CN113361043B - 一种硬岩隧道掘进机刀盘比能的预测方法及系统 - Google Patents
一种硬岩隧道掘进机刀盘比能的预测方法及系统 Download PDFInfo
- Publication number
- CN113361043B CN113361043B CN202110711100.5A CN202110711100A CN113361043B CN 113361043 B CN113361043 B CN 113361043B CN 202110711100 A CN202110711100 A CN 202110711100A CN 113361043 B CN113361043 B CN 113361043B
- Authority
- CN
- China
- Prior art keywords
- specific energy
- hard rock
- expression
- factor
- cutter head
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010276 construction Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 51
- 230000005641 tunneling Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 5
- 238000009933 burial Methods 0.000 claims description 3
- 230000000149 penetrating effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 68
- 238000005265 energy consumption Methods 0.000 description 10
- 238000011480 coordinate descent method Methods 0.000 description 4
- 230000035515 penetration Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 108010014172 Factor V Proteins 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- E21D9/003—Arrangement of measuring or indicating devices for use during driving of tunnels, e.g. for guiding machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06F2119/06—Power analysis or power optimisation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geology (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明涉及一种硬岩隧道掘进机刀盘比能的预测方法及系统，所述方法包括获取待测硬岩掘进机的影响比能参数；将待测硬岩掘进机的影响比能参数输入装备比能预测模型，得到预测总刀盘比能值及其各个分量的占比情况；装备比能预测模型的确定方法为：获取影响比能参数和刀盘比能；根据影响比能参数和刀盘比能确定具有物理映射关系的无量纲因子的；根据损失函数和无量纲因子确定比能预测的目标函数；对目标函数进行寻优，得到无量纲因子的权重；根据权重、无量纲因子和影响比能参数得到装备比能预测模型。本发明综合考虑了多种影响因素，能够给出随施工过程中刀盘比能中各分量的占比及其变化，从而为硬岩隧道掘进机刀盘比能的优化调配提供了基础。
Description
技术领域
本发明涉及能耗预测技术领域，特别是涉及一种硬岩隧道掘进机刀盘比能的预测方法及系统。
背景技术
硬岩掘进机(TBM，Tunnel Boring Machine)是一种被广泛应用于地下隧道施工的重型巨载装备。在使用硬岩掘进机进行地下隧道工程建设时会消耗大量的能源，在掘进过程中有效地预测刀盘比能及其变化，能够给控制系统能耗溯源与调配提供依据，有助于降低施工安全风险的同时实现节能降耗。硬岩掘进机的状态监测数据中蕴含了掘进能耗相关的重要信息，但是影响装备能量消耗的因素众多，存在时变性以及耦合关系，如地下各类地质环境特征随施工工段变化，装备运行状态与地质环境特征之间存在不确定的多重耦合关系，因而基于状态监测数据进行掘进能耗预测建模的难度大。刀盘比能是描述硬岩隧道掘进机施工能耗与效率的重要指标，其含义为完成单位体积岩体掘进所消耗的能量。这些能量消耗包含摩擦阻力消耗、破坏岩石消耗和克服围岩应力消耗等多个分量，其中仅有部分消耗于有效的刀盘破岩做功上。现有技术虽然能够给出刀盘比能的总体预测值，但是无法给出随施工过程中地质改变、掘进速度改变时刀盘比能中各分量的占比及其变化，而这正是装备能耗优化调配的基础信息。
发明内容
本发明的目的是提供一种硬岩隧道掘进机刀盘比能的预测方法及系统，综合考虑了装备与隧道几何结构、装备运行状态、地质环境特征等影响因素，能够给出随施工过程中刀盘比能中各分量的占比及其变化，从而为硬岩隧道掘进机刀盘比能的优化调配提供了基础。
为实现上述目的，本发明提供了如下方案：
一种硬岩隧道掘进机刀盘比能的预测方法，包括：
获取硬岩掘进机的影响待测刀盘比能的参数；所述影响待测刀盘比能的参数包括地质环境特征参数、装备与隧道的几何结构参数和装备的运行状态参数；
将硬岩掘进机的所述影响待测刀盘比能的参数输入装备比能预测模型，得到刀盘比能的预测值；
根据所述刀盘比能的预测值预测得到的比能值、所述硬岩掘进机的影响所述影响待测刀盘比能的参数、权重和无量纲因子的表达式计算比能分量的占比；
所述装备比能预测模型的确定方法为：
确定硬岩掘进机的影响比能的参数和硬岩掘进机的刀盘比能参数；
根据所述硬岩掘进机的影响比能参数和所述硬岩掘进机的刀盘比能参数确定具有物理映射关系的所述无量纲因子的表达式；
根据损失函数和所述无量纲因子的表达式确定比能预测的目标函数；
获取用于模型训练的硬岩掘进机的影响比能参数的数据样本和用于模型训练的硬岩掘进机的刀盘比能参数的数据样本；
利用所述用于模型训练的硬岩掘进机的影响比能参数的数据样本和所述用于模型训练的硬岩掘进机的刀盘比能的数据样本带入所述目标函数中，并对所述目标函数进行寻优，得到所述无量纲因子的权重；
根据所述权重和所述无量纲因子的表达式得到所述装备比能预测模型。
优选地，所述确定硬岩掘进机的影响比能参数和硬岩掘进机的刀盘比能参数，包括：
在所述用于模型训练的硬岩掘进机的刀盘比能的数据样本中确定硬岩掘进机的推力、扭矩和滚刀贯入岩石的深度；
根据所述推力、所述扭矩和所述深度计算所述用于模型训练的硬岩掘进机的刀盘比能的数据样本中硬岩掘进机的刀盘比能。
优选地，所述地质环境特征参数包括：岩石单轴抗压强度、体积节理数、弱面结构间距、岩石完整性系数、结构面走向、结构面倾角、结构面与洞轴线夹角、洞室最大水平主应力、洞室最小水平主应力和垂直洞线最大初始应力；
所述几何结构参数包括：所述硬岩掘进机的刀盘直径和隧道埋深；
所述运行状态参数包括：所述硬岩掘进机的掘进速度、刀盘旋转速度、水平支撑缸压力和顶护盾缸压力。
优选地，所述根据硬岩掘进机的所述影响比能参数和硬岩掘进机的所述刀盘比能参数确定具有物理映射关系的无量纲因子表达式，包括：
根据所述隧道埋深和所述刀盘直径计算第一因子的表达式；
根据所述掘进速度、所述刀盘直径和所述刀盘旋转速度计算第二因子的表达式；
根据所述刀盘比能、所述岩石单轴抗压强度、所述刀盘直径和计算得到的第二因子计算比能因子的表达式；
根据所述体积节理数和所述刀盘直径计算第三因子的表达式；
根据所述弱面结构间距和所述刀盘直径计算第四因子的表达式；
根据所述岩石完整性系数得到第五因子的表达式；
根据所述结构面走向得到第六因子的表达式；
根据所述结构面倾角得到第七因子的表达式；
根据所述结构面与洞轴线夹角得到第八因子的表达式；
根据所述洞室最大水平主应力和所述岩石单轴抗压强度计算第九因子的表达式；
根据所述洞室最小水平主应力和所述岩石单轴抗压强度计算第十因子的表达式；
根据所述垂直洞线最大初始应力和所述岩石单轴抗压强度计算第十一因子的表达式；
根据所述水平支撑缸压力和所述岩石单轴抗压强度计算第十二因子的表达式；
根据所述顶护盾缸压力和所述岩石单轴抗压强度计算第十三因子的表达式；
所述无量纲因子的表达式包括所述比能因子的表达式、所述第一因子的表达式、所述第二因子的表达式、所述第三因子的表达式、所述第四因子的表达式、所述第五因子的表达式、所述第六因子的表达式、所述第七因子的表达式、所述第八因子的表达式、所述第九因子的表达式、所述第十因子的表达式、所述第十一因子的表达式、所述第十二因子的表达式和所述第十三因子的表达式。
优选地，所述根据损失函数和所述无量纲因子的表达式确定比能预测的目标函数，包括：
将所述无量纲因子的表达式带入所述损失函数；
在含有所述无量纲因子的表达式的损失函数中添加参数范数惩罚，得到所述目标函数。
优选地，所述对所述目标函数进行寻优，得到所述无量纲因子的权重，包括：
根据在所述用于模型训练的硬岩掘进机的影响比能参数的数据样本和所述用于模型训练的硬岩掘进机的刀盘比能的数据样本中的参数调试结果确定所述目标函数中超参数的取值；
将所述超参数的取值带入所述目标函数，并根据所述用于模型训练的硬岩掘进机的影响比能参数的数据样本和所述用于模型训练的硬岩掘进机的刀盘比能的数据样本对所述目标函数进行优化，得到所述无量纲因子的权重。
优选地，所述比能分量的占比的计算方法为：
其中，Pi为计算得到的总比能中第i个分量所占的比例；σc为所述地质环境特征参数；vw-1为所述运行状态参数；θi *为所述权重；πi为第i个所述无量纲因子的表达式，Ec *为硬岩掘进机总刀盘比能预测结果，即所述刀盘比能预测值。
一种硬岩隧道掘进机刀盘比能的预测系统，包括：
模型构建模块，用于确定所述装备比能预测模型；
获取模块，用于获取影响待测刀盘比能的参数；所述影响待测刀盘比能的参数包括地质环境特征参数、装备与隧道的几何结构参数和装备的运行状态参数；
预测模块，用于将所述硬岩掘进机的影响待测比能的参数输入装备比能预测模型，得到预测比能值；
分量计算模块，用于所述刀盘比能的预测值、所述硬岩掘进机的影响所述影响待测刀盘比能的参数、权重和无量纲因子的表达式计算比能分量的占比；
所述模型构建模块，具体包括：
确定单元，用于确定硬岩掘进机的影响比能的参数和硬岩掘进机的刀盘比能参数；
物理关系计算单元，根据所述硬岩掘进机的影响比能参数和所述硬岩掘进机的刀盘比能参数确定具有物理映射关系的所述无量纲因子的表达式；
函数确定单元，用于根据损失函数和所述无量纲因子的表达式确定比能预测的目标函数；
训练样本数据获取单元，用于获取用于模型训练的硬岩掘进机的影响比能参数的样本数据和用于模型训练的硬岩掘进机刀盘比能参数的样本数据；
权重确定单元，用于利用所述用于模型训练的硬岩掘进机的影响比能参数的数据样本和所述用于模型训练的硬岩掘进机的刀盘比能的数据样本带入所述目标函数中，并对所述目标函数进行寻优，得到所述无量纲因子的权重；
模型确定单元，用于根据所述权重和所述无量纲因子的表达式得到所述装备比能预测模型。
优选地，所述获取模块包括：
获取单元，用于获取硬岩掘进机的影响待测比能的参数；所述影响待测比能参数包括地质环境特征参数、装备与隧道的几何结构参数和装备的运行状态参数。地质环境特征参数包括：岩石单轴抗压强度、体积节理数、弱面结构间距、岩石完整性系数、结构面走向、结构面倾角、结构面与洞轴线夹角、洞室最大水平主应力、洞室最小水平主应力和垂直洞线最大初始应力；所述几何结构参数包括：所述硬岩掘进机的刀盘直径和隧道埋深；所述运行状态参数包括：所述硬岩掘进机的掘进速度、刀盘旋转速度、水平支撑缸压力和顶护盾缸压力。
优选地，所述函数确定单元包括：
带入子单元，用于将所述无量纲因子的表达式带入所述损失函数；
目标函数确定单元，用于在含有所述无量纲因子的表达式的损失函数中添加参数范数惩罚，得到所述目标函数。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种硬岩隧道掘进机刀盘比能的预测方法及系统，所述方法包括获取硬岩掘进机的影响待测比能的参数；所述影响待测比能的参数包括地质环境特征参数、装备与隧道的几何结构参数和装备的运行状态参数；将所述待测硬岩掘进机的影响待测比能的参数输入装备比能预测模型，得到预测比能值；所述装备比能预测模型的确定方法为：确定硬岩掘进机的影响比能的参数，根据所述确定的硬岩掘进机的影响比能参数和硬岩掘进机的刀盘比能参数确定具有物理映射关系的无量纲因子表达式；根据损失函数和所述无量纲因子确定比能预测的目标函数；获取用于模型训练的硬岩掘进机的影响比能参数的数据样本和刀盘比能参数的数据样本；利用获取的数据样本对所述目标函数进行寻优，得到所述无量纲因子的权重；根据所述权重和所述无量纲因子表达式得到所述装备比能预测模型。本发明能够预测总刀盘比能，并能够给出总刀盘比能中各分量的占比，从而为硬岩隧道掘进机刀盘比能的优化调配提供了基础。且本发明有助于实现节能降耗并降低各类施工安全风险；在满足模型两侧量纲一致的前提下，综合考虑了装备与隧道几何结构、装备运行状态、地质环境特征等影响因素，从而提高了预估结果的准确性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的实施例中的方法流程图；
图2为本发明提供的实施例中的系统连接图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种硬岩隧道掘进机刀盘比能的预测方法及系统，综合考虑了装备与隧道几何结构、装备运行状态、地质环境特征等影响因素，从而为硬岩隧道掘进机刀盘比能的优化调配提供了基础。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的实施例中的方法流程图，如图1所示，本发明一种硬岩隧道掘进机刀盘比能的预测方法，包括：
步骤100：硬岩掘进机的影响待测刀盘比能的参数；所述影响待测刀盘比能的参数包括地质环境特征参数、装备与隧道的几何结构参数和装备的运行状态参数。
步骤200：将硬岩掘进机的所述影响待测刀盘比能的参数输入装备比能预测模型，得到刀盘比能的预测值。
步骤300：根据所述刀盘比能的预测值预测得到的比能值、所述硬岩掘进机的影响所述影响待测刀盘比能的参数、权重和无量纲因子的表达式计算比能分量的占比。
所述装备比能预测模型的确定方法为：
确定硬岩掘进机的影响比能的参数和硬岩掘进机的刀盘比能参数。
根据所述硬岩掘进机的影响比能参数和所述硬岩掘进机的刀盘比能参数确定具有物理映射关系的所述无量纲因子的表达式。
根据损失函数和所述无量纲因子的表达式确定比能预测的目标函数。
获取用于模型训练的硬岩掘进机的影响比能参数的数据样本和用于模型训练的硬岩掘进机的刀盘比能参数的数据样本。
利用所述用于模型训练的硬岩掘进机的影响比能参数的数据样本和所述用于模型训练的硬岩掘进机的刀盘比能的数据样本带入所述目标函数中，并对所述目标函数进行寻优，得到所述无量纲因子的权重。
根据所述权重和所述无量纲因子的表达式得到所述装备比能预测模型。
优选地，所述确定硬岩掘进机的影响比能参数和硬岩掘进机的刀盘比能参数，包括：
在所述用于模型训练的硬岩掘进机的刀盘比能的数据样本中确定硬岩掘进机的推力、扭矩和滚刀贯入岩石的深度。
根据所述推力、所述扭矩和所述深度计算所述用于模型训练的硬岩掘进机的刀盘比能的数据样本中硬岩掘进机的刀盘比能。
具体的，所述刀盘比能的计算方法为：
Ec＝2πT+Fp；
其中，Ec为刀盘比能，F为掘进总推力，T为掘进总扭矩，p为贯入度(滚刀贯入岩石的深度)。
优选地，所述影响比能参数包括：a)地质环境特征参数：岩石单轴抗压强度σc、体积节理数Jv、弱面结构间距DPW、岩石完整性系数Kv、结构面走向α1、结构面倾角α2、结构面与洞轴线夹角α3、洞室最大水平主应力σh1、洞室最小水平主应力σh2、垂直洞线最大初始应力σ0；b)装备与隧道几何结构参数：装备的刀盘直径D以及隧道埋深H；c)与装备运行状态相关的参数：掘进速度v，装备刀盘旋转速度w，装备水平支撑缸压力pcH以及顶护盾缸压力pcT。
优选地，根据训练硬岩掘进机的所述影响比能参数和训练硬岩掘进机的所述刀盘比能确定具有物理映射关系的无量纲因子，表达式，包括：
根据所述隧道埋深和所述刀盘直径计算第一因子的表达式；
根据所述掘进速度、所述刀盘直径和所述刀盘旋转速度计算第二因子的表达式；
根据所述刀盘比能、所述岩石单轴抗压强度、所述刀盘直径和计算得到的第二因子计算比能因子的表达式；
根据所述体积节理数和所述刀盘直径计算第三因子的表达式；
根据所述弱面结构间距和所述刀盘直径计算第四因子的表达式；
根据所述岩石完整性系数得到第五因子的表达式；
根据所述结构面走向得到第六因子的表达式；
根据所述结构面倾角得到第七因子的表达式；
根据所述结构面与洞轴线夹角得到第八因子的表达式；
根据所述洞室最大水平主应力和所述岩石单轴抗压强度计算第九因子的表达式；
根据所述洞室最小水平主应力和所述岩石单轴抗压强度计算第十因子的表达式；
根据所述垂直洞线最大初始应力和所述岩石单轴抗压强度计算第十一因子的表达式；
根据所述水平支撑缸压力和所述岩石单轴抗压强度计算第十二因子的表达式；
根据所述顶护盾缸压力和所述岩石单轴抗压强度计算第十三因子的表达式；
所述无量纲因子的表达式包括所述比能因子的表达式、所述第一因子的表达式、所述第二因子的表达式、所述第三因子的表达式、所述第四因子的表达式、所述第五因子的表达式、所述第六因子的表达式、所述第七因子的表达式、所述第八因子的表达式、所述第九因子的表达式、所述第十因子的表达式、所述第十一因子的表达式、所述第十二因子的表达式和所述第十三因子的表达式。
具体的，无量纲π因子共13个：π1～π13，以及无量纲化的硬岩掘进机比能值π0。其中无量纲π因子是在将原来特征进行组合变换后具有物理映射关系的无量纲因子。无量纲因子的计算公式及其物理含义如表1所示：
表1
表1计算公式中，H为隧道埋深；D为装备的刀盘直径；v为掘进速度；w为装备刀盘旋转速度；Jv为体积节理数；DPW为弱面结构间距；Kv为岩石完整性系数；α1为结构面走向；α2为结构面倾角；α3为结构面与洞轴线夹角；σh1为洞室最大水平主应力；σh2为洞室最小水平主应力；σ0为垂直洞线最大初始应力；σc为岩石单轴抗压强度；pcH为装备水平支撑缸压力；pcT为顶护盾缸压力；Ec为刀盘比能。
具体的，得到表1后，将所得目标量π0＝Ecσc -1D-3做出如下变换：
π0'＝π0/π2＝Ecσc -1p-1D-2。π0'作为最终的比能因子。
优选地，所述根据损失函数和所述无量纲因子的表达式确定比能预测的目标函数，包括：
将所述无量纲因子带入所述损失函数；
在含有所述无量纲因子的表达式的损失函数中添加参数范数惩罚，得到所述目标函数。
具体的，将得到的物理映射关系带入损失函数，得到融入物理知识的损失函数为：
式中，L代表损失函数，n为训练样本数，i可以取1～13，πij代表第j个样本得到的πi的值，θi代表第i个π因子πi前的系数，π0j'代表第j个样本得到的π0的值。
可选地，在损失函数的基础上加入L1范数惩罚项，得到嵌入物理知识的比能预测的目标函数：
等式左边J(θ)代表比能预测的目标函数，等式右边第一项为损失函数除以2，λ代表正则化惩罚项的惩罚程度，θi代表第i个π因子πi前的系数。
优选地，所述对所述目标函数进行寻优，得到所述无量纲因子的权重，包括：
根据参数调试结果选择使目标函数最小的超参值作为所述目标函数中超参数的取值；将所述优化后的超参数带入所述目标函数，并根据训练硬岩掘进机的影响比能参数和刀盘比能对所述目标函数进行优化，得到所述无量纲因子的权重。
具体的，首先对超参λ取不同的值，在训练集上检验不同取值的λ的预测效果，即：将使用坐标下降法优化后使得目标函数最小的参数λ*作为最终目标函数中λ的取值。再次使用坐标下降法，使用训练集上的所有样本对目标函数进行优化，计算得到各π因子对应的最优权重θi *。
目前已有的研究只是简单地使用机器学习方法实现硬岩掘进机比能的预测。这些方法虽然能够给出总比能的预测值，但是使用的模型均属于“输入一输出”的黑箱模型，无法给出可溯源的物理机理，即无法给出随施工过程实时变化的比能各分量的贡献率。这对于高安全风险的工程装备智能运行需求而言显然是不够的，这一缺点将不利于实际应用中对硬岩掘进机比能的优化与控制。因此，在保证模型准确度的前提下，还具有可溯源性的硬岩掘进机比能预测功能，技术方案通过所述根据所述预测比能值、所述待测硬岩掘进机的影响比能参数、所述权重和所述无量纲因子计算比能分量的占比实现。
优选地，所述比能分量的占比的计算方法为：
其中，Pi为计算得到的总比能中第i个分量所占的比例；σc为所述地质环境特征参数；vw-1为所述运行状态参数；θi *为所述权重；πi为第i个所述无量纲因子，Ec *为硬岩掘进机总比能预测结果。
本实施例中首先采集训练集比能的参数及具体值，如表2中所示：
表2
其中F为掘进总推力，T为掘进总扭矩，p为贯入度(滚刀贯入岩石的深度)。
计算训练集各样本的总比能：Ec＝2πT+Fp。将计算结果进行汇总，如表3所示：
表3
| E<sub>c</sub> |
| 29365.024 |
| 26654.182 |
| 27969.539 |
| 34976.545 |
| 30165.769 |
| 29102.567 |
| 33155.934 |
| 20506.474 |
| 29055.956 |
| 19970.196 |
列出训练集中影响硬岩掘进机比能的主要参数及具体值，如表4-1和表4-2所示：
表4-1
表4-2
| α<sub>1</sub> | α<sub>2</sub> | α<sub>3</sub> | σ<sub>h1</sub> | σ<sub>h2</sub> | σ<sub>0</sub> | p<sub>cH</sub> | p<sub>cT</sub> |
| 5.0615 | 0.384 | 0.384 | 14896 | 9250.8 | 11778 | 32405 | 6894.8 |
| 5.8469 | 1.3614 | 0.4014 | 8138.1 | 5570.7 | 6720.2 | 31026 | 6894.8 |
| 5.0615 | 1.2741 | 0.384 | 5762.2 | 3555.7 | 4543.6 | 32405 | 6894.8 |
| 5.0615 | 1.2566 | 0.384 | 10286 | 6590.5 | 8245.3 | 32405 | 6894.8 |
| 5.4105 | 1.309 | 0.0349 | 13330 | 8819.4 | 10839 | 32405 | 6894.8 |
| 5.4105 | 1.3614 | 0.0349 | 13341 | 9317.5 | 11119 | 32405 | 6894.8 |
| 5.4454 | 0.7854 | 0 | 16770 | 10348 | 13223 | 32405 | 6894.8 |
| 5.4105 | 0.8378 | 0.0349 | 17408 | 10167 | 13409 | 30337 | 6894.8 |
| 5.4978 | 1.4312 | 0.0524 | 12267 | 7429.3 | 9595.2 | 30337 | 6894.8 |
| 5.4105 | 1.4835 | 0.0349 | 6538.6 | 4576.4 | 5454.9 | 29647 | 6894.8 |
上表中H为隧道埋深；D为装备的刀盘直径；v为掘进速度；w为装备刀盘旋转速度；Jv为体积节理数；DPW为弱面结构间距；Kv为岩石完整性系数；α1为结构面走向；α2为结构面倾角；α3为结构面与洞轴线夹角；σh1为洞室最大水平主应力；σh2为洞室最小水平主应力；σ0为垂直洞线最大初始应力；σc为岩石单轴抗压强度；pcH为装备水平支撑缸压力；pcT为顶护盾缸压力；Ec为刀盘比能。
计算具有物理映射关系的π因子π1～π13。计算公式如表5所示：
表5
并将所得目标量π0＝Ecσc -1D-3做出如下变换：π0'＝π0/π2＝Ecσc -1p-1D-2。
计算得到的13个π因子和计算得到的π0'的值进行汇总，如表6和表7所示：
表6
| π<sub>1</sub> | π<sub>2</sub> | π<sub>3</sub> | π<sub>4</sub> | π<sub>5</sub> | π<sub>6</sub> | π<sub>7</sub> | π<sub>8</sub> |
| 41.22042 | 0.000886 | 4634.146 | 2.409 | 0.58 | 5.061 | 0.384 | 0.384 |
| 18.43088 | 0.000971 | 3365.581 | 6.424 | 0.65 | 5.847 | 1.361 | 0.4014 |
| 8.343711 | 0.000947 | 6213.38 | 1.606 | 0.51 | 5.061 | 1.274 | 0.384 |
| 25.21793 | 0.000907 | 2821.91 | 7.227 | 0.68 | 5.061 | 1.257 | 0.384 |
| 37.11083 | 0.000739 | 3365.581 | 6.424 | 0.65 | 5.411 | 1.309 | 0.0349 |
| 38.54296 | 0.000857 | 2459.463 | 14.454 | 0.7 | 5.411 | 1.361 | 0.0349 |
| 47.75841 | 0.001032 | 1915.792 | 9.636 | 0.73 | 5.445 | 0.785 | 0 |
| 48.44334 | 0.00078 | 2459.463 | 12.045 | 0.7 | 5.411 | 0.838 | 0.0349 |
| 31.19552 | 0.000882 | 2097.016 | 13.651 | 0.72 | 5.498 | 1.431 | 0.0524 |
| 12.70237 | 0.000704 | 2097.016 | 9.636 | 0.72 | 5.411 | 1.484 | 0.0349 |
表7
| π<sub>9</sub> | π<sub>10</sub> | π<sub>11</sub> | π<sub>12</sub> | π<sub>13</sub> | π<sub>0</sub>' |
| 0.275847 | 0.171311 | 0.218115 | 0.600099 | 0.127681 | 1.184914 |
| 0.169544 | 0.116057 | 0.140005 | 0.646383 | 0.143641 | 1.104657 |
| 0.106707 | 0.065847 | 0.084141 | 0.600099 | 0.127681 | 1.055791 |
| 0.180463 | 0.115623 | 0.144654 | 0.568515 | 0.120961 | 1.306856 |
| 0.201965 | 0.133627 | 0.164224 | 0.49099 | 0.104466 | 1.193765 |
| 0.208455 | 0.145587 | 0.173735 | 0.506334 | 0.107731 | 1.024322 |
| 0.349365 | 0.215581 | 0.275481 | 0.675112 | 0.143641 | 1.293285 |
| 0.259816 | 0.151741 | 0.20013 | 0.45279 | 0.102907 | 0.75778 |
| 0.201096 | 0.121791 | 0.157299 | 0.497327 | 0.113029 | 1.043435 |
| 0.112734 | 0.078904 | 0.094051 | 0.511163 | 0.118875 | 0.943962 |
将上一步得到的物理映射关系带入损失函数，得到融入物理知识的损失函数为：
式中，L代表损失函数，i代表第i个π因子，j代表第j个样本，πij代表第j个样本得到的πi的值，θi代表第i个π因子πi前的系数，π0j'代表第j个样本得到的π0的值。
在损失函数的基础上加入L1范数惩罚项和L2范数惩罚项，得到嵌入物理知识的比能预测的目标函数：
等式左边J(θ)代表比能预测的目标函数，等式右边第一项为损失函数(3)除以2，λ代表正则化惩罚项的惩罚程度，θi代表第i个π因子πi前的系数。
首先对超参λ取不同的值，在训练集上检验不同取值的λ的预测效果，即：将使用坐标下降法优化后使得目标函数最小的参数λ*作为最终目标函数中λ的取值。最终超参λ选取的结果为：λ*＝0.00149354。再次使用坐标下降法，使用训练集上的所有样本对目标函数进行优化，计算得到各π因子对应的最优权重θi *，并将计算得到的最优权重进行汇总，如表8所示：
表8
| θ<sup>*</sup><sub>1</sub> | 0.005478 |
| θ<sup>*</sup><sub>2</sub> | 0 |
| θ<sup>*</sup><sub>3</sub> | 0.000003849 |
| θ<sup>*</sup><sub>4</sub> | 0 |
| θ<sup>*</sup><sub>5</sub> | 0 |
| θ<sup>*</sup><sub>6</sub> | 0 |
| θ<sup>*</sup><sub>7</sub> | 0.1551 |
| θ<sup>*</sup><sub>8</sub> | 0.2225 |
| θ<sup>*</sup><sub>9</sub> | 0 |
| θ<sup>*</sup><sub>10</sub> | 0 |
| θ<sup>*</sup><sub>11</sub> | 0 |
| θ<sup>*</sup><sub>12</sub> | 1.2476 |
| θ<sup>*</sup><sub>13</sub> | 0 |
将上面的系数识别结果θi *分别与对应的π因子相乘，得到硬岩掘进机比能的预测模型如下：
Ec *＝(5.48×10-3HD-1+3.85×10-6JvD3+1.55×10-1α2+2.22×10-1α3+1.25pcHσc -1)σcvw-1D2。
表9和表10为工程数据，将表9和表10的数据带入预测模型中，可得硬岩掘进机总比能Ec *大小，表9和表10如下所示：
表9
| D | v | w | H | σ<sub>c</sub> | J<sub>v</sub> | DPW | K<sub>v</sub> |
| 8.03 | 0.0008 | 0.1245 | 69.5 | 69000 | 4.05 | 1.6 | 0.72 |
表10
| α<sub>1</sub> | α<sub>2</sub> | α<sub>3</sub> | σ<sub>h1</sub> | σ<sub>h2</sub> | σ<sub>0</sub> | p<sub>cH</sub> | p<sub>cT</sub> |
| 5.4105 | 1.3963 | 0.0349 | 8780 | 5181 | 6792 | 30337 | 6894.8 |
其中，Ec *＝22614.55987。
利用得到的硬岩掘进机比能预测模型，分别计算不同比能分量的占比情况：
其中Pi代表计算得到的总比能中，第i个分量所占的比例。得到的各项不为0的比能分量占比如表11所示：
表11
| P<sub>1</sub> | P<sub>3</sub> | P<sub>7</sub> | P<sub>8</sub> | P<sub>12</sub> |
| 0.0572376 | 0.0097436 | 0.2614936 | 0.0093745 | 0.6621507 |
图2为本发明提供的实施例中的系统连接图，如图2所示，本发明还提供一种硬岩隧道掘进机刀盘比能的预测系统，包括：
模型构建模块，用于确定所述装备比能预测模型。
获取模块，用于获取影响待测刀盘比能的参数；所述影响待测刀盘比能的参数包括地质环境特征参数、装备与隧道的几何结构参数和装备的运行状态参数；
预测模块，用于将所述硬岩掘进机的影响待测比能的参数输入装备比能预测模型，得到预测比能值；
分量计算模块，用于所述刀盘比能的预测值、所述硬岩掘进机的影响所述影响待测刀盘比能的参数、权重和无量纲因子的表达式计算比能分量的占比；
所述模型构建模块，具体包括：
确定单元，用于确定硬岩掘进机的影响比能的参数和硬岩掘进机的刀盘比能参数；
物理关系计算单元，根据所述硬岩掘进机的影响比能参数和所述硬岩掘进机的刀盘比能参数确定具有物理映射关系的所述无量纲因子的表达式；
函数确定单元，用于根据损失函数和所述无量纲因子的表达式确定比能预测的目标函数；
训练样本数据获取单元，用于获取用于模型训练的硬岩掘进机的影响比能参数的样本数据和用于模型训练的硬岩掘进机刀盘比能参数的样本数据；
权重确定单元，用于利用所述用于模型训练的硬岩掘进机的影响比能参数的数据样本和所述用于模型训练的硬岩掘进机的刀盘比能的数据样本带入所述目标函数中，并对所述目标函数进行寻优，得到所述无量纲因子的权重；
模型确定单元，用于根据所述权重和所述无量纲因子的表达式得到所述装备比能预测模型。
优选地，所述获取模块包括：
获取单元，用于获取硬岩掘进机的影响待测比能的参数；所述影响待测比能参数包括地质环境特征参数、装备与隧道的几何结构参数和装备的运行状态参数。地质环境特征参数包括：岩石单轴抗压强度、体积节理数、弱面结构间距、岩石完整性系数、结构面走向、结构面倾角、结构面与洞轴线夹角、洞室最大水平主应力、洞室最小水平主应力和垂直洞线最大初始应力；所述几何结构参数包括：所述硬岩掘进机的刀盘直径和隧道埋深；所述运行状态参数包括：所述硬岩掘进机的掘进速度、刀盘旋转速度、水平支撑缸压力和顶护盾缸压力。
优选地，所述函数确定单元包括：
带入子单元，用于将所述无量纲因子的表达式带入所述损失函数；
目标函数确定单元，用于在含有所述无量纲因子的表达式的损失函数中添加参数范数惩罚，得到所述目标函数。
本发明的有益效果如下：
(1)本发明能够预测总比能，有助于实现节能降耗并降低各类施工安全风险。在满足模型两侧量纲一致的前提下，综合考虑了装备与隧道几何结构、装备运行状态、地质环境特征等影响因素，因而预估准确可靠。
(2)本发明给出随施工过程实时变化的各比能分量的贡献率，为硬岩掘进机控制系统比能溯源与调配提供了依据。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种硬岩隧道掘进机刀盘比能的预测方法，其特征在于，包括：
获取硬岩掘进机的影响待测刀盘比能的参数；所述影响待测刀盘比能的参数包括地质环境特征参数、装备与隧道的几何结构参数和装备的运行状态参数；
将硬岩掘进机的所述影响待测刀盘比能的参数输入装备比能预测模型，得到刀盘比能的预测值；
根据所述刀盘比能的预测值预测得到的比能值、所述硬岩掘进机的影响所述影响待测刀盘比能的参数、权重和无量纲因子的表达式计算比能分量的占比；
所述装备比能预测模型的确定方法为：
确定硬岩掘进机的影响比能的参数和硬岩掘进机的刀盘比能参数；
根据所述硬岩掘进机的影响比能参数和所述硬岩掘进机的刀盘比能参数确定具有物理映射关系的所述无量纲因子的表达式；
根据损失函数和所述无量纲因子的表达式确定比能预测的目标函数；
获取用于模型训练的硬岩掘进机的影响比能参数的数据样本和用于模型训练的硬岩掘进机的刀盘比能参数的数据样本；
利用所述用于模型训练的硬岩掘进机的影响比能参数的数据样本和所述用于模型训练的硬岩掘进机的刀盘比能的数据样本带入所述目标函数中，并对所述目标函数进行寻优，得到所述无量纲因子的权重；
根据所述权重和所述无量纲因子的表达式得到所述装备比能预测模型。
2.根据权利要求1所述的硬岩隧道掘进机刀盘比能的预测方法，其特征在于，所述确定硬岩掘进机的影响比能参数和硬岩掘进机的刀盘比能参数，包括：
在所述用于模型训练的硬岩掘进机的刀盘比能的数据样本中确定硬岩掘进机的推力、扭矩和滚刀贯入岩石的深度；
根据所述推力、所述扭矩和所述深度计算所述用于模型训练的硬岩掘进机的刀盘比能的数据样本中硬岩掘进机的刀盘比能。
3.根据权利要求1所述的硬岩隧道掘进机刀盘比能的预测方法，其特征在于，所述地质环境特征参数包括：岩石单轴抗压强度、体积节理数、弱面结构间距、岩石完整性系数、结构面走向、结构面倾角、结构面与洞轴线夹角、洞室最大水平主应力、洞室最小水平主应力和垂直洞线最大初始应力；
所述几何结构参数包括：所述硬岩掘进机的刀盘直径和隧道埋深；
所述运行状态参数包括：所述硬岩掘进机的掘进速度、刀盘旋转速度、水平支撑缸压力和顶护盾缸压力。
4.根据权利要求1所述的硬岩隧道掘进机刀盘比能的预测方法，其特征在于，所述根据硬岩掘进机的所述影响比能参数和硬岩掘进机的所述刀盘比能参数确定具有物理映射关系的无量纲因子表达式，包括：
根据所述隧道埋深和所述刀盘直径计算第一因子的表达式；
根据所述掘进速度、所述刀盘直径和所述刀盘旋转速度计算第二因子的表达式；
根据所述刀盘比能、所述岩石单轴抗压强度、所述刀盘直径和计算得到的第二因子计算比能因子的表达式；
根据所述体积节理数和所述刀盘直径计算第三因子的表达式；
根据所述弱面结构间距和所述刀盘直径计算第四因子的表达式；
根据所述岩石完整性系数得到第五因子的表达式；
根据所述结构面走向得到第六因子的表达式；
根据所述结构面倾角得到第七因子的表达式；
根据所述结构面与洞轴线夹角得到第八因子的表达式；
根据所述洞室最大水平主应力和所述岩石单轴抗压强度计算第九因子的表达式；
根据所述洞室最小水平主应力和所述岩石单轴抗压强度计算第十因子的表达式；
根据所述垂直洞线最大初始应力和所述岩石单轴抗压强度计算第十一因子的表达式；
根据所述水平支撑缸压力和所述岩石单轴抗压强度计算第十二因子的表达式；
根据所述顶护盾缸压力和所述岩石单轴抗压强度计算第十三因子的表达式；
所述无量纲因子的表达式包括所述比能因子的表达式、所述第一因子的表达式、所述第二因子的表达式、所述第三因子的表达式、所述第四因子的表达式、所述第五因子的表达式、所述第六因子的表达式、所述第七因子的表达式、所述第八因子的表达式、所述第九因子的表达式、所述第十因子的表达式、所述第十一因子的表达式、所述第十二因子的表达式和所述第十三因子的表达式。
5.根据权利要求1所述的硬岩隧道掘进机刀盘比能的预测方法，其特征在于，所述根据损失函数和所述无量纲因子的表达式确定比能预测的目标函数，包括：
将所述无量纲因子的表达式带入所述损失函数；
在含有所述无量纲因子的表达式的损失函数中添加参数范数惩罚，得到所述目标函数。
6.根据权利要求1所述的硬岩隧道掘进机刀盘比能的预测方法，其特征在于，所述对所述目标函数进行寻优，得到所述无量纲因子的权重，包括：
根据在所述用于模型训练的硬岩掘进机的影响比能参数的数据样本和所述用于模型训练的硬岩掘进机的刀盘比能的数据样本中的参数调试结果确定所述目标函数中超参数的取值；
将所述超参数的取值带入所述目标函数，并根据所述用于模型训练的硬岩掘进机的影响比能参数的数据样本和所述用于模型训练的硬岩掘进机的刀盘比能的数据样本对所述目标函数进行优化，得到所述无量纲因子的权重。
7.根据权利要求1所述的硬岩隧道掘进机刀盘比能的预测方法，其特征在于，所述比能分量的占比的计算方法为：
其中，Pi为计算得到的总比能中第i个分量所占的比例；σc为所述地质环境特征参数；vw-1为所述运行状态参数；θi *为所述权重；πi为第i个所述无量纲因子的表达式，Ec *为硬岩掘进机总刀盘比能预测结果，即所述刀盘比能预测值，D为装备的刀盘直径。
8.一种硬岩隧道掘进机刀盘比能的预测系统，其特征在于，包括：
模型构建模块，用于确定装备比能预测模型；
获取模块，用于获取影响待测刀盘比能的参数；所述影响待测刀盘比能的参数包括地质环境特征参数、装备与隧道的几何结构参数和装备的运行状态参数；
预测模块，用于将所述硬岩掘进机的影响待测比能的参数输入装备比能预测模型，得到预测比能值；
分量计算模块，用于所述刀盘比能的预测值、所述硬岩掘进机的影响所述影响待测刀盘比能的参数、权重和无量纲因子的表达式计算比能分量的占比；
所述模型构建模块，具体包括：
确定单元，用于确定硬岩掘进机的影响比能的参数和硬岩掘进机的刀盘比能参数；
物理关系计算单元，根据所述硬岩掘进机的影响比能参数和所述硬岩掘进机的刀盘比能参数确定具有物理映射关系的所述无量纲因子的表达式；
函数确定单元，用于根据损失函数和所述无量纲因子的表达式确定比能预测的目标函数；
训练样本数据获取单元，用于获取用于模型训练的硬岩掘进机的影响比能参数的样本数据和用于模型训练的硬岩掘进机刀盘比能参数的样本数据；
权重确定单元，用于利用所述用于模型训练的硬岩掘进机的影响比能参数的数据样本和所述用于模型训练的硬岩掘进机的刀盘比能的数据样本带入所述目标函数中，并对所述目标函数进行寻优，得到所述无量纲因子的权重；
模型确定单元，用于根据所述权重和所述无量纲因子的表达式得到所述装备比能预测模型。
9.根据权利要求8所述的硬岩隧道掘进机刀盘比能的预测系统，其特征在于，所述获取模块包括：
获取单元，用于获取硬岩掘进机的影响待测比能的参数；所述影响待测比能参数包括地质环境特征参数、装备与隧道的几何结构参数和装备的运行状态参数；地质环境特征参数包括：岩石单轴抗压强度、体积节理数、弱面结构间距、岩石完整性系数、结构面走向、结构面倾角、结构面与洞轴线夹角、洞室最大水平主应力、洞室最小水平主应力和垂直洞线最大初始应力；所述几何结构参数包括：所述硬岩掘进机的刀盘直径和隧道埋深；所述运行状态参数包括：所述硬岩掘进机的掘进速度、刀盘旋转速度、水平支撑缸压力和顶护盾缸压力。
10.根据权利要求8所述的硬岩隧道掘进机刀盘比能的预测系统，其特征在于，所述函数确定单元包括：
带入子单元，用于将所述无量纲因子的表达式带入所述损失函数；
目标函数确定单元，用于在含有所述无量纲因子的表达式的损失函数中添加参数范数惩罚，得到所述目标函数。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110711100.5A CN113361043B (zh) | 2021-06-25 | 2021-06-25 | 一种硬岩隧道掘进机刀盘比能的预测方法及系统 |
| US17/480,959 US20230003124A1 (en) | 2021-06-25 | 2021-09-21 | Method and System for Predicting Specific Energy of Cutter Head of Tunnel Boring Machine |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110711100.5A CN113361043B (zh) | 2021-06-25 | 2021-06-25 | 一种硬岩隧道掘进机刀盘比能的预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113361043A CN113361043A (zh) | 2021-09-07 |
| CN113361043B true CN113361043B (zh) | 2022-05-06 |
Family
ID=77536509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110711100.5A Active CN113361043B (zh) | 2021-06-25 | 2021-06-25 | 一种硬岩隧道掘进机刀盘比能的预测方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230003124A1 (zh) |
| CN (1) | CN113361043B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116975623B (zh) * | 2023-05-04 | 2024-01-30 | 西南交通大学 | 钻爆法隧道施工阶段大变形等级预测方法、装置及介质 |
| CN116720319A (zh) * | 2023-05-10 | 2023-09-08 | 北京交通大学 | 用于预测隧道掘进阻力的数据处理方法和装置 |
| CN117150826B (zh) * | 2023-10-31 | 2024-01-23 | 中铁十四局集团有限公司 | 适用于同步推拼系统的油缸推力精确分配方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147826A (zh) * | 2011-03-15 | 2011-08-10 | 天津大学 | 隧道掘进机在不同地质下最优掘进速度的计算方法 |
| CN105260513A (zh) * | 2015-09-23 | 2016-01-20 | 中国人民解放军军事交通学院 | 一种硬岩掘进机掘进状态的判断方法 |
| CN110704963A (zh) * | 2019-09-16 | 2020-01-17 | 南京坤拓土木工程科技有限公司 | 一种优化土压平衡式盾构机掘进参数的快速方法 |
| CN112183993A (zh) * | 2020-09-22 | 2021-01-05 | 中国科学院武汉岩土力学研究所 | 一种tbm掘进控制参数智能预测及优化决策方法 |
| WO2021073497A1 (zh) * | 2019-10-18 | 2021-04-22 | 中铁隧道局集团有限公司 | 一种基于扭推比的破碎地层tbm卡机风险预警方法 |
-
2021
- 2021-06-25 CN CN202110711100.5A patent/CN113361043B/zh active Active
- 2021-09-21 US US17/480,959 patent/US20230003124A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147826A (zh) * | 2011-03-15 | 2011-08-10 | 天津大学 | 隧道掘进机在不同地质下最优掘进速度的计算方法 |
| CN105260513A (zh) * | 2015-09-23 | 2016-01-20 | 中国人民解放军军事交通学院 | 一种硬岩掘进机掘进状态的判断方法 |
| CN110704963A (zh) * | 2019-09-16 | 2020-01-17 | 南京坤拓土木工程科技有限公司 | 一种优化土压平衡式盾构机掘进参数的快速方法 |
| WO2021073497A1 (zh) * | 2019-10-18 | 2021-04-22 | 中铁隧道局集团有限公司 | 一种基于扭推比的破碎地层tbm卡机风险预警方法 |
| CN112183993A (zh) * | 2020-09-22 | 2021-01-05 | 中国科学院武汉岩土力学研究所 | 一种tbm掘进控制参数智能预测及优化决策方法 |
Non-Patent Citations (2)
| Title |
|---|
| TBM 装备掘进载荷的力学分析与功率建模;成志飞等;《机械科学与技术》;20171215;全文 * |
| 一种基于CSM模型的TBM刀盘比能预测方法;李刚等;《东北大学学报(自然科学版)》;20121215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230003124A1 (en) | 2023-01-05 |
| CN113361043A (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113361043B (zh) | 一种硬岩隧道掘进机刀盘比能的预测方法及系统 | |
| WO2019042483A2 (zh) | 一种tbm在掘岩体状态实时感知系统和方法 | |
| Liu et al. | Sensitivity analysis of the main factors controlling floor failure depth and a risk evaluation of floor water inrush for an inclined coal seam | |
| CN111553000A (zh) | 钻爆法隧道智能建造方法 | |
| CN110298107B (zh) | 一种基于增量叠加的工作面冲击危险性评价方法 | |
| CN110334432B (zh) | 一种采动覆岩瓦斯聚集区空间辨识方法和系统 | |
| CN110805469A (zh) | 山岭隧道钻爆法施工掌子面稳定性分级方法 | |
| CN111022119B (zh) | 一种基于模式识别的盾构隧道结构抗震安全评价方法 | |
| CN113820750A (zh) | 基于弹塑性力学定量预测泥岩构造裂缝的方法 | |
| Luo et al. | Cavity 3D modeling and correlative techniques based on cavity monitoring | |
| CN112948924B (zh) | 基于覆岩结构的近松散层开采导水裂隙带高度确定方法 | |
| CN113175302A (zh) | 一种岩体质量智能感知小型钻机系统及评估方法 | |
| CN106050216A (zh) | 一种提高滑动钻进效率的顶驱扭摆减阻方法及装置 | |
| CN117786794A (zh) | 一种盾构下穿既有隧道变形优化控制方法及系统 | |
| CN112115537B (zh) | 一种tbm可掘性分级方法 | |
| CN102436014B (zh) | 一种地下水封洞库多参数立体地质结构评价方法 | |
| Shang et al. | Research on influencing factors of effective gas extraction radius in coal mine based on multiple linear regression | |
| CN111622752A (zh) | 一种三维井筒系统的提速评价方法 | |
| 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 | |
| CN214997436U (zh) | 一种岩体质量智能感知小型钻机系统 | |
| CN111611705B (zh) | 一种盾构掘进地层参数的取值方法 | |
| CN104268785A (zh) | 一种用于深井底板突水风险的分析方法 | |
| CN113723026A (zh) | 一种隧道掌子面前方煤层瓦斯涌出量预算方法 | |
| CN114086887A (zh) | 一种基于人工智能的待钻井眼轨道井下规划方法 | |
| CN109736819B (zh) | 一种盾构掘进总推力确定方法及系统 |
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 |