CN113158562B - 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 - Google Patents
基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 Download PDFInfo
- Publication number
- CN113158562B CN113158562B CN202110400495.7A CN202110400495A CN113158562B CN 113158562 B CN113158562 B CN 113158562B CN 202110400495 A CN202110400495 A CN 202110400495A CN 113158562 B CN113158562 B CN 113158562B
- Authority
- CN
- China
- Prior art keywords
- taking
- parameters
- data
- rock
- output
- 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
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
-
- 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
- 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
本发明属于隧道掘进机施工技术领域,提供了基于物理约束与数据挖掘的TBM岩机映射构建方法及系统。其中,该方法包括获取岩体参数与其对应的TBM掘进数据,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,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,得到双驱动映射模型以用于操作参数的优化。
Description
技术领域
本发明属于隧道掘进机施工技术领域,尤其涉及一种基于物理约束与数据挖掘的TBM岩机映射构建方法及系统。
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。
在隧道建设,特别是长大隧道建设方面,隧道全断面岩石掘进机(Tunnel BoringMachine)已成为优先选用的施工装备,其具有掘进效率高、对围岩扰动小、成洞质量高、安全性强等方面优势。然而,当前TBM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,其原因是当前缺乏更高精度的岩体参数与TBM掘进参数间的关系模型,TBM各项性能参数随岩体参数或操作参数的变化规律不明,进而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。
目前TBM岩机映射主要分为两类,一类是主要依据室内线性切割试验所得的,基于破岩物理规律的理论映射,另一类则是依据现场实测数据的,基于回归分析的经验性映射。前者不受数据本身质量的影响,具有较好的普适性,而后者更接近实际情况,具有更高的精度,二者各有优势,却少有融合二者优势的研究。发明人发现,特别是对于基于实际工程数据统计的岩-机映射构建方法,大多仅从现场实测数据出发,未能将模拟与试验所得物理规律用于映射构建过程中。数据挖掘领域普遍认为,将物理规律与数据挖掘相结合,有利于提升映射关系模型的精度。
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,本发明提供一种基于物理约束与数据挖掘的TBM岩机映射构建方法及系统,其可帮助施工人员,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。
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基于物理约束与数据挖掘的TBM岩机映射构建方法。
一种基于物理约束与数据挖掘的TBM岩机映射构建方法,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,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,得到双驱动映射模型以用于操作参数的优化。
本发明的第二个方面提供一种基于物理约束与数据挖掘的TBM岩机映射构建系统。
一种基于物理约束与数据挖掘的TBM岩机映射构建系统,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,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,得到双驱动映射模型以用于操作参数的优化。
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基于物理约束与数据挖掘的TBM岩机映射构建方法中的步骤。
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基于物理约束与数据挖掘的TBM岩机映射构建方法中的步骤。
与现有技术相比,本发明的有益效果是:
(1)本发明建立了基于全连接深度神经网络方法的岩体参数、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,将已知物理规律作为约束条件,结合统计分析与数据挖掘等方法,将单纯数据驱动的岩-机映射转变为基于物理规律与数据挖掘双驱动的映射模型,从而提升了映射计算精度与普适性,并将其有效应用于控制参数决策方面。
(2)本发明相比仅依靠数据挖掘方法建立的岩体参数与TBM掘进参数间的映射模型,所建立的双驱动映射模型具有更高的计算精度,同时克服了数据挖掘方法固有的过拟合问题,具有更好的普适性。
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基于物理规律与数据挖掘双驱动的TBM岩机映射构建方法的整体流程图;
图2为本发明实施例提供的线性切割试验侧视图;
图3为本发明实施例提供的线性切割试验立体图;
图4为本发明实施例中传统数据挖掘算法与双驱动岩机映射的刀盘推力计算结果对比图;
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
参照图1,本实施例提供了一种基于物理约束与数据挖掘的TBM岩机映射构建方法,其具体包括如下步骤:
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:
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:
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:
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,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,得到双驱动映射模型以用于操作参数的优化。
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。
采用数值模拟方法与如图2和图3中的线性切割试验分别进行多水平贯入度与岩体抗压强度下滚刀破岩的模拟与试验,获得多种工况下的滚刀荷载(滚刀法向力与滚动力);进而结合滚刀荷载与刀盘推力、刀盘扭矩间的线性解析关系,对所获数据采用回归分析方法,构建贯入度、岩体抗压强度与刀盘推力、扭矩间的理论映射。
FN=-1.5×10-3·UCS2+0.26·USC·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)
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。
在深度神经网络训练之初,网络采用所有参数之间的关系都是未知的。而步骤S103所建的理论映射恰好为部分未知关系提供了可参考的先验信息,对于提升岩-机映射计算精度具有正面作用。此外,深度神经网络本质上是一种统计分析方法,其规律构建的准确与否很大程度上取决于数据本身的质量,容易受到异常数据的影响而导致过拟合。而包含物理规律的映射关系恰恰可以作为判断样本质量与可参考性强弱的依据。综上所述,基于物理规律的岩-机映射可作为一种先验信息融入深度神经网络当中,有利于提升岩-机映射的计算精度,降低过拟合风险。
具体而言,对第三步所得岩体抗压强度、贯入度与刀盘推力、刀盘扭矩间的映射模型(公式7)计算所得刀盘推力与刀盘扭矩,赋以权重μ1与μ2并加入深度神经网络的误差计算方程(公式8),通过不断训练缩小计算误差,使得双驱动映射模型所得的参数规律与物理规律之间的差异不断降低,在保证精度的同时,可降低因数据本身导致的过拟合风险。
式中,ETh与ETor分别表示刀盘推力与扭矩的计算误差,Th与Tor则为样本实测数据,Th’与Tor’为双驱动映射计算结果,Thp与Torp则分别是理论映射计算所得的刀盘推力与扭矩。
下面结合某一具体工况进行分析:
以某一实际工况为例,该隧道全长约8km,III类与IV类围岩合计占比90%以上,其中IV类围岩占比超过52%,岩石单轴抗压强度30~150MPa。通过现场取芯、室内试验等方式共记录356组岩体参数(岩体抗压强度、岩石质量指标与磨蚀值)与TBM掘进数据(刀盘转速、贯入度、刀盘推力、刀盘扭矩、皮带机输送量、滚刀寿命)。其中随机抽取306组数据样本构成训练集,并据此构建了TBM各性能指标的双驱动计算模型与纯深度神经网络计算模型。将剩余50组数据的岩体参数(岩体抗压强度、岩石质量指标与磨蚀值)与TBM控制参数(刀盘转速、贯入度)输入计算模型并对比其输出结果的计算精度,发现相比纯深度神经网络,双驱动岩机映射对滚刀寿命、刀盘推力、扭矩与皮带机输送量的计算结果的平均误差分别降低2.3%,2.6%,3.1%与1.6%,证明模型具有准确性与实用性。以刀盘推力的计算结果为例,如图4所示,纯神经网络映射的计算误差为12.0%,而双驱动映射的计算误差为9.4%。特别是1#样本,实测推力值仅为3000kN,与其他样本差距较大,因此纯神经网络与双驱动两种映射对其的计算结果相比其他样本均有较大的偏差,分别为69.0%与76.1%。证明对于较为特殊的离群样本而言,双驱动映射的计算结果更为准确。
实施例二
本实施例提供了一种基于物理约束与数据挖掘的TBM岩机映射构建系统,其具体包括如下模型:
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,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,得到双驱动映射模型以用于操作参数的优化。
此处需要说明的是,本实施例的基于物理约束与数据挖掘的TBM岩机映射构建系统中的各个模块,与实施例一中的基于物理约束与数据挖掘的TBM岩机映射构建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基于物理约束与数据挖掘的TBM岩机映射构建方法中的步骤。
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基于物理约束与数据挖掘的TBM岩机映射构建方法中的步骤。
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 (5)
1.一种基于物理约束与数据挖掘的TBM岩机映射构建方法,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,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,得到双驱动映射模型以用于操作参数的优化;
其中,所述岩体参数包括岩体强度、完整性和磨蚀性指数;
所述操作参数包括贯入度和刀盘转速;
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;
所述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,得到双驱动映射模型,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,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。
2.如权利要求1所述的基于物理约束与数据挖掘的TBM岩机映射构建方法,其特征在于,在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的过程中,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。
3.一种基于物理约束与数据挖掘的TBM岩机映射构建系统,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,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,得到双驱动映射模型以用于操作参数的优化;
其中,所述岩体参数包括岩体强度、完整性和磨蚀性指数;
所述操作参数包括贯入度和刀盘转速;
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;
所述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,得到双驱动映射模型,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,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。
4.一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1-2中任一项所述的基于物理约束与数据挖掘的TBM岩机映射构建方法中的步骤。
5.一种计算机设备,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1-2中任一项所述的基于物理约束与数据挖掘的TBM岩机映射构建方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400495.7A CN113158562B (zh) | 2021-04-14 | 2021-04-14 | 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400495.7A CN113158562B (zh) | 2021-04-14 | 2021-04-14 | 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158562A CN113158562A (zh) | 2021-07-23 |
CN113158562B true CN113158562B (zh) | 2023-02-03 |
Family
ID=76890383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110400495.7A Active CN113158562B (zh) | 2021-04-14 | 2021-04-14 | 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158562B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562433A (zh) * | 2023-04-18 | 2023-08-08 | 武汉大学 | 基于csm-gru模型的tbm滚刀寿命预测方法及系统 |
Citations (3)
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 |
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 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109738022A (zh) * | 2019-02-18 | 2019-05-10 | 中国科学院武汉岩土力学研究所 | Tbm掘进过程围岩与tbm相互作用监测方法及装置 |
CN111144001A (zh) * | 2019-12-26 | 2020-05-12 | 湖南科技大学 | 一种基于bp神经网络的矿山井筒工程tbm控制方法 |
CN112182973B (zh) * | 2020-09-30 | 2022-11-04 | 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 |
-
2021
- 2021-04-14 CN CN202110400495.7A patent/CN113158562B/zh active Active
Patent Citations (3)
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 |
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 |
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 (8)
Title |
---|
A Hybrid Data Mining Method for Tunnel Engineering Based on Real-Time Monitoring Data From Tunnel Boring Machines;Shuo Leng 等;《IEEE Access》;20200513;全文 * |
Improved support vector regression models for predicting rock mass parameters using tunnel boring machine driving data;Bin Liu 等;《Tunnelling and Underground Space Technology》;20190930;全文 * |
TBM penetration rate prediction based on the long short-term memory neural network;Boyang Gao 等;《Underground Space》;20200306;第6卷(第6期);全文 * |
TBM掘进前方不良地质与岩体参数的综合获取方法;刘斌 等;《山东大学学报(工学版)》;20161231;第46卷(第6期);全文 * |
基于RMR岩体分级系统的TBM掘进性能参数预测;王健 等;《隧道建设》;20171231;第37卷(第6期);全文 * |
基于主成分分析与BP神经网络的TBM围岩可掘性分级实时识别方法研究;段志伟 等;《隧道建设(中英文)》;20201231;第40卷(第3期);全文 * |
基于工程实测数据分析的TBM掘进功率建模;成志飞;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180615;全文 * |
盾构机冗余驱动回转系统动态特性研究;张凯之;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20120715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113158562A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109933577B (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 | |
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 | |
CN114418469B (zh) | 基于lgbm-nsga-ⅲ的盾构近接施工参数多目标优化方法及设备 | |
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 | |
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 | |
US11448068B2 (en) | Optimization of boring by a tunnel boring machine as a function of ground/machine interactions | |
CN115358494A (zh) | 一种地铁盾构下穿施工的危险预警方法 | |
CN113158561B (zh) | 适用于多种岩体条件的tbm操作参数优化方法及系统 | |
CN115628930A (zh) | 一种基于rbf神经网络的掘进机井下截割工况预测方法 | |
CN113762360B (zh) | 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法 | |
CN107679330B (zh) | 一种tbm刀盘系统破岩性能损耗程度的实时评价方法 | |
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 | |
CN116296956A (zh) | 一种滚刀磨损检测方法和装置 | |
CN112598061B (zh) | 一种隧道围岩聚类分级方法 | |
CN117851761B (zh) | 一种盾构机刀盘状态评估方法及系统 | |
CN110909976A (zh) | 一种突出矿井抽掘采部署合理性评判改进方法及装置 | |
Fattahi et al. | Enhancing Energy Efficiency in Stone Cutting: Utilizing Rock Engineering System Method for Precise Maximum Energy Consumption Prediction | |
CN117851761A (zh) | 一种盾构机刀盘状态评估方法及系统 | |
CN113591315B (zh) | 一种钻井破岩方式及配套参数优选方法 | |
CN116842854B (zh) | 基于优化神经网络的煤体应力智能预测和异径卸压方法 | |
CN116245020A (zh) | 一种基于盾构机掘进的刀盘磨损和能耗优化方法及系统 | |
WO2023028645A1 (en) | Machine operations and management systems |
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 |