CN113158561A - 适用于多种岩体条件的tbm操作参数优化方法及系统 - Google Patents

适用于多种岩体条件的tbm操作参数优化方法及系统 Download PDF

Info

Publication number
CN113158561A
CN113158561A CN202110400488.7A CN202110400488A CN113158561A CN 113158561 A CN113158561 A CN 113158561A CN 202110400488 A CN202110400488 A CN 202110400488A CN 113158561 A CN113158561 A CN 113158561A
Authority
CN
China
Prior art keywords
rock mass
tbm
parameters
taking
conditions
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
CN202110400488.7A
Other languages
English (en)
Other versions
CN113158561B (zh
Inventor
刘斌
李术才
王瑞睿
王亚旭
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 CN202110400488.7A priority Critical patent/CN113158561B/zh
Publication of CN113158561A publication Critical patent/CN113158561A/zh
Application granted granted Critical
Publication of CN113158561B publication Critical patent/CN113158561B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明提供了适用于多种岩体条件的TBM操作参数优化方法及系统。其中，该方法包括获取岩体参数与其对应的TBM掘进数据；以岩体抗压强度与贯入度为输入，以刀盘推力为输出，建立第一变化规律；以岩体抗压强度与贯入度为输入，以刀盘扭矩为输出，建立第二变化规律；以岩体参数与操作参数为输入，以对应性能参数为输出，将第一变化规律和第二变化规律作为约束条件，建立输入与输出数据间的双驱动映射关系；以包含掘进速度与滚刀寿命在内的施工成本为综合优化目标，以推力、扭矩、皮带机输送量为多元约束指标，建立TBM操作参数优化模型；利用TBM操作参数优化模型计算已知岩体条件下各约束指标均在额定范围内且施工成本最小时的操作参数。

Description

适用于多种岩体条件的TBM操作参数优化方法及系统
技术领域
本发明属于隧道掘进机施工技术领域，尤其涉及一种适用于多种岩体条件的TBM操作参数优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
隧道被广泛应用于铁路、公路、水利水电以及城市地下空间的建设当中。由于隧道全断面岩石掘进机(Tunnel Boring Machine)具有掘进效率高、对围岩扰动小、成洞质量高、安全性强等方面优势，在深埋长大隧道建设方面已成为优先选用的施工装备。TBM在长大隧道施工方面有着显著的优势。然而，TBM对岩体地质条件的适应能力较弱，掘进操作参数的选择和调整主要依赖对岩体地质条件的定性认识和人为经验判断，导致TBM操作参数优化调整难以很好地匹配岩体地质条件变化，易出现掘进速度或利用率低，刀盘、刀具及主轴承异常磨损以及掘进成本剧增等情况，甚至导致TBM被卡与整机损毁等严重后果。而导致这些问题的原因主要在于当前已有部分TBM操作参数优化决策方面的研究大多尚在起步阶段，TBM操作参数的选择尚无定量标准，大多依赖经验进行调整。当面临高风险复杂地层或岩体地质条件突变等情况时，往往导致掘进参数决策缺乏科学依据，与岩体地质条件无法及时合理匹配。因此，开展适用于多种岩体条件的TBM操作参数优化方法研究，对于保障TBM安全高效掘进、破解TBM掘进效率低和施工成本高等问题具有重要的意义。
发明人发现，目前TBM主要操作参数的优化技术存在以下问题：
(1)现有操作参数优化过程中大多缺少针对不同岩体条件的多元约束，决策结果易超出合理的取值范围，随着岩体条件(比如：岩体强度、完整性、磨蚀性等)的变化，刀盘、刀具、皮带机等关键结构的工作负荷易超出额定值，影响TBM施工安全；
(2)现有操作参数优化研究中多以单一性能指标作为优化目标，难以得到多种岩体条件下，多项性能指标综合最优的操作参数决策结果。
发明内容
为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种适用于多种岩体条件的TBM操作参数优化方法及系统，其建立了TBM主要操作参数(如贯入度、刀盘转速等)与施工成本以及多项约束指标(推力、扭矩、皮带机输送量)的关系，从而获得了各约束指标均在额定范围内，且施工成本最优时的主要操作参数。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种适用于多种岩体条件的TBM操作参数优化方法。
一种适用于多种岩体条件的TBM操作参数优化方法，包括：
获取岩体参数与其对应的TBM掘进数据，所述TBM掘进数据包括操作参数及性能参数；
以岩体抗压强度与贯入度为输入，以刀盘推力为输出，建立第一变化规律；以岩体抗压强度与贯入度为输入，以刀盘扭矩为输出，建立第二变化规律；
以岩体参数与操作参数为输入，以对应性能参数为输出，将第一变化规律和第二变化规律作为约束条件，建立输入与输出数据间的双驱动映射关系；
以包含掘进速度与滚刀寿命在内的施工成本为综合优化目标，以推力、扭矩、皮带机输送量为多元约束指标，建立TBM操作参数优化模型；
利用TBM操作参数优化模型计算已知岩体条件下各约束指标均在额定范围内且施工成本最小时的操作参数。
本发明的第二个方面提供一种适用于多种岩体条件的TBM操作参数优化系统。
一种适用于多种岩体条件的TBM操作参数优化系统，包括：
数据获取模块，其用于获取岩体参数与其对应的TBM掘进数据，所述TBM掘进数据包括操作参数及性能参数；
变化规律构建模块，其用于以岩体抗压强度与贯入度为输入，以刀盘推力为输出，建立第一变化规律；以岩体抗压强度与贯入度为输入，以刀盘扭矩为输出，建立第二变化规律；
双驱动映射关系构建模块，其用于以岩体参数与操作参数为输入，以对应性能参数为输出，将第一变化规律和第二变化规律作为约束条件，建立输入与输出数据间的双驱动映射关系；
操作参数优化模型构建模块，其用于以包含掘进速度与滚刀寿命在内的施工成本为综合优化目标，以推力、扭矩、皮带机输送量为多元约束指标，建立TBM操作参数优化模型；
最优操作参数求取模块，其利用TBM操作参数优化模型计算已知岩体条件下各约束指标均在额定范围内且施工成本最小时的操作参数。
本发明的第三个方面提供一种计算机可读存储介质。
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如上述所述的适用于多种岩体条件的TBM操作参数优化方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，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如上述所述的适用于多种岩体条件的TBM操作参数优化方法中的步骤。
与现有技术相比，本发明的有益效果是：
(1)本发明建立了岩体参数、TBM操作参数与TBM性能参数间的映射关系，该映射可帮助施工人员，在已知岩体参数与操作参数的条件下，准确判断TBM各项性能。
(2)本发明利用多项已建立的映射关系，构建了TBM操作参数优化模型。模型包含的多项约束条件，所得操作参数可保障掘进过程中的TBM刀盘推力、扭矩、皮带机输送量等多项指标均在额定值范围内。
(3)本发明将含掘进速度与滚刀寿命在内的施工成本作为综合优化目标，可得到已知岩体条件下，施工成本最低的操作参数组合，有提高施工效率、节约施工成本并保障了施工安全的有益效果。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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为本发明实施例提供的TBM主要操作参数优化方法的整体流程图；
图2为本发明实施例构建岩体参数与TBM掘进参数间映射关系过程中所采用的深度神经网络方法示意图；
图3为本发明实施例中岩体条件下刀盘推力计算模型的计算结果；
图4为本发明实施例中岩体条件下刀盘扭矩计算模型的计算结果；
图5为本发明实施例中岩体条件下皮带机输送量计算模型的计算结果；
图6为本发明实施例中岩体条件下操作参数优化的合理范围；
图7为本发明实施例中岩体条件下掘进成本映射计算结果及操作参数优化结果。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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
基于图1，本实施例的适用于多种岩体条件的TBM操作参数优化方法，具体包括如下步骤：
步骤S101：获取岩体参数与其对应的TBM掘进数据，所述TBM掘进数据包括操作参数及性能参数。
在具体实施中，操作参数包括但不限于贯入度和刀盘转速。
性能参数包括但不限于掘进速度、滚刀寿命、推力、扭矩和皮带机输送量。
其中，滚刀寿命为隧道半径的平方、掘进距离和π三者的乘积与全部滚刀消耗数的比值。
具体地，刀盘推力、刀盘扭矩、掘进速度、皮带机输送量等TBM操作与性能参数原始数据由掘进机数据平台获得，滚刀磨损数据原始数据由工程现场的滚刀磨损记录的日进尺和日消耗滚刀数获得；
其中，TBM参数是在施工过程中通过TBM监测系统所采集到的每秒1条组的数据，一天可产生约8万组数据。
岩体参数原始数据由现场取芯与室内实验等方式获得，包括岩体强度(单轴抗压强度)、完整性(岩石质量指标)和磨蚀性指数(CAI值)；
滚刀寿命以天为单位进行统计，通过每日进尺及每日滚刀消耗数量，依据下式计算：
Figure BDA0003020208070000061
式中，Hf为每把滚刀开挖的岩体体积，即为滚刀寿命；n为每日滚刀消耗数量；L为每日进尺；DTBM为TBM的刀盘直径。
单轴抗压强度，通过在现场钻孔取芯，加工成标准试件后由单轴压缩试验得到，或者通过点荷载实验获得。
岩石质量指标(RQD)需采用人工计数的方式计算标准岩芯样本表面的节理数量，并依据下式计算：
Figure BDA0003020208070000071
式中，λ为岩芯的节理频数；L为岩芯长度；t为长度阈值。
磨蚀性指数(CAI)采用标准磨蚀性测试实验获取，即采用完整圆锥形合金钢针在恒定荷载下，以恒定速度(10mm/min)在光滑岩样表面刻划长为10mm的划痕，通过高清数码显微镜多角度记录划刻前后钢针显微图像，对比计算钢针损失部分的平均直径N，并依据下式计算CAI值：
Figure BDA0003020208070000072
式中，N为测试钢针磨损的直径。
由掘进机数据平台获得的TBM掘进参数共有近200种，其中大部分参数未被用于本实施例的方法中，因此需要对原始数据进行筛选，得到本实施例所需要的刀盘推力、刀盘扭矩、皮带机输送量和掘进速度等有效参数的数据，与沿线采集的岩体参数数据共同组成TBM岩机参数数据库。之后，将数据进行归一化处理，即对数据库中各参数转化为位于0到1范围内的无量纲数，消除量纲和数量级不同带来的影响，最后将处理后的数据集随机划分为训练集和测试集，用于映射模型的构建过程中。
步骤S102：以岩体抗压强度与贯入度为输入，以刀盘推力为输出，建立第一变化规律；以岩体抗压强度与贯入度为输入，以刀盘扭矩为输出，建立第二变化规律。
具体地，建立基于物理规律与数据挖掘双驱动的TBM各性能参数计算模型，输入变量为岩体抗压强度、完整性、磨蚀性以及刀盘转速、贯入度，输出变量为滚刀寿命、刀盘推力、刀盘扭矩、皮带机输送量。
步骤S103：以岩体参数与操作参数为输入，以对应性能参数为输出，将第一变化规律和第二变化规律作为约束条件，建立输入与输出数据间的双驱动映射关系。
如图2所示，采用全连接深度神经网络算法构建输入、输出参数间的映射模型，包括以下步骤：
构建数据集并进行清洗、补足与归一化处理，将数据集随机划分为训练集与测试集；
利用数值模拟、线性切割试验等方式，建立岩体抗压强度、贯入度与刀盘推力、刀盘扭矩间的理论映射关系，该关系将作为一种约束用于深度神经网络算法当中，以提升算法计算精度，降低过拟合风险；
以上述理论映射关系为约束，根据输入与输出参数的个数建立全连接深度神经网络，利用训练集训练深度神经网络并进行交叉验证，采用交叉验证所得计算精度最高的映射模型作为训练结果；
将测试集的输入数据代入训练所得映射模型，对比计算结果与测试集对应的输出值作为测试结果，若测试精度不满足需求，则需要重新训练映射模型。所构建的映射模型包括分别以滚刀寿命、刀盘推力、扭矩与皮带机输送量为目标的映射模型。
具体地，首先利用数值模拟、滚刀破岩试验等方法，建立部分输入与输出(输入为岩体抗压强度与贯入度，输出为刀盘推力与刀盘扭矩)间的回归关系，进而以上述回归关系为约束，利用训练集数据样本与深度神经网络算法建立各性能参数计算模型，并利用测试集对各性能参数计算模型进行测试。
FN＝-1.5×10-3·UCS2+0.26·UCS·p-0.74·p2+0.79·UCS+0.6·p-2.72 (4)
FR＝-1.44×10-4·UCS2+0.05·UCS·p-0.12·p2+0.01·UCS+0.13·p-1.8 (5)
Th＝N·FN (6)
Figure BDA0003020208070000091
其中，FN与FR分别为单滚刀破岩法向力与滚动力，Th与Tor分别为计算所得刀盘推力与刀盘扭矩，N为滚刀总数，ri为第i把滚刀的安装半径。UCS与p分别为岩体抗压强度与滚刀贯入度。
步骤S104：以包含掘进速度与滚刀寿命在内的施工成本为综合优化目标，以推力、扭矩、皮带机输送量为多元约束指标，建立TBM操作参数优化模型。
该掘进总成本主要考虑工期相关成本以及刀具相关成本。
掘进总成本计算模型为：
Figure BDA0003020208070000092
Figure BDA0003020208070000093
Ct＝Cs+Cc (10)
式中，Cs，Cc与Ct分别为工期相关成本、刀具相关成本与掘进总成本；L，A为掘进距离与隧道截面积；n为更换的滚刀总个数；C1为设备人工物料成本(￥/天)；C2为刀具成本(￥/把)；μ，t，PR与Hf分别为利用率，每日总时长(24h)，掘进速度与滚刀寿命。
步骤S105：利用TBM操作参数优化模型计算已知岩体条件下各约束指标均在额定范围内且施工成本最小时的操作参数。
结合上述的各TBM性能参数计算模型，在已知岩体条件的前提下，已建立的掘进成本计算模型可由与掘进速度和滚刀寿命的关系转变为与贯入度、刀盘转速的关系。采用全局搜索方法，得到刀盘推力、刀盘扭矩、皮带机输送量在额定条件下，掘进成本最小时所对应的TBM贯入度与刀盘转速，即为该岩体条件下TBM主要操作参数优化结果。
下面结合某一具体工况进行分析：
以某一实际工况为例，该工程段落围岩等级为III级，单轴抗压强度为100MPa，磨蚀性指标CAI为3.5dm，岩石完整性指标RQD为80％。设备人工物料成本c1约为35万￥/天，刀具成本c2约为3万￥/把。通过现场实测数据可构建TBM各性能指标的计算模型以及掘进成本计算模型，并在一定的范围内，以固定步长(贯入度1-16mm/r,步长1mm/r；刀盘转速0-10rpm,步长0.1rpm)遍历全部操作参数组合，并分别计算其对应的各性能参数值与掘进成本。
图3-图5分别为该实际工况中，刀盘推力、刀盘扭矩与皮带机输送量计算模型的计算结果。图中横轴表示贯入度，纵轴表示刀盘转速，图中每一个点均可代表一种操作参数组合，黑色曲线为各性能参数达到其额定值时的等值线，灰色区域则表示满足该约束的操作参数组合。对图3-5中的灰色区域求“交集”，即可得到图6中操作参数的合理取值范围。
图7为该实际工况中，掘进成本计算模型。图中黑色表示高成本区域，白色表示低成本区域，如图6所示，黑色虚线为操作参数的合理取值范围，在虚线框内选择掘进成本最低点作为操作参数的优化结果(黑色圆点)。
在该工况下，主要操作参数的优化结果为：最优贯入度为13mm/r，最优刀盘转速为6.0rpm，对应的施工成本为9128.89元。
实施例二
本实施例提供了一种适用于多种岩体条件的TBM操作参数优化系统，其包括：
数据获取模块，其用于获取岩体参数与其对应的TBM掘进数据，所述TBM掘进数据包括操作参数及性能参数；
变化规律构建模块，其用于以岩体抗压强度与贯入度为输入，以刀盘推力为输出，建立第一变化规律；以岩体抗压强度与贯入度为输入，以刀盘扭矩为输出，建立第二变化规律；
双驱动映射关系构建模块，其用于以岩体参数与操作参数为输入，以对应性能参数为输出，将第一变化规律和第二变化规律作为约束条件，建立输入与输出数据间的双驱动映射关系；
操作参数优化模型构建模块，其用于以包含掘进速度与滚刀寿命在内的施工成本为综合优化目标，以推力、扭矩、皮带机输送量为多元约束指标，建立TBM操作参数优化模型；
最优操作参数求取模块，其利用TBM操作参数优化模型计算已知岩体条件下各约束指标均在额定范围内且施工成本最小时的操作参数。
此处需要说明的是，本实施例的适用于多种岩体条件的TBM操作参数优化系统中的各个模块，与实施例一中的适用于多种岩体条件的TBM操作参数优化方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
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如上述实施例一所述的适用于多种岩体条件的TBM操作参数优化方法中的步骤。
实施例四
本实施例提供了一种计算机设备，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如上述实施例一所述的适用于多种岩体条件的TBM操作参数优化方法中的步骤。
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，本发明可采用硬件实施例、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和光学存储器等)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。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)

1.一种适用于多种岩体条件的TBM操作参数优化方法，其特征在于，包括：
获取岩体参数与其对应的TBM掘进数据，所述TBM掘进数据包括操作参数及性能参数；
以岩体抗压强度与贯入度为输入，以刀盘推力为输出，建立第一变化规律；以岩体抗压强度与贯入度为输入，以刀盘扭矩为输出，建立第二变化规律；
以岩体参数与操作参数为输入，以对应性能参数为输出，将第一变化规律和第二变化规律作为约束条件，建立输入与输出数据间的双驱动映射关系；
以包含掘进速度与滚刀寿命在内的施工成本为综合优化目标，以推力、扭矩、皮带机输送量为多元约束指标，建立TBM操作参数优化模型；
利用TBM操作参数优化模型计算已知岩体条件下各约束指标均在额定范围内且施工成本最小时的操作参数。
2.如权利要求1所述的适用于多种岩体条件的TBM操作参数优化方法，其特征在于，所述岩体参数包括岩体强度、完整性和磨蚀性指数。
3.如权利要求1所述的适用于多种岩体条件的TBM操作参数优化方法，其特征在于，所述操作参数包括贯入度和刀盘转速。
4.如权利要求1所述的适用于多种岩体条件的TBM操作参数优化方法，其特征在于，所述性能参数包括掘进速度、滚刀寿命、推力、扭矩和皮带机输送量。
5.如权利要求1所述的适用于多种岩体条件的TBM操作参数优化方法，其特征在于，在获取岩体参数与对应的TBM掘进数据之后，还包括：
对获取的数据进行归一化处理。
6.如权利要求1所述的适用于多种岩体条件的TBM操作参数优化方法，其特征在于，依据全连接深度神经网络方法建立输入与输出数据间的双驱动映射关系。
7.如权利要求1所述的适用于多种岩体条件的TBM操作参数优化方法，其特征在于，采用全局搜索方法，得到刀盘推力、刀盘扭矩、皮带机输送量在额定条件下，掘进成本最小时所对应的TBM贯入度与刀盘转速，即为该岩体条件下TBM主要操作参数优化结果。
8.一种适用于多种岩体条件的TBM操作参数优化系统，其特征在于，包括：
数据获取模块，其用于获取岩体参数与其对应的TBM掘进数据，所述TBM掘进数据包括操作参数及性能参数；
变化规律构建模块，其用于以岩体抗压强度与贯入度为输入，以刀盘推力为输出，建立第一变化规律；以岩体抗压强度与贯入度为输入，以刀盘扭矩为输出，建立第二变化规律；
双驱动映射关系构建模块，其用于以岩体参数与操作参数为输入，以对应性能参数为输出，将第一变化规律和第二变化规律作为约束条件，建立输入与输出数据间的双驱动映射关系；
操作参数优化模型构建模块，其用于以包含掘进速度与滚刀寿命在内的施工成本为综合优化目标，以推力、扭矩、皮带机输送量为多元约束指标，建立TBM操作参数优化模型；
最优操作参数求取模块，其利用TBM操作参数优化模型计算已知岩体条件下各约束指标均在额定范围内且施工成本最小时的操作参数。
9.一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中任一项所述的适用于多种岩体条件的TBM操作参数优化方法中的步骤。
10.一种计算机设备，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中任一项所述的适用于多种岩体条件的TBM操作参数优化方法中的步骤。
CN202110400488.7A 2021-04-14 2021-04-14 适用于多种岩体条件的tbm操作参数优化方法及系统 Active CN113158561B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110400488.7A CN113158561B (zh) 2021-04-14 2021-04-14 适用于多种岩体条件的tbm操作参数优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110400488.7A CN113158561B (zh) 2021-04-14 2021-04-14 适用于多种岩体条件的tbm操作参数优化方法及系统

Publications (2)

Publication Number Publication Date
CN113158561A true CN113158561A (zh) 2021-07-23
CN113158561B CN113158561B (zh) 2023-02-03

Family

ID=76890381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110400488.7A Active CN113158561B (zh) 2021-04-14 2021-04-14 适用于多种岩体条件的tbm操作参数优化方法及系统

Country Status (1)

Country Link
CN (1) CN113158561B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114542099A (zh) * 2022-02-14 2022-05-27 上海交通大学 隧道掘进机操作参数地层自适应决策方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631102A (zh) * 2015-12-24 2016-06-01 河南理工大学 一种深部高应力巷道钻孔卸压参数的数值模拟确定方法
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
CN109946962A (zh) * 2019-03-26 2019-06-28 黄河勘测规划设计研究院有限公司 Tbm掘进参数优化方法
CN110020694A (zh) * 2019-04-19 2019-07-16 中铁工程装备集团有限公司 一种基于智能驱动模型的tbm不良地质辨识方法
CN110516730A (zh) * 2019-08-20 2019-11-29 中铁工程装备集团有限公司 基于pso-svm算法和图像识别的围岩质量在线分级方法
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
CN111624087A (zh) * 2020-04-20 2020-09-04 山东大学 一种卧式射流-机械联合破岩试验装置及方法
CN111636886A (zh) * 2020-04-20 2020-09-08 山东大学 一种用于破岩实验平台的模块化射流-机械联合破岩刀具
CN112182973A (zh) * 2020-09-30 2021-01-05 山东大学 考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法
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 (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631102A (zh) * 2015-12-24 2016-06-01 河南理工大学 一种深部高应力巷道钻孔卸压参数的数值模拟确定方法
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
CN109946962A (zh) * 2019-03-26 2019-06-28 黄河勘测规划设计研究院有限公司 Tbm掘进参数优化方法
CN110020694A (zh) * 2019-04-19 2019-07-16 中铁工程装备集团有限公司 一种基于智能驱动模型的tbm不良地质辨识方法
CN110516730A (zh) * 2019-08-20 2019-11-29 中铁工程装备集团有限公司 基于pso-svm算法和图像识别的围岩质量在线分级方法
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
CN111624087A (zh) * 2020-04-20 2020-09-04 山东大学 一种卧式射流-机械联合破岩试验装置及方法
CN111636886A (zh) * 2020-04-20 2020-09-08 山东大学 一种用于破岩实验平台的模块化射流-机械联合破岩刀具
CN112182973A (zh) * 2020-09-30 2021-01-05 山东大学 考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114542099A (zh) * 2022-02-14 2022-05-27 上海交通大学 隧道掘进机操作参数地层自适应决策方法及系统

Also Published As

Publication number Publication date
CN113158561B (zh) 2023-02-03

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
WO2020181923A1 (zh) 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
CN106778010B (zh) 基于数据驱动支持向量回归机的tbm刀具寿命预测方法
CN110617074B (zh) 一种盾构施工中地面沉降量与掘进参数的关联关系方法
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
CN112196559B (zh) 基于掘进速度与刀具消耗最优的tbm操作参数优化方法
Bruland Hard rock tunnel boring
CN111709650B (zh) 一种滨海复杂地层盾构掘进适应性评价方法
CN111709648B (zh) 一种滨海复杂地层盾构选型适应性评价方法
CN113158561B (zh) 适用于多种岩体条件的tbm操作参数优化方法及系统
CN114417697A (zh) 一种基于神经网络的tbm滚刀磨损实时预测方法及系统
CN114372319A (zh) 一种基于随采参数和/或随钻参数的岩石可切割性评价方法、破岩设备及破岩系统
CN110261578B (zh) 一种考虑结构面粗糙度的裂隙岩体稳定性分析系统
CN113158562B (zh) 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统
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
CN107679330B (zh) 一种tbm刀盘系统破岩性能损耗程度的实时评价方法
CN112598061B (zh) 一种隧道围岩聚类分级方法
CN113222273B (zh) 一种基于gwo-fw-mkl-svr算法的tbm掘进速率预测方法
Zheng et al. Simulation of bench stepping and optimization of bolt parameters based on multiple geological information fusion
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
CN117852216B (zh) 一种地层盾构的盾构机刀具配置方法、设备及介质
CN117851761B (zh) 一种盾构机刀盘状态评估方法及系统
Hassanpour et al. Soft sedimentary rocks and their boreability characteristics in mechanised tunnelling projects
CN117910112A (zh) 一种tbm隧道岩爆段支护方案智能设计方法
CN113344342A (zh) 一种复杂地质条件下双模盾构适应性“信息熵”评价方法

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