CN114417697A - 一种基于神经网络的tbm滚刀磨损实时预测方法及系统 - Google Patents
一种基于神经网络的tbm滚刀磨损实时预测方法及系统 Download PDFInfo
- Publication number
- CN114417697A CN114417697A CN202111487564.9A CN202111487564A CN114417697A CN 114417697 A CN114417697 A CN 114417697A CN 202111487564 A CN202111487564 A CN 202111487564A CN 114417697 A CN114417697 A CN 114417697A
- Authority
- CN
- China
- Prior art keywords
- hob
- abrasion
- time
- data
- tbm
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Earth Drilling (AREA)
Abstract
本发明提供了一种基于神经网络的TBM滚刀磨损实时预测方法及系统,获取每一滚刀的现场数据;依据获取的现场数据,以及预设的TBM滚刀磨损时序预测模型,得到每一滚刀磨损量的时序预测值;在每一滚刀寿命周期内,对各个时段的历史滚刀磨损量和预测滚刀磨损量累加,获得总磨损量;依据总磨损量确定预测的滚刀磨损状态和滚刀更换时间;本发明基于LSTM,综合考虑现场掘进数据领域信息和历史信息,有效提取数据的序列变化信息,建立预测TBM滚刀磨损量的时序预测模型,利用现场掘进数据实现对滚刀磨损智能化预测和信息化管理,对滚刀的磨损状态以及滚刀更换的时间进行预测,避免了盾构机在一段复杂岩石地层下停机,规避了不良地质问题的发生。
Description
技术领域
本发明涉及TBM掘进相关技术领域,尤其涉及一种基于神经网络的TBM滚刀磨损实时预测方法及系统。
背景技术
TBM隧道施工具有施工速度快、质量高和污染小等特点,但对复杂变化的地层适应性不足;TBM在硬岩地层掘进中,刀盘滚刀时刻发生磨损需要人为定时地对滚刀检修和更换;滚刀检修和更换一方面占用了大量的施工时间,阻碍了施工进度,另一方面大量的人力物力投入也是工程费用增加的重要因素;因此为了更好地发挥TBM工作效率优势,减少刀盘检修时间,提高TBM滚刀检修和更换管理智能化,亟需对TBM滚刀的磨损程度进行实时预测。
目前的TBM滚刀磨损采用设置在刀盘上的仪器装置进行监测如异味添加剂、激光和电涡流传感器等,这类方法很难在复杂的施工现场进行推广,还是主要依靠现场工程师的经验判断,此种方法使设备应用效率低下,施工周期较长。此外,在一段复杂多变的地质环境中,若因滚刀的磨损需要更换滚刀而导致TBM停机,增大了引发不良的地质灾害问题的可能性,严重危害TBM掘进机和施工人员的安全。TBM掘进参数具有随时间连续变化的特点,基于现场掘进参数可以有效的反映岩石地层信息,因此可利用现场掘进数据对TBM滚刀磨损进行分析研究。
发明人发现,目前基于掘进数据的对刀盘滚刀磨损进行预测的方法较少,没有充分利用现场TBM掘进数据的领域信息和历史信息,很难做到实时预测。
发明内容
本发明为了解决上述问题,提出了一种基于神经网络的TBM滚刀磨损实时预测方法及系统,本发明综合考虑了现场TBM掘进数据的领域信息和历史信息,有效提取数据的序列变化信息,及时准确预测滚刀的磨损,减少滚刀检修时间,更好地发挥TBM工作效率优势,随着数据库的不断扩充,也可提高滚刀磨损预测准确性。在经过一段复杂多变的地质环境前及时更换刀具,规避不良地质问题的发生。
第一方面,本发明提供了一种基于神经网络的TBM滚刀磨损实时预测方法,包括:
获取每一滚刀的现场数据;
依据获取的现场数据,以及预设的TBM滚刀磨损时序预测模型,得到每一滚刀磨损量的时序预测值;其中,所述TBM滚刀磨损时序预测模型基于长短时记忆神经网络训练得到;
在每一滚刀寿命周期内,对各个时段的历史滚刀磨损量和预测滚刀磨损量累加,获得总磨损量;依据总磨损量确定预测的滚刀磨损状态和滚刀更换时间。
进一步的,所述TBM滚刀磨损时序预测模型的训练过程为:
获取TBM掘进机在隧道掘进时的掘进参数时序数据,以及刀盘每一滚刀磨损量数据;对每一滚刀磨损量数据进行时序处理,得到刀盘每一滚刀磨损量时序值,刀盘每一滚刀磨损量时序值与掘进参数时序数据在时间上相对应;
建立包括掘进参数时序数据和刀盘每一滚刀磨损量时序值的数据样本库;
根据建立的数据样本库和长短期记忆神经网络,训练得到TBM滚刀磨损时序预测模型。
进一步的,所述掘进参数至少包括掘进速度、刀盘扭矩、刀盘推力、刀盘转速和滚刀贯入度中的一种或多种;
所述刀盘每一滚刀磨损量数据至少包括滚刀安装半径、滚刀磨损高度、滚刀更换维修位置和滚刀更换时间的一种或多种。
进一步的,对每一滚刀磨损量数据进行时序处理,是将滚刀磨损量数据与掘进参数数据通过桩号和滚刀更换维修时间一一对应。
进一步的,所述数据样本库中,获取掘进参数和滚刀磨损数据的时间间隔相同;缺失的滚刀磨损量数据采用插值补。
进一步的,以预测值与真实值之间的相对误差率、平均绝对百分比误差和拟合优度三个指标对模型有效性进行评价。
进一步的,依据每一滚刀的总磨损量判定滚刀磨损状态,是根据磨损量与滚刀磨损高度的对应关系;对于不同类型和不同位置的滚刀,预测磨损高度超过其界定的磨损高度时即可判定该滚刀失效,需要更换滚刀。
第二方面,本发明还提供了一种基于神经网络的TBM滚刀磨损实时预测系统,包括:
数据采集模块,被配置为:获取每一滚刀的现场数据;
预测模块,被配置为:依据获取的现场数据,以及预设的TBM滚刀磨损时序预测模型,得到每一滚刀磨损量的时序预测值;其中,所述TBM滚刀磨损时序预测模型基于长短时记忆神经网络训练得到;
磨损量确定模块,被配置为:在每一滚刀寿命周期内,对各个时段的历史滚刀磨损量和预测滚刀磨损量累加,获得总磨损量;依据总磨损量确定预测的滚刀磨损状态和滚刀更换时间。
第三方面,本发明还提供了一种电子设备,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了第一方面中所述的基于神经网络的TBM滚刀磨损实时预测方法的步骤。
第四方面,本发明还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了第一方面中所述的基于神经网络的TBM滚刀磨损实时预测方法的步骤。
与现有技术相比,本发明的有益效果为:
本发明基于长短时记忆神经网络LSTM,综合考虑现场掘进数据领域信息和历史信息,有效提取数据的序列变化信息,建立预测TBM滚刀磨损量的时序预测模型,利用现场掘进数据实现对滚刀磨损智能化预测和信息化管理,对滚刀的磨损状态以及滚刀更换的时间进行预测,避免了盾构机在一段复杂岩石地层下停机,规避了不良地质问题的发生;此方法可以提高TBM施工进度和降低施工成本,充分发挥TBM掘进机的掘进效率。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解,本实施例的示意性实施例及其说明用于解释本实施例,并不构成对本实施例的不当限定。
图1为本发明实施例1的流程图;
图2为本发明实施例1的模型框架图。
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,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1:
如图1所示,本发明提供了一种基于神经网络的TBM滚刀磨损实时预测方法,包括:
获取每一滚刀的现场数据;
依据获取的现场数据,以及预设的TBM滚刀磨损时序预测模型,得到每一滚刀磨损量的时序预测值;其中,所述TBM滚刀磨损时序预测模型基于长短时记忆神经网络训练得到;
在每一滚刀寿命周期内,对各个时段的历史滚刀磨损量和预测滚刀磨损量累加,获得总磨损量;依据总磨损量确定预测的滚刀磨损状态和滚刀更换时间。
在本实施例中,神经网络选用长短时记忆神经网络LSTM;首先,收集筛选滚刀磨损主要影响参数,收集TBM掘进机在隧道掘进时的掘进参数时序数据,以反映岩石地层条件以及表征滚刀在掌子面上的滚动距离;收集刀盘每一滚刀的磨损量并对其进行时序处理,使滚刀磨损数据与掘进参数在时间上一一对应;根据滚刀磨损时序数据和TBM掘进参数时序数据建立数据样本库,对数据样本库划分训练集和测试集;基于LSTM网络建立TBM滚刀磨损时序预测模型,用样本数据库中训练集和测试集对预测模型进行训练,通过随时间反向传播(BPTT)算法对预测模型参数更新和调试,直到模型预测结果精度和拟合优度满足工程实例误差要求,模型评价指标为相对误差率、平均绝对百分比误差和拟合优度;将待预测的滚刀现场实测数据输入TBM滚刀磨损时序预测模型,预测刀盘滚刀磨损值时序数据,即预测时段的滚刀磨损量;在每一滚刀寿命周期内对各个时段的滚刀磨损量累加获得总磨损量,根据总磨损量判定该滚刀磨损状态。
如图1所示,本实施例的具体内容如下:
分析筛选刀盘滚刀磨损主要影响参数,以反映岩石地层条件并表征滚刀在掌子面上的滚动距离;掘进参数由TBM运行参数得到,至少包括掘进速度、刀盘扭矩、刀盘推力、刀盘转速和滚刀贯入度;磨损量数据由滚刀参数得到,至少包括滚刀安装半径、滚刀磨损量、滚刀更换维修位置和滚刀更换时间;
收集TBM掘进机在隧道掘进时的掘进参数时序数据;收集刀盘每一滚刀的磨损量数据,对滚刀磨损量进行时序处理,使滚刀磨损数据与掘进参数数据在时间上一一对应;
建立样本数据库,根据滚刀磨损时序数据和TBM掘进参数时序数据建立数据样本库,并对数据样本库划分训练集和测试集;
基于LSTM神经网络建立TBM滚刀磨损时序预测模型,预测模型以每一刀盘滚刀磨损量的未来值作为输出变量;以TBM掘进速度、刀盘扭矩、刀盘推力、刀盘转速、刀盘贯入度、滚刀安装半径和滚刀磨损量的历史值作为输入变量;用样本数据库中训练集和测试集对预测模型进行训练、参数更新与调试。
滚刀磨损量时序值数据预测,将待预测的每一滚刀现场实测数据输入TBM滚刀磨损时序预测模型,获取滚刀磨损值时序数据,即预测时段的滚刀磨损量数据;
TBM滚刀磨损评价与确定,在每一滚到寿命周期内对各个时段(历史时段和预测时段)的滚刀磨损量累加获得总磨损量,依据总磨损量判定滚刀磨损状态,同时确定滚刀更换时间。
在本实施例中,分析筛选刀盘滚刀磨损主要影响参数时,对TBM滚刀磨损影响很小的因素可不予考虑,主要针对滚刀磨损影响较大的参数进行分析。
在本实施例中,滚刀磨损量用滚刀磨损高度计算,可以通过在现场施工人员在滚刀更换或维修的时间进行采集,或者通过滚刀磨损在线监测装置获取;
在本实施例中,滚刀磨损量时序处理,是指滚刀磨损量数据与掘进参数数据通过桩号、滚刀更换维修时间一一对应。
在本实施例中,建立样本数据库时,数据库中TBM掘进数据和滚刀磨损数据采集应有相同的时间间隔;采用滚刀磨损在线监测装置可设置同时间间隔;人工现场采取,需要对采集的滚刀磨损量数据划分相同时间间隔处理,中间缺失滚刀磨损量数据采用插值补全,使与掘进数据在时间上一一对应。
在本实施例中,数据库中训练集与测试集的划分比例可采用8:2比例,或者其他比例,以获得最佳的模型输出结果。
在本实施例中,如图2所示,通过随时间反向传播(BPTT)算法对预测模型参数更新和调试,直到模型预测结果精度和拟合优度满足工程实例误差要求,模型评价指标为相对误差率、平均绝对百分比误差和拟合优度;图中,X1、X2和XL表示输入的时间序列样本;LSTML表示隐含层第L个LSTM细胞结构;CL-1表示第L-1个细胞的状态;HL-1表示L-1时刻的细胞输出;P1、P2和PL表示相应的滚到磨损预测结果。
在本实施例中,依据每一滚刀总磨损量判定滚刀磨损状态和更换滚刀时间,是根据磨损量与滚刀磨损高度的对应关系实现的,对于不同类型、不同位置的滚刀,磨损高度超过其界定的磨损高度时即可判定该滚刀失效,需要更换滚刀;磨损高度超过其界定的磨损高度时对应的预测时刻为更换滚刀时间,可以理解的,总磨损量是在每一滚刀寿命周期内对各个时段(历史时段和预测时段)的滚刀磨损量累加得到的,判定滚刀失效时对应的时段为换滚刀时间。
在本实施例中,由于刀盘磨损受到另一影响因素即岩石中石英含量,为了获得准确的预测结果,该模型的最佳适用情况为硬岩;对于复杂多变的岩层,还需要通过大量的数据对模型训练和参数调试,以获得良好的预测结果。
实施例2:
本实施例提供了一种基于神经网络的TBM滚刀磨损实时预测系统,包括:
数据采集模块,被配置为:获取每一滚刀的现场数据;
预测模块,被配置为:依据获取的现场数据,以及预设的TBM滚刀磨损时序预测模型,得到每一滚刀磨损量的时序预测值;其中,所述TBM滚刀磨损时序预测模型基于长短时记忆神经网络训练得到;
磨损量确定模块,被配置为:在每一滚刀寿命周期内,对各个时段的历史滚刀磨损量和预测滚刀磨损量累加,获得总磨损量;依据总磨损量确定预测的滚刀磨损状态和滚刀更换时间。
实施例3:
本实施例提供了一种电子设备,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了实施例1所述的基于神经网络的TBM滚刀磨损实时预测方法中的步骤。
实施例4:
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了实施例1所述的基于神经网络的TBM滚刀磨损实时预测方法中的步骤。
以上所述仅为本实施例的优选实施例而已,并不用于限制本实施例,对于本领域的技术人员来说,本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本实施例的保护范围之内。
Claims (10)
1.一种基于神经网络的TBM滚刀磨损实时预测方法,其特征在于,包括:
获取每一滚刀的现场数据;
依据获取的现场数据,以及预设的TBM滚刀磨损时序预测模型,得到每一滚刀磨损量的时序预测值;其中,所述TBM滚刀磨损时序预测模型基于长短时记忆神经网络训练得到;
在每一滚刀寿命周期内,对各个时段的历史滚刀磨损量和预测滚刀磨损量累加,获得总磨损量;依据总磨损量确定预测的滚刀磨损状态和滚刀更换时间。
2.如权利要求1所述的一种基于神经网络的TBM滚刀磨损实时预测方法,其特征在于,所述TBM滚刀磨损时序预测模型的训练过程为:
获取TBM掘进机在隧道掘进时的掘进参数时序数据,以及刀盘每一滚刀磨损量数据;对每一滚刀磨损量数据进行时序处理,得到刀盘每一滚刀磨损量时序值,刀盘每一滚刀磨损量时序值与掘进参数时序数据在时间上相对应;
建立包括掘进参数时序数据和刀盘每一滚刀磨损量时序值的数据样本库;
根据建立的数据样本库和长短期记忆神经网络,训练得到TBM滚刀磨损时序预测模型。
3.如权利要求2所述的一种基于神经网络的TBM滚刀磨损实时预测方法,其特征在于,所述掘进参数至少包括掘进速度、刀盘扭矩、刀盘推力、刀盘转速和滚刀贯入度中的一种或多种;
所述刀盘每一滚刀磨损量数据至少包括滚刀安装半径、滚刀磨损高度、滚刀更换维修位置和滚刀更换时间的一种或多种。
4.如权利要求2所述的一种基于神经网络的TBM滚刀磨损实时预测方法,其特征在于,对每一滚刀磨损量数据进行时序处理,是将滚刀磨损量数据与掘进参数数据通过桩号和滚刀更换维修时间一一对应。
5.如权利要求2所述的一种基于神经网络的TBM滚刀磨损实时预测方法,其特征在于,所述数据样本库中,获取掘进参数和滚刀磨损数据的时间间隔相同;缺失的滚刀磨损量数据采用插值补。
6.如权利要求2所述的一种基于神经网络的TBM滚刀磨损实时预测方法,其特征在于,以预测值与真实值之间的相对误差率、平均绝对百分比误差和拟合优度三个指标对模型有效性进行评价。
7.如权利要求1所述的一种基于神经网络的TBM滚刀磨损实时预测方法,其特征在于,依据每一滚刀的总磨损量判定滚刀磨损状态,是根据磨损量与滚刀磨损高度的对应关系;对于不同类型和不同位置的滚刀,预测磨损高度超过其界定的磨损高度时即可判定该滚刀失效,需要更换滚刀。
8.一种基于神经网络的TBM滚刀磨损实时预测系统,其特征在于,包括:
数据采集模块,被配置为:获取每一滚刀的现场数据;
预测模块,被配置为:依据获取的现场数据,以及预设的TBM滚刀磨损时序预测模型,得到每一滚刀磨损量的时序预测值;其中,所述TBM滚刀磨损时序预测模型基于长短时记忆神经网络训练得到;
磨损量确定模块,被配置为:在每一滚刀寿命周期内,对各个时段的历史滚刀磨损量和预测滚刀磨损量累加,获得总磨损量;依据总磨损量确定预测的滚刀磨损状态和滚刀更换时间。
9.一种电子设备,其特征在于,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了如权利要求1-7任一项所述的基于神经网络的TBM滚刀磨损实时预测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现了如权利要求1-7任一项所述的基于神经网络的TBM滚刀磨损实时预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111487564.9A CN114417697A (zh) | 2021-12-07 | 2021-12-07 | 一种基于神经网络的tbm滚刀磨损实时预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111487564.9A CN114417697A (zh) | 2021-12-07 | 2021-12-07 | 一种基于神经网络的tbm滚刀磨损实时预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114417697A true CN114417697A (zh) | 2022-04-29 |
Family
ID=81266471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111487564.9A Pending CN114417697A (zh) | 2021-12-07 | 2021-12-07 | 一种基于神经网络的tbm滚刀磨损实时预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417697A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707230A (zh) * | 2022-06-02 | 2022-07-05 | 中铁九局集团第四工程有限公司 | 一种盾构机掘进前方的孤石预测方法和系统 |
CN115083124A (zh) * | 2022-06-08 | 2022-09-20 | 北京首钢股份有限公司 | 石墨碳辊套的磨损预警方法、装置、介质及电子设备 |
CN115269567A (zh) * | 2022-06-15 | 2022-11-01 | 北京交通大学 | 一种基于机器学习的tbm新建工程数据增强方法 |
CN115563872A (zh) * | 2022-10-10 | 2023-01-03 | 中铁十八局集团有限公司 | 一种基于de-svr算法的tbm滚刀磨损量预测方法 |
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 |
CN117390405A (zh) * | 2023-12-12 | 2024-01-12 | 中交隧道工程局有限公司 | 掘进机扁齿滚刀阵列磨损状态预测方法 |
-
2021
- 2021-12-07 CN CN202111487564.9A patent/CN114417697A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707230A (zh) * | 2022-06-02 | 2022-07-05 | 中铁九局集团第四工程有限公司 | 一种盾构机掘进前方的孤石预测方法和系统 |
CN115083124A (zh) * | 2022-06-08 | 2022-09-20 | 北京首钢股份有限公司 | 石墨碳辊套的磨损预警方法、装置、介质及电子设备 |
CN115269567A (zh) * | 2022-06-15 | 2022-11-01 | 北京交通大学 | 一种基于机器学习的tbm新建工程数据增强方法 |
CN115563872A (zh) * | 2022-10-10 | 2023-01-03 | 中铁十八局集团有限公司 | 一种基于de-svr算法的tbm滚刀磨损量预测方法 |
CN115563872B (zh) * | 2022-10-10 | 2024-04-12 | 中铁十八局集团有限公司 | 一种基于de-svr算法的tbm滚刀磨损量预测方法 |
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 |
CN117390405A (zh) * | 2023-12-12 | 2024-01-12 | 中交隧道工程局有限公司 | 掘进机扁齿滚刀阵列磨损状态预测方法 |
CN117390405B (zh) * | 2023-12-12 | 2024-02-20 | 中交隧道工程局有限公司 | 掘进机扁齿滚刀阵列磨损状态预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Li et al. | Application and outlook of information and intelligence technology for safe and efficient TBM construction | |
CN110109895A (zh) | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 | |
CN112462736B (zh) | 一种基于数据分析的风电机组故障诊断方法 | |
CN103106542A (zh) | 一种数据分析及处理系统 | |
CN108984817B (zh) | 一种tbm刀具磨损量实时评估方法 | |
CN112160761B (zh) | 一种基于现场参数的硬岩tbm刀盘滚刀磨损实时评估方法 | |
CN116306031B (zh) | 一种基于大数据自动采集的隧道大机监测分析方法 | |
CN113780375B (zh) | 一种基于数字孪生的虚实交互风电场风力监测系统及应用 | |
CN114329810A (zh) | 基于大数据的盾构机工作姿态实时预测方法 | |
CN112182694A (zh) | 一种基于bim系统的灌浆工程全过程动态分析方法 | |
CN111340275B (zh) | 基于随钻探测技术的隧道支护模式选型实时预测方法 | |
CN109978413B (zh) | 基于瓦斯涌出特征迁移衍生煤体应力状态的评估方法 | |
CN117271675A (zh) | 基于大数据挖掘的tbm掘进岩体可掘性识别方法与装置 | |
CN111783308A (zh) | 一种精确预测隧道围岩位移的方法 | |
CN115758515A (zh) | Tbm隧道不良地质段智能支护决策方法 | |
CN116151573A (zh) | 一种工作场所环境监测系统 | |
CN114382490A (zh) | 一种盾构机刀盘磨损评估预测方法 | |
CN113255593B (zh) | 面向时空解析模型的传感器信息异常检测方法 | |
Rispoli et al. | TBM data processing for performance assessment and prediction in hard rock | |
CN114066271A (zh) | 一种隧道突水灾害监测管理系统 | |
CN113536603A (zh) | 一种tbm岩体条件相关利用率的预测方法 | |
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 | |
CN117851761B (zh) | 一种盾构机刀盘状态评估方法及系统 | |
CN113586157B (zh) | 基于克里金插值的回采工作面突出危险区快速划分方法 |
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 |