CN112765791A - 一种基于数值样本和随机森林的tbm卡机风险预测方法 - Google Patents
一种基于数值样本和随机森林的tbm卡机风险预测方法 Download PDFInfo
- Publication number
- CN112765791A CN112765791A CN202110002906.7A CN202110002906A CN112765791A CN 112765791 A CN112765791 A CN 112765791A CN 202110002906 A CN202110002906 A CN 202110002906A CN 112765791 A CN112765791 A CN 112765791A
- Authority
- CN
- China
- Prior art keywords
- tbm
- random forest
- card machine
- numerical
- model
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数值样本和随机森林的TBM卡机风险预测方法,其包括:建立精细化数值仿真模型,基于蠕变损伤模型模拟围岩的时效变形,实现对TBM施工过程的模拟;在数值仿真模型中设置不同卡机影响因素的取值,计算包含不同工况的数值样本;建立卡机风险判别指标,标定样本的卡机风险等级;建立随机森林模型,基于数值样本进行模型训练,利用训练好的随机森林模型预测实际施工段的卡机风险等级。本发明基于精细化数值仿真构建卡机数值样本库,克服工程中应用机器学习存在的监测样本少和不均衡问题;利用训练好的随机森林模型,可快速预测实际施工段卡机风险等级,从而指导灾害的提前防控,保证TBM的安全高效施工。
Description
技术领域
本发明涉及TBM(Tunnel Boring Machine,隧道掘进机)掘进施工技术领域,具体涉及一种基于数值样本和随机森林的TBM卡机风险预测方法。
背景技术
随着我国经济迅猛发展,带动了基础建设力度的加大,近年来水利、交通、采矿等领域的重点工程和项目,均涉及到了深埋长隧洞的建设。相比于钻爆法施工,TBM具有施工速度快、对围岩扰动小和对生态扰动小等优点,在隧道工程中应用越来越广泛。深埋隧道工程往往面临高地应力和强开挖扰动的问题。深部岩体开挖后具有明显的时效变形特性,围岩挤压大变形引发的卡机成为制约TBM安全高效施工的重要问题。
国内外对卡机风险预测主要包括三种方法:第一种是结合实际工程经验构建一些指标来判断围岩的挤压变形程度来间接评价卡机风险;第二种是基于弹塑性力学理论对隧洞围岩的应力状态和收敛变形进行解析求解来评判TBM的卡机风险;第三种是利用数值仿真技术对TBM开挖后围岩与护盾的相互作用力进行计算,来分析TBM的卡机风险。
以上方法的研究均取得了一定的积极性成果,促进了TBM卡机风险预测的发展。但是TBM卡机的影响因素众多且复杂,第一种的经验模型考虑因素较少;第二种的理论解析方法主要简化为平面问题求解,均具有一定的局限性;第三种的数值仿真技术是目前分析TBM卡机问题的主要技术手段,然而,当工程规模较大且复杂时,基于数值仿真技术建模需要花费大量的时间。另外,数值仿真模型往往只能模拟隧道的具体施工段,而不是整个工程,无法快速预测不同施工段的TBM卡机风险。
近年来,机器学习等人工智能算法凭借能反映复杂非线性映射关系的能力,在隧洞工程领域中得到了越来越多的应用;但也面临着数据量少和数据不均衡的问题。因此,研究基于智能算法的卡机风险等级快速预测方法,并利用数值仿真方法构造数值样本来克服卡机风险预测中应用机器学习技术存在的少样本和不均衡样本问题,具有较强的现实意义。
发明内容
本发明为了克服目前TBM隧洞施工中卡机风险较难快速、实时预测的问题,提出一种基于数值样本和随机森林的TBM卡机风险预测方法。
为了实现上述目的,本发明采用了以下技术方案:
本发明提供一种基于数值样本和随机森林的TBM卡机风险预测方法,其包括:
步骤S1,建立精细化数值仿真模型,基于蠕变损伤模型模拟围岩的时效变形,实现对TBM施工过程的模拟;
步骤S2,在数值仿真模型中设置不同卡机影响因素的取值,计算对应不同工况的数值样本;
步骤S3,建立卡机风险判别指标,标定所述数值样本的卡机风险等级;
步骤S4,建立随机森林模型,利用标定有卡机风险等级的数值样本对所述随机森林模型进行训练,利用训练好的随机森林模型快速预测实际施工段的卡机风险等级。
更优选地,所述步骤S1包括:
基于三维连续介质的快速拉格朗日分析FLAC3D软件建立TBM精细化数值仿真模型,在所述数值仿真模型中构建TBM中包括刀盘、前护盾、后护盾、衬砌管片、回填灌浆层的部件;
采用逐步开挖的方式对围岩的开挖、双护盾TBM掘进、衬砌管片的安装和回填灌浆层的回填施工过程进行模拟;
在所述数值仿真模型中采用蠕变损伤模型模拟围岩的时效变形特性;通过设置每个开挖步距的蠕变时间模拟TBM的掘进速度;
每个开挖步距的岩体开挖后,在所述数值仿真模型中的护盾外表面设置FLAC3D的接触面单元,实现对围岩-护盾相互作用的模拟。
更优选地,所述卡机影响因素包括:
掘进速度、超挖量、围岩弹性模量、单轴抗拉强度、地应力、围岩与护盾间摩擦系数和TBM最大推进力。
更优选地,所述步骤S2包括:
根据工程经验,设置所述卡机影响因素的取值及不同组合,计算不同工况下的数值样本;
通过设置不同的TBM最大推进力和围岩与护盾间摩擦系数,对所计算的数值样本进行扩充,得到扩充后的对应不同工况的数值样本。
更优选地,所述步骤S2包括:根据在数值仿真模型中设置所述卡机影响因素的取值及不同组合,利用在护盾外表面设置的接触面单元计算得到不同工况下的围岩与护盾间的法向接触压力;
所述步骤S3包括:
根据护盾上所受的总摩擦力与除TBM掘进破岩所需推进力外所能提供的最大推进力的比值,构建卡机风险判别指标Ratio,并根据所述Ratio的值标定步骤S2中数值样本的卡机风险等级;所述卡机风险判别指标Ratio通过如下公式计算得到:
其中,Ratio为卡机风险判别指标,Ff为护盾上所受的总摩擦力,FI是TBM的最大推进力,Fe是TBM连续掘进破岩所需的推进力,μ为围岩与护盾间的摩擦系数,为第i个接触面节点所测得的法向接触压力,q为接触面节点的个数,kn为接触面的法向刚度,un为接触面节点贯入目标面的绝对法向位移,σn为接触面应力初始化导致的附加法向应力,A为接触面节点的代表面积。
更优选地,所述步骤S4包括:
将标定有卡机风险等级的数值样本作为训练样本集;
基于所述训练样本集,选择包括掘进速度、超挖量、弹性模量、单轴抗拉强度、地应力、TBM最大推进力以及围岩与护盾间摩擦系数的卡机影响因素作为随机森林模型的输入特征,选择TBM的卡机风险等级作为随机森林模型的输出结果,采用控制变量的方式逐个对随机森林模型的关键超参数进行寻优,得到最优超参数取值;
基于最优超参数取值和训练样本集对随机森林模型进行训练,得到训练好的随机森林模型;
基于训练好的随机森林分类模型,输入所述卡机影响因素取值,得到实际工程中不同施工段的TBM卡机风险等级预测结果。
更优选地,所述步骤S4包括:
将标定有卡机风险等级的数值样本划分为训练样本集和测试样本集;
基于所述训练样本集,选择包括掘进速度、超挖量、弹性模量、单轴抗拉强度、地应力、TBM最大推进力以及围岩与护盾间摩擦系数的卡机影响因素作为随机森林模型的输入特征,选择TBM的卡机风险等级作为随机森林模型的输出结果,采用控制变量的方式逐个对随机森林模型的关键超参数进行寻优,得到最优超参数取值;
基于最优超参数取值和训练样本集对随机森林模型进行训练,并利用所述测试样本集验证该训练好的随机森林模型的预测效果,得到训练好的且预测效果满足要求的随机森林模型;
基于训练好的且满足预测效果要求的随机森林分类模型,输入所述卡机影响因素取值,得到实际工程中不同施工段的TBM卡机风险等级预测结果。
由上述发明的技术方案可以看出,本发明具有如下有益效果:
本发明基于精细化数值仿真构建卡机数值样本库,克服工程中应用机器学习存在的监测样本少和不均衡问题;
基于利用数值样本训练好的随机森林模型,可实现对实际施工段卡机风险等级的快速预测,从而指导灾害的提前防控,保证TBM的安全高效施工。
附图说明
图1为本发明的基于数值样本和随机森林的TBM卡机风险预测方法的总流程图;
图2-1为本发明中的隧洞精细化数值仿真模型总体示意图;
图2-2为本发明中的数值仿真模型中双护盾TBM各部件模拟示意图;
图3为本发明中的前/后护盾接触面单元示意图;
图4-1为本发明中的随机森林模型超参数n_estimators的寻优结果图;
图4-2为本发明中的随机森林模型超参数max_depth的寻优结果图;
图4-3为本发明中的随机森林模型超参数max_features的寻优结果图;
图5为本发明中的测试集卡机风险等级的一种预测值和真实值的对比图;
图6为本发明的测试集样本预测结果的一种混淆矩阵图。
附图中:
刀盘1、前护盾2、后护盾3、衬砌管片4、回填灌浆层5、围岩6、接触面单元7。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰,以下结合附图及实施例,对本发明进行进一步详细说明。显而易见得,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1~图6所示,本发明提供一种基于数值样本和随机森林的TBM卡机风险预测方法,其实施流程如图1所示,包括以下步骤:
步骤S1,建立精细化数值仿真模型,基于蠕变损伤模型模拟围岩的时效变形,实现对TBM施工过程的模拟;
以某隧洞工程为背景,基于FLAC3D(Fast Lagrangian Analysis of Continua 3D,三维连续介质的快速拉格朗日分析)软件建立双护盾TBM精细化数值仿真模型,该数值仿真模型如图2所示,为减小边界效应的影响,该数值仿真模型的模拟范围设为横向150m×150m,纵向100m。
在数值仿真模型中构建双护盾TBM的主要部件,包括:刀盘1、前护盾2、后护盾3、衬砌管片4、回填灌浆层5。其中刀盘1采用实体单元,前护盾2、后护盾3、衬砌管片4、回填灌浆层5采用cshell(cylindrical shell mesh,柱形壳体网格)单元进行模拟。根据TBM总重量和各部件的总体积,计算TBM的等效密度,通过在数值仿真模型中将TBM各部件的密度设置为等效密度的方式模拟TBM的自重。采用逐步开挖的方式实现对围岩6的开挖、双护盾TBM掘进、衬砌管片4的安装和回填灌浆层5的回填等施工过程的模拟;
在数值仿真模型中采用蠕变损伤模型模拟围岩的时效变形特性,并通过FLAC3D二次开发接口编程实现;基于现场超前孔变形监测数据对蠕变本构参数进行反演;通过设置每个开挖步距的蠕变时间模拟双护盾TBM的掘进速度;
每个开挖步距的岩体开挖后,在数值仿真模型中的护盾(包括前护盾2和后护盾3)外表面设置FLAC3D的接触面单元7(如图3所示),由此实现对围岩与护盾相互作用的模拟;并在进入下一个开挖步前删除上一个开挖步距的接触面单元7。
步骤S2,在数值仿真模型中设置不同卡机影响因素的取值,计算包含不同工况的数值样本;
本实施例中,考虑掘进速度、超挖量、围岩弹性模量、单轴抗拉强度、地应力、围岩与护盾间摩擦系数和TBM最大推进力七个卡机影响因素;
上述卡机影响因素的取值根据工程经验设置,如表1所示。
表1不同卡机影响因素的取值统计表
参数 | 单位 | 范围 | 中间步 | 取值个数 |
掘进速度(v) | m/s | 0.5~2.5 | 0.5 | 5 |
超挖量(ΔR) | cm | 0~10 | 5 | 3 |
弹性模量(E) | GPa | 2~18 | 4 | 5 |
单轴抗拉强度(UTS) | MPa | 2~10 | 2 | 5 |
地应力(σ<sub>0</sub>) | MPa | 1~~40 | 10 | 4 |
摩擦系数(μ) | / | 0.2~0.4 | 0.05 | 5 |
最大推进力(F) | KN | 20000~40000 | 5000 | 5 |
通过对表1中的前5个卡机影响因素(掘进速度、超挖量、弹性模量、单轴抗拉强度和地应力)设置不同的取值组合,计算得到不同工况下的大量数值样本1435个。每个数值样本的计算结果中包含TBM掘进过程中围岩与护盾之间的法向接触压力。不同工况下的围岩与护盾间的法向接触压力是根据在数值仿真模型中设置的卡机影响因素的取值及不同组合,利用在护盾外表面设置的接触面单元计算得到的。该围岩与护盾间的法向接触压力作为后面步骤中评价TBM卡机风险等级的一个关键参数。
通过设置不同的TBM最大推进力和围岩与护盾间摩擦系数(如表1所示),能够将数值样本数量扩充至35875个。
基于计算得到的数值样本构建数值样本库。
S3,建立卡机风险判别指标,标定数值样本的卡机风险等级;
根据护盾上所受的总摩擦力与除TBM掘进破岩所需推进力外所能提供的最大推进力的比值,构建卡机风险判别指标Ratio,并根据Ratio的值标定步骤S2构建的数值样本库中数值样本的卡机风险等级,包括:极高、高、中等、低和极低5个等级。
其中,Ratio为卡机风险判别指标,Ff为护盾上所受的总摩擦力,FI是TBM的最大推进力,Fe是TBM连续掘进破岩所需的推进力,μ为围岩与护盾间的摩擦系数,为第i个接触面节点所测得的法向接触压力,q为接触面节点的个数,kn为接触面的法向刚度,un为接触面节点贯入目标面的绝对法向位移,σn为接触面应力初始化导致的附加法向应力,A为接触面节点的代表面积。
本实施例中,基于构建的卡机风险判别指标,对步骤S2中构建的数值样本库中各数值样本的卡机风险等级进行标定,最终得到了如表2所示的卡机数值样本库,每个数值样本包含8维数据,即:TBM的7个卡机影响因素和1个卡机风险等级。
表2卡机数值样本库
超挖量(cm) | 地应力(MPa) | 掘进速度(m/h) | 弹性模量(GPa) | 单轴抗拉强度(MPa) | 围岩-护盾摩擦系数 | 最大推进力(kN) | 卡机风险等级 |
0 | 40 | 1.5 | 14 | 2 | 0.4 | 35000000 | 低 |
0 | 40 | 1.5 | 14 | 4 | 0.4 | 35000000 | 低 |
0 | 40 | 1.5 | 14 | 6 | 0.4 | 35000000 | 低 |
0 | 40 | 1.5 | 14 | 8 | 0.4 | 35000000 | 低 |
0 | 40 | 1.5 | 14 | 10 | 0.4 | 35000000 | 低 |
0 | 40 | 1.5 | 18 | 2 | 0.4 | 35000000 | 低 |
0 | 40 | 1.5 | 18 | 4 | 0.4 | 35000000 | 低 |
0 | 40 | 1.5 | 18 | 6 | 0.4 | 35000000 | 低 |
0 | 40 | 1.5 | 18 | 8 | 0.4 | 35000000 | 低 |
0 | 40 | 1.5 | 18 | 10 | 0.4 | 35000000 | 低 |
0 | 40 | 2 | 6 | 2 | 0.4 | 35000000 | 高 |
0 | 40 | 2 | 6 | 4 | 0.4 | 35000000 | 高 |
0 | 40 | 2 | 6 | 6 | 0.4 | 35000000 | 高 |
0 | 40 | 2 | 6 | 8 | 0.4 | 35000000 | 高 |
0 | 40 | 2 | 6 | 10 | 0.4 | 35000000 | 高 |
0 | 40 | 2 | 10 | 2 | 0.4 | 35000000 | 中等 |
0 | 40 | 2 | 10 | 4 | 0.4 | 35000000 | 中等 |
0 | 40 | 2 | 10 | 6 | 0.4 | 35000000 | 中等 |
0 | 40 | 2 | 10 | 8 | 0.4 | 35000000 | 中等 |
0 | 40 | 2 | 10 | 10 | 0.4 | 35000000 | 中等 |
0 | 40 | 2 | 14 | 2 | 0.4 | 35000000 | 低 |
0 | 40 | 2 | 14 | 4 | 0.4 | 35000000 | 低 |
0 | 40 | 2 | 14 | 6 | 0.4 | 35000000 | 低 |
0 | 40 | 2 | 14 | 8 | 0.4 | 35000000 | 低 |
0 | 40 | 2 | 14 | 10 | 0.4 | 35000000 | 低 |
0 | 40 | 2 | 18 | 2 | 0.4 | 35000000 | 极低 |
0 | 40 | 2 | 18 | 4 | 0.4 | 35000000 | 极低 |
0 | 40 | 2 | 18 | 6 | 0.4 | 35000000 | 极低 |
0 | 40 | 2 | 18 | 8 | 0.4 | 35000000 | 极低 |
0 | 40 | 2 | 18 | 10 | 0.4 | 35000000 | 极低 |
0 | 40 | 2.5 | 6 | 2 | 0.4 | 35000000 | 高 |
0 | 40 | 2.5 | 6 | 4 | 0.4 | 35000000 | 高 |
0 | 40 | 2.5 | 6 | 6 | 0.4 | 35000000 | 高 |
0 | 40 | 2.5 | 6 | 8 | 0.4 | 35000000 | 高 |
0 | 40 | 2.5 | 6 | 10 | 0.4 | 35000000 | 高 |
0 | 40 | 2.5 | 10 | 2 | 0.4 | 35000000 | 中等 |
0 | 40 | 2.5 | 10 | 4 | 0.4 | 35000000 | 中等 |
0 | 40 | 2.5 | 10 | 6 | 0.4 | 35000000 | 中等 |
0 | 40 | 2.5 | 10 | 8 | 0.4 | 35000000 | 中等 |
0 | 40 | 2.5 | 10 | 10 | 0.4 | 35000000 | 中等 |
0 | 40 | 2.5 | 14 | 2 | 0.4 | 35000000 | 极低 |
S4,建立随机森林模型,基于数值样本进行随机森林模型训练,利用训练好的随机森林模型快速预测实际施工段的卡机风险等级。
建立基于集成多决策树的随机森林模型,影响随机森林模型预测性能的关键超参数包括:子树数目(n_estimators)、子树深度(max_depth)和决策树节点划分时考虑的最大特征数(max_features);
基于建立的卡机数值样本库,以设定的比例(如8:2)随机划分训练样本集和测试样本集;选择掘进速度、超挖量、弹性模量、单轴抗拉强度、地应力、TBM最大推进力、围岩与护盾间摩擦系数7个卡机影响因素作为随机森林模型的输入特征,TBM的卡机风险等级作为随机森林模型的输出结果。设置各关键超参数的取值范围,基于训练样本集,采用控制变量的方式逐个对随机森林模型的三个关键超参数(n_estimators、max_depth和max_features)进行寻优,通过十折交叉验证的方式评价模型效果,最后选取十折交叉验证预测率最高的超参数取值作为超参数寻优结果,如图4-1至图4-3所示,得到最优超参数取值。
基于最优超参数取值和训练样本集对随机森林模型进行训练,并利用测试样本集验证该训练好的随机森林模型的预测效果,如图5和图6所示,得到预测效果满足要求的随机森林模型。
基于训练好的且满足预测效果要求的随机森林分类模型,输入本实施例中7个卡机影响因素值,则可实现对实际工程中不同施工段的TBM卡机风险等级的快速预测,得到实际工程中不同施工段TBM卡机风险等级的预测结果。
上述实施例中,还可以不将卡机数值样本库中数值样本以设定的比例随机划分训练样本集和测试样本集;而是都作为训练样本集,然后基于最优超参数取值和训练样本集对随机森林模型进行训练,后续不再进行模型训练效果的测试,而去直接利用训练好的随机森林分类模型,输入本实施例中7个卡机影响因素值,则可实现对实际工程中不同施工段的TBM卡机风险等级的快速预测,得到实际工程中不同施工段TBM卡机风险等级的预测结果。
上面所述仅为本发明的较佳实施例而已,并非对本发明包含范围的限定。凡在本发明的精神和原则之内,所作的修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于数值样本和随机森林的TBM卡机风险预测方法,其特征在于,所述的TBM卡机风险预测方法包括:
步骤S1,建立精细化数值仿真模型,基于蠕变损伤模型模拟围岩的时效变形,实现对TBM施工过程的模拟;
步骤S2,在数值仿真模型中设置不同卡机影响因素的取值,计算对应不同工况的数值样本;
步骤S3,建立卡机风险判别指标,标定所述数值样本的卡机风险等级;
步骤S4,建立随机森林模型,利用标定有卡机风险等级的数值样本对所述随机森林模型进行训练,利用训练好的随机森林模型快速预测实际施工段的卡机风险等级。
2.根据权利要求1所述的基于数值样本和随机森林的TBM卡机风险预测方法,其特征在于,所述步骤S1包括:
基于三维连续介质的快速拉格朗日分析FLAC3D软件建立TBM精细化数值仿真模型,在所述数值仿真模型中构建TBM中包括刀盘(1)、前护盾(2)、后护盾(3)、衬砌管片(4)、回填灌浆层(5)的部件;
采用逐步开挖的方式对围岩(6)的开挖、双护盾TBM掘进、衬砌管片(4)的安装和回填灌浆层(5)的回填施工过程进行模拟;
在所述数值仿真模型中采用蠕变损伤模型模拟围岩的时效变形特性;通过设置每个开挖步距的蠕变时间模拟TBM的掘进速度;
每个开挖步距的岩体开挖后,在所述数值仿真模型中的护盾外表面设置FLAC3D的接触面单元(7),实现对围岩-护盾相互作用的模拟。
3.根据权利要求1所述的基于数值样本和随机森林的TBM卡机风险预测方法,其特征在于,所述卡机影响因素包括:
掘进速度、超挖量、围岩弹性模量、单轴抗拉强度、地应力、围岩与护盾间摩擦系数和TBM最大推进力。
4.根据权利要求3所述的基于数值样本和随机森林的TBM卡机风险预测方法,其特征在于,所述步骤S2包括:
根据工程经验,设置所述卡机影响因素的取值及不同组合,计算不同工况下的数值样本;
通过设置不同的TBM最大推进力和围岩与护盾间摩擦系数,对所计算的数值样本进行扩充,得到扩充后的对应不同工况的数值样本。
5.根据权利要求1所述的基于数值样本和随机森林的TBM卡机风险预测方法,其特征在于,
所述步骤S2包括:根据在数值仿真模型中设置所述卡机影响因素的取值及不同组合,利用在护盾外表面设置的接触面单元计算得到不同工况下的围岩与护盾间的法向接触压力;
所述步骤S3包括:
根据护盾上所受的总摩擦力与除TBM掘进破岩所需推进力外所能提供的最大推进力的比值,构建卡机风险判别指标Ratio,并根据所述Ratio的值标定步骤S2中数值样本的卡机风险等级;所述卡机风险判别指标Ratio通过如下公式计算得到:
6.根据权利要求1所述的基于数值样本和随机森林的TBM卡机风险预测方法,其特征在于,所述步骤S4包括:
将标定有卡机风险等级的数值样本作为训练样本集;
基于所述训练样本集,选择包括掘进速度、超挖量、弹性模量、单轴抗拉强度、地应力、TBM最大推进力以及围岩与护盾间摩擦系数的卡机影响因素作为随机森林模型的输入特征,选择TBM的卡机风险等级作为随机森林模型的输出结果,采用控制变量的方式逐个对随机森林模型的关键超参数进行寻优,得到最优超参数取值;
基于最优超参数取值和训练样本集对随机森林模型进行训练,得到训练好的随机森林模型;
基于训练好的随机森林分类模型,输入所述卡机影响因素取值,得到实际工程中不同施工段的TBM卡机风险等级预测结果。
7.根据权利要求1所述的基于数值样本和随机森林的TBM卡机风险预测方法,其特征在于,所述步骤S4包括:
将标定有卡机风险等级的数值样本划分为训练样本集和测试样本集;
基于所述训练样本集,选择包括掘进速度、超挖量、弹性模量、单轴抗拉强度、地应力、TBM最大推进力以及围岩与护盾间摩擦系数的卡机影响因素作为随机森林模型的输入特征,选择TBM的卡机风险等级作为随机森林模型的输出结果,采用控制变量的方式逐个对随机森林模型的关键超参数进行寻优,得到最优超参数取值;
基于最优超参数取值和训练样本集对随机森林模型进行训练,并利用所述测试样本集验证该训练好的随机森林模型的预测效果,得到训练好的且预测效果满足要求的随机森林模型;
基于训练好的且满足预测效果要求的随机森林分类模型,输入所述卡机影响因素取值,得到实际工程中不同施工段的TBM卡机风险等级预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110002906.7A CN112765791B (zh) | 2021-01-04 | 2021-01-04 | 一种基于数值样本和随机森林的tbm卡机风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110002906.7A CN112765791B (zh) | 2021-01-04 | 2021-01-04 | 一种基于数值样本和随机森林的tbm卡机风险预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112765791A true CN112765791A (zh) | 2021-05-07 |
CN112765791B CN112765791B (zh) | 2022-06-21 |
Family
ID=75699015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110002906.7A Active CN112765791B (zh) | 2021-01-04 | 2021-01-04 | 一种基于数值样本和随机森林的tbm卡机风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112765791B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486575A (zh) * | 2021-06-21 | 2021-10-08 | 武汉科技大学 | 一种地表变形破坏预测预警方法、装置及存储介质 |
US20230167739A1 (en) * | 2020-12-09 | 2023-06-01 | Shandong University | Method and system for real-time prediction of jamming in tbm tunneling |
CN117371111A (zh) * | 2023-11-21 | 2024-01-09 | 石家庄铁道大学 | 基于深度神经网络和数值仿真的tbm卡机预测系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140333308A1 (en) * | 2013-01-07 | 2014-11-13 | Shandong University | Advanced detector system and method using forward three-dimensional induced polarization method for tbm construction tunnel |
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 |
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 |
CN111915193A (zh) * | 2020-08-04 | 2020-11-10 | 中铁工程装备集团有限公司 | 一种tbm实时掘进卡机风险预警方法 |
-
2021
- 2021-01-04 CN CN202110002906.7A patent/CN112765791B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140333308A1 (en) * | 2013-01-07 | 2014-11-13 | Shandong University | Advanced detector system and method using forward three-dimensional induced polarization method for tbm construction tunnel |
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 |
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 |
CN111915193A (zh) * | 2020-08-04 | 2020-11-10 | 中铁工程装备集团有限公司 | 一种tbm实时掘进卡机风险预警方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230167739A1 (en) * | 2020-12-09 | 2023-06-01 | Shandong University | Method and system for real-time prediction of jamming in tbm tunneling |
CN113486575A (zh) * | 2021-06-21 | 2021-10-08 | 武汉科技大学 | 一种地表变形破坏预测预警方法、装置及存储介质 |
CN117371111A (zh) * | 2023-11-21 | 2024-01-09 | 石家庄铁道大学 | 基于深度神经网络和数值仿真的tbm卡机预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112765791B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112765791B (zh) | 一种基于数值样本和随机森林的tbm卡机风险预测方法 | |
Gandomi et al. | A new multi-gene genetic programming approach to non-linear system modeling. Part II: geotechnical and earthquake engineering problems | |
Shin et al. | Methodology for quantitative hazard assessment for tunnel collapses based on case histories in Korea | |
CN110805469B (zh) | 山岭隧道钻爆法施工掌子面稳定性分级方法 | |
Salimi et al. | Evaluating the suitability of existing rock mass classification systems for TBM performance prediction by using a regression tree | |
Fattahi et al. | Hybrid Monte Carlo simulation and ANFIS-subtractive clustering method for reliability analysis of the excavation damaged zone in underground spaces | |
CN104657601A (zh) | 隧道围岩的安全性分级方法 | |
Rezaei et al. | Vertical displacement estimation in roof and floor of an underground powerhouse cavern | |
CN105653811B (zh) | 高压变电站深回填区旋挖钻进中的入岩深度确定方法 | |
Hou et al. | Early warning of tunnel collapse based on Adam-optimised long short-term memory network and TBM operation parameters | |
Zhang et al. | Geological Type Recognition by Machine Learning on In‐Situ Data of EPB Tunnel Boring Machines | |
CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
Luis Rangel et al. | Tunnel stability analysis during construction using a neuro‐fuzzy system | |
CN104268785A (zh) | 一种用于深井底板突水风险的分析方法 | |
Gao et al. | Research on rock mass strength parameter perception based on multi-feature fusion of vibration response while drilling | |
Yang et al. | Computation and analysis of high rocky slope safety in a water conservancy project | |
Peixoto et al. | Prediction of rockburst based on an accident database | |
Niu et al. | An intelligent prediction method of the karst curtain grouting volume based on support vector machine | |
Mobarra et al. | Application of artificial neural networks to the prediction of TBM penetration rate in TBM-driven golab water transfer tunnel | |
Liu et al. | Influence of geological conditions of rock mass ahead of tunnel face on the prediction performance of uniaxial compressive strength prediction model | |
Shen et al. | Prediction of the slurry pressure and inversion of formation characteristics based on a machine learning algorithm during tunnelling in a fault fracture zone | |
CN116108587B (zh) | 一种考虑多源信息不确定性的tbm利用率预测方法 | |
Wang et al. | Grouped machine learning methods for predicting rock mass parameters in a tunnel boring machine‐driven tunnel based on fuzzy C‐means clustering | |
CN115600398B (zh) | 一种基于蒙特卡洛模拟的大型洞室岩体参数概率估计方法 | |
Wang et al. | Comparative study on prediction models of EPB shield tunnelling parameters in the water-rich round-gravel formation |
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 |