CN113935546A - 一种基于rf-pso的泥水平衡式盾构掘进参数优化方法 - Google Patents
一种基于rf-pso的泥水平衡式盾构掘进参数优化方法 Download PDFInfo
- Publication number
- CN113935546A CN113935546A CN202111328369.1A CN202111328369A CN113935546A CN 113935546 A CN113935546 A CN 113935546A CN 202111328369 A CN202111328369 A CN 202111328369A CN 113935546 A CN113935546 A CN 113935546A
- Authority
- CN
- China
- Prior art keywords
- tunneling
- parameters
- optimal
- random forest
- mapping model
- 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.)
- Pending
Links
- 230000005641 tunneling Effects 0.000 title claims abstract description 146
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000002002 slurry Substances 0.000 title claims abstract description 38
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims description 15
- 238000007637 random forest analysis Methods 0.000 claims abstract description 69
- 239000011435 rock Substances 0.000 claims abstract description 68
- 238000013507 mapping Methods 0.000 claims abstract description 65
- 239000002245 particle Substances 0.000 claims abstract description 35
- 230000035515 penetration Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000003066 decision tree Methods 0.000 claims description 23
- 230000014509 gene expression Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000005299 abrasion Methods 0.000 description 6
- 238000009412 basement excavation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
- E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
- E21D9/093—Control of the driving shield, e.g. of the hydraulic advancing cylinders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Biomedical Technology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明提供一种基于RF‑PSO的泥水平衡式盾构掘进参数优化方法，用于对盾构掘进参数进行优化，其特征在于，包括以下步骤：步骤S1，确定掘进参数，并采集与掘进参数相关的掘进数据，得到掘进数据集。步骤S2，对掘进数据集进行标准化处理，得到标准化数据集。步骤S3，构建随机森林岩机映射模型，并确定约束条件。步骤S4，将标准化数据集输入到随机森林岩机映射模型，并利用网络搜索法对随机森林岩机映射模型的超参数进行训练，得到最优超参数，并根据最优超参数得到最优随机森林岩机映射模型。步骤S5，构建掘进速度v的优化目标函数。步骤S6，根据最优随机森林岩机映射模型，基于优化目标函数利用粒子群算法得到最优掘进速度、最优贯入度和最优刀盘转速。
Description
技术领域
本发明涉及一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法。
背景技术
盾构法施工由于具有对环境影响小、开挖效率高等优点，在我国各类地下空间施工建设中得到广泛应用。其中，由于泥水盾构对维持开挖面稳定具有显著的作用，因此广泛应用于各类海底隧道建设。然而，以往盾构在掘进过程中的掘进参数选择及调整主要依靠人工经验与操作手册，面对复杂多变的地质条件，掘进参数选择缺乏科学依据，泥水盾构控制参数选择不当，难以适应复杂岩体地质条件，是造成掘进效率低、工期延误、刀具损耗增加与掘进成本剧增的重要诱因。因此，开展泥水盾构控制参数优化决策方法的研究，建立泥水盾构控制参数优化决策模型，对于泥水盾构安全、高效施工具有重要的指导意义。
目前常见的盾构施工优化方法是针对TBM整个掘进过程，通过对岩体地质信息与历史掘进数据的挖掘与分析，优化盾构掘进过程中的主要控制参数乃至整个控制过程。如张娜等(2018)釆用数据挖掘的方法建立岩-机信息感知互馈模型，通过分析TBM主司机操作过程构建了智能决策控制体系；Li等(2019)指出，常规地层与不良地层下的TBM智能控制与掘进应采用不同思路，在不良地层中，智能控制应超前地质勘探相结合，在专家系统防灾救灾经验的指导下，确保 TBM安全掘进，而在常规地层中，智能控制应根据其实时监测的岩体力学信息和TBM开挖状态，对掘进参数进行调整、控制和优化； Min等(2008)以工期最短，成本最低为优化目标，提出了TBM施工隧道建设工序规划及资源分配方法，并据此开发了隧道施工决策辅助工具(Decision Aids for Tunneling,DAT)；Xing等(2008)提出了一种智能专家控制系统，可在自动识别地质条件变化的基础上，自适应改变刀盘的驱动功率；段理文(2019)利用XGBOOST算法，从历史掘进数据中提取控制参数的变化规律，进而给出控制参数的预测结果，以协助司机进行参数调整并提高掘进性能；江俊杰(2012)通过多智能体系统方法，解决掘进机状况识别和控制参数决策等相关问题。
当前已有部分盾构掘进优化决策方法或辅助施工软件，为盾构控制参数优化提供了良好的思路与方案。其中，不少研究采用目标优化的方法来获取最优控制参数，这些研究大多采用单一的优化目标来评判控制参数的优劣，难以得到多项指标综合最优的控制参数决策结果。同时，决策过程缺少多元约束，决策结果易超出合理的取值范围，影响盾构施工安全。对此，应从盾构施工的实际需求出发，充分利用岩机映射关系构建多元约束与综合优化目标，进而通过多目标优化方法，构建更为科学合理的控制参数优化模型。
发明内容
为解决上述问题，提供一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，本发明采用了如下技术方案：
本发明提供了一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，用于对盾构掘进参数进行优化，其特征在于，包括以下步骤：步骤S1，确定掘进参数，并采集与掘进参数相对应的掘进数据，得到掘进数据集。步骤S2，对掘进数据集进行标准化处理，得到标准化数据集。步骤S3，构建采用操作参数、泥水仓压力和地质信息参数对掘进荷载参数进行预测的随机森林岩机映射模型，并确定掘进荷载参数和操作参数的约束条件。步骤S4，将标准化数据集输入到随机森林岩机映射模型，并利用网络搜索法对随机森林岩机映射模型的超参数进行训练，得到最优超参数，将最优超参数代入到随机森林岩机映射模型，得到最优随机森林岩机映射模型。步骤S5，构建掘进速度v的优化目标函数。步骤S6，根据最优随机森林岩机映射模型，基于优化目标函数利用粒子群算法得到最优掘进速度、最优贯入度和最优刀盘转速。随机森林岩机映射模型包括总推力F的预测子模型和刀盘扭矩T的预测子模型，超参数包括bagging框架的参数和决策树的参数。bagging框架的参数包括决策树数量k，决策树的参数包括最大特征数m以及决策树最大深度d，掘进速度v的优化目标函数具体表达式为：maxv＝f(p,n)＝p×n，式中，p代表贯入度，n代表刀盘转速。
本发明提供的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，还可以具有这样的技术特征，其中，步骤S4包括以下步骤：步骤S4-1，根据掘进参数的取值范围，利用将标准化数据集对随机森林岩机映射模型进行训练，得到最优的决策树数量k。步骤S4-2，最优决策树数量代入随机森林岩机映射模型，并根据掘进参数的取值范围，通过网格搜索得到最优的最大特征数m和最优的决策树最大深度d。步骤S4-3，将最优的超参数组合代入到随机森林岩机映射模型，得到最优随机森林岩机映射模型。
本发明提供的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，还可以具有这样的技术特征，其中，步骤S6包括以下步骤：步骤S6-1，设置粒子群算法的初始参数。步骤S6-2，构建初始种群为当前种群，当前种群中的每个粒子是包括贯入度p和刀盘转速n的参数组合。步骤S6-3，将优化目标函数作为适应度函数，根据优化目标函数的具体表达式计算每个粒子的适应度。步骤S6-4，将每个粒子的参数组合代入到最优随机森林岩机映射模型，该模型输出相应的总推力F和刀盘扭矩T。步骤S6-5，判断每个粒子是否满足约束条件，如果满足约束条件的粒子，根据适应度进行更新其历史最优位置，并在此基础上更新种群的全局最优位置，如果不满足约束条件的粒子进行丢弃。步骤S6-6，重复步骤S6-3至步骤S6-5，直到最大迭代次数达到预定次数。步骤S6-7，输出最优贯入度、最优刀盘转速以及最优掘进速度。
本发明提供的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，还可以具有这样的技术特征，其中，初始参数包括种群数量、惯性权重、加速度常量和最大迭代次数。
本发明提供的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，还可以具有这样的技术特征，其中，掘进参数包括地质信息、泥水仓压力、操作参数和掘进荷载参数，地质信息包括上一环推力切深指数FPI的均值、上一环推力切深指数FPI的方差、上一环旋转切深指数TPI的均值、上一环旋转切深指数TPI的方差，操作参数包括掘进速度v、刀盘转速n和贯入度p，掘进荷载参数包括总推力F和刀盘扭矩T。
本发明提供的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，还可以具有这样的技术特征，其中，数据标准化处理，具体表达式为：
式中，
为掘进数据集的均值，σ为掘进数据集的标准差，x为掘进数据集中的掘进数据，x*为标准化数据集中的标准化数据。
本发明提供的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，还可以具有这样的技术特征，其中，随机森林岩机映射模型的输入参数包括掘进速度v、刀盘转速n、贯入度p、FPI均值、FPI方差、TPI均值、TPI方差以及泥水仓顶部压力P2。
本发明提供的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，还可以具有这样的技术特征，其中，约束条件的具体表达式为： n∈[nmin,nmax]，v∈[vmin,vmax]，F∈[Fmin,Fmax]，T∈[Tmin,Tmax]，式中， nmin为刀盘转速的下限，nmax为刀盘转速的上限，vmin为速度的下限， vmax为速度上限，Fmin为总推力的下限，Fmax为总推力的上限，Tmin为刀盘扭矩的下限，Tmax为刀盘扭矩的上限。
发明作用与效果
根据本发明的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法。首先，根据约束条件保证刀具磨损的合理化，同时以掘进速度为目标函数给出使得刀具磨损和掘进速度都相对较优的情况下的掘进参数建议值，充分利用岩机映射关系构建多元约束与综合优化目标，构建更为科学合理的控制参数优化模型，从而得到的优化结果更贴合实际，从而能更好地服务于工程。
其次，本发明通过随机森林(RF)法和粒子群算法(PSO)，得到多元约束优化泥水盾构掘进参数，并求出最优贯入度、最优刀盘转速以及最优掘进速度。该算法数据类型丰富，表达方式灵活，可以有效提高泥水盾构掘进参数的优化效果。
最后，本发明在约束条件下利用粒子群算法(PSO)求出最优泥水盾构掘进参数，为工程实际提供参考，对降低隧道工程施工成本、延长设备寿命、管控施工进度风险和提高工程质量具有非常明显的指导作用。
附图说明
图1是本发明实施例中的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法流程图；
图2是本发明实施例中随机森林岩机映射模型超参数训练流程示意图；
图3是本发明实施例中粒子群算法优化操作参数流程示意图；
图4是本发明实施例中通过随机森林岩机映射模型得到总推力F优化值与实际值的对比示意图；
图5是本发明实施例中通过随机森林岩机映射模型得到刀盘扭矩T优化值与实际值的对比示意图；
图6是本发明实施例中通过随机森林岩机映射模型得到贯入度优化值与实际值的对比示意图；
图7是本发明实施例中通过随机森林岩机映射模型得到刀盘转速优化值与实际值的对比示意图；
图8是本发明实施例中通过随机森林岩机映射模型得到掘进速度优化值与实际值的对比示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法作具体阐述。
<实施例>
图1是本发明实施例中的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法流程图。
如图1所示，一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法包括以下步骤：
步骤S1，确定掘进参数，并采集与掘进参数相对应的掘进数据，得到掘进数据集。
掘进参数包括地质信息、泥水仓压力、操作参数和掘进荷载参数。
地质信息包括上一环推力切深指数FPI的均值、上一环推力切深指数FPI的方差、上一环旋转切深指数TPI的均值、上一环旋转切深指数TPI的方差。
操作参数包括掘进速度v、刀盘转速n和贯入度p。
掘进荷载参数包括总推力F和刀盘扭矩T。
步骤S2，对掘进数据集进行标准化处理，得到标准化数据集。
数据标准化处理，具体表达式为：
式中，
为掘进数据集的均值，σ为掘进数据集的标准差，x为掘进数据集中的掘进数据，x*为标准化数据集中的标准化数据。
步骤S3，构建采用操作参数、泥水仓压力和地质信息参数对掘进荷载参数进行预测的随机森林岩机映射模型，并确定掘进荷载参数和操作参数的约束条件。
随机森林岩机映射模型的输入参数包括掘进速度v、刀盘转速n、贯入度p、FPI均值、FPI方差、TPI均值、TPI方差以及泥水仓顶部压力P2。
掘进荷载参数和操作参数的约束条件的具体表达式为：
n∈[nmin,nmax]，
v∈[vmin,vmax]，
F∈[Fmin,Fmax]，
T∈[Tmin,Tmax]，
式中，nmin为刀盘转速的下限，nmax为刀盘转速的上限，vmin为速度的下限，vmax为速度上限，Fmin为总推力的下限，Fmax为总推力的上限，Tmin为刀盘扭矩的下限，Tmax为刀盘扭矩的上限。
根据现场工程经验，为了减少刀具的磨损，盾构司机一般会将刀盘扭矩控制在一定范围内，扭矩过大会导致刀具寿命下降或出现异常磨损，扭矩过小则无法与推力匹配造成掘进速度缓慢，因此根据不同地层合理地设置掘进参数控制范围是进行掘进参数优化的前提。
为此，根据近邻海底隧道施工经验以及区间隧道施工方案，确定了在砂岩泥岩地层及断层破碎带地层中的掘进参数控制范围，如表1 和表2所示。
表1盾构穿越断层破碎带掘进参数控制范围
表2盾构穿越砂岩及泥岩地层掘进参数控制范围
由表1及表2所示，本实施例中的随机森林岩机映射模型将掘进参数控制范围作为约束条件，保证盾构在安全且刀具磨损合理的基础上对掘进速度进行合理优化。
本实施例中的随机森林岩机映射模型包括总推力F的预测子模型和刀盘扭矩T的预测子模型。
步骤S4，将标准化数据集输入到随机森林岩机映射模型，并利用网络搜索法对随机森林岩机映射模型的超参数进行训练，得到最优超参数，将最优超参数代入到随机森林岩机映射模型，得到最优随机森林岩机映射模型。
超参数包括bagging框架的参数和决策树的参数。bagging框架的参数包括决策树数量k，决策树的参数包括最大特征数m以及决策树最大深度d。
一般来说，随着k的增大，随机森林岩机映射模型的训练精度会有所增加，但k太大会增加模型的复杂度同时模型获得的提升也会很小；最大特征数m一般考虑为所有特征总数的66％，但对于不同的数据集也会有所差异；对于样本数据多、特征也多的情况下，也需要对最大深度d有所限制。
本实施例对随机森林岩机映射模型的超参数的优化思路为：首先对决策树数量k进行搜索确定最优的决策树数量，而后再对最大特征 m和最大深度d进行网格搜索确定随机森林在该数据集下的最优训练结果。超参数的测试范围如表3所示。
表3随机森林超参数的测试范围
图2是本发明实施例中随机森林岩机映射模型超参数训练流程示意图。
如图2所示，步骤S4包括以下步骤：
步骤S4-1，根据掘进参数的取值范围，利用将标准化数据集对随机森林岩机映射模型进行训练，得到最优的决策树数量k。
步骤S4-2，最优决策树数量代入随机森林岩机映射模型，并根据掘进参数的取值范围，通过网格搜索得到最优的最大特征数m和最优的决策树最大深度d。
步骤S4-3，将最优的超参数组合代入到随机森林岩机映射模型，得到最优随机森林岩机映射模型。
步骤S5，构建掘进速度v的优化目标函数。
掘进速度v的优化目标函数具体表达式为：
maxv＝f(p,n)＝p×n
式中，p代表贯入度，n代表刀盘转速。
步骤S6，根据最优随机森林岩机映射模型，基于优化目标函数利用粒子群算法得到最优掘进速度、最优贯入度和最优刀盘转速。
图3是本发明实施例中粒子群算法优化操作参数流程示意图。
如图3所示，步骤S6包括以下步骤：
步骤S6-1，设置粒子群算法的初始参数。初始参数包括种群数量、惯性权重、加速度常量和最大迭代次数。
步骤S6-2，构建初始种群为当前种群，当前种群中的每个粒子是包括贯入度p和刀盘转速n的参数组合。
步骤S6-3，将优化目标函数作为适应度函数，根据优化目标函数的具体表达式计算每个粒子的适应度。
步骤S6-4，将每个粒子的参数组合代入到最优随机森林岩机映射模型，该模型输出相应的总推力F和刀盘扭矩T。
将每个自己的参数组合输入到最优随机森林岩机映射模型，得到了相应的总推力F和刀盘扭矩T。
步骤S6-5，判断每个粒子是否满足约束条件，如果满足约束条件的粒子，根据适应度进行更新其历史最优位置，并在此基础上更新种群的全局最优位置，如果不满足约束条件的粒子进行丢弃。
步骤S6-6，重复步骤S6-3至步骤S6-5，直到最大迭代次数达到预定次数。
步骤S6-7，输出最优贯入度、最优刀盘转速以及最优掘进速度。
图4是本发明实施例中通过随机森林岩机映射模型得到总推力F 优化值与实际值的对比示意图；图5是本发明实施例中通过随机森林岩机映射模型得到刀盘扭矩T优化值与实际值的对比示意图；图6 是本发明实施例中通过随机森林岩机映射模型得到贯入度优化值与实际值的对比示意图；图7是本发明实施例中通过随机森林岩机映射模型得到刀盘转速优化值与实际值的对比示意图；图8是本发明实施例中通过随机森林岩机映射模型得到掘进速度优化值与实际值的对比示意图。
如图4、图5、图6、图7及图8所示，优化值是已采用随机森林岩机映射模型和粒子群算法所得到的值，而实际值是未采用随机森林岩机映射模型和粒子群算法的所得到的值。如图4至图8所示，通过随机森林岩机映射模型和粒子群算法得到的所有参数优化值始终都在约束条件控制范围内，安全性要比实际值要好。同时，掘进速度的优化值始终等于掘进速度的上限，说明在约束条件的安全控制范围内，掘进速度最快，兼顾了盾构机的效率性和安全性。
实施例作用与效果
根据本实施例提供的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法。首先，通过施工单位在相邻海底隧道的工程经验，确定了不同地层条件下的掘进参数控制范围，并以此作为约束条件保证刀具磨损的合理化，同时以掘进速度为目标函数给出使得刀具磨损和掘进速度都相对较优的情况下的掘进参数建议值，从而得到的优化结果更贴合实际，从而能更好地服务于工程。
其次，本实施例通过随机森林(RF)法和粒子群算法(PSO)，得到多元约束优化泥水盾构掘进参数，并求出最优贯入度、最优刀盘转速以及最优掘进速度。该算法数据类型丰富，表达方式灵活，可以有效提高泥水盾构掘进参数的优化效果。
最后，本实施例在实际泥水盾构隧道掘进施工过程中，能够在兼顾效率和安全的情况下优化泥水盾构掘进参数，从而为工程实际提供参考，对降低隧道工程施工成本、延长设备寿命、管控施工进度风险和提高工程质量具有非常明显的指导作用。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。
Claims (8)
1.一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，用于对盾构掘进参数进行优化，其特征在于，包括以下步骤：
步骤S1，确定掘进参数，并采集与所述掘进参数相对应的掘进数据，得到掘进数据集；
步骤S2，对所述掘进数据集进行标准化处理，得到标准化数据集；
步骤S3，构建采用操作参数、泥水仓压力和地质信息参数对掘进荷载参数进行预测的随机森林岩机映射模型，并确定所述掘进荷载参数和所述操作参数的约束条件；
步骤S4，将所述标准化数据集输入到所述随机森林岩机映射模型，并利用网络搜索法对所述随机森林岩机映射模型的超参数进行训练，得到最优超参数，将所述最优超参数代入到所述随机森林岩机映射模型，得到最优随机森林岩机映射模型；
步骤S5，构建掘进速度v的优化目标函数；
步骤S6，根据所述最优随机森林岩机映射模型，基于所述优化目标函数利用粒子群算法得到最优掘进速度、最优贯入度和最优刀盘转速；
所述随机森林岩机映射模型包括总推力F的预测子模型和刀盘扭矩T的预测子模型，
所述超参数包括bagging框架的参数和决策树的参数，
所述bagging框架的参数包括决策树数量k，
所述决策树的参数包括最大特征数m以及决策树最大深度d，
所述掘进速度v的优化目标函数具体表达式为：
max v＝f(p,n)＝p×n
式中，p代表贯入度，n代表刀盘转速。
2.根据权利要求1所述的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，其特征在于：
其中，所述步骤S4包括以下步骤：
步骤S4-1，根据所述掘进参数的取值范围，利用将所述标准化数据集对所述随机森林岩机映射模型进行训练，得到最优的所述决策树数量k；
步骤S4-2，最优决策树数量代入所述随机森林岩机映射模型，并根据所述掘进参数的取值范围，通过网格搜索得到最优的所述最大特征数m和最优的所述决策树最大深度d；
步骤S4-3，将最优的超参数组合代入到所述随机森林岩机映射模型，得到所述最优随机森林岩机映射模型。
3.根据权利要求1所述的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，其特征在于：
其中，所述步骤S6包括以下步骤：
步骤S6-1，设置粒子群算法的初始参数；
步骤S6-2，构建初始种群为当前种群，所述当前种群中的每个粒子是包括所述贯入度p和所述刀盘转速n的参数组合；
步骤S6-3，将所述优化目标函数作为适应度函数，根据所述优化目标函数的具体表达式计算所述每个粒子的适应度；
步骤S6-4，将所述每个粒子的所述参数组合代入到所述最优随机森林岩机映射模型，该模型输出相应的总推力F和刀盘扭矩T；
步骤S6-5，判断所述每个粒子是否满足所述约束条件，如果满足所述约束条件的粒子，根据所述适应度进行更新其历史最优位置，并在此基础上更新种群的全局最优位置，如果不满足约束条件的粒子进行丢弃；
步骤S6-6，重复步骤S6-3至步骤S6-5，直到最大迭代次数达到预定次数；
步骤S6-7，输出所述最优贯入度、所述最优刀盘转速以及所述最优掘进速度。
4.根据权利要求1所述的一种基于实时地质信息的泥水盾构掘进参数预测方法，其特征在于：
其中，所述掘进参数包括所述地质信息、所述泥水仓压力、所述操作参数和所述掘进荷载参数，
所述地质信息包括上一环推力切深指数FPI的均值、上一环推力切深指数FPI的方差、上一环旋转切深指数TPI的均值、上一环旋转切深指数TPI的方差，
所述操作参数包括掘进速度v、刀盘转速n和贯入度p，
所述掘进荷载参数包括总推力F和刀盘扭矩T。
5.根据权利要求3所述的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，其特征在于：
其中，所述初始参数包括种群数量、惯性权重、加速度常量和最大迭代次数。
6.根据权利要求1所述的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，其特征在于：
其中，所述数据标准化处理，具体表达式为：
式中，
为所述掘进数据集的均值，σ为所述掘进数据集的标准差，x为所述掘进数据集中的掘进数据，x*为所述标准化数据集中的标准化数据。
7.根据权利要求1所述的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，其特征在于：
其中，所述随机森林岩机映射模型的输入参数包括所述掘进速度v、所述刀盘转速n、所述贯入度p、FPI均值、FPI方差、TPI均值、TPI方差以及泥水仓顶部压力P2。
8.根据权利要求1所述的一种基于RF-PSO的泥水平衡式盾构掘进参数优化方法，其特征在于：
其中，所述约束条件的具体表达式为：
n∈[nmin,nmax]，
v∈[vmin,vmax]，
F∈[Fmin,Fmax]，
T∈[Tmin,Tmax]，
式中，nmin为所述刀盘转速的下限，nmax为所述刀盘转速的上限，vmin为所述掘进速度的下限，vmax为所述掘进速度上限，Fmin为所述总推力的下限，Fmax为所述总推力的上限，Tmin为所述刀盘扭矩的下限，Tmax为所述刀盘扭矩的上限。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111328369.1A CN113935546A (zh) | 2021-11-10 | 2021-11-10 | 一种基于rf-pso的泥水平衡式盾构掘进参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111328369.1A CN113935546A (zh) | 2021-11-10 | 2021-11-10 | 一种基于rf-pso的泥水平衡式盾构掘进参数优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113935546A true CN113935546A (zh) | 2022-01-14 |
Family
ID=79286386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111328369.1A Pending CN113935546A (zh) | 2021-11-10 | 2021-11-10 | 一种基于rf-pso的泥水平衡式盾构掘进参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113935546A (zh) |
Cited By (1)
| 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 (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200141237A1 (en) * | 2018-11-05 | 2020-05-07 | Bouygues Travaux Publics | Optimization of boring by a tunnel boring machine as a function of ground/machine interactions |
| CN113435056A (zh) * | 2021-07-08 | 2021-09-24 | 上海交通大学 | 基于svr与pso的盾构利用率预测与操作参数优化方法及系统 |
-
2021
- 2021-11-10 CN CN202111328369.1A patent/CN113935546A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200141237A1 (en) * | 2018-11-05 | 2020-05-07 | Bouygues Travaux Publics | Optimization of boring by a tunnel boring machine as a function of ground/machine interactions |
| CN113435056A (zh) * | 2021-07-08 | 2021-09-24 | 上海交通大学 | 基于svr与pso的盾构利用率预测与操作参数优化方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张品: "基于机器学习算法的盾构掘进地表沉降预测及控制", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 07, 15 July 2020 (2020-07-15), pages 011 - 18 * |
Cited By (1)
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112183993B (zh) | 一种tbm掘进控制参数智能预测及优化决策方法 | |
| CN109685378B (zh) | 一种基于数据挖掘的tbm施工围岩可掘性分级方法 | |
| CN106545327B (zh) | 智能司钻钻机控制系统 | |
| WO2022057397A1 (zh) | 一种矿山智能化无人开采大数据分析决策方法和系统 | |
| US10900343B1 (en) | Control systems and methods to enable autonomous drilling | |
| CN105756697B (zh) | 一种矿井通风系统动态分阶段安全调节控制方法 | |
| CN106640035A (zh) | 一种钻井参数自动优化的vfd控制系统及方法 | |
| CN113935546A (zh) | 一种基于rf-pso的泥水平衡式盾构掘进参数优化方法 | |
| CN115387777B (zh) | 一种基于煤岩感知的液压坑道钻机给进回转控制方法 | |
| CN115499473A (zh) | 基于边缘计算架构的盾构施工预警系统及预警方法 | |
| CN115773127A (zh) | 一种泥水平衡盾构智能决策方法、系统、设备及介质 | |
| Zhang et al. | Overview of rotary steerable system and its control methods | |
| CN114427430A (zh) | 一种多井实时协同的钻井参数优化方法与系统 | |
| WO2024067376A1 (zh) | 基于给进阻尼和机械比能的钻进操作参数自适应决策方法 | |
| CN113486463B (zh) | 基于深度强化学习的盾构最优自主掘进控制方法 | |
| CN108171378A (zh) | 一种基于多目标智能协调优化实现矿冶工程绿色开发方法 | |
| CN115796019A (zh) | 一种基于数据驱动盾构施工参数多目标优化的方法 | |
| Liu et al. | Optimization Control of Energy Consumption in Tunneling System of Earth Pressure Balance Shield Tunneling Machine. | |
| CN114370284B (zh) | 盾构开挖面地层性质实时感知与掘进参数调整方法及系统 | |
| 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 | |
| CN113158561B (zh) | 适用于多种岩体条件的tbm操作参数优化方法及系统 | |
| CN105134163B (zh) | 一种自适应井下钻具工具面的动态控制系统及方法 | |
| 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 | |
| CN115726760B (zh) | 一种实现智能控制钻井的自主决策方法及系统 | |
| Duan et al. | A ROP optimization approach based on well log data analysis using deep learning network and PSO |
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 |