CN112926267A - 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统 - Google Patents

一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统 Download PDF

Info

Publication number
CN112926267A
CN112926267A CN202110260091.2A CN202110260091A CN112926267A CN 112926267 A CN112926267 A CN 112926267A CN 202110260091 A CN202110260091 A CN 202110260091A CN 112926267 A CN112926267 A CN 112926267A
Authority
CN
China
Prior art keywords
rock burst
prediction
rockburst
tunneling
rock
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
Application number
CN202110260091.2A
Other languages
English (en)
Other versions
CN112926267B (zh
Inventor
邱道宏
冯健翔
薛翊国
傅康
付玉松
公惠民
马啸寅
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202110260091.2A priority Critical patent/CN112926267B/zh
Publication of CN112926267A publication Critical patent/CN112926267A/zh
Application granted granted Critical
Publication of CN112926267B publication Critical patent/CN112926267B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Husbandry (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Agronomy & Crop Science (AREA)
  • Computing Systems (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于掘进参数反演的TBM隧道岩爆等级预测方法及系统，其技术方案为：包括获取掘进数据，确定岩爆预测指标，建立掘进参数与岩爆预测指标的样本库；通过机器学习手段，建立掘进参数与岩爆预测指标之间的非线性关系；采用多属性决策的组合赋权法对岩爆预测指标进行权重分析；采用LightGBM算法建立从岩爆预测指标到岩爆等级的映射关系，以预测岩爆等级。本发明采用机器学习方法建立从TBM实时掘进参数到岩爆预测指标的反演模型，之后进行组合赋权，并运用LightGBM算法得到岩爆预测指标与岩爆等级的映射关系，从而达到预测岩爆等级的目的。

Description

一种基于掘进参数反演的TBM隧道岩爆等级预测方法及系统
技术领域
本发明涉及岩爆预测技术领域，尤其涉及一种基于掘进参数反演的TBM隧道岩爆等级预测方法及系统。
背景技术
岩爆是指地下开采的深部或构造应力很高的区域，在临空岩体中发生突发式破坏的现象。随着国内外岩土工程埋深的不断增加，开挖诱发的岩爆灾害也越发频繁和严重，岩爆已成为国际岩石力学领域亟待解决的世界性难题。
TBM是Tunnel Boring Machine(隧道掘进机)的简称，是利用回转刀具开挖，同时破碎洞内围岩及掘进，形成整个隧道断面的一种新型、先进的隧道施工机械。它具有速度快、质量优、费用低、施工安全等优点，具有很好的生态、经济和社会效益，现已广泛应用于铁路、公路、水利、水电、城市地铁、越江和海底等隧道工程，也正成为我国今后隧道设计施工最主要的施工方法。
发明人发现，相较于传统爆破法，TBM具有施工快速、安全、自动化程度高等优点，但由于其掘进过程中占据了整个断面，传统的地质预报手段受到限制，传统应用于钻爆法施工的地质预报系统在TBM工法中适应性差、预报周期长、搭载困难，且在获取岩爆预测指标方面较为乏力。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种基于掘进参数反演的TBM隧道岩爆等级预测方法及系统，采用机器学习方法建立从TBM实时掘进参数到岩爆预测指标的反演模型，之后进行组合赋权，并运用LightGBM算法得到岩爆预测指标与岩爆等级的映射关系，从而达到预测岩爆等级的目的。
为了实现上述目的，本发明是通过如下的技术方案来实现：
第一方面，本发明的实施例提供了一种基于掘进参数反演的TBM隧道岩爆等级预测方法，包括：
获取掘进数据，确定岩爆预测指标，建立掘进参数与岩爆预测指标的样本库；
通过机器学习手段，建立掘进参数与岩爆预测指标之间的非线性关系；
采用多属性决策的组合赋权法对岩爆预测指标进行权重分析；
采用LightGBM算法建立从岩爆预测指标到岩爆等级的映射关系，以预测岩爆等级。
作为进一步的实现方式，所述岩爆预测指标包括弹性模量、抗压强度与最大初始应力的比值、切向应力与岩石抗压强度之比、岩体完整性指数、岩体弹性波速度平方与同种岩石试件弹性波速度的平方的比值、岩体脆性程度、弹性应变能指数。
作为进一步的实现方式，通过岩爆预测指标将岩爆等级分为四级：无岩爆、弱岩爆、中岩爆、强岩爆。
作为进一步的实现方式，对岩爆预测指标进行标准化处理。
作为进一步的实现方式，通过GRU手段建立掘进参数与岩爆预测指标之间的非线性关系，完成从掘进参数到岩爆预测指标的反演工作。
作为进一步的实现方式，采用组合赋权法确定预测指标权重值的包括：
数据标准化之后，确定主观权重、客观权重和集成主客观权重。
作为进一步的实现方式，LightGBM算法利用弱分类器迭代训练以得到最优模型，同时采用单边梯度算法，在训练过程中过滤掉梯度小的样本，以训练最为关键的其余样本，实现从岩爆预测指标到岩爆等级的映射关系，预测岩爆等级。
第二方面，本发明实施例还提供了一种基于掘进参数反演的TBM隧道岩爆等级预测系统，包括：
样本库建立模型，被配置为：获取掘进数据，确定岩爆预测指标，建立掘进参数与岩爆预测指标的样本库；
关系建立模块，被配置为：通过机器学习手段，建立掘进参数与岩爆预测指标之间的非线性关系；
权重分析模块，被配置为：采用多属性决策的组合赋权法对岩爆预测指标进行权重分析；
岩爆等级预测模块，被配置为：采用LightGBM算法建立从岩爆预测指标到岩爆等级的映射关系，以预测岩爆等级。
第三方面，本发明实施例还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计算机程序，所述处理器执行所述程序时实现所述的一种基于掘进参数反演的TBM隧道岩爆等级预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于掘进参数反演的TBM隧道岩爆等级预测方法。
上述本发明的实施例的有益效果如下：
(1)本发明的一个或多个实施方式充分考虑了TBM隧道难以实时获取岩爆预测指标的局限性，根据实时掘进参数反演岩爆预测指标，保证了掘进过程分析的即时性和准确性。
(2)本发明的一个或多个实施方式运用GRU(门控循环单元)算法，通过重置门捕捉时序数据中短期的依赖关系，通过更新门捕捉时序数据中长期的依赖关系，实现实时数据和历史数据的灵活调用，大大降低了梯度下降的风险。
(3)本发明的一个或多个实施方式在进行权重分析时采用了多属性决策的组合赋权法，既考虑到了决策者对不同指标的重视程度，又兼顾了初始数据的客观性，结果更具合理性。
(4)本发明的一个或多个实施方式运用LightGBM算法，在保证计算精度的前提下提高了计算效率，实时计算得到保障。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明根据一个或多个实施方式的流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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。
实施例一：
本实施例提供了一种基于掘进参数反演的TBM隧道岩爆等级预测方法，如图1所示，包括：
获取掘进数据，确定岩爆预测指标，建立掘进参数与岩爆预测指标的样本库；
通过机器学习手段，建立掘进参数与岩爆预测指标之间的非线性关系；
对预测指标数据进行组合赋权，针对不同指标的离散程度，采用多属性决策的组合赋权法对岩爆预测指标进行权重分析；
采用LightGBM算法建立从岩爆预测指标到岩爆等级的映射关系，以预测岩爆等级。
具体的，
步骤一：建立TBM掘进数据样本库，并通过机器学习手段建立掘进参数与岩爆预测指标之间的非线性关系，完成从掘进参数到岩爆预测指标的反演工作。
所述TBM掘进数据样本库包括各个里程的历史掘进数据以及对应里程所采集的岩爆预测指标，故库内数据具有时序性。
步骤二：反演所选的相关岩爆预测指标如下：
根据地下洞室围岩特点及已有理论的基础上，将以下6个参数作为评价岩爆风险的相关指标：
①弹性模量E，记为X1；
②抗压强度与最大初始应力的比值Rc/σ1，记为X2；
③切向应力与岩石抗压强度之比σθ/Rc，记为X3；
④岩体完整性指数Kv，记为X4；现场测定的岩体弹性波速度平方与同种岩石试件弹性波速度的平方的比值，岩体越完整，岩爆等级越高；
⑤岩体脆性程度σc/σt，记为X5；岩体脆性越大，储存能量越多，越易发生岩爆；
⑥弹性应变能指数Wet，记为X6；为储存在岩石中的弹性能与变形过程中耗散的塑性能量之比，弹性应变能指数越大，岩爆的破坏后果越大。
步骤三：通过GRU(门控循环单元)手段建立掘进参数(推力、扭矩、刀盘转速、净掘进速度、贯入度)与岩爆预测指标之间的非线性关系，完成从掘进参数到岩爆预测指标的反演工作。
使用门控机制控制输入、记忆等信息，通过重置门捕捉时序数据中短期的依赖关系，通过更新门捕捉时序数据中长期的依赖关系。
进一步的，原理如下：
重置门：Rt＝σ(XtWxr+Ht-1Whr+br)
更新门：Zt＝σ(XtWxZ+Ht-1WhZ+bZ)
其中，Xt∈Rn×x为时刻t的输入，如推力，扭矩，刀盘转速等掘进参数，Ht-1∈Rn×h为t-1时刻(上一时刻)的隐含状态，包含t-1时刻及之前的数据信息，重置门Rt∈Rn×h和更新门Zt∈Rn×h，Wxr，WxZ∈Rx×h，Whr，WhZ∈Rh×h是可学习的权重参数，br，bz∈R1×h是可学习的偏移参数，σ为sigmoid函数，值域为[0，1]。
候补隐含状态Ht1＝tanh(XtWxh+Rt⊙Ht-1Whh+bh)，通过该状态来完成对过去信息的舍弃，只保留当前输入信息，实现“重置”功能，即捕捉时序数据中短期的依赖关系。
隐含状态Ht＝Zt⊙Ht-1+(1-Zt)⊙Ht1，通过该状态可完成对上一时刻隐含状态数据的保留，若存在迭代关系Ht＝Ht-1＝He-2＝…(当Zt非常接近于1时可实现)，则继承过去的数据信息从而实现“更新”功能，即捕捉时序数据中长期的依赖关系。
步骤四：对预测指标进行标准化处理。比对相关规范、惯例和标准，根据现场实际工程，通过上述六个预测指标将岩爆划分为4个等级，即无岩爆，弱岩爆，中岩爆，强岩爆，并分别记为1，2，3，4。为方便分析，需对预测指标数据进行标准化处理。
①对于极小型指标fj，采用如下变换：
Figure BDA0002969579620000071
其中：Mj是第i个方案第j个指标的所有取值的最大值，xij表示第i个方案第j个指标的值，zij表示原始值xij变化后用于计算的指标值。
②对于极大型指标fj，令
Figure BDA0002969579620000072
步骤五：采用多属性决策的组合赋权法确定预测指标权重值，在对不同量纲不同类型的岩爆预测数据进行标准化处理之后，集成主客观权重，引入离差函数并构造目标规划模型，通过偏好因子使得总体离差和最小，输出权重。
进一步的，包括以下步骤：
(1)数据标准化。(此步已在步骤四完成)
(2)主观权重的确定。根据需要选用p种主观赋权法，其权重分别为：
uk＝(uk1，uk2，…ukm)k＝1，2，…，p
式中
Figure BDA0002969579620000081
表示用第k种主观法对指标fj确定的权重。
(3)客观权重的确定。选取q-p种客观赋权法，其权重分别为：
uk＝(uk1，uk2，…ukm)k＝p+1，p+2，…，q
式中
Figure BDA0002969579620000082
表示用第k种客观法对指标fj确定的权重。
(3)集成主客观权重
设集成后指标的权重可表示为：
W＝(ω1，ω2，…ωm)T
式中
Figure BDA0002969579620000083
则主客观的综合评价值为：
Figure BDA0002969579620000084
步骤五：LightGBM利用弱分类器(决策树)迭代训练以得到最优模型，同时采用单边梯度算法，在训练过程中过滤掉梯度小的样本，以训练最为关键的其余样本，实现从岩爆预测指标到岩爆等级的映射关系，预测岩爆等级。
进一步的，LightGBM构建树的过程如下：
1、假设数据集为S，对S中的特征进行归一化，并计算初始梯度值。
2、构建树：
(1)计算直方图；
(2)基于直方图计算分裂收益，并选取最佳分裂特征G，得到分裂阈值I；
(3)建立根节点；
(4)重复上述步骤(1)到(3)，直到达到叶子数目限制或者所有叶子节点不能继续分割为止，最后更新树的梯度值，完成所有树的构建。
实施例二：
本实施例提供了一种基于掘进参数反演的TBM隧道岩爆等级预测系统，包括：
样本库建立模型，被配置为：获取掘进数据，确定岩爆预测指标，建立掘进参数与岩爆预测指标的样本库；
关系建立模块，被配置为：通过机器学习手段，建立掘进参数与岩爆预测指标之间的非线性关系；
权重分析模块，被配置为：采用多属性决策的组合赋权法对岩爆预测指标进行权重分析；
岩爆等级预测模块，被配置为：采用LightGBM算法建立从岩爆预测指标到岩爆等级的映射关系，以预测岩爆等级。
实施例三：
本实施例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计算机程序，所述处理器执行所述程序时实现实施例一所述的一种基于掘进参数反演的TBM隧道岩爆等级预测方法。
实施例四：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一所述的一种基于掘进参数反演的TBM隧道岩爆等级预测方法。
以上实施例二-四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本申请的优选实施例而已，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 (10)

1.一种基于掘进参数反演的TBM隧道岩爆等级预测方法，其特征在于，包括：
获取掘进数据，确定岩爆预测指标，建立掘进参数与岩爆预测指标的样本库；
通过机器学习手段，建立掘进参数与岩爆预测指标之间的非线性关系；
采用多属性决策的组合赋权法对岩爆预测指标进行权重分析；
采用LightGBM算法建立从岩爆预测指标到岩爆等级的映射关系，以预测岩爆等级。
2.根据权利要求1所述的一种基于掘进参数反演的TBM隧道岩爆等级预测方法，其特征在于，所述岩爆预测指标包括弹性模量、抗压强度与最大初始应力的比值、切向应力与岩石抗压强度之比、岩体完整性指数、岩体弹性波速度平方与同种岩石试件弹性波速度的平方的比值、岩体脆性程度、弹性应变能指数。
3.根据权利要求2所述的一种基于掘进参数反演的TBM隧道岩爆等级预测方法，其特征在于，通过岩爆预测指标将岩爆等级分为四级：无岩爆、弱岩爆、中岩爆、强岩爆。
4.根据权利要求2所述的一种基于掘进参数反演的TBM隧道岩爆等级预测方法，其特征在于，对岩爆预测指标进行标准化处理。
5.根据权利要求1所述的一种基于掘进参数反演的TBM隧道岩爆等级预测方法，其特征在于，通过GRU手段建立掘进参数与岩爆预测指标之间的非线性关系，完成从掘进参数到岩爆预测指标的反演工作。
6.根据权利要求1所述的一种基于掘进参数反演的TBM隧道岩爆等级预测方法，其特征在于，采用组合赋权法确定预测指标权重值的包括：
数据标准化之后，确定主观权重、客观权重和集成主客观权重。
7.根据权利要求1所述的一种基于掘进参数反演的TBM隧道岩爆等级预测方法，其特征在于，LightGBM算法利用弱分类器迭代训练以得到最优模型，同时采用单边梯度算法，在训练过程中过滤掉梯度小的样本，以训练最为关键的其余样本，实现从岩爆预测指标到岩爆等级的映射关系，预测岩爆等级。
8.一种基于掘进参数反演的TBM隧道岩爆等级预测系统，其特征在于，包括：
样本库建立模型，被配置为：获取掘进数据，确定岩爆预测指标，建立掘进参数与岩爆预测指标的样本库；
关系建立模块，被配置为：通过机器学习手段，建立掘进参数与岩爆预测指标之间的非线性关系；
权重分析模块，被配置为：采用多属性决策的组合赋权法对岩爆预测指标进行权重分析；
岩爆等级预测模块，被配置为：采用LightGBM算法建立从岩爆预测指标到岩爆等级的映射关系，以预测岩爆等级。
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计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于掘进参数反演的TBM隧道岩爆等级预测方法。
10.一种计算机可读存储介质，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1-7任一项所述的一种基于掘进参数反演的TBM隧道岩爆等级预测方法。
CN202110260091.2A 2021-03-10 2021-03-10 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统 Active CN112926267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110260091.2A CN112926267B (zh) 2021-03-10 2021-03-10 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110260091.2A CN112926267B (zh) 2021-03-10 2021-03-10 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统

Publications (2)

Publication Number Publication Date
CN112926267A true CN112926267A (zh) 2021-06-08
CN112926267B CN112926267B (zh) 2023-06-06

Family

ID=76172394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110260091.2A Active CN112926267B (zh) 2021-03-10 2021-03-10 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统

Country Status (1)

Country Link
CN (1) CN112926267B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115422821A (zh) * 2022-07-22 2022-12-02 北京交通大学 用于岩体参数预测的数据处理方法和装置
CN116467897A (zh) * 2023-06-20 2023-07-21 中国矿业大学(北京) 基于岩体能量差的岩爆等级预测方法
CN117669393A (zh) * 2024-02-01 2024-03-08 昆明理工大学 一种爆破块度不确定性预测方法及系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104656124A (zh) * 2015-02-06 2015-05-27 山东大学 一种基于物探方法的多参量综合岩爆预测方法
CN104732070A (zh) * 2015-02-27 2015-06-24 广西大学 一种基于信息向量机的岩爆等级预测方法
CN107748103A (zh) * 2017-09-01 2018-03-02 中国科学院武汉岩土力学研究所 一种隧道岩爆预测方法、设备、存储介质和系统
CN109630154A (zh) * 2019-01-24 2019-04-16 华能西藏雅鲁藏布江水电开发投资有限公司 一种用于隧道掘进的掘进机器人及远程移动终端指挥系统
CN109685378A (zh) * 2018-12-27 2019-04-26 中铁工程装备集团有限公司 一种基于数据挖掘的tbm施工围岩可掘性分级方法
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
CN109933577A (zh) * 2019-03-08 2019-06-25 山东大学 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
CN109934398A (zh) * 2019-03-05 2019-06-25 山东大学 一种钻爆法施工隧道瓦斯危险等级预测方法和装置
CN110109895A (zh) * 2019-03-29 2019-08-09 山东大学 适用于tbm掘进隧道的围岩分级联合预测方法及应用
CN110472363A (zh) * 2019-08-22 2019-11-19 山东大学 适用于高速铁路隧道的围岩变形等级预测方法及系统
CN110490370A (zh) * 2019-07-26 2019-11-22 山东大学 一种岩爆综合预测方法
CN110826223A (zh) * 2019-11-05 2020-02-21 山东省交通科学研究院 基于综合属性测度的岩爆危险性预测方法、系统及介质
CN110889440A (zh) * 2019-11-15 2020-03-17 山东大学 基于主成分分析和bp神经网络的岩爆等级预测方法及系统
CN111125872A (zh) * 2019-11-11 2020-05-08 中铁隧道局集团有限公司 一种用于tbm掘进隧道的岩爆预测方法
CN111222683A (zh) * 2019-11-15 2020-06-02 山东大学 一种基于pca-knn的tbm施工围岩综合分级预测方法
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
CN112196559A (zh) * 2020-09-30 2021-01-08 山东大学 基于掘进速度与刀具消耗最优的tbm操作参数优化方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104656124A (zh) * 2015-02-06 2015-05-27 山东大学 一种基于物探方法的多参量综合岩爆预测方法
CN104732070A (zh) * 2015-02-27 2015-06-24 广西大学 一种基于信息向量机的岩爆等级预测方法
CN107748103A (zh) * 2017-09-01 2018-03-02 中国科学院武汉岩土力学研究所 一种隧道岩爆预测方法、设备、存储介质和系统
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
CN109685378A (zh) * 2018-12-27 2019-04-26 中铁工程装备集团有限公司 一种基于数据挖掘的tbm施工围岩可掘性分级方法
CN109630154A (zh) * 2019-01-24 2019-04-16 华能西藏雅鲁藏布江水电开发投资有限公司 一种用于隧道掘进的掘进机器人及远程移动终端指挥系统
CN109934398A (zh) * 2019-03-05 2019-06-25 山东大学 一种钻爆法施工隧道瓦斯危险等级预测方法和装置
CN109933577A (zh) * 2019-03-08 2019-06-25 山东大学 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
CN110109895A (zh) * 2019-03-29 2019-08-09 山东大学 适用于tbm掘进隧道的围岩分级联合预测方法及应用
CN110490370A (zh) * 2019-07-26 2019-11-22 山东大学 一种岩爆综合预测方法
CN110472363A (zh) * 2019-08-22 2019-11-19 山东大学 适用于高速铁路隧道的围岩变形等级预测方法及系统
CN110826223A (zh) * 2019-11-05 2020-02-21 山东省交通科学研究院 基于综合属性测度的岩爆危险性预测方法、系统及介质
CN111125872A (zh) * 2019-11-11 2020-05-08 中铁隧道局集团有限公司 一种用于tbm掘进隧道的岩爆预测方法
CN110889440A (zh) * 2019-11-15 2020-03-17 山东大学 基于主成分分析和bp神经网络的岩爆等级预测方法及系统
CN111222683A (zh) * 2019-11-15 2020-06-02 山东大学 一种基于pca-knn的tbm施工围岩综合分级预测方法
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
CN112196559A (zh) * 2020-09-30 2021-01-08 山东大学 基于掘进速度与刀具消耗最优的tbm操作参数优化方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JUNHONG ZHAO等: "A Data-Driven Framework for Tunnel Geological-Type Prediction Based on TBM Operating Data", 《IEEE ACCESS》 *
张乐文等: "基于粗糙集理论的遗传-RBF神经网络在岩爆预测中的应用", 《岩土力学》 *
朱梦琦等: "基于集成CART算法的TBM掘进参数与围岩等级预测", 《岩石力学与工程学报》 *
田睿等: "基于机器学习的 3种岩爆烈度分级预测模型对比研究", 《黄金科学技术》 *
邵良杉等: "基于MIV-MA-KELM模型的岩爆烈度等级预测", 《中国安全科学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115422821A (zh) * 2022-07-22 2022-12-02 北京交通大学 用于岩体参数预测的数据处理方法和装置
CN116467897A (zh) * 2023-06-20 2023-07-21 中国矿业大学(北京) 基于岩体能量差的岩爆等级预测方法
CN116467897B (zh) * 2023-06-20 2023-08-29 中国矿业大学(北京) 基于岩体能量差的岩爆等级预测方法
CN117669393A (zh) * 2024-02-01 2024-03-08 昆明理工大学 一种爆破块度不确定性预测方法及系统
CN117669393B (zh) * 2024-02-01 2024-04-19 昆明理工大学 一种爆破块度不确定性预测方法及系统

Also Published As

Publication number Publication date
CN112926267B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN112926267A (zh) 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统
CN109635461B (zh) 一种应用随钻参数来自动识别围岩级别的方法和系统
CN104732070B (zh) 一种基于信息向量机的岩爆等级预测方法
CN106407493B (zh) 一种基于多维高斯云模型的岩爆等级评价方法
CN109740800B (zh) 适用于隧道tbm掘进岩爆风险分级及预测方法与系统
WO2020125682A1 (zh) 一种应用随钻数据计算岩石强度的方法和系统
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
Salimi et al. Evaluating the suitability of existing rock mass classification systems for TBM performance prediction by using a regression tree
CN110006568B (zh) 一种利用岩芯获取三维地应力的方法及获取系统
CN110889440A (zh) 基于主成分分析和bp神经网络的岩爆等级预测方法及系统
CN113779880B (zh) 一种基于超前钻探数据的隧道围岩二维质量评价方法
KR20180116922A (ko) 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법
CN112948932A (zh) 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法
Chen et al. Dynamic and probabilistic multi-class prediction of tunnel squeezing intensity
CN112765791A (zh) 一种基于数值样本和随机森林的tbm卡机风险预测方法
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
CN113156492B (zh) 一种应用于tbm隧道岩爆灾害实时智能预警方法
Xue et al. PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM.
CN115977736A (zh) 一种基于现场实时数据驱动的煤与瓦斯突出预警方法
CN108763164A (zh) 煤与瓦斯突出反演相似度的评价方法
CN113323676A (zh) 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法
CN116070767B (zh) 一种基于胶囊神经网络的钻井液漏失层位预测方法
Qiu et al. Rockburst prediction based on distance discrimination method and optimization technology-based weight calculation method
CN115239108B (zh) 一种基于tbm实时破岩数据的软弱破碎围岩感知方法
CN116402339A (zh) 一种盾构隧道施工风险等级评估方法、系统、设备及介质

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