构隧道掘进速度的预测，因此，上述掘进参数采集时仅采集岩溶发育段盾构掘进参数。
步骤102，以体岩溶率引入压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5。
具体地，将已有的掘进参数结合岩溶发育程度补勘资料，对比分析不同岩溶率掘进参数的区别，分析得到不同岩溶率的盾构掘进参数的修正系数，进行修正系数修正。
盾构隧道掘进速度是施工过程中最为关注的问题之一，由某隧道从盾构机掘进数据采集平台收集已完成段岩溶隧道的掘进参数738组，结合盾构机掘进实时里程得到的掘进速度得到岩溶隧道掘进参数数据样本(请参阅表1)。
表1掘进参数样本表
Figure BDA0002835793180000051
/>
Figure BDA0002835793180000061
/>
Figure BDA0002835793180000071
/>
Figure BDA0002835793180000081
/>
Figure BDA0002835793180000091
/>
Figure BDA0002835793180000101
/>
Figure BDA0002835793180000111
/>
Figure BDA0002835793180000121
/>
Figure BDA0002835793180000131
/>
Figure BDA0002835793180000141
/>
Figure BDA0002835793180000151
/>
Figure BDA0002835793180000161
/>
Figure BDA0002835793180000171
/>
Figure BDA0002835793180000181
Figure BDA0002835793180000191
获取岩溶发育程度补勘资料(请参阅表2)，对比分析不同岩溶率掘进参数的区别，分析得到不同岩溶率的盾构掘进参数的修正系数，进行修正系数修正。
表2岩溶发育程度补勘资料
Figure BDA0002835793180000192
/>
Figure BDA0002835793180000201
/>
Figure BDA0002835793180000211
Figure BDA0002835793180000221
根据计算不同刀盘里程范围内岩溶率，对比土压力、刀盘转速、总推力、刀盘扭矩、螺旋机转速的变化情况，引入有关体岩溶率压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5，并计算得到修正后的掘进参数值。
α1＝-2.7259δ2+2.3712δ+0.6852
α2＝-0.1799δ2+0.1964δ+0.939
α3＝0.038δ2-0.0353δ+0.9936
α4＝-0.7297δ2+0.1655δ+0.9878
α5＝0.8611δ2-1.0308δ+0.5238
式中：δ——岩溶率(仅适用于δ＞0，其余情况掘进参数不需修正)。
步骤103，对所获取的掘进参数进行异常值检验并剔除。
具体地，将获取的土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速的数据进行箱型图绘制，剔除数据中偏离离箱体1.5倍箱体长的奇异数据。
采用Spss、Matlab等软件进行各类修正后的数据的箱型图绘制，并剔除其中的异常值数据56组(请参阅图4)。
步骤104，按照排列组合的方式将影响因素土压力、刀盘转速、总推力、刀盘扭矩、螺旋机转速进行自由组合为单项多次、两项交互及三项交互，单项多次P2、T2、F2、K1 2、K2 2，两项交互PT、PF、PK1、PK2、TF、TK1、TK2、FK1、FK2、K1K2，三项交互PTF、PTK1、PTK2、TFK1、TFK2、FK1K2，累计26项因素。
步骤105，对上述26项影响因素同掘进速度进行相关性分析，根据相关性分析结果剔除低相关性的影响因素。
将土压力、刀盘转速、总推力、刀盘扭矩、螺旋机转速进行包括单项多次、两项交互及三项交互的自由组合后得到的影响因素数据同掘进速度进行相关性分析(请参阅表3)，剔除相关性较低的影响因素。
表3不同组合影响因素同掘进速度的相关性
Figure BDA0002835793180000222
Figure BDA0002835793180000231
步骤106，基于神经网络构建掘进速度预测模型，将现有数据代入所述掘进速度预测模型进行训练。
步骤107，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。
人工神经网络无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定的输入值时得到最接近期望输出值的结果。神经网络通常由输入层、隐含层和输出层组成，层与层之间全互连，每层节点之间不相连，隐含层可以有多个，其通过不断自我反复推演重塑神经网络，然后得到最终结果，请参阅图3。
本申请提供了一种岩溶地区地铁隧道盾构掘进速度预测方法及装置，该方法基于获取岩溶地区盾构的掘进相关参数数据结合机器学习的方法对盾构推进速度进行预测。根据对掘进参数的样本数据进行异常值检测并剔除，将相关因素按照排列组合的方式将影响因素土压力、刀盘转速、总推力、刀盘扭矩、螺旋机转速进行自由组合为单项多次、两项交互及三项交互，单项多次P2、T2、F2、K1 2、K2 2，两项交互PT、PF、PK1、PK2、TF、TK1、TK2、FK1、FK2、K1K2，三项交互PTF、PTK1、PTK2、TFK1、TFK2、FK1K2，对该26项因素同掘进速度进行相关性分析，根据相关性分析结果剔除低相关性的影响因素。基于神经网络构建掘进速度预测模型，对现有数据代入所述掘进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。可以较为准确的预测出岩溶地区盾构掘进速度，提高施工安全，降低施工成本。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种岩溶地区地铁隧道盾构掘进速度预测装置，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的岩溶地区地铁隧道盾构掘进速度预测装置包括：获取单元501，所述获取单元用于获取盾构隧道的掘进参数，所述掘进参数包掘进参数包括土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速；掘进参数筛选单元502，所述筛选单元用于进行异常数据分析，剔除其中异常的掘进参数；自由组合单元503，所述自由组合单元用于对影响因素进行单项多次、两项交互及三项交互，单项多次P2、T2、F2、K1 2、K2 2，两项交互PT、PF、PK1、PK2、TF、TK1、TK2、FK1、FK2、K1K2，三项交互PTF、PTK1、PTK2、TFK1、TFK2、FK1K2，累计26项因素；分析处理单元504，所述分析处理单元用于对上述自由组合的26项因素同掘进速度进行相关性分析，并剔除低相关性的影响因素；预测单元505，所述预测单元用于采用神经网络构建掘进速度预测模型，将现有的样本数据代入所述进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取岩溶地区盾构隧道的掘进参数，所述掘进参数包括土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速；对所述推进参数进行异常值检测分析，剔除其中的奇异点；按照排列组合的方式将影响因素土压力、刀盘转速、总推力、刀盘扭矩、螺旋机转速进行自由组合为单项多次、两项交互及三项交互，单项多次P2、T2、F2、K1 2、K2 2，两项交互PT、PF、PK1、PK2、TF、TK1、TK2、FK1、FK2、K1K2，三项交互PTF、PTK1、PTK2、TFK1、TFK2、FK1K2，累计26项因素；对上述26项因素同掘进速度进行相关性分析，根据相关性分析结果剔除低相关性的影响因素；基于神经网络构建掘进速度预测模型，将现有数据代入所述掘进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。
以上仅为本申请的优选实施方式而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种岩溶地区地铁隧道盾构掘进速度预测方法，其特征在于，包括
获取岩溶地区盾构隧道的掘进参数，所述掘进参数包括土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速；
当岩溶率δ>0时，以体岩溶率引入压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5；
其中，压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5具体为
α1＝-2.7259δ2+2.3712δ+0.6852
α2＝-0.1799δ2+0.1964δ+0.939
α3＝0.038δ2-0.0353δ+0.9936
α4＝-0.7297δ2+0.1655δ+0.9878
α5＝0.8611δ2-1.0308δ+0.5238；
对所述掘进参数进行异常值检测分析，剔除其中的奇异点；
按照排列组合的方式将影响因素土压力、刀盘转速、总推力、刀盘扭矩、螺旋机转速进行自由组合为单项多次、两项交互及三项交互，单项多次P2、T2、F2、K1 2、K2 2，两项交互PT、PF、PK1、PK2、TF、TK1、TK2、FK1、FK2、K1K2，三项交互PTF、PTK1、PTK2、TFK1、TFK2、FK1K2，累计26项因素；
对上述26项因素同掘进速度进行相关性分析，根据相关性分析结果剔除低相关性的影响因素；
基于神经网络构建掘进速度预测模型，将现有数据代入所述掘进速度预测模型进行训练；
向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。
2.根据权利要求1所述的岩溶地区地铁隧道盾构掘进速度预测方法，其特征在于，对土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速进行箱型图绘制，剔除数据中偏离离箱体1.5倍箱体长的奇异数据。
3.根据权利要求1所述的岩溶地区地铁隧道盾构掘进速度预测方法，其特征在于，采用神经网络构建掘进速度预测模型，将样本库代入所述进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。
4.一种岩溶地区地铁隧道盾构掘进速度预测装置，其特征在于，包括获取单元，所述获取单元用于获取盾构隧道的掘进参数，所述掘进参数包括土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速；
修正系数生成单元，所述修正系数生成单元用于根据已获取的掘进参数结合岩溶发育程度补勘资料，当岩溶率δ>0时，以体岩溶率引入压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5；
筛选单元，所述筛选单元用于进行异常数据分析，剔除其中异常的掘进参数；
自由组合单元，所述自由组合单元用于对影响因素进行单项多次、两项交互及三项交互，单项多次P2、T2、F2、K1 2、K2 2，两项交互PT、PF、PK1、PK2、TF、TK1、TK2、FK1、FK2、K1K2，三项交互PTF、PTK1、PTK2、TFK1、TFK2、FK1K2，累计26项因素；
分析处理单元，所述分析处理单元用于对上述自由组合的26项因素同掘进速度进行相关性分析，并剔除低相关性的影响因素；其中，压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5具体为
α1＝-2.7259δ2+2.3712δ+0.6852
α2＝-0.1799δ2+0.1964δ+0.939
α3＝0.038δ2-0.0353δ+0.9936
α4＝-0.7297δ2+0.1655δ+0.9878
α5＝0.8611δ2-1.0308δ+0.5238；
预测单元，所述预测单元用于采用神经网络构建掘进速度预测模型，将现有的样本数据代入所述进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。
5.根据权利要求4所述的岩溶地区地铁隧道盾构掘进速度预测装置，其特征在于，对土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速进行箱型图绘制，剔除数据中偏离离箱体1.5倍箱体长的奇异数据。
6.根据权利要求4所述的岩溶地区地铁隧道盾构掘进速度预测装置，其特征在于，采用神经网络构建掘进速度预测模型，将现有的样本数据代入所述进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一所述的方法。
CN202011476775.8A 2020-12-14 2020-12-14 岩溶地区地铁隧道盾构掘进速度预测方法及装置 Active CN112632852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011476775.8A CN112632852B (zh) 2020-12-14 2020-12-14 岩溶地区地铁隧道盾构掘进速度预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011476775.8A CN112632852B (zh) 2020-12-14 2020-12-14 岩溶地区地铁隧道盾构掘进速度预测方法及装置

Publications (2)

Publication Number Publication Date
CN112632852A CN112632852A (zh) 2021-04-09
CN112632852B true CN112632852B (zh) 2023-05-23

Family

ID=75313040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011476775.8A Active CN112632852B (zh) 2020-12-14 2020-12-14 岩溶地区地铁隧道盾构掘进速度预测方法及装置

Country Status (1)

Country Link
CN (1) CN112632852B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113047859A (zh) * 2021-04-12 2021-06-29 上海应用技术大学 基于局部Fisher土层识别的盾构掘进参数控制方法
CN113188995B (zh) * 2021-04-27 2022-07-08 同济大学 盾构刀盘转动及地表振动作用下开挖面稳定性模型试验装置
CN113377017B (zh) * 2021-07-19 2022-11-01 中国铁建重工集团股份有限公司 土压平衡盾构机及其推进速度预测方法、装置、介质
CN113361824B (zh) * 2021-07-19 2023-04-07 中国铁建重工集团股份有限公司 土压平衡盾构机及其推进速度预测方法、装置、存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085235A (zh) * 2017-04-13 2017-08-22 北京同度工程物探技术有限公司 一种应用于掘进机的地震超前探测系统及方法
CN107248026A (zh) * 2017-05-23 2017-10-13 南京工业大学 应用等效岩体基本质量指标预测盾构掘进参数的定量方法
CN107843712A (zh) * 2017-10-27 2018-03-27 中国石油大学(华东) 一种岩溶水垂向掘洞机制的模拟装置
CN108169413A (zh) * 2017-11-30 2018-06-15 河海大学 一种监测岩溶介质水流运动机理的立方体试验装置及其实验方法
CN110210059A (zh) * 2019-04-28 2019-09-06 山东科技大学 一种基于岩溶水动态的岩溶地面塌陷预测预报方法
CN110297876A (zh) * 2019-06-17 2019-10-01 桂林理工大学 一种多元空间数据的岩溶塌陷地质灾害脆弱性评估方法
CN111946398A (zh) * 2020-08-17 2020-11-17 南京工业大学 一种复合地层盾构掘进效率现场预测计算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018045331A1 (en) * 2016-09-01 2018-03-08 Groundmetrics, Inc. System and method of estimating leakage current distribution along long conductor extending into the earth

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085235A (zh) * 2017-04-13 2017-08-22 北京同度工程物探技术有限公司 一种应用于掘进机的地震超前探测系统及方法
CN107248026A (zh) * 2017-05-23 2017-10-13 南京工业大学 应用等效岩体基本质量指标预测盾构掘进参数的定量方法
CN107843712A (zh) * 2017-10-27 2018-03-27 中国石油大学(华东) 一种岩溶水垂向掘洞机制的模拟装置
CN108169413A (zh) * 2017-11-30 2018-06-15 河海大学 一种监测岩溶介质水流运动机理的立方体试验装置及其实验方法
CN110210059A (zh) * 2019-04-28 2019-09-06 山东科技大学 一种基于岩溶水动态的岩溶地面塌陷预测预报方法
CN110297876A (zh) * 2019-06-17 2019-10-01 桂林理工大学 一种多元空间数据的岩溶塌陷地质灾害脆弱性评估方法
CN111946398A (zh) * 2020-08-17 2020-11-17 南京工业大学 一种复合地层盾构掘进效率现场预测计算方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
Influence of the Scale and Close Distance of Lateral Karst Cave on the Surrounding Rock Deformation of Shield Tunnel;Lu, Junfu 等;《Computational and Theoretical Nanoscience》;20160229;第13卷(第2期);第1363-1368页 *
基于BP神经网络的水下岩溶地层盾构掘进参数预测与分析;黄靓钰 等;《土木工程学报》;20201115;第53卷(第S1期);第75-80+98页 *
基于上覆机场跑道安全的盾构隧道拱顶沉降控制基准研究;童建军 等;《岩石力学与工程学报》;20200928;第40卷(第2期);第382-389页 *
复合地层盾构机推进速度 SVM 预测模型研究;周斌 等;《铁道建筑技术》;20141020;第48-51页 *
复杂地层盾构掘进速率和刀盘扭矩预测模型及其地层适应性研究;张志奇 等;《隧道建设》;20161230;第36卷(第12期);第1449-1455页 *
盾构隧道岩溶地层处理及掘进施工控制技术研究;唐冬云 等;《中国水运(下半月)》;20180815;第18卷(第8期);第215-216页 *
考虑盾构掘进速度的隧道掘进面稳定性分析;高健;《岩土力学》;20100710;第31卷(第7期);第2232-2237+224页 *
金州石棉矿水文地质研究及地下水综合治理;高尚时;《中国实用矿山地质学》;20100701;第165-167页 *
高速铁路厚覆盖型岩溶路基地质工程问题系统研究;唐万春;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20130615;C033-1 *

Also Published As

Publication number Publication date
CN112632852A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN112632852B (zh) 岩溶地区地铁隧道盾构掘进速度预测方法及装置
US20230394671A1 (en) Image segmentation method and apparatus, and device, and storage medium
CN112037223B (zh) 图像缺陷检测方法、装置及电子设备
US20170140075A1 (en) Retrieving pollution emission source using cfd and satellite data
EP4165443A1 (en) Evaluation of rock physical properties from drill sounds through minimizing the effect of the drill bit rotation
Wang Deep learning for geotechnical reliability analysis with multiple uncertainties
CN114821605A (zh) 一种文本的处理方法、装置、设备和介质
US10444062B2 (en) Measuring and diagnosing noise in an urban environment
CN116778935A (zh) 水印生成、信息处理、音频水印生成模型训练方法和装置
CN112232311A (zh) 人脸跟踪方法、装置及电子设备
CN104391325B (zh) 不连续非均质地质体检测方法和装置
CN110069997B (zh) 场景分类方法、装置及电子设备
CN108828662A (zh) 一种地震震源反演可视分析方法、存储介质及服务器
Sengani et al. A review on the application of particle finite element methods (PFEM) to cases of landslides
CN111489010B (zh) 钻爆法隧道掌子面前方围岩级别智能预测方法及装置
Hernandez et al. A deep learning framework for construction equipment activity analysis
EP3227731B1 (en) System and method for geomechanical and rock physics elastostatic modeling
Shiono et al. Drawing Algorithm for Fuzzy Graphs Using the Partition Tree
CN110555861A (zh) 光流计算方法、装置及电子设备
CN105700015A (zh) 一种小尺度不连续地质体检测方法和装置
CN116401597B (zh) 地震解释模型构建方法、电子设备及可读存储介质
CN111723471A (zh) 剥蚀厚度确定方法、装置、设备及存储介质
CN108734609B (zh) 基于数学模型的地球板块运动教学方法以及装置
CN114109404B (zh) 一种类矩形盾构开挖引发土体三维位移的预测方法及系统
CN115577573B (zh) 同步发电机输出电流的预测方法、装置、设备和存储介质

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