CN113033097B - 一种开敞式tbm掘进循环的划分、围岩等级、岩性预测方法 - Google Patents

一种开敞式tbm掘进循环的划分、围岩等级、岩性预测方法 Download PDF

Info

Publication number
CN113033097B
CN113033097B CN202110322241.8A CN202110322241A CN113033097B CN 113033097 B CN113033097 B CN 113033097B CN 202110322241 A CN202110322241 A CN 202110322241A CN 113033097 B CN113033097 B CN 113033097B
Authority
CN
China
Prior art keywords
tbm
tunneling cycle
data
cycle
section
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
CN202110322241.8A
Other languages
English (en)
Other versions
CN113033097A (zh
Inventor
刘造保
李龙
王俊泽
邵建富
沈挽青
Original Assignee
东北大学
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 东北大学 filed Critical 东北大学
Priority to CN202110322241.8A priority Critical patent/CN113033097B/zh
Publication of CN113033097A publication Critical patent/CN113033097A/zh
Application granted granted Critical
Publication of CN113033097B publication Critical patent/CN113033097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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 OR ROCK 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
    • E21D9/10—Making by using boring or cutting machines
    • E21D9/11—Making by using boring or cutting machines with a rotary drilling-head cutting simultaneously the whole cross-section, i.e. full-face machines
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/0633—Workflow 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
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)

Abstract

本发明涉及一种开敞式TBM掘进循环的划分方法、围岩等级的预测方法、岩性预测方法，一种开敞式TBM掘进循环的划分方法包括：针对每一次TBM掘进循环，在TBM掘进循环后获取所述TBM掘进循环的参数数据；所述TBM掘进循环参数数据包括：所述TBM掘进循环中的刀盘扭矩数据、掘进速度数据、刀盘转速数据；基于所述TBM掘进循环的参数数据，对所述TBM掘进循环进行划分处理，确定所述TBM在掘进循环中依次相邻的空推段、上升段、稳定段、停机段。本发明还涉及一种围岩等级的预测方法，所述方法包括：获取待预测的每一掘进循环中的第二数据；将所述第二数据输入至训练后的分类模型，获取分类结果。

Description

一种开敞式TBM掘进循环的划分、围岩等级、岩性预测方法
技术领域
本发明涉及TBM施工大数据处理技术领域，尤其涉及一种开敞式TBM掘进循环的划分方法、围岩等级的预测方法、岩性预测方法。
背景技术
在隧洞设计修建之前，勘察设计单位通过调查、测绘、钻探、物探等手段对隧址区TBM施工各区段的岩性进行勘测，划分不同的围岩等级。此外，针对不同的岩性和围岩等级设计TBM施工进度以及支护方法。但是由于TBM有限的作业空间和复杂的电磁环境，无法对TBM施工掌子面前方的地质情况进行详细的勘测，进而影响TBM施工效率和安全。
TBM混合云管理平台能够实时地获取现场的隧洞施工信息，包括TBM运行数据以及相对应的地质信息。运行数据是TBM与围岩动态交互作用的产物，含空推、上升、稳定和停机共四个阶段。获取上升与稳定段数据是预测地质条件的关键。
然而，现有的四阶段划分算法多基于统计规律，未能准确按照司机的操作习惯准确划分出上升段和稳定段。此外，针对于TBM施工前方岩性实时预测的研究相对较少，未建立TBM施工时序数据与岩性的对应关系。尽管针对于预测围岩等级已经开发了支持向量机、随机森林、K-近邻和AdaCost等机器学习方法。但大部分TBM隧道，围岩等级数据不均衡，常用的分类算法(如随机森林和支持向量机)是基于各类围岩等级错误分类成本相等的原则建立的，而他们的优化目标则是降低误分类总代价。因此，进一步对于掘进过程中根据所划分的各阶段数据进行围岩等级、岩性预测精度较差。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足，本发明提供一种开敞式TBM掘进循环的划分方法、围岩等级的预测方法、岩性预测方法。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明实施例提供一种开敞式TBM掘进循环的划分方法，包括：
A1、针对每一次TBM掘进循环，在TBM掘进循环后获取所述TBM掘进循环的参数数据；
所述TBM掘进循环参数数据包括：所述TBM掘进循环中的刀盘扭矩数据、掘进速度数据、刀盘转速数据；
A2、基于所述TBM掘进循环的参数数据，对所述TBM掘进循环进行划分处理，确定所述TBM在掘进循环中依次相邻的空推段、上升段、稳定段、停机段；
所述A2包括：
A2-1、基于所述TBM掘进循环中的刀盘转速数据，确定所述TBM掘进循环中空推段的起点和停机段的终点；
其中，所述TBM掘进循环中空推段的起点为：所述刀盘扭矩大于0且所述TBM掘进循环中的刀盘转速由0值变为非0值时的时间点；
所述所述TBM掘进循环中停机段的终点为：所述刀盘扭矩大于0且所述TBM掘进循环中的刀盘转速由非0值突变为0值时的时间点；
A2-2、基于所述TBM掘进循环中的刀盘转速数据和掘进速度数据，确定所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点；
所述A2-2包括：
A2-2-1、基于所述TBM掘进循环中的刀盘扭矩数据，确定所述TBM掘进循环中刀盘扭矩上升时的起始时间点；
A2-2-2、基于所述TBM掘进循环中的掘进速度数据，确定所述TBM掘进循环中掘进速度第二次开始上升时的时间点；
A2-2-3、判断所述TBM掘进循环中刀盘扭矩上升时的起始时间点与所述TBM掘进循环中掘进速度第二次开始上升时的时间点在所述TBM掘进循环中的先后顺序，得到判断结果；
A2-2-4、基于所述判断结果，确定作为所述TBM掘进循环中上升段的起点和空推段终点的第一时间点。
所述A2-2-4包括：
若所述TBM掘进循环中刀盘扭矩上升的起始时间点在所述TBM掘进循环中掘进速度第二次开始上升时的时间点之前，则确定所述TBM掘进循环中掘进速度第二次开始上升时的时间点作为所述TBM掘进循环中上升段的起点和空推段终点的第一时间点。
若所述TBM掘进循环中刀盘扭矩上升的起始时间点在所述TBM掘进循环中掘进速度第二次开始上升时的时间点之后，则确定所述TBM掘进循环中刀盘扭矩上升的起始时间点作为所述TBM掘进循环中上升段的起点和空推段终点的第一时间点。
A2-3、基于所述TBM掘进循环中的刀盘转速数据，确定所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点；
所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点为刀盘转速由稳定转为下降时的拐点所对应的时间点；
A2-4、基于所述TBM掘进循环中空推段的起点和停机段的终点、所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点、所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点、所述TBM掘进循环的参数数据，确定所述TBM在掘进循环中作为稳定段的起点和上升段的终点的第三时间点；
所述A2-4包括：
A2-4-1、基于所述TBM掘进循环中空推段的起点和停机段的终点、所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点，确定所述TBM掘进循环中的空推段；
A2-4-2、基于所述TBM掘进循环中空推段的起点和停机段的终点、所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点，确定所述TBM掘进循环中的停机段；
A2-4-3、基于所述TBM掘进循环中的空推段、停机段以及TBM掘进循环中的作为上升段的起点和空推段终点的第一时间点，确定TBM掘进循环中的第一时间段；
其中，所述第一时间段为：所述TBM掘进循环中除了所述TBM掘进循环中的空推段、TBM掘进循环中的停机段以及以TBM掘进循环中的上升段的起点后的第二预设时间段之外的时间段；
A2-4-4、获取所述TBM掘进循环中第一时间段所对应的刀盘扭矩数据；
A2-4-5、基于所述TBM掘进循环中第一时间段所对应的刀盘扭矩数据，获取所述TBM掘进循环中第一时间段中刀盘扭矩的平均值；
A2-4-6、基于所述TBM掘进循环中第一时间段中刀盘扭矩的平均值，和所述TBM掘进循环中第一时间段所对应的刀盘扭矩数据，确定所述TBM在掘进循环中作为稳定段的起点和上升段的终点的第三时间点；
其中所述第三时间点为：所述TBM掘进循环中第一时间段内刀盘扭矩第一次达到所述第一时间段中刀盘扭矩的平均值时的时间点；
A2-5、基于所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点、所述TBM在掘进循环中作为稳定段的起点和上升段的终点的第三时间点，确定所述TBM在掘进循环中的上升段；
所述第二预设时间段为60s。
优选的，还包括：
A3、基于所述TBM掘进循环中的上升段和TBM掘进循环的参数数据，获取所述TBM掘进循环中的上升段所对应的参数数据；
A4、根据所述TBM掘进循环中上升段所对应的参数数据，采用预先
设定的预测算法对所述TBM掘进循环中的地质参数进行预测，获取预测结果。
另一方面，本发明实施例还提供一种围岩等级的预测方法，所述方法包括：
S1、获取待预测的每一掘进循环中的第二数据；
所述第二数据包括：采用如上述开敞式TBM掘进循环的划分方法确定的每一掘进循环中的第一时间段所对应的最终的输入特征数据的均值；
其中，所述掘进循环中的第一时间段包括：掘进循环中的上升段和稳定段；
所述最终的输入特征为：刀盘转速、钢拱架泵压力、撑靴泵压力、撑靴压力、主机皮带机泵压力、右撑靴滚动角、顶护盾压力、单位贯入度扭矩、每个循环平均掘进速度、左撑靴滚动角、前盾俯仰角和推进速度；
S2、将所述第二数据输入至预先借助训练集数据获取的训练后的分类模型中，获取分类结果。
优选的，所述S1之前还包括：
S0、获取训练集数据，并根据训练集数据确定最终的输入特征以及根据训练集数据训练预先设定的分类模型，获取训练后的分类模型；
所述训练集数据包括：多个掘进循环中的第一数据以及每一第一数据所对应的围岩等级标签；
所述第一数据包括：按照本发明实施例提供的一种开敞式TBM掘进循环的划分方法确定的掘进循环中的第一时间段中的预先选择的20个特征的数据的均值；
其中，所述预先设定的分类模型为采用LightGBM算法搭建的分类模型。
优选的，所述S0包括：
S01、将训练集数据以及预先设定的第一分类模型，输入至SHAP(SHapleyAdditive exPlanations)模型中，分别获取所述20个特征的数据的特征贡献度；
其中，所述预先设定的第一分类模型为经过训练集数据训练后的分类模型；
S02、将特征贡献度最小的特征的数据从所述训练集数据中剔除，获取新的训练集数据；
S03、将所述新的训练集数据划分成多个训练子集数据；
S04、基于所述多个训练子集数据，采用预先设定的分类模型进行交叉验证训练，获取所述预先设定的分类模型所对应的分类准确率；
所述预先设定的分类模型所对应的分类准确率为所述预先设定的分类模型进行针对每一训练子集训练得到的分类准确率的平均值；
S05、重复S02-S05直至训练集数据中20个特征数据剔除完毕，则获取每一新的训练集数据所对应的预先设定的分类模型所对应的分类准确率；
S06、根据每一新的训练集数据所对应的预先设定的分类模型所对应的分类准确率的大小，确定最终的输入特征；
其中，所述最终的输入特征为分类准确率最高时所对应的新的训练集中的所有特征；
S07、将所述最终的输入特征对应的新的训练集训练预先设定的分类模型，获取训练后的分类模型。
优选的，
所述20个特征数据为：刀盘转速、钢拱架泵压力、撑靴泵压力、撑靴压力、主机皮带机泵压力、左撑靴滚动角、顶护盾压力、单位贯入度扭矩、每个循环平均掘进速度、主机皮带机转速、推进速度、刀盘扭矩、前盾俯仰角、转渣皮带机转速、右护盾压力、前盾滚动角、总推进力、左护盾压力、贯入度和单位贯入度推力。
另一方面本实施例还提供一种岩性预测方法，所述方法包括：
Q1、获取待预测的多个掘进循环的每一掘进循环中的第三数据；
所述第三数据包括：采用上述开敞式TBM掘进循环的划分方法确定的每一掘进循环中的上升段中的前15秒所对应的最优特征的数据；
其中，所述最优特征包括：齿轮密封外密封压力、齿轮密封内密封压力、撑靴泵压力、右撑靴滚动角、左撑靴滚动角、主机皮带机转速、顶护盾压力、前盾俯仰角、刀盘转速；
Q2、将所述第三数据输入至训练后的基于全局注意力机制的LSTM(LSTM，LongShort-TermMemory)网络多层网络结构模型，获取预测结果；
其中，所述基于全局注意力机制的LSTM网络多层网络结构模型依次包括：输入层、LSTM层、批量标准化层、全局注意力机制层、Dropout层、全连接层、输出层。
优选的，所述Q1之前还包括：
Q01、获取多个掘进循环，并采用如上述开敞式TBM掘进循环的划分方法确定每一掘进循环中的上升段；
Q02、基于所确定的每一掘进循环中的上升段，获取每一掘进循环的第四数据；
所述第四数据包括每一掘进循环中上升段中的前15秒的第一特征数据以及所述每一掘进循环中上升段中的前15秒的第一特征数据所对应的岩性标签；
其中所述第一特征数据包括12个特征的数据；
所述12个特征包括：齿轮密封外密封压力、齿轮密封内密封压力、撑靴泵压力、右撑靴滚动角、左撑靴滚动角、主机皮带机转速、转渣皮带机转速、顶护盾压力、前盾俯仰角、总推进力、刀盘转速和贯入度；
Q03、将多个所述第四数据随机划分出第一训练集；
Q04、基于所述第一训练集，采用5倍交叉验证和基于随机森林模型的递归特征消除法，在所述12个特征中确定最优特征；
其中所述最优特征包括：采用5倍交叉验证过程中将所述第一训练集划分为5个第一训练子集中分类精度最高的第一训练子集中的特征；
Q05、获取第二训练集，其中所述第二训练集包括多个第五数据；
所述第五数据包括掘进循环中上升段中的最优特征的前15秒的最优特征的数据和所述掘进循环中上升段中的最优特征的前15秒的最优特征的数据所对应的岩性标签；
Q06、根据所述第二训练集，训练预先设定的基于全局注意力机制的LSTM网络多层网络结构模型，获取训练后的基于全局注意力机制的LSTM网络多层网络结构模型；
其中，所述基于全局注意力机制的LSTM网络多层网络结构模型，包括：
输入层，用于接收输入的数据；
包括多个神经元LSTM层，用于提取每一秒所输入的数据中的隐藏特征，并根据输入的数据所对应的标签调整LSTM层中的权重参数和偏置参数；
批量标准化层，用于将每一秒所对应的隐藏特征进行标准化；
全局注意力机制层，用于通过全局注意力机制获取输入的数据中每秒内隐藏特征所对应的权重；
Dropout层，随机丢弃LSTM中训练过程中神经元的数量；
全连接层，把提取到的隐藏特征综合起来，并与所述全连接层构成一个Softmax分类器，所述Softmax分类型对输入的数据进行分类，并输出预测结果。
优选的，所述Q06具体包括：
输入层，接收输入的第二训练集中的第五数据；
包括多个神经元的LSTM层，提取输入的第五数据中掘进循环中上升段中的前15秒的最优特征的数据中的每一秒的隐藏特征；根据所述第五数据中掘进循环中上升段中的前15秒的最优特征的数据中的每一秒的隐藏特征和输入的第五数据中掘进循环中上升段中的前15秒的最优特征的数据所对应的标签采用交叉熵损失函数和误差反向传播算法调整LSTM层的权重参数和偏置参数；
批量标准化层，将所述第五数据中掘进循环中上升段中的前15秒的最优特征的数据中的每一秒的隐藏特征进行标准化；
全局注意力机制层，通过全局注意力机制获取输入的第五数据中每秒内隐藏特征所对应的权重；
Dropout层，随机丢弃LSTM中训练过程中神经元的数量；
全连接层，把提取到的隐层特征综合起来，且与输出层构成一个Softmax分类器，所述Softmax分类型对第五数据进行分类，并输出预测结果；
重复上述步骤，直至交叉熵损失函数的损失误差收敛，则获取训练后的基于全局注意力机制的LSTM网络多层网络结构模型。
优选的，
所述交叉熵损失函数为：
其中，K为岩性种类数量；y为岩性标签；pi是岩性标签i的预测概率。
(三)有益效果
本发明的有益效果是：本发明的一种开敞式TBM掘进循环的划分方法，利用刀盘扭矩设备性能参数与掘进速度、刀盘转速控制参数能有效划分出开敞式TBM掘进循环的空推段、上升段、稳定段、停机段四个阶段，掘进循环划分更精准、细致。
本发明的一种围岩等级的预测方法，由于是基于本发明的一种开敞式TBM掘进循环的划分方法划分出的掘进数据进行围岩等级的预测，预测结果更为准确。
本发明的一种岩性预测方法，由于是基于本发明的一种开敞式TBM掘进循环的划分方法划分出的掘进数据进行岩性的预测，预测结果更为准确。
附图说明
图1为本发明的一种开敞式TBM掘进循环的划分方法流程图；
图2为以本发明的TBM掘进循环的划分方法划分的一个掘进循环结果示意图；
图3为本实施例中一个掘进循环中TBM的掘进速度和刀盘扭矩的示意图；
图4为本发明的一种围岩等级预测方法流程图；
图5为本发明的围岩等级预测方法实施例中特征数量与准确率示意图；
图6为本发明的一种岩性预测方法流程图；
图7为本发明的岩性预测方法实施例中特征数量与准确率示意图；
图8为本发明中基于全局注意力机制的LSTM网络多层网络结构模型示意图；
图9为现有技术中全局注意力机制示意图。
【附图标记说明】
1：掘进速度稳定上升点；
2：刀盘扭矩稳定上升点。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例一
第一方面，参见图1，本发明实施例提供一种开敞式TBM掘进循环的划分方法，包括：
A1、针对每一次TBM掘进循环，在TBM掘进循环后获取所述TBM掘进循环的参数数据。
所述TBM掘进循环参数数据包括：所述TBM掘进循环中的刀盘扭矩数据、掘进速度数据、刀盘转速数据。
A2、基于所述TBM掘进循环的参数数据，对所述TBM掘进循环进行划分处理，确定所述TBM在掘进循环中依次相邻的空推段、上升段、稳定段、停机段，如图2所示。
所述A2包括：
A2-1、基于所述TBM掘进循环中的刀盘转速数据，确定所述TBM掘进循环中空推段的起点和停机段的终点。
其中，所述TBM掘进循环中空推段的起点为：所述刀盘扭矩大于0且所述TBM掘进循环中的刀盘转速由0值变为非0值时的时间点。
所述所述TBM掘进循环中停机段的终点为：所述刀盘扭矩大于0且所述TBM掘进循环中的刀盘转速由非0值突变为0值时的时间点。
也就是说，所述刀盘扭矩大于0且开敞式TBM刀盘转速由0rpm/min突变为非0值时，将此时间点作为一个掘进循环的起点也是一个掘进循环中空推段的起点，若刀盘扭矩大于0且刀盘转速由非0值突变为0rpm/min时的时间点作为整个掘进循环的终点也是一个掘进循环中停机段的终点。
A2-2、基于所述TBM掘进循环中的刀盘转速数据和掘进速度数据，确定所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点。
所述A2-2包括：
A2-2-1、基于所述TBM掘进循环中的刀盘扭矩数据，确定所述TBM掘进循环中刀盘扭矩上升时的起始时间点；如图3中刀盘扭矩稳定上升点2所对应的时间点。
A2-2-2、基于所述TBM掘进循环中的掘进速度数据，确定所述TBM掘进循环中掘进速度第二次开始上升时的时间点；如图3中掘进速度稳定上升点1所对应的时间点。
A2-2-3、判断所述TBM掘进循环中刀盘扭矩上升时的起始时间点与所述TBM掘进循环中掘进速度第二次开始上升时的时间点在所述TBM掘进循环中的先后顺序，得到判断结果。
A2-2-4、基于所述判断结果，确定作为所述TBM掘进循环中上升段的起点和空推段终点的第一时间点。
所述A2-2-4包括：
若所述TBM掘进循环中刀盘扭矩上升的起始时间点在所述TBM掘进循环中掘进速度第二次开始上升时的时间点之前，则确定所述TBM掘进循环中掘进速度第二次开始上升时的时间点作为所述TBM掘进循环中上升段的起点和空推段终点的第一时间点。
若所述TBM掘进循环中刀盘扭矩上升的起始时间点在所述TBM掘进循环中掘进速度第二次开始上升时的时间点之后，则确定所述TBM掘进循环中刀盘扭矩上升的起始时间点作为所述TBM掘进循环中上升段的起点和空推段终点的第一时间点。
A2-3、基于所述TBM掘进循环中的刀盘转速数据，确定所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点。
所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点为刀盘转速由稳定转为下降时的拐点所对应的时间点。
A2-4、基于所述TBM掘进循环中空推段的起点和停机段的终点、所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点、所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点、所述TBM掘进循环的参数数据，确定所述TBM在掘进循环中作为稳定段的起点和上升段的终点的第三时间点。
所述A2-4包括：
A2-4-1、基于所述TBM掘进循环中空推段的起点和停机段的终点、所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点，确定所述TBM掘进循环中的空推段。
A2-4-2、基于所述TBM掘进循环中空推段的起点和停机段的终点、所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点，确定所述TBM掘进循环中的停机段。
A2-4-3、基于所述TBM掘进循环中的空推段、停机段以及TBM掘进循环中的作为上升段的起点和空推段终点的第一时间点，确定TBM掘进循环中的第一时间段。
其中，所述第一时间段为：所述TBM掘进循环中除了所述TBM掘进循环中的空推段、TBM掘进循环中的停机段以及以TBM掘进循环中的上升段的起点后的第二预设时间段之外的时间段。
A2-4-4、获取所述TBM掘进循环中第一时间段所对应的刀盘扭矩数据。
A2-4-5、基于所述TBM掘进循环中第一时间段所对应的刀盘扭矩数据，获取所述TBM掘进循环中第一时间段中刀盘扭矩的平均值。
A2-4-6、基于所述TBM掘进循环中第一时间段中刀盘扭矩的平均值，和所述TBM掘进循环中第一时间段所对应的刀盘扭矩数据，确定所述TBM在掘进循环中作为稳定段的起点和上升段的终点的第三时间点。
其中所述第三时间点为：所述TBM掘进循环中第一时间段内刀盘扭矩第一次达到所述第一时间段中刀盘扭矩的平均值时的时间点。
A2-5、基于所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点、所述TBM在掘进循环中作为稳定段的起点和上升段的终点的第三时间点，确定所述TBM在掘进循环中的上升段。
所述第二预设时间段为60s。
优选的，还包括：
A3、基于所述TBM掘进循环中的上升段和TBM掘进循环的参数数据，获取所述TBM掘进循环中的上升段所对应的参数数据。
A4、根据所述TBM掘进循环中上升段所对应的参数数据，采用预先
设定的预测算法对所述TBM掘进循环中的地质参数进行预测，获取预测结果。
本实施例中，利用刀盘扭矩设备性能参数与掘进速度、刀盘转速等设备控制参数能有效划分出开敞式TBM掘进循环的空推段、上升段、稳定段、停机段四个阶段，掘进循环划分更精准、细致。
实施例二
参见图4，另一方面，本发明实施例还提供一种围岩等级的预测方法，所述方法包括：
S1、获取待预测的每一掘进循环中的第二数据。
所述第二数据包括：采用如上述开敞式TBM掘进循环的划分方法确定的每一掘进循环中的第一时间段所对应的最终的输入特征数据的均值。
其中，所述掘进循环中的第一时间段包括：掘进循环中的上升段和稳定段。
所述最终的输入特征为：刀盘转速、钢拱架泵压力、撑靴泵压力、撑靴压力、主机皮带机泵压力、右撑靴滚动角、顶护盾压力、单位贯入度扭矩、每个循环平均掘进速度、左撑靴滚动角、前盾俯仰角和推进速度；
S2、将所述第二数据输入至预先借助训练集数据获取的训练后的分类模型中，获取分类结果。
优选的，所述S1之前还包括：
S0、获取训练集数据，并根据训练集数据确定最终的输入特征以及根据训练集数据训练预先设定的分类模型，获取训练后的分类模型。
所述训练集数据包括：多个掘进循环中的第一数据以及每一第一数据所对应的围岩等级标签。
所述第一数据包括：按照本实施例提供的开敞式TBM掘进循环的划分方法确定的掘进循环中的第一时间段中的预先选择的20个特征的数据的均值。
其中，所述预先设定的分类模型为采用LightGBM算法搭建的分类模型。
优选的，所述S0包括：
S01、将训练集数据以及预先设定的第一分类模型，输入至SHAP模型中，分别获取所述20个特征的数据的特征贡献度。
其中，所述预先设定的第一分类模型为经过训练集数据训练后的分类模型。
S02、将特征贡献度最小的特征的数据从所述训练集数据中剔除，获取新的训练集数据。
S03、将所述新的训练集数据划分成多个训练子集数据。
S04、基于所述多个训练子集数据，采用预先设定的分类模型进行交叉验证训练，获取所述预先设定的分类模型所对应的分类准确率。
所述预先设定的分类模型所对应的分类准确率为所述预先设定的分类模型进行针对每一训练子集训练得到的分类准确率的平均值。
S05、重复S02-S05直至训练集数据中20个特征数据剔除完毕，则获取每一新的训练集数据所对应的预先设定的分类模型所对应的分类准确率。
S06、参见图5，根据每一新的训练集数据所对应的预先设定的分类模型所对应的分类准确率的大小，确定最终的输入特征。
其中，所述最终的输入特征为分类准确率最高时所对应的新的训练集中的所有特征。
S07、将所述最终的输入特征对应的新的训练集训练预先设定的分类模型，获取训练后的分类模型。
优选的，所述20个特征数据为：刀盘转速、钢拱架泵压力、撑靴泵压力、撑靴压力、主机皮带机泵压力、左撑靴滚动角、顶护盾压力、单位贯入度扭矩、每个循环平均掘进速度、主机皮带机转速、推进速度、刀盘扭矩、前盾俯仰角、转渣皮带机转速、右护盾压力、前盾滚动角、总推进力、左护盾压力、贯入度和单位贯入度推力。
实施例三
参见图6，本实施例还提供一种岩性预测方法，所述方法包括：
Q1、获取待预测的多个掘进循环的每一掘进循环中的第三数据。
所述第三数据包括：采用上述开敞式TBM掘进循环的划分方法确定的每一掘进循环中的上升段中的前15秒所对应的最优特征的数据。
其中，所述最优特征包括：齿轮密封外密封压力、齿轮密封内密封压力、撑靴泵压力、右撑靴滚动角、左撑靴滚动角、主机皮带机转速、顶护盾压力、前盾俯仰角、刀盘转速。
Q2、将所述第三数据输入至训练后的基于全局注意力机制的LSTM网络多层网络结构模型，获取预测结果。
其中，所述基于全局注意力机制的LSTM网络多层网络结构模型依次包括：输入层、LSTM层、批量标准化层、全局注意力机制层、Dropout层、全连接层、输出层。
优选的，所述Q1之前还包括：
Q01、获取多个掘进循环，并采用如本实施例的提供开敞式TBM掘进循环的划分方法确定每一掘进循环中的上升段。
Q02、基于所确定的每一掘进循环中的上升段，获取每一掘进循环的第四数据。
所述第四数据包括每一掘进循环中上升段中的前15秒的第一特征数据以及所述每一掘进循环中上升段中的前15秒的第一特征数据所对应的岩性标签。
其中所述第一特征数据包括12个特征的数据。
所述12个特征包括：齿轮密封外密封压力、齿轮密封内密封压力、撑靴泵压力、右撑靴滚动角、左撑靴滚动角、主机皮带机转速、转渣皮带机转速、顶护盾压力、前盾俯仰角、总推进力、刀盘转速和贯入度。
Q03、将多个所述第四数据随机划分出第一训练集。
Q04、基于所述第一训练集，采用5倍交叉验证和基于随机森林模型的递归特征消除法，参见图7，在所述12个特征中确定最优特征。
其中所述最优特征包括：采用5倍交叉验证过程中将所述第一训练集划分为5个第一训练子集中分类精度最高的第一训练子集中的特征。
Q05、获取第二训练集，其中所述第二训练集包括多个第五数据。
所述第五数据包括掘进循环中上升段中的最优特征的前15秒的最优特征的数据和所述掘进循环中上升段中的最优特征的前15秒的最优特征的数据所对应的岩性标签。
Q06、根据所述第二训练集，训练预先设定的基于全局注意力机制的LSTM网络多层网络结构模型，获取训练后的基于全局注意力机制的LSTM网络多层网络结构模型。
其中，参见图8，所述基于全局注意力机制的LSTM网络多层网络结构模型，包括：
输入层，用于接收输入的数据。
LSTM层，用于提取每一秒所输入的数据中的隐藏特征，并根据输入的数据所对应的标签调整LSTM层中的权重参数和偏置参数。
批量标准化层，用于将每一秒所对应的隐藏特征进行标准化。
全局注意力机制层，用于通过全局注意力机制获取输入的数据中每秒内隐藏特征所对应的权重。
Dropout层，随机丢弃LSTM中训练过程中神经元的数量。
全连接层，把提取到的隐藏特征综合起来，并与所述全连接层构成一个Softmax分类器，所述Softmax分类型对输入的数据进行分类，并输出预测结果。
本实施例中，为提高LSTM提取特征的深度，基于全局注意力机制的LSTM网络多层网络结构模型引入全局注意力机制，进一步提高模型预测岩性的性能。首先将数据经过上级层处理后的所有隐藏状态作为输入(在本实施例中，输入是掘进循环中上升段中的前15秒的数据)。然后，通过获取上下文向量(Context vector)lt，并用它捕获相关的输入，以帮助预测当前的目标岩性。全局注意力机制，如图9所示。
附图9中，at为全局校准权重(Global align weights)，取最后一秒的隐藏状态(第15秒的隐藏状态)作为当前目标隐藏状态dt。
通过将当前目标隐藏状态dt与每个源隐藏状态ds进行比较，得出一个可变长度的校准向量at，其长度与时间步长相同，其方法如下所示：
其中，采用的打分公式如下所示：
式中，Wa为可更新的权重矩阵。
然后，我们通过加权平均的方式得到lt，如下所示：
最后，使用一个串联层(concatenation layer)来组合lt和dt的信息以产生注意力隐藏状态如下所示：
式中，Wc为可更新的权重矩阵。
由上述原理，全局注意力机制的主要是考虑所有隐藏层状态，通过对最后一秒的隐藏层状态与其它时刻的隐藏层状态的对比(由于在这之前的上级层中使用了LSTM，所以最后一秒的隐藏层状态包含了在它之前的时刻的信息，这使得它能够作为打分的目标状态)，得到与各时刻隐藏状态相对应的权重矩阵。对预测目标更有效的时刻的隐藏状态将会被赋予更大的权重，从而使得数据与预测目标关联更为紧密，强化了重要时刻(对于预测岩性来说)的信息，使得我们能够得到更好的结果，有利于提升我们模型的预测能力。
优选的，所述Q06具体包括：
输入层，接收输入的第二训练集中的第五数据。
包括多个神经元的LSTM层，提取输入的第五数据中掘进循环中上升段中的前15秒的最优特征的数据中的每一秒的隐藏特征；根据所述第五数据中掘进循环中上升段中的前15秒的最优特征的数据中的每一秒的隐藏特征输入的第五数据中掘进循环中上升段中的前15秒的最优特征的数据所对应的标签采用交叉熵损失函数和误差反向传播算法调整LSTM层的权重参数和偏置参数。
批量标准化层，将所述第五数据中掘进循环中上升段中的前15秒的最优特征的数据中的每一秒的隐藏特征进行标准化。
全局注意力机制层，通过全局注意力机制获取输入的第五数据中每秒内隐藏特征所对应的权重。
Dropout层，随机丢弃LSTM中训练过程中神经元的数量。
全连接层，把提取到的隐层特征综合起来，且与输出层构成一个Softmax分类器，所述Softmax分类型对第五数据进行分类，并输出预测结果。
重复上述步骤，直至交叉熵损失函数的损失误差收敛，则获取训练后的基于全局注意力机制的LSTM网络多层网络结构模型。
优选的，所述交叉熵损失函数为：
其中，K为岩性种类数量；y为岩性标签；pi是岩性标签i的预测概率。
为充分发挥批标准化层的作用，在模型训练的最初阶段，我们预先将批处理尺寸设定为64。用随机搜索优化基于全局注意力机制的LSTM网络多层网络结构模型中预设的超参数。
本实施例中，Q06还包括：
估算每个超参数的范围，并依据该范围分配相应的值。
将随机搜索的最大迭代次数设置为50，优选各超参数的可能值的最优组合。
预设最大训练周期为500，结合earlystopping策略，当基于全局注意力机制的LSTM网络多层网络结构模型在预先设定的验证集上的准确率迭代30个周期仍没有上升时停止训练。
预先设定的验证集包括多个第五数据。
选取验证集在训练基于全局注意力机制的LSTM网络多层网络结构模型过程中准确率最大的超参数组合为最优参数。
将所建立的基于全局注意力机制的LSTM网络多层网络结构模型通过预先设定的测试集进行评价。
所述预先设定的测试集包括多个第五数据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，技术方案应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明技术方案及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

Claims (5)

1.一种围岩等级的预测方法，其特征在于，所述方法包括：
S1、获取待预测的每一掘进循环中的第二数据；
所述第二数据包括：采用开敞式TBM掘进循环的划分方法确定的每一掘进循环中的第一时间段所对应的最终的输入特征数据的均值；
其中，所述掘进循环中的第一时间段包括：掘进循环中的上升段和稳定段；
所述最终的输入特征为：刀盘转速、钢拱架泵压力、撑靴泵压力、撑靴压力、主机皮带机泵压力、右撑靴滚动角、顶护盾压力、单位贯入度扭矩、每个循环平均掘进速度、左撑靴滚动角、前盾俯仰角和推进速度；
S2、将所述第二数据输入至预先借助训练集数据获取的训练后的分类模型中，获取分类结果；
所述开敞式TBM掘进循环的划分方法，包括：
A1、针对每一次TBM掘进循环，在TBM掘进循环后获取所述TBM掘进循环的参数数据；
所述TBM掘进循环参数数据包括：所述TBM掘进循环中的刀盘扭矩数据、掘进速度数据、刀盘转速数据；
A2、基于所述TBM掘进循环的参数数据，对所述TBM掘进循环进行划分处理，确定所述TBM在掘进循环中依次相邻的空推段、上升段、稳定段、停机段；
所述A2包括：
A2-1、基于所述TBM掘进循环中的刀盘转速数据，确定所述TBM掘进循环中空推段的起点和停机段的终点；
其中，所述TBM掘进循环中空推段的起点为：所述刀盘扭矩大于0且所述TBM掘进循环中的刀盘转速由0值变为非0值时的时间点；
所述所述TBM掘进循环中停机段的终点为：所述刀盘扭矩大于0且所述TBM掘进循环中的刀盘转速由非0值突变为0值时的时间点；
A2-2、基于所述TBM掘进循环中的刀盘转速数据和掘进速度数据，确定所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点；
所述A2-2包括：
A2-2-1、基于所述TBM掘进循环中的刀盘扭矩数据，确定所述TBM掘进循环中刀盘扭矩上升时的起始时间点；
A2-2-2、基于所述TBM掘进循环中的掘进速度数据，确定所述TBM掘进循环中掘进速度第二次开始上升时的时间点；
A2-2-3、判断所述TBM掘进循环中刀盘扭矩上升时的起始时间点与所述TBM掘进循环中掘进速度第二次开始上升时的时间点在所述TBM掘进循环中的先后顺序，得到判断结果；
A2-2-4、基于所述判断结果，确定作为所述TBM掘进循环中上升段的起点和空推段终点的第一时间点；
所述A2-2-4包括：
若所述TBM掘进循环中刀盘扭矩上升的起始时间点在所述TBM掘进循环中掘进速度第二次开始上升时的时间点之前，则确定所述TBM掘进循环中掘进速度第二次开始上升时的时间点作为所述TBM掘进循环中上升段的起点和空推段终点的第一时间点；
若所述TBM掘进循环中刀盘扭矩上升的起始时间点在所述TBM掘进循环中掘进速度第二次开始上升时的时间点之后，则确定所述TBM掘进循环中刀盘扭矩上升的起始时间点作为所述TBM掘进循环中上升段的起点和空推段终点的第一时间点；
A2-3、基于所述TBM掘进循环中的刀盘转速数据，确定所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点；
所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点为刀盘转速由稳定转为下降时的拐点所对应的时间点；
A2-4、基于所述TBM掘进循环中空推段的起点和停机段的终点、所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点、所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点、所述TBM掘进循环的参数数据，确定所述TBM在掘进循环中作为稳定段的起点和上升段的终点的第三时间点；
所述A2-4包括：
A2-4-1、基于所述TBM掘进循环中空推段的起点和停机段的终点、所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点，确定所述TBM掘进循环中的空推段；
A2-4-2、基于所述TBM掘进循环中空推段的起点和停机段的终点、所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点，确定所述TBM掘进循环中的停机段；
A2-4-3、基于所述TBM掘进循环中的空推段、停机段以及TBM掘进循环中的作为上升段的起点和空推段终点的第一时间点，确定TBM掘进循环中的第一时间段；
其中，所述第一时间段为：所述TBM掘进循环中除了所述TBM掘进循环中的空推段、TBM掘进循环中的停机段以及以TBM掘进循环中的上升段的起点后的第二预设时间段之外的时间段；
A2-4-4、获取所述TBM掘进循环中第一时间段所对应的刀盘扭矩数据；
A2-4-5、基于所述TBM掘进循环中第一时间段所对应的刀盘扭矩数据，获取所述TBM掘进循环中第一时间段中刀盘扭矩的平均值；
A2-4-6、基于所述TBM掘进循环中第一时间段中刀盘扭矩的平均值，和所述TBM掘进循环中第一时间段所对应的刀盘扭矩数据，确定所述TBM在掘进循环中作为稳定段的起点和上升段的终点的第三时间点；
其中所述第三时间点为：所述TBM掘进循环中第一时间段内刀盘扭矩第一次达到所述第一时间段中刀盘扭矩的平均值时的时间点；
A2-5、基于所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点、所述TBM在掘进循环中作为稳定段的起点和上升段的终点的第三时间点，确定所述TBM在掘进循环中的上升段；
所述第二预设时间段为60s；
所述S1之前还包括：
S0、获取训练集数据，并根据训练集数据确定最终的输入特征以及根据训练集数据训练预先设定的分类模型，获取训练后的分类模型；
所述训练集数据包括：多个掘进循环中的第一数据以及每一第一数据所对应的围岩等级标签；
所述第一数据包括：掘进循环中的第一时间段中的预先选择的20个特征的数据的均值；
其中，所述预先设定的分类模型为采用LightGBM算法搭建的分类模型；
所述S0包括：
S01、将训练集数据以及预先设定的第一分类模型，输入至SHAP模型中，分别获取所述20个特征的数据的特征贡献度；
其中，所述预先设定的第一分类模型为经过训练集数据训练后的分类模型；
S02、将特征贡献度最小的特征的数据从所述训练集数据中剔除，获取新的训练集数据；
S03、将所述新的训练集数据划分成多个训练子集数据；
S04、基于所述多个训练子集数据，采用预先设定的分类模型进行交叉验证训练，获取所述预先设定的分类模型所对应的分类准确率；
所述预先设定的分类模型所对应的分类准确率为所述预先设定的分类模型进行针对每一训练子集训练得到的分类准确率的平均值；
S05、重复S02-S05直至训练集数据中20个特征数据剔除完毕，则获取每一新的训练集数据所对应的预先设定的分类模型所对应的分类准确率；
S06、根据每一新的训练集数据所对应的预先设定的分类模型所对应的分类准确率的大小，确定最终的输入特征；
其中，所述最终的输入特征为分类准确率最高时所对应的新的训练集中的所有特征；
S07、将所述最终的输入特征对应的新的训练集训练预先设定的分类模型，获取训练后的分类模型。
2.根据权利要求1所述的方法，其特征在于，
所述20个特征数据为：刀盘转速、钢拱架泵压力、撑靴泵压力、撑靴压力、主机皮带机泵压力、左撑靴滚动角、顶护盾压力、单位贯入度扭矩、每个循环平均掘进速度、主机皮带机转速、推进速度、刀盘扭矩、前盾俯仰角、转渣皮带机转速、右护盾压力、前盾滚动角、总推进力、左护盾压力、贯入度和单位贯入度推力。
3.一种岩性预测方法，其特征在于，所述方法包括：
Q1、获取待预测的多个掘进循环的每一掘进循环中的第三数据；
所述第三数据包括：采用开敞式TBM掘进循环的划分方法确定的每一掘进循环中的上升段中的前15秒所对应的最优特征的数据；
其中，所述最优特征包括：齿轮密封外密封压力、齿轮密封内密封压力、撑靴泵压力、右撑靴滚动角、左撑靴滚动角、主机皮带机转速、顶护盾压力、前盾俯仰角、刀盘转速；
Q2、将所述第三数据输入至训练后的基于全局注意力机制的LSTM网络多层网络结构模型，获取预测结果；
其中，所述基于全局注意力机制的LSTM网络多层网络结构模型依次包括：输入层、LSTM层、批量标准化层、全局注意力机制层、Dropout层、全连接层、输出层；
所述开敞式TBM掘进循环的划分方法，包括：
A1、针对每一次TBM掘进循环，在TBM掘进循环后获取所述TBM掘进循环的参数数据；
所述TBM掘进循环参数数据包括：所述TBM掘进循环中的刀盘扭矩数据、掘进速度数据、刀盘转速数据；
A2、基于所述TBM掘进循环的参数数据，对所述TBM掘进循环进行划分处理，确定所述TBM在掘进循环中依次相邻的空推段、上升段、稳定段、停机段；
所述A2包括：
A2-1、基于所述TBM掘进循环中的刀盘转速数据，确定所述TBM掘进循环中空推段的起点和停机段的终点；
其中，所述TBM掘进循环中空推段的起点为：所述刀盘扭矩大于0且所述TBM掘进循环中的刀盘转速由0值变为非0值时的时间点；
所述所述TBM掘进循环中停机段的终点为：所述刀盘扭矩大于0且所述TBM掘进循环中的刀盘转速由非0值突变为0值时的时间点；
A2-2、基于所述TBM掘进循环中的刀盘转速数据和掘进速度数据，确定所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点；
所述A2-2包括：
A2-2-1、基于所述TBM掘进循环中的刀盘扭矩数据，确定所述TBM掘进循环中刀盘扭矩上升时的起始时间点；
A2-2-2、基于所述TBM掘进循环中的掘进速度数据，确定所述TBM掘进循环中掘进速度第二次开始上升时的时间点；
A2-2-3、判断所述TBM掘进循环中刀盘扭矩上升时的起始时间点与所述TBM掘进循环中掘进速度第二次开始上升时的时间点在所述TBM掘进循环中的先后顺序，得到判断结果；
A2-2-4、基于所述判断结果，确定作为所述TBM掘进循环中上升段的起点和空推段终点的第一时间点；
所述A2-2-4包括：
若所述TBM掘进循环中刀盘扭矩上升的起始时间点在所述TBM掘进循环中掘进速度第二次开始上升时的时间点之前，则确定所述TBM掘进循环中掘进速度第二次开始上升时的时间点作为所述TBM掘进循环中上升段的起点和空推段终点的第一时间点；
若所述TBM掘进循环中刀盘扭矩上升的起始时间点在所述TBM掘进循环中掘进速度第二次开始上升时的时间点之后，则确定所述TBM掘进循环中刀盘扭矩上升的起始时间点作为所述TBM掘进循环中上升段的起点和空推段终点的第一时间点；
A2-3、基于所述TBM掘进循环中的刀盘转速数据，确定所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点；
所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点为刀盘转速由稳定转为下降时的拐点所对应的时间点；
A2-4、基于所述TBM掘进循环中空推段的起点和停机段的终点、所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点、所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点、所述TBM掘进循环的参数数据，确定所述TBM在掘进循环中作为稳定段的起点和上升段的终点的第三时间点；
所述A2-4包括：
A2-4-1、基于所述TBM掘进循环中空推段的起点和停机段的终点、所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点，确定所述TBM掘进循环中的空推段；
A2-4-2、基于所述TBM掘进循环中空推段的起点和停机段的终点、所述TBM在掘进循环中作为停机段的起点和稳定段的终点的第二时间点，确定所述TBM掘进循环中的停机段；
A2-4-3、基于所述TBM掘进循环中的空推段、停机段以及TBM掘进循环中的作为上升段的起点和空推段终点的第一时间点，确定TBM掘进循环中的第一时间段；
其中，所述第一时间段为：所述TBM掘进循环中除了所述TBM掘进循环中的空推段、TBM掘进循环中的停机段以及以TBM掘进循环中的上升段的起点后的第二预设时间段之外的时间段；
A2-4-4、获取所述TBM掘进循环中第一时间段所对应的刀盘扭矩数据；
A2-4-5、基于所述TBM掘进循环中第一时间段所对应的刀盘扭矩数据，获取所述TBM掘进循环中第一时间段中刀盘扭矩的平均值；
A2-4-6、基于所述TBM掘进循环中第一时间段中刀盘扭矩的平均值，和所述TBM掘进循环中第一时间段所对应的刀盘扭矩数据，确定所述TBM在掘进循环中作为稳定段的起点和上升段的终点的第三时间点；
其中所述第三时间点为：所述TBM掘进循环中第一时间段内刀盘扭矩第一次达到所述第一时间段中刀盘扭矩的平均值时的时间点；
A2-5、基于所述TBM掘进循环中作为上升段的起点和空推段终点的第一时间点、所述TBM在掘进循环中作为稳定段的起点和上升段的终点的第三时间点，确定所述TBM在掘进循环中的上升段；
所述第二预设时间段为60s；
所述Q1之前还包括：
Q01、获取多个掘进循环，并采用如所述开敞式TBM掘进循环的划分方法确定每一掘进循环中的上升段；
Q02、基于所确定的每一掘进循环中的上升段，获取每一掘进循环的第四数据；
所述第四数据包括每一掘进循环中上升段中的前15秒的第一特征数据以及所述每一掘进循环中上升段中的前15秒的第一特征数据所对应的岩性标签；
其中所述第一特征数据包括12个特征的数据；
所述12个特征包括：齿轮密封外密封压力、齿轮密封内密封压力、撑靴泵压力、右撑靴滚动角、左撑靴滚动角、主机皮带机转速、转渣皮带机转速、顶护盾压力、前盾俯仰角、总推进力、刀盘转速和贯入度；
Q03、将多个所述第四数据随机划分出第一训练集；
Q04、基于所述第一训练集，采用5倍交叉验证和基于随机森林模型的递归特征消除法，在所述12个特征中确定最优特征；
其中所述最优特征包括：采用5倍交叉验证过程中将所述第一训练集划分为5个第一训练子集中分类精度最高的第一训练子集中的特征；
Q05、获取第二训练集，其中所述第二训练集包括多个第五数据；
所述第五数据包括掘进循环中上升段中的最优特征的前15秒的最优特征的数据和所述掘进循环中上升段中的最优特征的前15秒的最优特征的数据所对应的岩性标签；
Q06、根据所述第二训练集，训练预先设定的基于全局注意力机制的LSTM网络多层网络结构模型，获取训练后的基于全局注意力机制的LSTM网络多层网络结构模型；
其中，所述基于全局注意力机制的LSTM网络多层网络结构模型，包括：
输入层，用于接收输入的数据；
包括多个神经元的LSTM层，用于提取每一秒所输入的数据中的隐藏特征，并根据输入的数据所对应的标签调整LSTM层中的权重参数和偏置参数；
批量标准化层，用于将每一秒所对应的隐藏特征进行标准化；
全局注意力机制层，用于通过全局注意力机制获取输入的数据中每秒内隐藏特征所对应的权重；
Dropout层，随机丢弃LSTM中训练过程中神经元的数量；
全连接层，把提取到的隐藏特征综合起来，并与所述全连接层构成一个Softmax分类器，所述Softmax分类型对输入的数据进行分类，并输出预测结果。
4.根据权利要求3所述的方法，其特征在于，所述Q06具体包括：
输入层，接收输入的第二训练集中的第五数据；
包括多个神经元的LSTM层，提取输入的第五数据中掘进循环中上升段中的前15秒的最优特征的数据中的每一秒的隐藏特征；根据所述第五数据中掘进循环中上升段中的前15秒的最优特征的数据中的每一秒的隐藏特征和输入的第五数据中掘进循环中上升段中的前15秒的最优特征的数据所对应的标签采用交叉熵损失函数和误差反向传播算法调整LSTM层的权重参数和偏置参数；
批量标准化层，将所述第五数据中掘进循环中上升段中的前15秒的最优特征的数据中的每一秒的隐藏特征进行标准化；
全局注意力机制层，通过全局注意力机制获取输入的第五数据中每秒内隐藏特征所对应的权重；
Dropout层，随机丢弃LSTM中训练过程中神经元的数量；
全连接层，把提取到的隐层特征综合起来，且与输出层构成一个Softmax分类器，所述Softmax分类型对第五数据进行分类，并输出预测结果；
重复上述步骤，直至交叉熵损失函数的损失误差收敛，则获取训练后的基于全局注意力机制的LSTM网络多层网络结构模型。
5.根据权利要求4所述的方法，其特征在于，
所述交叉熵损失函数为：
其中，K为岩性种类数量；y为岩性标签；pi是岩性标签i的预测概率。
CN202110322241.8A 2021-03-25 2021-03-25 一种开敞式tbm掘进循环的划分、围岩等级、岩性预测方法 Active CN113033097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110322241.8A CN113033097B (zh) 2021-03-25 2021-03-25 一种开敞式tbm掘进循环的划分、围岩等级、岩性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110322241.8A CN113033097B (zh) 2021-03-25 2021-03-25 一种开敞式tbm掘进循环的划分、围岩等级、岩性预测方法

Publications (2)

Publication Number Publication Date
CN113033097A CN113033097A (zh) 2021-06-25
CN113033097B true CN113033097B (zh) 2023-09-19

Family

ID=76474009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110322241.8A Active CN113033097B (zh) 2021-03-25 2021-03-25 一种开敞式tbm掘进循环的划分、围岩等级、岩性预测方法

Country Status (1)

Country Link
CN (1) CN113033097B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762360B (zh) * 2021-08-20 2024-03-29 同济大学 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法
CN114819328B (zh) * 2022-04-21 2024-07-12 平安科技（深圳）有限公司 标签预测方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN110895730A (zh) * 2019-12-31 2020-03-20 盾构及掘进技术国家重点实验室 一种基于lstm算法的tbm掘进参数的预测方法
CN111594198A (zh) * 2020-04-30 2020-08-28 东北大学 一种开敞式tbm施工数据掘进循环的划分方法
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN110895730A (zh) * 2019-12-31 2020-03-20 盾构及掘进技术国家重点实验室 一种基于lstm算法的tbm掘进参数的预测方法
CN111594198A (zh) * 2020-04-30 2020-08-28 东北大学 一种开敞式tbm施工数据掘进循环的划分方法
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 (4)

* Cited by examiner, † Cited by third party
Title
Z.H. Xu .etc."Hard-rock TBM jamming subject to adverse geological conditions: Influencing factor, hazard mode and a case study of Gaoligongshan Tunnel".《Tunnelling and Underground Space Technology》.2021,第108卷1-17. *
李龙 等."基于TBM岩机信息的隧洞断层超前智能感知加权投票模型研究".《岩石力学与工程学报》.2020,第39卷 3403-3411 . *
薛亚东 等."基于掘进性能的TBM施工围岩综合分级方法".《岩石力学与工程学报》.2018,第37卷3382-3391. *
邵良杉 等."改进GSM-RFC模型在回采巷道围岩稳定性分级的预测".《辽宁工程技术大学学报(自然科学版)》.2018,第37卷(第3期),449-455. *

Also Published As

Publication number Publication date
CN113033097A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN113033097B (zh) 一种开敞式tbm掘进循环的划分、围岩等级、岩性预测方法
Eskandarian et al. A comprehensive data mining approach to estimate the rate of penetration: Application of neural network, rule based models and feature ranking
Faradonbeh et al. Rockburst assessment in deep geotechnical conditions using true-triaxial tests and data-driven approaches
Wang et al. An integrated parameter prediction framework for intelligent TBM excavation in hard rock
Guo et al. Intelligent assistant driving method for tunnel boring machine based on big data
CN107194524B (zh) 一种基于rbf神经网络的煤与瓦斯突出预测方法
CN107122860B (zh) 基于网格搜索和极限学习机的冲击地压危险等级预测方法
CN104679818A (zh) 一种视频关键帧提取方法及系统
CN111140244B (zh) 一种硬岩掘进机支护等级智能推荐方法
CN108280289B (zh) 基于局部加权c4.5算法的冲击地压危险等级预测方法
Nababan et al. Attribute weighting based K-nearest neighbor using gain ratio
CN112348278A (zh) 一种基于XGBoost算法预测盾构机土仓压力的方法
US20230089887A1 (en) Systems for automated blast design planning and methods related thereto
CN114662699A (zh) 一种基于机器学习的盾构姿态预测方法
Zhu et al. Performance Evaluation Indicator (PEI): A new paradigm to evaluate the competence of machine learning classifiers in predicting rockmass conditions
Adoko et al. Fuzzy inference system-based for TBM field penetration index estimation in rock mass
CN115017791A (zh) 隧道围岩级别识别方法和装置
Shan et al. Effects of data smoothing and recurrent neural network (RNN) algorithms for real-time forecasting of tunnel boring machine (TBM) performance
CN114370264B (zh) 机械钻速确定、钻井参数优化方法、装置及电子设备
Song et al. A hybrid stacking framework optimized method for TBM performance prediction
Zhou et al. Hybrid random forest-based models for predicting shear strength of structural surfaces based on surface morphology parameters and metaheuristic algorithms
CN113323676B (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
CN116663203B (zh) 钻进参数优化方法及装置
CN117786794A (zh) 一种盾构下穿既有隧道变形优化控制方法及系统
CN109543268A (zh) 基于kriging模型的TBM推进力主要影响因素的识别方法

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