CN114075979A - 盾构掘进环境变化实时辨识系统及方法 - Google Patents
盾构掘进环境变化实时辨识系统及方法 Download PDFInfo
- Publication number
- CN114075979A CN114075979A CN202110430243.9A CN202110430243A CN114075979A CN 114075979 A CN114075979 A CN 114075979A CN 202110430243 A CN202110430243 A CN 202110430243A CN 114075979 A CN114075979 A CN 114075979A
- Authority
- CN
- China
- Prior art keywords
- data
- geological
- shield
- tunneling
- geology
- 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 263
- 230000008859 change Effects 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000010276 construction Methods 0.000 claims abstract description 127
- 238000009412 basement excavation Methods 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 80
- 238000012795 verification Methods 0.000 claims description 69
- 239000002689 soil Substances 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 40
- 230000000694 effects Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000009933 burial Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 description 8
- 238000007906 compression Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geochemistry & Mineralogy (AREA)
- Mathematical Physics (AREA)
- Geology (AREA)
- Molecular Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Geophysics (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明揭示了一种盾构掘进环境变化实时辨识系统及方法,所述盾构掘进环境变化实时辨识系统包括数据获取模块、数据处理模块、数据特征学习模块及地质变化判别模块;数据获取模块用以获取盾构实时施工数据;数据处理模块用以根据数据获取模块获取的施工数据中提取盾构施工过程中施工掘进数据,并对获取的施工掘进数据进行数据清洗和数据处理;数据特征学习模块用以学习不同地质下盾构施工数据的数据特征,构建针对不同地质条件的判别模型;地质变化判别模块用以根据数据特征学习模块构建的判别模型判别当前盾构开挖面地质是否发生变化。本发明揭示的盾构掘进环境变化实时辨识系统及方法,可快速精确地辨识掘进环境变化情况。
Description
技术领域
本发明属于智能识别技术领域,涉及一种环境变化辨识系统,尤其涉及一种盾构掘进环境变化实时辨识系统及方法。
背景技术
随着城市的发展,大量人口涌入个大中型城市,城区规划面积有限,地下空间的开发进程逐步加快。而盾构法以其安全、环保、快速、性价比高等特点已成为隧道施工的首选工法,目前国内广泛应用于城市轨道交通、地下综合管廊、地下道路、地下停车场等城市地下空间建设,公路、铁路隧道工程建设,过江隧道、引水隧洞工程及军事防护工程建设等。
盾构施工过程中风险因素众多,盾构隧道沿线的地质情况突变时造成盾构施工风险的主要原因之一,由于常规的地质勘查手段无法对隧道沿线地质情况进行全面的准确描述,在前方地质与地勘报告出现不符,发生地质情况突变时,因无法做出准确预判而进行掘进参数的调整,容易造成严重的施工事故。因此,需要对开挖面的掘进环境变化情况实行在线式的实时辨识。
申请公告号为CN108846521 A的发明专利公开了一种基于Xgboost的盾构施工不良地质类型预测方法,基于盾构掘进参数建立了盾构施工不良地质分类模型,用于解决现有技术存在的预测准确率和时效性低的技术问题,提高了不良地质预测的准确率和时效性。
然而,在施工过程中遇到地质变化或特殊地质时在盾构掘进参数的反映上不尽相同,仅通过学习历史不良地质预测数据无法对未知地质或不良地质情况进行辨别。
有鉴于此,如今迫切需要设计一种新的地质辨别方法,以便克服现有地质辨别方法存在的上述至少部分缺陷。
发明内容
本发明提供一种盾构掘进环境变化实时辨识系统及方法,可快速精确地辨识掘进环境变化情况。
为解决上述技术问题,根据本发明的一个方面,采用如下技术方案:
一种盾构掘进环境变化实时辨识系统,所述盾构掘进环境变化实时辨识系统包括:
数据获取模块,用以获取盾构实时施工数据,所述实时施工数据包括盾构掘进参数数据和隧道几何线性数据;
数据处理模块,连接所述数据获取模块,用以从所述数据获取模块获取的施工数据中抽取盾构推进期间的掘进数据,并对获取的掘进数据进行数据清洗和数据处理;
数据特征学习模块,连接所述数据处理模块,用以学习不同地质下盾构施工数据的数据特征,构建针对不同地质条件的判别模型;以及
地质变化判别模块,连接所述数据特征学习模块,用以根据所述数据特征学习模块构建的判别模型判别所述数据获取模块获取的当前盾构开挖面地质是否发生变化。
作为本发明的一种实施方式,所述地质变化判别模块用以采用马氏距离计算实时施工数据在当前地质判定模型下的重构误差,以消除量纲和相关性对距离度量造成的影响;
所述地质变化判别模块用以计算实时施工数据在当前地质判定模型下的重构误差,来判断开挖面地质是否与当前地质一致,如果不一致则遍历其他已知地质类型,找到与其相符的地质类型并返回该地质类型标签,如遍历所有已知地质类型仍然无法找到符合的地质类型,则返回未知地质。
作为本发明的一种实施方式,所述系统进一步包括:
工程验证模块,用以根据盾构机实际控制效果反馈情况对地质辨识模型的辨识结果进行验证,并给出验证结果用于数据标记和地质变化报警;
地质变化报警模块,用以判断当前地质和开挖面地质是否一致,并在盾构控制界面上给出反馈;
数据标记存储模块,用以对每段掘进区间数据进行地质类型标记。
作为本发明的一种实施方式,所述数据特征学习模块采用深度自编码网络学习盾构在不同地质施工中的掘进数据特征,构建各地质判别模型;
所述地质变化判别模块将实时掘进数据输入训练好的深度自编码网络模型中,计算重构误差,结合动态阈值异常监测方法对掘进环境变化情况进行辨识;
所述地质变化判别模块用以在当前盾构开挖面地质发生变化时,辨别是否为已知地质条件,并将结果输出。
作为本发明的一种实施方式,所述数据获取模块用于获取盾构掘进参数数据和隧道几何线性数据;
训练模型所需的盾构掘进参数数据和工程验证所需的盾构掘进数据通过网络与盾构施工数据库建立连接获取;
隧道几何线性数据根据盾构当前行程确定盾构位置,然后从工程数据库中获取对应的埋深和隧道设计轴线数据;
所述数据处理模块对所述施工数据获取模块采集到的数据进行预处理,具体步骤如下:
步骤S21、剔除停推期间数据:根据推进速度、刀盘转速和推力大小进行停推判断,推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除;
步骤S22、剔除启推阶段不稳定数据:根据实际数据情况和盾构机特性定义启推阶段距离,删除启推距离内的盾构掘进数据;
步骤S23、删除掘进参数异常波动值:由于传感器在采集盾构掘进参数时会产生一些异常值,根据历史推进数据采用3σ准则剔除掘进参数中的异常数据;
步骤S24、掘进数据滑动平均处理:盾构在掘进过程中掘进数据会出现周期性波动,为了剔除掘进参数波动性造成的影响,对掘进参数进行滑动平均,滑动平均窗口大小根据实际数据采集情况确定;
步骤S25、数据标准化:根据当前施工工况下,计算各掘进参数数据的均值作为基准值,并将原始数据均除以该基准值进行标准化处理。
作为本发明的一种实施方式,所述数据特征学习模块用以通过对掘进参数数据特征的分析推断出当前开挖面的地质情况;
通过深度自编码网络提取不同地质下掘进参数的数据特征,其主要由输入层、隐含层和输出层组成,从输入层到隐含层的压缩低维表达过程称作模型的编码阶段,从隐含层的压缩特征映射还原出输出层的近似原始数据的过程称为解码阶段,并且编码阶段和解码阶段的隐层数量和结构相同;深度自编码网络具体训练过程通过最小化重构误差,使得输入值和输出值尽可能接近,来获得最优的神经网络权值;
采用深度自编码网络来学习各已知地层下盾构施工数据的数据特征分别构建各已知地质的判别模型,具体施工包括当前盾构埋深,刀盘扭矩、正面土压力、总推力、推进速度、刀盘转速、螺旋机转速和螺旋机扭矩;网络各层节点数根据在训练集上MRE的收敛情况确定,在保证模型准确度的同时尽可能简化模型结构;最终获得所有已知地质下的施工数据训练得到的自编码网络模型作为各已知地质的判别模型;
具体实现步骤如下:
步骤S31、从数据库中获取包含地质标签的盾构历史施工数据;
步骤S32、将历史掘进数据根据地质标签进行分类;
步骤S33、抽取某一类地质类型的施工数据;
步骤S34、采用该施工数据训练深度自编码网络模型,并确定最优网络结构;
步骤S35、储存该深度自编码网络模型;
重复步骤S33至步骤S35,直至遍历所有已知地质类型。
作为本发明的一种实施方式,所述地质变化判别模块用以获取盾构实时掘进数据,通过计算实时施工数据在当前地质判定模型下的重构误差,来判断开挖面地质是否与当前地质一致,如果不一致则遍历其他已知地质类型,找到与其相符的地质类型并返回该地质类型标签,如遍历所有已知地质类型仍然无法找到符合的地质类型,则返回未知地质;
1)重构误差计算方法如下:
假设输入掘进参数数据为xin=(x1,x2,x3…x7),经过自编码网络后的输出为xout={x′1,x′2,x′3…x′7},模型训练段掘进参数数据协方差矩阵为∑,重构误差计算公式如下:
2)基于动态阈值的已知地质判别过程包括:
定义E为t-1时地质是否一致的状态值,如果t-1时刻地质与上一时刻不一致则E=1,否则E=-1;
由于盾构在掘进过程中受到外界因素的干扰采集到的掘进参数有时会出现一定的波动,如果仅根据单一时刻的掘进数据进行掘进环境变化判别,会有大量的误报发生;而由于地质发生变化导致的数据异常现象通常会反复持续出现,故需要根据多个连续时间点的掘进数据来判定掘进环境变化情况;设置一个变量多点异常值λ来累积多次异常发生的情况,将变量λ设置为当前时间点距离上次数据异常点的时间t与数据异常在一定时间内发生次数的函数,即多个异常发生的时间越接近、异常发生的次数越多λ的值就越大;
记λt为掘进参数在时刻t的单点异常值;λ为多点异常值,其初值为零;λ′为上一时刻的多点异常值,单点异常值λt和多点异常值λ具体更新方法如下;
其中,a为与上一次单点异常的时间间隔;当变量λ超过某个阀值时,即在一定的时间窗口内有连续发生单点异常值超过阈值的情况,即认为当前地质情况发生改变;在本文中,当在k=3且λ的值大于设定阈值时,认为开挖面地质与当前地质不同。
作为本发明的一种实施方式,所述工程验证模块用以根据盾构机实际控制效果反馈情况对地质辨识模型的辨识结果进行验证;盾体周围土层发生明显变化时,盾构的姿态控制与注浆控制将发生变化;具体会体现在姿态的控制能力和尾部注浆压力参数上,所述工程验证模块根据以上数据(姿态的控制能力和尾部注浆压力参数)变化情况对地质实际变化情况进行进一步验证;
若某区间以上盾构控制指标发生较大变化且地质辨识模型也判定该段土体发生变化,则判定地质辨识结果正确;
若地质辨识模型计算结果为地质发生变化而经过工程验证发现地质未发生变化,则以工程验证结果为准;最后将盾体周围的土质情况反馈给报警判断模块和数据标记存储模块;
所述工程验证模块的具体处理流程包括:获取盾构当前实时掘进数据;获取并存储切口穿过盾体周围土体时的地质辨识结果;根据盾构实际控制反馈情况对地质辨识结果进行验证;输出验证结果;
所述地质变化报警模块用以根据工程验证模块和实时地质辨识模块的输出结果,判断当前盾体上方和盾构前方土体是否一致,如果前方土质情况和上方土质情况一致则不进行报警,在盾构控制界面上显示“地质未发生变化”,否则在界面上提示当前“地质发生改变”,并使用蜂鸣器提醒盾构技术人员和盾构操作员注意;
所述数据标记存储模块用以对每段掘进区间数据进行地质类型标记,首先获取工程验证模块的验证结果,如该区间地层为某种确定已知地层则直接对当前区间掘进数据进行标记并存储至数据库,如该区间地层经过验证为未知地层则根据螺旋机出土情况和掘进情况综合判断该未知地层所属的地质类型,并新增一类地质标签将该区间数据标记后存储至数据库。
根据本发明的另一个方面,采用如下技术方案:一种盾构掘进环境变化实时辨识方法,所述盾构掘进环境变化实时辨识方法包括:
数据获取步骤,获取盾构实时施工数据,所述实时施工数据包括当前盾构开挖面地质数据;
数据处理步骤,根据所述数据获取步骤获取的施工数据中提取盾构施工过程中施工掘进数据,并对获取的施工掘进数据进行数据清洗和数据处理;
数据特征学习步骤,学习不同地质下盾构施工数据的数据特征,构建针对不同地质条件的判别模型;以及
地质变化判别步骤,根据所述数据特征学习步骤构建的判别模型判别所述数据获取模块获取的当前盾构开挖面地质是否发生变化。
作为本发明的一种实施方式,所述方法进一步包括:
工程验证步骤,根据盾构机实际控制效果反馈情况对地质辨识模型的辨识结果进行验证,并给出验证结果用于数据标记和地质变化报警;
地质变化报警步骤,判断当前地质和开挖面地质是否一致,并在盾构控制界面上给出反馈;
数据标记存储步骤,对每段掘进区间数据进行地质类型标记。
作为本发明的一种实施方式,所述地质变化判别步骤中,采用马氏距离计算实时施工数据在当前地质判定模型下的重构误差,以消除量纲和相关性对距离度量造成的影响;
计算实时施工数据在当前地质判定模型下的重构误差,来判断开挖面地质是否与当前地质一致;如果不一致则遍历其他已知地质类型,找到与其相符的地质类型并返回该地质类型标签,如遍历所有已知地质类型仍然无法找到符合的地质类型,则返回未知地质。
作为本发明的一种实施方式,所述数据特征学习步骤中,采用深度自编码网络学习盾构在不同地质施工中的掘进数据特征,构建各地质判别模型;
所述地质变化判别步骤中,将实时掘进数据输入训练好的深度自编码网络模型中,计算重构误差,结合动态阈值异常监测方法对掘进环境变化情况进行辨识;
所述地质变化判别步骤中,在当前盾构开挖面地质发生变化时,辨别是否为已知地质条件,并将结果输出。
所述数据获取步骤中,获取盾构掘进参数数据和隧道几何线性数据;
训练模型所需的盾构掘进参数数据和工程验证所需的盾构掘进数据通过网络与盾构施工数据库建立连接获取;
隧道几何线性数据根据盾构当前行程确定盾构位置,然后从工程数据库中获取对应的埋深和隧道设计轴线数据;
所述数据处理步骤中,对所述施工数据获取模块采集到的数据进行预处理,具体步骤如下:
步骤S21、剔除停推期间数据:根据推进速度、刀盘转速和推力大小进行停推判断,推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除;
步骤S22、剔除启推阶段不稳定数据:根据实际数据情况和盾构机特性定义启推阶段距离,删除启推距离内的盾构掘进数据;
步骤S23、删除掘进参数异常波动值:由于传感器在采集盾构掘进参数时会产生一些异常值,根据历史推进数据采用3σ准则剔除掘进参数中的异常数据;
步骤S24、掘进数据滑动平均处理:盾构在掘进过程中掘进数据会出现周期性波动,为了剔除掘进参数波动性造成的影响,对掘进参数进行滑动平均,滑动平均窗口大小根据实际数据采集情况确定;
步骤S25、数据标准化:根据当前施工工况下,计算各掘进参数数据的均值作为基准值,并将原始数据均除以该基准值进行标准化处理。
所述数据特征学习步骤中,通过对掘进参数数据特征的分析推断出当前开挖面的地质情况;
通过深度自编码网络提取不同地质下掘进参数的数据特征,其主要由输入层、隐含层和输出层组成,从输入层到隐含层的压缩低维表达过程称作模型的编码阶段,从隐含层的压缩特征映射还原出输出层的近似原始数据的过程称为解码阶段,并且编码阶段和解码阶段的隐层数量和结构相同;深度自编码网络具体训练过程通过最小化重构误差,使得输入值和输出值尽可能接近,来获得最优的神经网络权值;
采用深度自编码网络来学习各已知地层下盾构施工数据的数据特征分别构建各已知地质的判别模型,具体施工包括当前盾构埋深,刀盘扭矩、正面土压力、总推力、推进速度、刀盘转速、螺旋机转速和螺旋机扭矩;网络各层节点数根据在训练集上MRE的收敛情况确定,在保证模型准确度的同时尽可能简化模型结构;最终获得所有已知地质下的施工数据训练得到的自编码网络模型作为各已知地质的判别模型;
具体实现步骤如下:
步骤S31、从数据库中获取包含地质标签的盾构历史施工数据;
步骤S32、将历史掘进数据根据地质标签进行分类;
步骤S33、抽取某一类地质类型的施工数据;
步骤S34、采用该施工数据训练深度自编码网络模型,并确定最优网络结构;
步骤S35、储存该深度自编码网络模型;
重复步骤S33至步骤S35,直至遍历所有已知地质类型。
所述地质变化判别步骤中,获取盾构实时掘进数据,通过计算实时施工数据在当前地质判定模型下的重构误差,来判断开挖面地质是否与当前地质一致,如果不一致则遍历其他已知地质类型,找到与其相符的地质类型并返回该地质类型标签,如遍历所有已知地质类型仍然无法找到符合的地质类型,则返回未知地质;
1)重构误差计算过程包括:
虽然在数据处理过程中通过将每一个掘进参数除以其基准值来降低了其量纲上的差距,但仍无法完全消除不同参数之间量纲的差距,且各掘进参数之间还存在一定的相关性;采用马氏距离来度量重构误差;
假设输入掘进参数数据为xin=(x1,x2,x3…x7),经过自编码网络后的输出为xout={x′1,x′2,x′3…x′7},模型训练段掘进参数数据协方差矩阵为∑,重构误差计算公式如下:
2)基于动态阈值的已知地质判别过程包括:
定义E为t-1时地质是否一致的状态值,如果t-1时刻地质与上一时刻不一致则E=1,否则E=-1;
由于盾构在掘进过程中受到外界因素的干扰采集到的掘进参数有时会出现一定的波动,如果仅根据单一时刻的掘进数据进行掘进环境变化判别,会有大量的误报发生;而由于地质发生变化导致的数据异常现象通常会反复持续出现,故需要根据多个连续时间点的掘进数据来判定掘进环境变化情况;设置一个变量多点异常值λ来累积多次异常发生的情况,将变量λ设置为当前时间点距离上次数据异常点的时间t与数据异常在一定时间内发生次数的函数,即多个异常发生的时间越接近、异常发生的次数越多λ的值就越大;
记λt为掘进参数在时刻t的单点异常值;λ为多点异常值,其初值为零;λ′为上一时刻的多点异常值,单点异常值λt和多点异常值λ具体更新方法如下;
其中,a为与上一次单点异常的时间间隔;当变量λ超过某个阀值时,即在一定的时间窗口内有连续发生单点异常值超过阈值的情况,即认为当前地质情况发生改变;在本文中,当在k=3且λ的值大于设定阈值时,认为开挖面地质与当前地质不同。
所述工程验证步骤中,根据盾构机实际控制效果反馈情况对地质辨识模型的辨识结果进行验证,由于盾体周围土层发生明显变化时,盾构的姿态控制与注浆控制将发生较大变化;
具体会体现在姿态的控制能力和尾部注浆压力等参数上,所述工程验证模块根据以上数据(姿态的控制能力和尾部注浆压力参数)变化情况对地质实际变化情况进行进一步验证;如果某区间以上盾构控制指标发生较大变化且地质辨识模型也判定该段土体发生变化,则判定地质辨识结果正确;如地质辨识模型计算结果为地质发生变化而经过工程验证发现地质未发生变化,则以工程验证结果为准;最后将盾体周围的土质情况反馈给报警判断模块和数据标记存储模块,具体步骤如下:获取盾构当前实时掘进数据;获取并存储切口穿过盾体周围土体时的地质辨识结果;根据盾构实际控制反馈情况对地质辨识结果进行验证;输出验证结果。
所述地质变化报警步骤中,根据工程验证步骤和实时地质辨识步骤获取的输出结果,判断当前盾体上方和盾构前方土体是否一致,如果前方土质情况和上方土质情况一致则不进行报警,在盾构控制界面上显示“地质未发生变化”,否则在界面上提示当前“地质发生改变”,并使用蜂鸣器提醒盾构技术人员和盾构操作员注意。
所述数据标记存储步骤中,对每段掘进区间数据进行地质类型标记,首先获取工程验证模块的验证结果,如该区间地层为某种确定已知地层则直接对当前区间掘进数据进行标记并存储至数据库,如该区间地层经过验证为未知地层则根据螺旋机出土情况和掘进情况综合判断该未知地层所属的地质类型,并新增一类地质标签将该区间数据标记后存储至数据库。
本发明的有益效果在于:本发明提出的盾构掘进环境变化实时辨识系统及方法,采用深度自编码网络学习盾构在不同地质施工中的掘进数据特征构建各地质判别模型,然后将实时掘进数据输入训练好的深度自编码网络模型中,计算重构误差,结合动态阈值异常监测方法对掘进环境变化情况进行辨识,可快速精确地辨识掘进环境变化情况。
附图说明
图1为本发明一实施例中盾构掘进环境变化实时辨识方法的流程图。
图2为本发明一实施例中地质变化判别步骤的流程图。
图3为本发明一实施例中基于动态阈值的地质判别步骤的流程图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
为了进一步理解本发明,下面结合实施例对本发明优选实施方案进行描述,但是应当理解,这些描述只是为进一步说明本发明的特征和优点,而不是对本发明权利要求的限制。
该部分的描述只针对几个典型的实施例,本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
说明书中各个实施例中的步骤的表述只是为了方便说明,本申请的实现方式不受步骤实现的顺序限制。说明书中的“连接”既包含直接连接,也包含间接连接。
请参阅图1,本发明揭示了一种盾构掘进环境变化实时辨识系统,所述盾构掘进环境变化实时辨识系统包括:数据获取模块1、数据处理模块2、数据特征学习模块3及地质变化判别模块4。
数据获取模块1用以获取盾构实时施工数据,所述实时施工数据包括当前盾构开挖面地质数据;数据处理模块2连接所述数据获取模块1,用以根据所述数据获取模块获取的施工数据中提取盾构施工过程中施工掘进数据,并对获取的施工掘进数据进行数据清洗和数据处理。
数据特征学习模块3连接所述数据处理模块2,用以学习不同地质下盾构施工数据的数据特征,构建针对不同地质条件的判别模型;地质变化判别模块4连接所述数据特征学习模块3,用以根据所述数据特征学习模块构建的判别模型判别所述数据获取模块获取的当前盾构开挖面地质是否发生变化。
在本发明的一实施例中,所述地质变化判别模块4用以采用马氏距离计算实时施工数据在当前地质判定模型下的重构误差,以消除量纲和相关性对距离度量造成的影响。本发明提出了一种基于动态阈值的异常判断方法,具体包括单点异常阈值和多点异常阈值,单点异常阈值基于异常检测结果自动进行缩放调整,降低误报率并防止异常数据遗漏。在一实施例中,所述地质变化判别模块4用以计算实时施工数据在当前地质判定模型下的重构误差,来判断开挖面地质是否与当前地质一致,如果不一致则遍历其他已知地质类型,找到与其相符的地质类型并返回该地质类型标签,如遍历所有已知地质类型仍然无法找到符合的地质类型,则返回未知地质。
在本发明的一实施例中,所述系统进一步包括:工程验证模块5、地质变化报警模块6及数据标记存储模块7。工程验证模块5用以根据盾构机实际控制效果反馈情况对地质辨识模型的辨识结果进行验证,并给出验证结果用于数据标记和地质变化报警;地质变化报警模块6用以判断当前地质和开挖面地质是否一致,并在盾构控制界面上给出反馈;数据标记存储模块7用以对每段掘进区间数据进行地质类型标记。
在本发明的一实施例中,所述数据特征学习模块3采用深度自编码网络学习盾构在不同地质施工中的掘进数据特征,构建各地质判别模型。所述地质变化判别模块4将实时掘进数据输入训练好的深度自编码网络模型中,计算重构误差,结合动态阈值异常监测方法对掘进环境变化情况进行辨识;所述地质变化判别模块4用以在当前盾构开挖面地质发生变化时,辨别是否为已知地质条件,并将结果输出。
在本发明的一实施例中,所述数据获取模块1用于获取盾构掘进参数数据和隧道几何线性数据。训练模型所需的盾构掘进参数数据和工程验证所需的盾构掘进数据通过网络与盾构施工数据库建立连接获取。隧道几何线性数据根据盾构当前行程确定盾构位置,然后从工程数据库中获取对应的埋深和隧道设计轴线数据;
所述数据处理模块2对所述施工数据获取模块采集到的数据进行预处理;具体步骤如下:
步骤S21、剔除停推期间数据:根据推进速度、刀盘转速和推力大小进行停推判断,推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除;
步骤S22、剔除启推阶段不稳定数据:根据实际数据情况和盾构机特性定义启推阶段距离,删除启推距离内的盾构掘进数据;
步骤S23、删除掘进参数异常波动值:由于传感器在采集盾构掘进参数时会产生一些异常值,根据历史推进数据采用3σ准则剔除掘进参数中的异常数据;
步骤S24、掘进数据滑动平均处理:盾构在掘进过程中掘进数据会出现周期性波动,为了剔除掘进参数波动性造成的影响,对掘进参数进行滑动平均,滑动平均窗口大小根据实际数据采集情况确定;
步骤S25、数据标准化:根据当前施工工况下,计算各掘进参数数据的均值作为基准值,并将原始数据均除以该基准值进行标准化处理。
在一实施例中,所述数据特征学习模块3用以通过对掘进参数数据特征的分析推断出当前开挖面的地质情况。
通过深度自编码网络提取不同地质下掘进参数的数据特征,其主要由输入层、隐含层和输出层组成,从输入层到隐含层的压缩低维表达过程称作模型的编码阶段,从隐含层的压缩特征映射还原出输出层的近似原始数据的过程称为解码阶段,并且编码阶段和解码阶段的隐层数量和结构相同;深度自编码网络具体训练过程通过最小化重构误差,使得输入值和输出值尽可能接近,来获得最优的神经网络权值。
采用深度自编码网络来学习各已知地层下盾构施工数据的数据特征分别构建各已知地质的判别模型,具体施工包括当前盾构埋深,刀盘扭矩、正面土压力、总推力、推进速度、刀盘转速、螺旋机转速和螺旋机扭矩;网络各层节点数根据在训练集上MRE的收敛情况确定,在保证模型准确度的同时尽可能简化模型结构;最终获得所有已知地质下的施工数据训练得到的自编码网络模型作为各已知地质的判别模型。
所述数据特征学习模块3的具体过程包括:
步骤S31、从数据库中获取包含地质标签的盾构历史施工数据;
步骤S32、将历史掘进数据根据地质标签进行分类;
步骤S33、抽取某一类地质类型的施工数据;
步骤S34、采用该施工数据训练深度自编码网络模型,并确定最优网络结构;
步骤S35、储存该深度自编码网络模型;
重复步骤S33至步骤S35,直至遍历所有已知地质类型。
在本发明的一实施例中,所述地质变化判别模块4用以获取盾构实时掘进数据,通过计算实时施工数据在当前地质判定模型下的重构误差,来判断开挖面地质是否与当前地质一致,如果不一致则遍历其他已知地质类型,找到与其相符的地质类型并返回该地质类型标签,如遍历所有已知地质类型仍然无法找到符合的地质类型,则返回未知地质;
1)重构误差计算方法如下:
假设输入掘进参数数据为xin=(x1,x2,x3…x7),经过自编码网络后的输出为xout={x′1,x′2,x′3…x′7},模型训练段掘进参数数据协方差矩阵为∑,重构误差计算公式如下:
2)基于动态阈值的已知地质判别过程包括:
定义E为t-1时地质是否一致的状态值,如果t-1时刻地质与上一时刻不一致则E=1,否则E=-1;
由于盾构在掘进过程中受到外界因素的干扰采集到的掘进参数有时会出现一定的波动,如果仅根据单一时刻的掘进数据进行掘进环境变化判别,会有大量的误报发生;而由于地质发生变化导致的数据异常现象通常会反复持续出现,故需要根据多个连续时间点的掘进数据来判定掘进环境变化情况;设置一个变量多点异常值λ来累积多次异常发生的情况,将变量λ设置为当前时间点距离上次数据异常点的时间t与数据异常在一定时间内发生次数的函数,即多个异常发生的时间越接近、异常发生的次数越多λ的值就越大;
记λt为掘进参数在时刻t的单点异常值;λ为多点异常值,其初值为零;λ′为上一时刻的多点异常值,单点异常值λt和多点异常值λ具体更新方法如下;
其中,a为与上一次单点异常的时间间隔;当变量λ超过某个阀值时,即在一定的时间窗口内有连续发生单点异常值超过阈值的情况,即认为当前地质情况发生改变;在本文中,当在k=3且λ的值大于设定阈值时,认为开挖面地质与当前地质不同。
在本发明的一实施例中,所述工程验证模块5用以根据盾构机实际控制效果反馈情况对地质辨识模型的辨识结果进行验证;盾体周围土层发生明显变化时,盾构的姿态控制与注浆控制将发生变化;具体会体现在姿态的控制能力和尾部注浆压力参数上,所述工程验证模块根据以上数据(姿态的控制能力和尾部注浆压力参数)变化情况对地质实际变化情况进行进一步验证;
若某区间以上盾构控制指标发生较大变化且地质辨识模型也判定该段土体发生变化,则判定地质辨识结果正确;
若地质辨识模型计算结果为地质发生变化而经过工程验证发现地质未发生变化,则以工程验证结果为准;最后将盾体周围的土质情况反馈给报警判断模块和数据标记存储模块;
所述工程验证模块的具体处理流程包括:获取盾构当前实时掘进数据;获取并存储切口穿过盾体周围土体时的地质辨识结果;根据盾构实际控制反馈情况对地质辨识结果进行验证;输出验证结果。
在一实施例中,所述地质变化报警模块6用以根据工程验证模块和实时地质辨识模块的输出结果,判断当前盾体上方和盾构前方土体是否一致,如果前方土质情况和上方土质情况一致则不进行报警,在盾构控制界面上显示“地质未发生变化”,否则在界面上提示当前“地质发生改变”,并使用蜂鸣器提醒盾构技术人员和盾构操作员注意;
在一实施例中,所述数据标记存储模块7用以对每段掘进区间数据进行地质类型标记,首先获取工程验证模块的验证结果,如该区间地层为某种确定已知地层则直接对当前区间掘进数据进行标记并存储至数据库,如该区间地层经过验证为未知地层则根据螺旋机出土情况和掘进情况综合判断该未知地层所属的地质类型,并新增一类地质标签将该区间数据标记后存储至数据库。
本发明还揭示一种盾构掘进环境变化实时辨识方法,图1为本发明一实施例中盾构掘进环境变化实时辨识方法的流程图;请参阅图1,所述盾构掘进环境变化实时辨识方法包括:
【步骤S1】数据获取步骤,获取盾构实时施工数据;
在一实施例中,获取盾构掘进参数数据和隧道几何线性数据;
训练模型所需的盾构掘进参数数据和工程验证所需的盾构掘进数据通过网络与盾构施工数据库建立连接获取;
隧道几何线性数据根据盾构当前行程确定盾构位置,然后从工程数据库中获取对应的埋深和隧道设计轴线数据;
【步骤S2】数据处理步骤,根据所述数据获取步骤获取的施工数据中提取盾构施工过程中施工掘进数据,并对获取的施工掘进数据进行数据清洗和数据处理;
在一实施例中,对所述施工数据获取模块采集到的数据进行预处理,具体步骤如下:
步骤S21、剔除停推期间数据:根据推进速度、刀盘转速和推力大小进行停推判断,推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除;
步骤S22、剔除启推阶段不稳定数据:根据实际数据情况和盾构机特性定义启推阶段距离,删除启推距离内的盾构掘进数据;
步骤S23、删除掘进参数异常波动值:由于传感器在采集盾构掘进参数时会产生一些异常值,根据历史推进数据采用3σ准则剔除掘进参数中的异常数据;
步骤S24、掘进数据滑动平均处理:盾构在掘进过程中掘进数据会出现周期性波动,为了剔除掘进参数波动性造成的影响,对掘进参数进行滑动平均,滑动平均窗口大小根据实际数据采集情况确定;
步骤S25、数据标准化:根据当前施工工况下,计算各掘进参数数据的均值作为基准值,并将原始数据均除以该基准值进行标准化处理。
【步骤S3】数据特征学习步骤,学习不同地质下盾构施工数据的数据特征,构建针对不同地质条件的判别模型。
在本发明的一实施例中,所述数据特征学习步骤中,采用深度自编码网络学习盾构在不同地质施工中的掘进数据特征,构建各地质判别模型。
在一实施例中,通过对掘进参数数据特征的分析推断出当前开挖面的地质情况;
通过深度自编码网络提取不同地质下掘进参数的数据特征,其主要由输入层、隐含层和输出层组成,从输入层到隐含层的压缩低维表达过程称作模型的编码阶段,从隐含层的压缩特征映射还原出输出层的近似原始数据的过程称为解码阶段,并且编码阶段和解码阶段的隐层数量和结构相同;深度自编码网络具体训练过程通过最小化重构误差,使得输入值和输出值尽可能接近,来获得最优的神经网络权值;
采用深度自编码网络来学习各已知地层下盾构施工数据的数据特征分别构建各已知地质的判别模型,具体施工包括当前盾构埋深,刀盘扭矩、正面土压力、总推力、推进速度、刀盘转速、螺旋机转速和螺旋机扭矩;网络各层节点数根据在训练集上MRE的收敛情况确定,在保证模型准确度的同时尽可能简化模型结构;最终获得所有已知地质下的施工数据训练得到的自编码网络模型作为各已知地质的判别模型;
具体实现步骤如下:
步骤S31、从数据库中获取包含地质标签的盾构历史施工数据;
步骤S32、将历史掘进数据根据地质标签进行分类;
步骤S33、抽取某一类地质类型的施工数据;
步骤S34、采用该施工数据训练深度自编码网络模型,并确定最优网络结构;
步骤S35、储存该深度自编码网络模型;
重复步骤S33至步骤S35,直至遍历所有已知地质类型。
【步骤S4】地质变化判别步骤,根据所述数据特征学习步骤构建的判别模型判别所述数据获取模块获取的当前盾构开挖面地质是否发生变化。
在一实施例中,采用马氏距离计算实时施工数据在当前地质判定模型下的重构误差,以消除量纲和相关性对距离度量造成的影响。地质变化判别步骤具体可以包括:计算实时施工数据在当前地质判定模型下的重构误差,来判断开挖面地质是否与当前地质一致;如果不一致则遍历其他已知地质类型,找到与其相符的地质类型并返回该地质类型标签,如遍历所有已知地质类型仍然无法找到符合的地质类型,则返回未知地质。
图2、图3为本发明一实施例中地质变化判别步骤的流程图;请参阅图2、图3,在本发明的一实施例中,将实时掘进数据输入训练好的深度自编码网络模型中,计算重构误差,结合动态阈值异常监测方法对掘进环境变化情况进行辨识。在当前盾构开挖面地质发生变化时,辨别是否为已知地质条件,并将结果输出。
在一实施例中,获取盾构实时掘进数据,通过计算实时施工数据在当前地质判定模型下的重构误差,来判断开挖面地质是否与当前地质一致,如果不一致则遍历其他已知地质类型,找到与其相符的地质类型并返回该地质类型标签,如遍历所有已知地质类型仍然无法找到符合的地质类型,则返回未知地质;
1)重构误差计算方法如下:
假设输入掘进参数数据为xin=(x1,x2,x3…x7),经过自编码网络后的输出为xout={x′1,x′2,x′3…x′7},模型训练段掘进参数数据协方差矩阵为∑,重构误差计算公式如下:
2)基于动态阈值的已知地质判别过程包括:
定义E为t-1时地质是否一致的状态值,如果t-1时刻地质与上一时刻不一致则E=1,否则E=-1;
由于盾构在掘进过程中受到外界因素的干扰采集到的掘进参数有时会出现一定的波动,如果仅根据单一时刻的掘进数据进行掘进环境变化判别,会有大量的误报发生;而由于地质发生变化导致的数据异常现象通常会反复持续出现,故需要根据多个连续时间点的掘进数据来判定掘进环境变化情况;设置一个变量多点异常值λ来累积多次异常发生的情况,将变量λ设置为当前时间点距离上次数据异常点的时间t与数据异常在一定时间内发生次数的函数,即多个异常发生的时间越接近、异常发生的次数越多λ的值就越大;
记λt为掘进参数在时刻t的单点异常值;λ为多点异常值,其初值为零;λ′为上一时刻的多点异常值,单点异常值λt和多点异常值λ具体更新方法如下;
其中,a为与上一次单点异常的时间间隔;当变量λ超过某个阀值时,即在一定的时间窗口内有连续发生单点异常值超过阈值的情况,即认为当前地质情况发生改变;在本文中,当在k=3且λ的值大于设定阈值时,认为开挖面地质与当前地质不同。
在本发明的一实施例中,所述方法进一步包括:
【步骤S5】工程验证步骤,根据盾构机实际控制效果反馈情况对地质辨识模型的辨识结果进行验证,并给出验证结果用于数据标记和地质变化报警。
在一实施例中,根据盾构机实际控制效果反馈情况对地质辨识模型的辨识结果进行验证,由于盾体周围地质发生明显变化时,盾构的姿态控制与注浆控制也将发生变化;
具体会体现在姿态的控制能力和尾部注浆压力等参数上,所述工程验证模块根据以上数据(姿态的控制能力和尾部注浆压力参数)变化情况对地质实际变化情况进行进一步验证;如果某区间以上盾构控制指标发生较大变化且地质辨识模型也判定该段土体发生变化,则判定地质辨识结果正确;如地质辨识模型计算结果为地质发生变化而经过工程验证发现地质未发生变化,则以工程验证结果为准;最后将盾体周围的土质情况反馈给报警判断模块和数据标记存储模块,具体步骤如下:获取盾构当前实时掘进数据;获取并存储切口穿过盾体周围土体时的地质辨识结果;根据盾构实际控制反馈情况对地质辨识结果进行验证;输出验证结果。
【步骤S6】地质变化报警步骤,判断当前地质和开挖面地质是否一致,并在盾构控制界面上给出反馈。
在一实施例中,根据工程验证步骤和实时地质辨识步骤获取的输出结果,判断当前盾体上方和盾构前方土体是否一致,如果前方土质情况和上方土质情况一致则不进行报警,在盾构控制界面上显示“地质未发生变化”,否则在界面上提示当前“地质发生改变”,并使用蜂鸣器提醒盾构技术人员和盾构操作员注意。
【步骤S7】数据标记存储步骤,对每段掘进区间数据进行地质类型标记。
在一实施例中,对每段掘进区间数据进行地质类型标记,首先获取工程验证模块的验证结果,如该区间地层为某种确定已知地层则直接对当前区间掘进数据进行标记并存储至数据库,如该区间地层经过验证为未知地层则根据螺旋机出土情况和掘进情况综合判断该未知地层所属的地质类型,并新增一类地质标签将该区间数据标记后存储至数据库。
综上所述,本发明提出的盾构掘进环境变化实时辨识系统及方法,采用深度自编码网络学习盾构在不同地质施工中的掘进数据特征构建各地质判别模型,然后将实时掘进数据输入训练好的深度自编码网络模型中,计算重构误差,结合动态阈值异常监测方法对掘进环境变化情况进行辨识,可快速精确地辨识掘进环境变化情况。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施;例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中,本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中;例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现;例如,作为与处理器配合从而执行各个步骤或功能的电路。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。实施例中所涉及的效果或优点可因多种因素干扰而可能不能在实施例中体现,对于效果或优点的描述不用于对实施例进行限制。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (10)
1.一种盾构掘进环境变化实时辨识系统,其特征在于,所述盾构掘进环境变化实时辨识系统包括:
数据获取模块,用以获取盾构实时施工数据,所述实时施工数据包括盾构掘进参数数据和隧道几何线性数据;
数据处理模块,连接所述数据获取模块,用以从所述数据获取模块获取的施工数据中抽取盾构推进期间的掘进数据,并对获取的掘进数据进行数据清洗和数据处理;
数据特征学习模块,连接所述数据处理模块,用以学习不同地质下盾构施工数据的数据特征,构建针对不同地质条件的判别模型;以及
地质变化判别模块,连接所述数据特征学习模块,用以根据所述数据特征学习模块构建的判别模型判别所述数据获取模块获取的当前盾构开挖面地质是否发生变化。
2.根据权利要求1所述的盾构掘进环境变化实时辨识系统,地质变化判别模块其特征在于:
所述地质变化判别模块用以采用马氏距离计算实时施工数据在当前地质判定模型下的重构误差,以消除量纲和相关性对距离度量造成的影响;
所述地质变化判别模块用以计算实时施工数据在当前地质判定模型下的重构误差,来判断开挖面地质是否与当前地质一致,如果不一致则遍历其他已知地质类型,找到与其相符的地质类型并返回该地质类型标签,如遍历所有已知地质类型仍然无法找到符合的地质类型,则返回未知地质。
3.根据权利要求1所述的盾构掘进环境变化实时辨识系统,其特征在于:
所述系统进一步包括:
工程验证模块,用以根据盾构机实际控制效果反馈情况对地质辨识模型的辨识结果进行验证,并给出验证结果用于数据标记和地质变化报警;
地质变化报警模块,用以判断当前地质和开挖面地质是否一致,并在盾构控制界面上给出反馈;
数据标记存储模块,用以对每段掘进区间数据进行地质类型标记;
所述数据特征学习模块采用深度自编码网络学习盾构在不同地质施工中的掘进数据特征,构建各地质判别模型;
所述地质变化判别模块将实时掘进数据输入训练好的深度自编码网络模型中,计算重构误差,结合动态阈值异常监测方法对掘进环境变化情况进行辨识;
所述地质变化判别模块用以在当前盾构开挖面地质发生变化时,辨别是否为已知地质条件,并将结果输出。
4.根据权利要求1所述的盾构掘进环境变化实时辨识系统,其特征在于:
所述数据获取模块用于获取盾构掘进参数数据和隧道几何线性数据;
训练模型所需的盾构掘进参数数据和工程验证所需的盾构掘进数据通过网络与盾构施工数据库建立连接获取;
隧道几何线性数据根据盾构当前行程确定盾构位置,然后从工程数据库中获取对应的埋深和隧道设计轴线数据;
所述数据处理模块对所述施工数据获取模块采集到的数据进行预处理,具体步骤如下:
步骤S21、剔除停推期间数据:根据推进速度、刀盘转速和推力大小进行停推判断,推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除;
步骤S22、剔除启推阶段不稳定数据:根据实际数据情况和盾构机特性定义启推阶段距离,删除启推距离内的盾构掘进数据;
步骤S23、删除掘进参数异常波动值:由于传感器在采集盾构掘进参数时会产生一些异常值,根据历史推进数据采用3σ准则剔除掘进参数中的异常数据;
步骤S24、掘进数据滑动平均处理:盾构在掘进过程中掘进数据会出现周期性波动,为了剔除掘进参数波动性造成的影响,对掘进参数进行滑动平均,滑动平均窗口大小根据实际数据采集情况确定;
步骤S25、数据标准化:根据当前施工工况下,计算各掘进参数数据的均值作为基准值,并将原始数据均除以该基准值进行标准化处理。
5.根据权利要求1所述的盾构掘进环境变化实时辨识系统,其特征在于:
所述数据特征学习模块用以通过对掘进参数数据特征的分析推断出当前开挖面的地质情况;
采用深度自编码网络来学习各已知地层下盾构施工数据的数据特征分别构建各已知地质的判别模型;网络各层节点数根据在训练集上MRE的收敛情况确定,在保证模型准确度的同时尽可能简化模型结构;最终获得所有已知地质下的施工数据训练得到的自编码网络模型作为各已知地质的判别模型;
具体实现步骤如下:
步骤S31、从数据库中获取包含地质标签的盾构历史施工数据;
步骤S32、将历史掘进数据根据地质标签进行分类;
步骤S33、抽取某一类地质类型的施工数据;
步骤S34、采用该施工数据训练深度自编码网络模型,并确定最优网络结构;
步骤S35、储存该深度自编码网络模型;
重复步骤S33至步骤S35,直至遍历所有已知地质类型。
6.根据权利要求1所述的盾构掘进环境变化实时辨识系统,其特征在于:
所述地质变化判别模块用以获取盾构实时掘进数据,通过计算实时施工数据在当前地质判定模型下的重构误差,来判断开挖面地质是否与当前地质一致,如果不一致则遍历其他已知地质类型,找到与其相符的地质类型并返回该地质类型标签,如遍历所有已知地质类型仍然无法找到符合的地质类型,则返回未知地质;
1)重构误差计算过程包括:
假设输入掘进参数数据为xin=(x1,x2,x3...x7),经过自编码网络后的输出为xout={x′1,x′2,x′3...x′7},模型训练段掘进参数数据协方差矩阵为∑,重构误差计算公式如下:
2)基于动态阈值的已知地质判别过程包括:
定义E为t-1时地质是否一致的状态值,如果t-1时刻地质与上一时刻不一致则E=1,否则E=-1;
由于盾构在掘进过程中受到外界因素的干扰采集到的掘进参数有时会出现一定的波动,如果仅根据单一时刻的掘进数据进行掘进环境变化判别,会有大量的误报发生;而由于地质发生变化导致的数据异常现象通常会反复持续出现,故需要根据多个连续时间点的掘进数据来判定掘进环境变化情况;设置一个变量多点异常值λ来累积多次异常发生的情况,将变量λ设置为当前时间点距离上次数据异常点的时间t与数据异常在一定时间内发生次数的函数,即多个异常发生的时间越接近、异常发生的次数越多λ的值就越大;
记λt为掘进参数在时刻t的单点异常值;λ为多点异常值,其初值为零;λ′为上一时刻的多点异常值,单点异常值λt和多点异常值λ具体更新方法如下;
其中,a为与上一次单点异常的时间间隔;当变量λ超过某个阀值时,即在一定的时间窗口内有连续发生单点异常值超过阈值的情况,即认为当前地质情况发生改变;在本文中,当在k=3且λ的值大于设定阈值时,认为开挖面地质与当前地质不同。
7.根据权利要求1所述的盾构掘进环境变化实时辨识系统,其特征在于:
所述工程验证模块用以根据盾构机实际控制效果反馈情况对地质辨识模型的辨识结果进行验证;盾体周围土层发生明显变化时,盾构的姿态控制与注浆控制将发生变化;体现在姿态的控制能力和尾部注浆压力参数上,所述工程验证模块根据所述姿态的控制能力和尾部注浆压力参数变化情况对地质实际变化情况进行进一步验证;
若某区间盾构控制指标发生变化且地质辨识模型结果同时也为开挖面地质变化,则判定地质辨识结果正确;
若地质辨识模型计算结果为地质发生变化而经过工程验证发现地质未发生变化,则以工程验证结果为准;最后将盾体周围的土质情况反馈给报警判断模块和数据标记存储模块;
所述工程验证模块的具体处理流程包括:获取盾构当前实时掘进数据;获取并存储切口穿过盾体周围土体时的地质辨识结果;根据盾构实际控制反馈情况对地质辨识结果进行验证;输出验证结果;
所述地质变化报警模块用以根据工程验证模块和实时地质辨识模块的输出结果,判断当前盾体上方和盾构前方土体是否一致,如果前方土质情况和上方土质情况一致则不进行报警,在盾构控制界面上显示“地质未发生变化”,否则在界面上提示当前“地质发生改变”,并使用蜂鸣器提醒盾构技术人员和盾构操作员注意;
所述数据标记存储模块用以对每段掘进区间数据进行地质类型标记,首先获取工程验证模块的验证结果,如该区间地层为某种确定已知地层则直接对当前区间掘进数据进行标记并存储至数据库,如该区间地层经过验证为未知地层则根据螺旋机出土情况和掘进情况综合判断该未知地层所属的地质类型,并新增一类地质标签将该区间数据标记后存储至数据库。
8.一种盾构掘进环境变化实时辨识方法,其特征在于,所述盾构掘进环境变化实时辨识方法包括:
数据获取步骤,获取盾构实时施工数据,所述实时施工数据包括盾构掘进参数数据和隧道几何线性数据;
数据处理步骤,根据所述数据获取模块获取的施工数据中抽取盾构推进期间的掘进数据,并对获取的掘进数据进行数据清洗和数据处理;
数据特征学习步骤,学习不同地质下盾构施工数据的数据特征,构建针对不同地质条件的判别模型;以及
地质变化判别步骤,根据所述数据特征学习步骤构建的判别模型判别所述数据获取步骤获取的当前盾构开挖面地质是否发生变化。
9.根据权利要求8所述的盾构掘进环境变化实时辨识方法,其特征在于:
所述地质变化判别步骤中,采用马氏距离计算实时施工数据在当前地质判定模型下的重构误差,以消除量纲和相关性对距离度量造成的影响;
计算实时施工数据在当前地质判定模型下的重构误差,来判断开挖面地质是否与当前地质一致;如果不一致则遍历其他已知地质类型,找到与其相符的地质类型并返回该地质类型标签,如遍历所有已知地质类型仍然无法找到符合的地质类型,则返回未知地质。
10.根据权利要求8所述的盾构掘进环境变化实时辨识方法,其特征在于:
所述方法进一步包括:
工程验证步骤,根据盾构机实际控制效果反馈情况对地质辨识模型的辨识结果进行验证,并给出验证结果用于数据标记和地质变化报警;
地质变化报警步骤,判断当前地质和开挖面地质是否一致,并在盾构控制界面上给出反馈;
数据标记存储步骤,对每段掘进区间数据进行地质类型标记;
所述数据特征学习步骤中,采用深度自编码网络学习盾构在不同地质施工中的掘进数据特征,构建各地质判别模型;
所述地质变化判别步骤中,将实时掘进数据输入训练好的深度自编码网络模型中,计算重构误差,结合动态阈值异常监测方法对掘进环境变化情况进行辨识;
所述地质变化判别步骤中,在当前盾构开挖面地质发生变化时,辨别是否为已知地质条件,并将结果输出;
所述数据获取步骤中,获取盾构掘进参数数据和隧道几何线性数据;
训练模型所需的盾构掘进参数数据和工程验证所需的盾构掘进数据通过网络与盾构施工数据库建立连接获取;
隧道几何线性数据根据盾构当前行程确定盾构位置,然后从工程数据库中获取对应的埋深和隧道设计轴线数据;
所述数据处理步骤中,对所述施工数据获取模块采集到的数据进行预处理,具体步骤如下:
步骤S21、剔除停推期间数据:根据推进速度、刀盘转速和推力大小进行停推判断,推进速度、刀盘转速和推力其中一者为0时则判断为停机并将该条数据删除;
步骤S22、剔除启推阶段不稳定数据:根据实际数据情况和盾构机特性定义启推阶段距离,删除启推距离内的盾构掘进数据;
步骤S23、删除掘进参数异常波动值:由于传感器在采集盾构掘进参数时会产生一些异常值,根据历史推进数据采用3σ准则剔除掘进参数中的异常数据;
步骤S24、掘进数据滑动平均处理:盾构在掘进过程中掘进数据会出现周期性波动,为了剔除掘进参数波动性造成的影响,对掘进参数进行滑动平均,滑动平均窗口大小根据实际数据采集情况确定;
步骤S25、数据标准化:根据当前施工工况下,计算各掘进参数数据的均值作为基准值,并将原始数据进行标准化处理。
所述数据特征学习步骤中,通过对掘进参数数据特征的分析推断出当前开挖面的地质情况;
首先采用深度自编码网络来学习各已知地层下盾构施工数据的数据特征分别构建各已知地质的判别模型,具体施工包括当前盾构埋深,刀盘扭矩、正面土压力、总推力、推进速度、刀盘转速、螺旋机转速和螺旋机扭矩;网络各层节点数根据在训练集上MRE的收敛情况确定,在保证模型准确度的同时尽可能简化模型结构;最终获得所有已知地质下的施工数据训练得到的自编码网络模型作为各已知地质的判别模型;
具体实现步骤如下:
步骤S31、从数据库中获取包含地质标签的盾构历史施工数据;
步骤S32、将历史掘进数据根据地质标签进行分类;
步骤S33、抽取某一类地质类型的施工数据;
步骤S34、采用该施工数据训练深度自编码网络模型,并确定最优网络结构;
步骤S35、储存该深度自编码网络模型;
重复步骤S33至步骤S35,直至遍历所有已知地质类型;
所述地质变化判别步骤中,获取盾构实时掘进数据,通过计算实时施工数据在当前地质判定模型下的重构误差,来判断开挖面地质是否与当前地质一致,如果不一致则遍历其他已知地质类型,找到与其相符的地质类型并返回该地质类型标签,如遍历所有已知地质类型仍然无法找到符合的地质类型,则返回未知地质;
1)重构误差计算方法如下:
假设输入掘进参数数据为xin=(x1,x2,x3...x7),经过自编码网络后的输出为xout={x′1,x′2,x′3...x′7},模型训练段掘进参数数据协方差矩阵为∑,重构误差计算公式如下:
2)基于动态阈值的已知地质判别过程包括:
定义E为t-1时地质是否一致的状态值,如果t-1时刻地质与上一时刻不一致则E=1,否则E=-1;
记λt为掘进参数在时刻t的单点异常值;λ为多点异常值,其初值为零;λ′为上一时刻的多点异常值,单点异常值λt和多点异常值λ具体更新方法如下;
其中,a为与上一次单点异常的时间间隔;当变量λ超过某个阀值时,即在一定的时间窗口内有连续发生单点异常值超过阈值的情况,即认为当前地质情况发生改变;在本文中,当在k=3且λ的值大于设定阈值时,认为开挖面地质与当前地质不同;
所述工程验证步骤中,根据盾构机实际控制效果反馈情况对地质辨识模型的辨识结果进行验证,由于盾体周围土层发生明显变化时,盾构的姿态控制与注浆控制将发生较大变化;
具体会体现在姿态的控制能力和尾部注浆压力等参数上,所述工程验证模块根据姿态的控制能力和尾部注浆压力参数变化情况对地质实际变化情况进行进一步验证;如果某区间以上盾构控制指标发生较大变化且地质辨识模型也判定该段土体发生变化,则判定地质辨识结果正确;如地质辨识模型计算结果为地质发生变化而经过工程验证发现地质未发生变化,则以工程验证结果为准;最后将盾体周围的土质情况反馈给报警判断模块和数据标记存储模块,具体步骤如下:获取盾构当前实时掘进数据;获取并存储切口穿过盾体周围土体时的地质辨识结果;根据盾构实际控制反馈情况对地质辨识结果进行验证;输出验证结果;
所述地质变化报警步骤中,根据工程验证步骤和实时地质辨识步骤获取的输出结果,判断当前盾体上方和盾构前方土体是否一致,如果前方土质情况和上方土质情况一致则不进行报警,在盾构控制界面上显示“地质未发生变化”,否则在界面上提示当前“地质发生改变”,并使用蜂鸣器提醒盾构技术人员和盾构操作员注意;
所述数据标记存储步骤中,对每段掘进区间数据进行地质类型标记,首先获取工程验证模块的验证结果,如该区间地层为某种确定已知地层则直接对当前区间掘进数据进行标记并存储至数据库,如该区间地层经过验证为未知地层则根据螺旋机出土情况和掘进情况综合判断该未知地层所属的地质类型,并新增一类地质标签将该区间数据标记后存储至数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110430243.9A CN114075979A (zh) | 2021-04-21 | 2021-04-21 | 盾构掘进环境变化实时辨识系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110430243.9A CN114075979A (zh) | 2021-04-21 | 2021-04-21 | 盾构掘进环境变化实时辨识系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114075979A true CN114075979A (zh) | 2022-02-22 |
Family
ID=80283039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110430243.9A Pending CN114075979A (zh) | 2021-04-21 | 2021-04-21 | 盾构掘进环境变化实时辨识系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114075979A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117646657A (zh) * | 2024-01-30 | 2024-03-05 | 中电建铁路建设投资集团有限公司 | 一种泥水盾构下穿技术的监测预警系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107577862A (zh) * | 2017-08-30 | 2018-01-12 | 中铁工程装备集团有限公司 | 一种tbm在掘岩体状态实时感知系统和方法 |
CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
CN109766335A (zh) * | 2019-01-16 | 2019-05-17 | 天津大学 | 基于分类回归决策树算法的盾构施工地质识别方法及系统 |
CN109766948A (zh) * | 2019-01-16 | 2019-05-17 | 天津大学 | 一种基于支持向量机算法的盾构施工地质识别方法及系统 |
CN109918822A (zh) * | 2019-03-15 | 2019-06-21 | 中铁工程服务有限公司 | 基于随机森林回归的盾构掘进参数偏差计算方法及系统 |
CN109948117A (zh) * | 2019-03-13 | 2019-06-28 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
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 |
CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
CN110852423A (zh) * | 2019-11-12 | 2020-02-28 | 中铁工程装备集团有限公司 | 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 |
CN111160571A (zh) * | 2019-12-31 | 2020-05-15 | 盾构及掘进技术国家重点实验室 | 一种基于土压平衡盾构机参数数据驱动反演地质的方法 |
CN111911177A (zh) * | 2020-08-04 | 2020-11-10 | 盾构及掘进技术国家重点实验室 | 一种双模隧道掘进机在频变地层的掘进模式选择判别方法 |
CN112364917A (zh) * | 2020-11-10 | 2021-02-12 | 辽宁石油化工大学 | 地质类型的识别方法及装置、存储介质、计算机设备 |
-
2021
- 2021-04-21 CN CN202110430243.9A patent/CN114075979A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107577862A (zh) * | 2017-08-30 | 2018-01-12 | 中铁工程装备集团有限公司 | 一种tbm在掘岩体状态实时感知系统和方法 |
CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
CN109766335A (zh) * | 2019-01-16 | 2019-05-17 | 天津大学 | 基于分类回归决策树算法的盾构施工地质识别方法及系统 |
CN109766948A (zh) * | 2019-01-16 | 2019-05-17 | 天津大学 | 一种基于支持向量机算法的盾构施工地质识别方法及系统 |
CN109948117A (zh) * | 2019-03-13 | 2019-06-28 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
CN109918822A (zh) * | 2019-03-15 | 2019-06-21 | 中铁工程服务有限公司 | 基于随机森林回归的盾构掘进参数偏差计算方法及系统 |
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 |
CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
CN110852423A (zh) * | 2019-11-12 | 2020-02-28 | 中铁工程装备集团有限公司 | 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 |
CN111160571A (zh) * | 2019-12-31 | 2020-05-15 | 盾构及掘进技术国家重点实验室 | 一种基于土压平衡盾构机参数数据驱动反演地质的方法 |
CN111911177A (zh) * | 2020-08-04 | 2020-11-10 | 盾构及掘进技术国家重点实验室 | 一种双模隧道掘进机在频变地层的掘进模式选择判别方法 |
CN112364917A (zh) * | 2020-11-10 | 2021-02-12 | 辽宁石油化工大学 | 地质类型的识别方法及装置、存储介质、计算机设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117646657A (zh) * | 2024-01-30 | 2024-03-05 | 中电建铁路建设投资集团有限公司 | 一种泥水盾构下穿技术的监测预警系统 |
CN117646657B (zh) * | 2024-01-30 | 2024-04-16 | 中电建铁路建设投资集团有限公司 | 一种泥水盾构下穿技术的监测预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112647965B (zh) | 一种适用于tbm掘进隧道实时预测卡机的方法及系统 | |
RU2723805C9 (ru) | Способ и компьютерная система управления бурением скважин | |
Leng et al. | A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines | |
CN110781266B (zh) | 一种基于时空因果关系的城市感知数据处理方法 | |
CN115638833B (zh) | 一种监控数据处理方法及系统 | |
CN113779880B (zh) | 一种基于超前钻探数据的隧道围岩二维质量评价方法 | |
CN110908000A (zh) | 基于变维贝叶斯的隧道瞬变电磁数据解释方法 | |
CN113640380B (zh) | 钢轨伤损检测多级分类方法及系统 | |
CN114075979A (zh) | 盾构掘进环境变化实时辨识系统及方法 | |
CN113326661B (zh) | 一种基于RS-XGBoost的隧道超前钻探定量解译方法及设备 | |
CN107091085A (zh) | 一种浅埋暗挖隧道地层稳定性的多参数判别方法 | |
CN113323676A (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 | |
CN115239108A (zh) | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 | |
CN115455791A (zh) | 一种基于数值模拟技术提高滑坡位移预测准确率的方法 | |
CN115759351A (zh) | 泥水盾构掘进综合预警方法、系统及存储介质 | |
EP3312378A1 (en) | Method for estimating a transit time of an element circulating in a borehole | |
CN115977736A (zh) | 一种基于现场实时数据驱动的煤与瓦斯突出预警方法 | |
CN114066271A (zh) | 一种隧道突水灾害监测管理系统 | |
CN116108587B (zh) | 一种考虑多源信息不确定性的tbm利用率预测方法 | |
CN111594197B (zh) | 一种基于tbm岩机信息的隧洞断层段超前智能感知方法 | |
CN116187831B (zh) | 一种基于大数据的掘进机智能管控系统及方法 | |
CN117489413B (zh) | 一种煤层瓦斯涌出异常超前探测与预警方法 | |
CN117307178A (zh) | 基于盾构掘进参数的地质特征识别方法、设备及存储介质 | |
CN115659842A (zh) | 一种利用盾构掘进数据库的地质动态反演方法 | |
CN118008479A (zh) | 一种高风险岩溶地区隧道地质灾害数字化预报预警方法 |
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 |