CN114564886A

CN114564886A - 一种基于地质参数量化的盾构掘进参数预测方法

Info

Publication number: CN114564886A
Application number: CN202210155812.8A
Authority: CN
Inventors: 刘学增; 陈文明; 丁爽; 桑运龙; 师刚
Original assignee: SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO LTD
Current assignee: SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO LTD
Priority date: 2022-02-21
Filing date: 2022-02-21
Publication date: 2022-05-31

Abstract

本发明涉及一种基于地质参数量化的盾构掘进参数预测方法，该方法包括以下步骤：将地层沿着埋深方向进行单元化处理，基于各单元片段的地质参数和隧道参数，建立地质状况量化矩阵，结合对应的掘进参数生成训练数据，并基于训练数据建立卷积神经网络模型；获取待施工段的地质状况量化矩阵，输入所述卷积神经网络模型获得对应掘进参数的预测值。与现有技术相比，本发明具有充分体现土层的复杂程度、预测精度高等优点。

Description

一种基于地质参数量化的盾构掘进参数预测方法

技术领域

本发明涉及隧道掘进机智能控制领域，尤其是涉及一种基于地质参数量化的盾构掘进参数预测方法。

背景技术

在利用盾构机进行施工时，不同地层下掘进参数的设定严重依赖于人工经验，然而当地层较为复杂尤其是复合地层时，很难通过人工经验设定合理的掘进参数。

为了解决上述问题，现有技术公开一些技术手段。如专利申请CN112163316A公开一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法，将盾构机掘进段划分为空推段、上升段、平稳段，并利用传感器连续采集的上升段掘进参数数据形成输入参数矩阵，将平稳掘进段的平均推进速度、平均刀盘转速作为目标输出参数，利用卷积神经网络进行模型训练，实现利用上升段掘进参数数据到平稳掘进段掘进参数的预测；专利CN103870677B公开一种掘进机的掘进参数设定方法，收集基于包含单轴抗压强度、巴西试验劈裂抗拉强度、冲击试验压头的最大荷载与相应的位移的比值、软弱结构面的平均间距和隧道轴线与软弱结构面之间的夹角的围岩参数，利用偏最小二乘法和自适应神经元模糊推理系统建立推进效率与围岩参数的关系模型；专利申请CN110084322A公开一种基于神经网络的盾构机掘进参数的预测方法，采集特定盾构机型号的一段挖掘历史数据；并对上述数据进行降维、相关性分析、特征提取，对提取的特征数据进行平滑处理、归一化处理；将上述数据分为观测指标和预测指标，将观测指标作为输入、预测指标作为输出，利用包含输入层、隐藏层、输出层的神经网络进行模型训练；并利用训练好的模型对盾构机的掘进参数进行预测。

目前的研究主要集中在两个方面，一方面建立掘进参数与掘进参数的联系，即将盾构机的掘进参数划分为输入参数和输出参数，并利用机器学习算法实现输出参数的预测，或者根据初始掘进段掘进参数实现平稳掘进段参数的预测，这些仅仅根据掘进参数进行的预测没有充分考虑到地质状况的改变，往往只适合某个地质状况，应用范围不大。另一方面是根据地质参数实现掘进参数的预测，目前在进行地质参数的量化处理上过于简单，首先复合地层用加权平均计算对应地质参数，无法体现掌子面复杂的地层情况，厚度较小的地层由于权重较小而无法在整体中得到体现；亦或当存在某种单一地层的岩土体天然重度、土体变形模量、土体黏聚力、内摩擦角这四个参数与复合地层加权后上述四个参数相同时，现有方法将预测相同的掘进参数设计值，然而单一地层和复合地层在设置掘进参数时往往有较大的差异；其次，现有方法仅仅考虑了掌子面地质的平均情况，没有考虑掌子面上方和掌子面下方地质情况以及与掌子面地层的上、下分布关系，而上软下硬和上硬下软的地层在掘进参数的设置上会有很大的差异；最后，现有方法预测掘进参数时没有考虑不同深度处地质参数的联系，即地质物理参数随着深度变化的特性无法得到体现；在地质参数的量化处理上采用领域知识简单地提取了几个地质参数特征，无法反映复杂的地质状况，从而无法建立精度较高的卷积神经网络模型。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种充分体现土层的复杂程度、预测精度高的基于地质参数量化的盾构掘进参数预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于地质参数量化的盾构掘进参数预测方法，该方法包括以下步骤：

将地层沿着埋深方向进行单元化处理，基于各单元片段的地质参数和隧道参数，建立地质状况量化矩阵，结合对应的掘进参数生成训练数据，并基于训练数据建立卷积神经网络模型；

获取待施工段的地质状况量化矩阵，输入所述卷积神经网络模型获得对应掘进参数的预测值。

进一步地，所述地质参数包括密度、压缩模量、内摩擦角、泊松比、黏聚力、渗透系数、承载力特征值、剪切模量、静侧压力系数、垂直基床系数、水平基床系数、剪切波速、纵切波束和弹性模量。

进一步地，所述隧道参数包括埋深和是否为开挖断面。

进一步地，所述掘进参数包括总推进力和刀盘扭矩。

进一步地，进行所述单元化处理时，地质状况统计范围为以掌子面为中心的3D土层范围，其中，D为隧道直径。

进一步地，进行所述单元化处理时，单元片段的厚度小于最小地层的厚度。

进一步地，建立所述地质状况量化矩阵，若单元片段包含复合地层，则根据单元片段内土层厚度加权计算各参数。

进一步地，所述卷积神经网络模型训练时采用的训练数据具体通过以下步骤获取：

获取地质勘察资料以及对应勘察点的历史掘进参数数据，并对历史掘进参数数据进行预处理；

将地层沿着埋深方向进行单元化处理，建立对应勘察点的地质状况量化矩阵，与预处理后的历史掘进参数数据一一对应，建立所述数据集，表示为{(X₁,y₁),..,(X_i,y_i),...,(X_n,y_n)}，其中X_i代表第i个勘察点的地质量化矩阵，y_i代表第i个勘察点的掘进参数向量，n代表样本个数。

进一步地，所述预处理包括剔除非掘进段数据、剔除初始掘进段数据、剔除离群值数据和均值处理。

进一步地，所述卷积神经网络模型包括输入层、两个交替连接的卷积层和池化层以及两个全连接层。

与现有技术相比，本发明保留了勘察得到的地质参数，并沿着深度将地层进行单元片段化处理，建立了复杂地质状况的量化矩阵，并基于卷积神经网络自动提取复杂地质参数的特征，从而实现了掘进参数的预测，具有以下有益效果：

1、传统方法上，直接利用各土层厚度或者面积进行加权平均计算仅保留了整体地质状况的特征，而忽略了不同类别土层的特征，无法体现真实地质的复杂情况。本发明无论是单一地层还是复杂地层均将地层沿着埋深方向进行单元化处理，充分保留了不同类别土层的特征，同时充分体现了土层的复杂程度。

2、传统方法上，考虑隧道埋深以及盾构直径无法体现隧道上下土层的特征，而掘进参数的设置不仅与掌子面的地层有关，而且与掌子面上、下的地层紧密相关。本发明在进行地质量化分析时，从掌子面上方1个隧道直径至掌子面下方1个隧道直径范围内进行了统计，充分考虑了掌子面、掌子面上方、掌子面下方的地质状况，并对其各单元片段进行局部单元编码加以区分，除体现了隧道埋深还充分体现了隧道上下土层关系的相关特征，从而充分地利用勘察数据建立了对应环的地质状况量化矩阵，提高模型预测精度。

3、传统方法上，地质状况的量化是地质参数组成的向量，直接利用加权均值计算地质特征在地层较为均匀时能很好地反映地层特征，但当遇到差异大的复杂地层则只能体现总体特征而无法体现地层的复杂程度。本发明地层单元片段化处理，并构建了地质状况量化矩阵，可以充分体现地层的复杂程度，从而可以更精准地描述地层特征。本发明将地质状况进行单元片段化处理主要有以下优点：a)将不同的地层分割开来，可以体现不同地层的差异性，而不是用一个固定的指标考虑所有地层的总体特征；b)充分考虑了沿着深度各地层土的变化特性；c)岩石层和土层分割开来，更精准地体现地层局部差异性；d)掌子面上方、掌子面下方与掌子面的地质状况之间的联系得到很好地体现。

4、本发明利用卷积神经网络自动提取地质状况量化矩阵中的地质特征，克服了领域知识的局限性，并在此基础上建立了掘进参数的卷积神经网络模型。卷积神经网络借助于局部相关性的思想，相对于BP神经网络，大大减少了模型的参数数量，从而可以训练更深层次的网络，因此可以更好地对地质量化矩阵进行更深层次的特征提取，充分提取复杂的地质特性，从而建立精度较高的深度学习模型。

5、地质参数随着埋深会发生变化，尤其是相邻地层之间往往存在一定的关系，而目前的传统方法中忽略了该特征，本发明由于保留了各地层的参数，利用卷积神经网络会自动提取该特征，因此更全面地体现了真实的地质状况，从而方便建立预测精度较高的模型。

附图说明

图1为本发明整体构思示意图；

图2为本发明实施例中地质状况单元化处理示意图；

图3为本发明实施例中采用的卷积神经网络示意图；

图4为本发明实施例中获得的总推进力预测结果示意图；

图5为本发明实施例中获得的刀盘扭矩预测结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

术语解释

局部相关性：只关注和自己距离较近的部分节点，而忽略距离较远的节点，这种基于距离的重要性分布假设特性称为局部相关性。

感受野：是指全部节点中的局部区域内的部分节点，在卷积神经网络中，下一层节点的输出只与上一层感受野内的节点相连，与感受野外的节点无关。

实施例

如图1所示，本实施例提供一种基于地质参数量化的盾构掘进参数预测方法，该方法包括以下步骤：将地层沿着埋深方向进行单元化处理，基于各单元片段的地质参数和隧道参数，建立地质状况量化矩阵，结合对应的掘进参数生成训练数据，并基于训练数据建立卷积神经网络模型；获取待施工段的地质状况量化矩阵，输入所述卷积神经网络模型获得对应掘进参数的预测值。上述方法中，可在卷积神经网络模型构建完成后应用于多个待施工段，或在设定时间后更新卷积神经网络模型的模型参数。

上述卷积神经网络模型训练时，采用的训练数据具体通过以下步骤获取：

(1)获取地质勘察资料以及对应勘察点的历史掘进参数数据，并对历史掘进参数数据进行预处理。

地质勘察资料应包含但不限于以下地质参数：密度、压缩模量、内摩擦角、泊松比、黏聚力、渗透系数、承载力特征值、剪切模量、静侧压力系数、垂直基床系数、水平基床系数、剪切波速、纵切波束、弹性模量。掘进参数应包含但不限于以下参数：总推进力、刀盘扭矩。

对历史掘进参数数据进行预处理具体为：依次剔除非掘进段数据、剔除初始掘进段数据、剔除离群值数据，对处理后的各参数取均值作为该勘察点对应环的掘进参数数据。

(2)将地层沿着埋深方向进行单元化处理，建立对应勘察点的地质状况量化矩阵，与预处理后的历史掘进参数数据一一对应，建立数据集，表示为{(X₁,y₁),..,(X_i,y_i),...,(X_n,y_n)}，其中X_i代表第i个勘察点的地质量化矩阵，y_i代表第i个勘察点的掘进参数向量，n代表样本个数。

单元化处理具体包含以下步骤：

a)确定地质状况的统计范围，掌子面上方、掌子面、掌子面下方的地层均对安全掘进产生影响，因此应充分考虑包含且大于掌子面范围的地质状况，本实施例考虑了3D(D：隧道直径)范围内的地质状况，即掌子面上边缘距离D至掌子面下边缘距离D范围内的地质状况；

b)确定单元片段的厚度，厚度过大，则地层无法分割开，厚度过小，则地质量化矩阵过于复杂从而造成模型训练时计算量过大，原则上单元片段的厚度应该明显小于最小地层的厚度，如采用D/3。

如图2所示为本实施例单元化处理后获得的单元片段示意图。

将地质状况进行单元片段后，统计各单元片段的地质参数，如果单元片段包含复合地层，则根据单元片段内土层厚度加权计算各参数。为了区分单元是否处于掌子面，即是否为开挖断面，对于处于掌子面的单元片段编码为1，其它单元片段编码为0。为了体现埋深，可分别统计各单元到地表的深度。通过统计掌子面上方、掌子面、掌子面下方各单元内对应参数取值并形成勘察点的地质量化矩阵。

表1给出了某隧道的某环对应的地质状况量化矩阵，由于单元片段厚度设定为D/3，统计范围取值为3D，因此共9个单元片段，共统计了14个地质物理参数以及埋深、是否为开挖断面2个隧道参数，因此该地质量化矩阵形状为9×16。

表1某隧道某勘察点对应的地质量化矩阵

续表1某隧道某勘察点对应的地质量化矩阵

利用卷积神经网络进行模型训练之前应当对数据进行归一化处理，采用最大最小值法将训练数据特征缩放到[0,1]区间内。本实施例采用的卷积神经网络如图3所示，利用卷积神经网络进行模型训练的具体过程包含：

(a)初始化卷积核的权重矩阵及偏置项矩阵，并与量化矩阵进行卷积运算，卷积过程如下公式，通过不断移动感受野窗口，直至覆盖所有数据即完成卷积计算：

X_ij＝∑X_i×W_j+b_j

式中，X_ij——第j个卷积核矩阵与输入矩阵第i个感受野卷积计算后的结果；X_i——输入矩阵的第i个感受野；W_j——第j个卷积核矩阵；b_j——第j个偏置项矩阵。

(b)将步骤(a)计算后的矩阵进行池化操作，池化操作根据下述公式进行；

式中，Y——池化后的矩阵；X^l——上一层的输出矩阵。

(c)利用Relu激活函数对上述数据进行转换；

Z＝f(Y)

式中，Z——激活函数转换后的矩阵；f——激活函数，对应的表达式f(x)＝max{0,x}

(d)仅改变卷积核个数，并重复(a)、(b)、(c)步骤。

(e)将上述多维特征展开为一维特征，并连续利用两层全连接层转换后的结果作为模型的输出结果，其中最后一层共2个节点作为模型的输出结果。

o＝W^Tz+b

式中，W、b——全连接层权重矩阵、偏置项矩阵；o——输出结果；z——上层的输出结果。

(f)利用均方差建立损失函数，利用BP算法计算各权重的梯度，并结合Adam算法更新上述各权重及偏置项矩阵，即完成了一次训练。

式中，J——损失函数，y_i、o_i——第i个节点的真实值、模型输出值；n——节点个数。

其中，Adam算法更新权重及偏置项参数过程如下所示：

式中，m、s——梯度的一阶矩估计和二阶矩估计；β₁、β₂——一阶矩和二阶矩的指数衰减率，初始值为0.9、0.999；η——学习率，取值为0.001；ε——平滑项，取值为10^-7；t——训练轮次；θ——待更新的权重及偏置项参数。

(g)重复上述步骤直到训练次数达到设定的阈值或者损失函数足够小即完成模型训练。

在获得训练好的卷积神经网络模型后，可针对待预测地质状况对应的掘进参数，建立地质量化矩阵，代入训练好的模型，即实现掘进参数的预测。图4和图5给出了总推进力、刀盘扭矩的预测结果，可见模型良好，预测精度较高。

上述方法在对地质参数进行合理量化的基础上，利用卷积神经网络进行复杂地质的特征提取并建立与掘进参数的深度学习模型，从而可实现不同地层下掘进参数的预测，为盾构机操作人员在不同地层下掘进参数的设定提供参考。

上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims

1.一种基于地质参数量化的盾构掘进参数预测方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的基于地质参数量化的盾构掘进参数预测方法，其特征在于，所述地质参数包括密度、压缩模量、内摩擦角、泊松比、黏聚力、渗透系数、承载力特征值、剪切模量、静侧压力系数、垂直基床系数、水平基床系数、剪切波速、纵切波束和弹性模量。

3.根据权利要求1所述的基于地质参数量化的盾构掘进参数预测方法，其特征在于，所述隧道参数包括埋深和是否为开挖断面。

4.根据权利要求1所述的基于地质参数量化的盾构掘进参数预测方法，其特征在于，所述掘进参数包括总推进力和刀盘扭矩。

5.根据权利要求1所述的基于地质参数量化的盾构掘进参数预测方法，其特征在于，进行所述单元化处理时，地质状况统计范围为以掌子面为中心的3D土层范围，其中，D为隧道直径。

6.根据权利要求1所述的基于地质参数量化的盾构掘进参数预测方法，其特征在于，进行所述单元化处理时，单元片段的厚度小于最小地层的厚度。

7.根据权利要求1所述的基于地质参数量化的盾构掘进参数预测方法，其特征在于，建立所述地质状况量化矩阵，若单元片段包含复合地层，则根据单元片段内土层厚度加权计算各参数。

8.根据权利要求1所述的基于地质参数量化的盾构掘进参数预测方法，其特征在于，所述卷积神经网络模型训练时采用的训练数据具体通过以下步骤获取：

9.根据权利要求8所述的基于地质参数量化的盾构掘进参数预测方法，其特征在于，所述预处理包括剔除非掘进段数据、剔除初始掘进段数据、剔除离群值数据和均值处理。

10.根据权利要求1所述的基于地质参数量化的盾构掘进参数预测方法，其特征在于，所述卷积神经网络模型包括输入层、两个交替连接的卷积层和池化层以及两个全连接层。