CN114972994A - 盾构机施工掌子面地质类型识别方法及系统 - Google Patents

盾构机施工掌子面地质类型识别方法及系统 Download PDF

Info

Publication number
CN114972994A
CN114972994A CN202210594109.7A CN202210594109A CN114972994A CN 114972994 A CN114972994 A CN 114972994A CN 202210594109 A CN202210594109 A CN 202210594109A CN 114972994 A CN114972994 A CN 114972994A
Authority
CN
China
Prior art keywords
head
attention
value
result
dimensional
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
Application number
CN202210594109.7A
Other languages
English (en)
Inventor
覃程锦
黄国强
刘成良
陶建峰
余宏淦
武睿宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiao Tong University
Original Assignee
Shanghai Jiao Tong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiao Tong University filed Critical Shanghai Jiao Tong University
Priority to CN202210594109.7A priority Critical patent/CN114972994A/zh
Publication of CN114972994A publication Critical patent/CN114972994A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mining & Mineral Resources (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明提供了一种盾构机施工掌子面地质类型识别方法及系统，包括：步骤S1：采集施工时的装备状态参数数据并进行预处理；步骤S2：对原始数据进行标准化并进行特征提取；步骤S3：提取同维度的二维特征并输送至二维卷积神经网络得到识别结果；步骤S4：搭建二维卷积神经网络处理提取到的二维特征并进行训练；步骤S5：根据测试集测试结果评估识别效果。本发明通过相关性分析选取了多个盾构机的掘进参数，有利于更全面地反映盾构机施工时掌子面的地质信息；通过组合多条数据形成一个二维图像数据并输入改进的多头自注意力块，能充分挖掘当前工作面的地质信息以及相邻工作面的关联信息。

Description

盾构机施工掌子面地质类型识别方法及系统
技术领域
本发明涉及参数评估技术领域，具体地，涉及一种盾构机施工掌子面地质类型识别方法及系统。更为具体地，涉及一种基于改进多头自注意力机制和二维卷积神经网络的盾构机施工掌子面地质类型识别方法及系统。
背景技术
与其他开挖方法相比，盾构法以其高效、环保等显著优势在地铁隧道、公路隧道和铁路隧道开挖中得到越来越多的应用。盾构机主要用于软土隧道掘进，其结构较为封闭，作业人员难以直接观察周围的地质条件，这种封闭的工作环境加大了盾构机正常平稳工作的难度。由于盾构机的施工过程受地质条件的影响较大，如果不知道前方地质情况而盲目掘进会带来诸多问题。一方面，可能会因为掘进地质过软或者地下水含量过高导致塌方和地面沉降，工程延误，甚至造成大量居民和机组人员伤亡。另一方面，如果盾构机运行参数不能适应当前掘进地层，可能出现盾构机刀盘堵塞、盾体卡死、盾内渗水等施工事故。因此对岩土类型的实时准确识别，是选取合理的掘进参数、保障施工安全的重要前提条件，有助于提高施工质量和开挖效率。
专利文献CN113657515A(申请号：202110957595X)发明公开了一种基于岩机敏感参量判识和改进FMC模型隧道围岩等级的分类方法，包括：实时获取TBM动态掘进参数，推力F，推进速度v，刀盘扭矩T，刀盘转速n；数据清洗获取稳态掘进数据；构建岩机参量数据库；岩机敏感参量重要性判识；选择岩机敏感参量作为训练样本对FMC模型训练；选择岩机敏感参量作为判识样本输入FMC模型围岩识别；输出围岩等级识别结果。
专利文献CN109635461A(申请号：2018115472944)公开了一种应用随钻参数来自动识别围岩级别的方法，包括：对采集到的随钻参数的数据集进行预处理；分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量之间的关系和贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类；应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。
上述专利只选取了少量掘进参数，并且未考虑相邻工作面之间的地质信息相关性，对数据包含的信息的挖掘不够充分。
专利文献CN108182440B(申请号：CN201810019670.6)公开了一种基于渣片图像识别获取围岩类别的方法，步骤如下：S1，获取渣片图像；S2，得到处理后的渣片图像；S3，计算处理后渣片图像的围岩级别关联敏感特征集；S4，采用AP聚类方法将数据样本划分k个聚类；S5，将高斯核函数和多项式核函数加权融合，并对步骤S4中的每个聚类做LSSVM回归，得到k个子模型；S6，将得到的k个子模型进行加权融合，得到围岩类别值。但该发明没有采用二维卷积神经网络来对提取出的二维特征进行识别，准确率提升有限。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种盾构机施工掌子面地质类型识别方法及系统。
根据本发明提供的一种盾构机施工掌子面地质类型识别方法，包括：
步骤S1：采集施工时的装备状态参数数据并进行预处理；
步骤S2：对原始数据进行标准化并进行特征提取；
步骤S3：提取同维度的二维特征并输送至二维卷积神经网络得到识别结果；
步骤S4：搭建二维卷积神经网络处理提取到的二维特征并进行训练；
步骤S5：根据测试集测试结果评估识别效果。
优选地，在所述步骤S1中：
采集盾构机施工时的装备状态参数数据并进行预处理，得到装备状态参数序列；
选取液压油箱温度、液压油箱回油区温度、主驱动冷却水流量、主驱动冷却回水温度、齿轮油箱温度、主轴承机油流量、小齿轮机油流量、小齿轮前后滚道机油流量、刀盘转矩、刀盘速度设置、推进速度平均值、贯入度、总推进力、推进速度设置、土压、土压平均值、螺旋机速度设置值、螺旋机速度测量值、螺旋机压力测量值、螺旋机补油压力测量值、螺旋机土压测量值、螺旋机转矩、砂浆注入口压力。
优选地，在所述步骤S2中：
利用预设的数据框提取二维数据并输送至改进的多头自注意力块进行特征提取；
采用如下公式计算多头自注意力值：
Figure BDA0003666981130000031
f(Q，K)＝QT·K
Ai＝softmax(f(Qi，Ki))
headi＝Ai·Vi
Output＝Concat(head1，head2，head3)·WO
其中，Qi为第i个头对应的查询值，Ki为第i个头对应的键值，Vi为第i个头对应的value值，i为多头自注意力中对应的头，
Figure BDA0003666981130000032
为第i个头生成对应的Qi值的变换矩阵，
Figure BDA0003666981130000033
为第i个头分别生成对应的Ki值的变换矩阵，
Figure BDA0003666981130000034
是第i个头分别生成对应的Vi值的变换矩阵，X为预设维度的原始输入，Q为点乘注意力值计算函数f(Q，K)的自变量，K为点乘注意力值计算函数f(Q，K)的自变量，Ai为点乘注意力进行softmax计算后的值，headi为第i个头最终得到的注意力值，Output为最终输出的多头注意力提取的特征结果，WO为汇总不同头提取的特征的线性变换矩阵；
所述的多头自注意力块的设计采用：
步骤A1：输入经过多头自注意力层之后进行随机丢弃；
步骤A2：将随机丢弃后的输出与输入进行残差连接；
步骤A3：将残差连接结果进行Batch Normalization得到结果1；
步骤A4：对结果1进行线性变换再进行随机丢弃；
步骤A5：将随机丢弃后的输出与结果1进行残差连接；
步骤A6：将残差连接结果进行Batch Normalization得到最终输出结果。
优选地，在所述步骤S3中：
所述的二维卷积神经网络包含预设数量的卷积层和一个全连接层，采用了多个预设尺寸的卷积层堆叠的方法，通过全连接神经网络将识别结果进行输出。
优选地，在所述步骤S4中：
利用TensorFlow框架下的Keras包构建盾构机施工掌子面地质类型识别的神经网络模型并进行训练；通过训练后的盾构机施工掌子面地质类型识别的神经网络模型对施工后续工作面的地质类型进行识别；
在所述步骤S5中：
根据施工后续工作面数据集测试结果分别计算准确率和f1指数，评估地质类型的识别效果。
根据本发明提供的一种盾构机施工掌子面地质类型识别系统，包括：
模块M1：采集施工时的装备状态参数数据并进行预处理；
模块M2：对原始数据进行标准化并进行特征提取；
模块M3：提取同维度的二维特征并输送至二维卷积神经网络得到识别结果；
模块M4：搭建二维卷积神经网络处理提取到的二维特征并进行训练；
模块M5：根据测试集测试结果评估识别效果。
优选地，在所述模块M1中：
采集盾构机施工时的装备状态参数数据并进行预处理，得到装备状态参数序列；
选取液压油箱温度、液压油箱回油区温度、主驱动冷却水流量、主驱动冷却回水温度、齿轮油箱温度、主轴承机油流量、小齿轮机油流量、小齿轮前后滚道机油流量、刀盘转矩、刀盘速度设置、推进速度平均值、贯入度、总推进力、推进速度设置、土压、土压平均值、螺旋机速度设置值、螺旋机速度测量值、螺旋机压力测量值、螺旋机补油压力测量值、螺旋机土压测量值、螺旋机转矩、砂浆注入口压力。
优选地，在所述模块M2中：
利用预设的数据框提取二维数据并输送至改进的多头自注意力块进行特征提取；
采用如下公式计算多头自注意力值：
Figure BDA0003666981130000041
f(Q，K)＝QT·K
Ai＝softmax(f(Qi，Ki))
headi＝Ai·Vi
Output＝Concat(head1，head2，head3)·WO
其中，Qi为第i个头对应的查询值，Ki为第i个头对应的键值，Vi为第i个头对应的value值，i为多头自注意力中对应的头，
Figure BDA0003666981130000042
为第i个头生成对应的Qi值的变换矩阵，
Figure BDA0003666981130000043
为第i个头分别生成对应的Ki值的变换矩阵，
Figure BDA0003666981130000044
是第i个头分别生成对应的Vi值的变换矩阵，X为预设维度的原始输入，Q为点乘注意力值计算函数f(Q，K)的自变量，K为点乘注意力值计算函数f(Q，K)的自变量，Ai为点乘注意力进行softmax计算后的值，headi为第i个头最终得到的注意力值，Output为最终输出的多头注意力提取的特征结果，WO为汇总不同头提取的特征的线性变换矩阵；
所述的多头自注意力块的设计采用：
步骤A1：输入经过多头自注意力层之后进行随机丢弃；
步骤A2：将随机丢弃后的输出与输入进行残差连接；
步骤A3：将残差连接结果进行Batch Normalization得到结果1；
步骤A4：对结果1进行线性变换再进行随机丢弃；
步骤A5：将随机丢弃后的输出与结果1进行残差连接；
步骤A6：将残差连接结果进行Batch Normalization得到最终输出结果。
优选地，在所述模块M3中：
所述的二维卷积神经网络包含预设数量的卷积层和一个全连接层，采用了多个预设尺寸的卷积层堆叠的方法，通过全连接神经网络将识别结果进行输出。
优选地，在所述模块M4中：
利用TensorFlow框架下的Keras包构建盾构机施工掌子面地质类型识别的神经网络模型并进行训练；通过训练后的盾构机施工掌子面地质类型识别的神经网络模型对施工后续工作面的地质类型进行识别；
在所述模块M5中：
根据施工后续工作面数据集测试结果分别计算准确率和f1指数，评估地质类型的识别效果。
与现有技术相比，本发明具有如下的有益效果：
1、本发明通过查询围岩等级划分的国家标准，充分分析不同的围岩等级映射到盾构机掘进参数的变化，同时结合Pearson线性相关法分析掘进参数与地质条件的线性相关性，选取了30个盾构机的掘进参数，有利于更全面地反映盾构机施工时掌子面的地质信息；
2、本发明结合地质类型识别任务特殊性设计了一个新的注意力值计算方法，避免了点乘注意力值的增长幅度过大导致SoftMax函数梯度消失这一问题；
3、本发明通过组合10条30维数据形成一个二维图像数据并输入改进的多头自注意力块提取特征，该结构利用多头自注意力机制来提取二维输入中每条数据与其余九条数据的关联信息，并通过残差连接来保存原始数据本身的信息，并且开创性的加入BN层处理输出结果，这种改进的多头自注意力块能充分有效地挖掘当前工作面的地质信息以及相邻工作面的关联信息；
4、本发明利用卷积神经网络对二维图像数据识别能力强的特点，采用二维卷积神经网络来对提取出的二维特征进行识别，可以极大提高工作面的围岩类型识别准确率；有助于帮助机组人员发现前方地质变化并及时作出掘进状态的调整；有助于提高施工质量和开挖效率，提升盾构机的自动化和智能化水平。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明所提出的基于改进多头自注意力机制和二维卷积神经网络的盾构机施工掌子面地质类型识别方法实施的流程图；
图2是本发明所提出的改进多头自注意力块的结构图；
图3是本发明所提出的二维卷积神经网络模型结构图；
图4是本发明所提出的基于改进多头自注意力机制和二维卷积神经网络的盾构机施工掌子面地质类型识别方法在测试集中识别结果的混淆矩阵。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1：
本发明提供了一种基于改进多头自注意力机制和二维卷积神经网络的盾构机施工掌子面地质类型识别方法及系统，包括：采集盾构机施工时的30个装备状态参数数据；删除盾构机非掘进状态下的数据；对清洗后的数据进行标准化并将10条30维数据作为一个二维数据输入改进的多头自注意力块进行特征提取；在此基础上搭建二维卷积神经网络处理提取到的二维特征并进行训练；在打好标签的测试集上评估模型的围岩等级的识别效果。该模型利用改进的自注意力机制，可以充分提取相邻工作掌子面的关联信息，实现盾构机施工工作面的超高准确率围岩等级识别。有助于机组人员对前方围岩等级变化及时进行处理，实现高效安全施工并提升盾构机的自动化和智能化水平。
根据本发明提供的一种盾构机施工掌子面地质类型识别方法，如图1-图4所示，包括：
步骤S1：采集施工时的装备状态参数数据并进行预处理；
具体地，在所述步骤S1中：
采集盾构机施工时的装备状态参数数据并进行预处理，得到装备状态参数序列；
选取液压油箱温度、液压油箱回油区温度、主驱动冷却水流量、主驱动冷却回水温度、齿轮油箱温度、主轴承机油流量、小齿轮机油流量、小齿轮前后滚道机油流量、刀盘转矩、刀盘速度设置、推进速度平均值、贯入度、总推进力、推进速度设置、土压、土压平均值、螺旋机速度设置值、螺旋机速度测量值、螺旋机压力测量值、螺旋机补油压力测量值、螺旋机土压测量值、螺旋机转矩、砂浆注入口压力。
步骤S2：对原始数据进行标准化并进行特征提取；
具体地，在所述步骤S2中：
利用预设的数据框提取二维数据并输送至改进的多头自注意力块进行特征提取；
采用如下公式计算多头自注意力值：
Figure BDA0003666981130000071
f(Q，K)＝QT·K
Ai＝softmax(f(Qi，Ki))
headi＝Ai·Vi
Output＝Concat(head1，head2，head3)·WO
其中，Qi为第i个头对应的查询值，Ki为第i个头对应的键值，Vi为第i个头对应的value值，i为多头自注意力中对应的头，
Figure BDA0003666981130000072
为第i个头生成对应的Qi值的变换矩阵，
Figure BDA0003666981130000073
为第i个头分别生成对应的Ki值的变换矩阵，
Figure BDA0003666981130000074
是第i个头分别生成对应的Vi值的变换矩阵，X为预设维度的原始输入，Q为点乘注意力值计算函数f(Q，K)的自变量，K为点乘注意力值计算函数f(Q，K)的自变量，Ai为点乘注意力进行softmax计算后的值，headi为第i个头最终得到的注意力值，Output为最终输出的多头注意力提取的特征结果，WO为汇总不同头提取的特征的线性变换矩阵；
所述的多头自注意力块的设计采用：
步骤A1：输入经过多头自注意力层之后进行随机丢弃；
步骤A2：将随机丢弃后的输出与输入进行残差连接；
步骤A3：将残差连接结果进行Batch Normalization得到结果1；
步骤A4：对结果1进行线性变换再进行随机丢弃；
步骤A5：将随机丢弃后的输出与结果1进行残差连接；
步骤A6：将残差连接结果进行Batch Normalization得到最终输出结果。
步骤S3：提取同维度的二维特征并输送至二维卷积神经网络得到识别结果；
具体地，在所述步骤S3中：
所述的二维卷积神经网络包含预设数量的卷积层和一个全连接层，采用了多个预设尺寸的卷积层堆叠的方法，通过全连接神经网络将识别结果进行输出。
步骤S4：搭建二维卷积神经网络处理提取到的二维特征并进行训练；
具体地，在所述步骤S4中：
利用TensorFlow框架下的Keras包构建盾构机施工掌子面地质类型识别的神经网络模型并进行训练；通过训练后的盾构机施工掌子面地质类型识别的神经网络模型对施工后续工作面的地质类型进行识别；
步骤S5：根据测试集测试结果评估识别效果。
在所述步骤S5中：
根据施工后续工作面数据集测试结果分别计算准确率和f1指数，评估地质类型的识别效果。
实施例2：
实施例2为实施例1的优选例，以更为具体地对本发明进行说明。
本领域技术人员可以将本发明提供的一种盾构机施工掌子面地质类型识别方法，理解为盾构机施工掌子面地质类型识别系统的具体实施方式，即所述盾构机施工掌子面地质类型识别系统可以通过执行所述盾构机施工掌子面地质类型识别方法的步骤流程予以实现。
本发明通过相关性分析选取了更多的掘进参数，并且以多条数据组合输入改进多头自注意力块进行特征提取，不仅可以充分挖掘每个样本数据蕴含的当前工作面地质信息，还可以提取出相邻工作面之间的关联信息，并结合卷积神经网络对二维图像数据识别能力强的特点，将提取的特征输入至二维卷积神经网络进行识别分类，极大的提高了掌子面围岩等级的识别准确率。
根据本发明提供的一种盾构机施工掌子面地质类型识别系统，包括：
模块M1：采集施工时的装备状态参数数据并进行预处理；
具体地，在所述模块M1中：
采集盾构机施工时的装备状态参数数据并进行预处理，得到装备状态参数序列；
选取液压油箱温度、液压油箱回油区温度、主驱动冷却水流量、主驱动冷却回水温度、齿轮油箱温度、主轴承机油流量、小齿轮机油流量、小齿轮前后滚道机油流量、刀盘转矩、刀盘速度设置、推进速度平均值、贯入度、总推进力、推进速度设置、土压、土压平均值、螺旋机速度设置值、螺旋机速度测量值、螺旋机压力测量值、螺旋机补油压力测量值、螺旋机土压测量值、螺旋机转矩、砂浆注入口压力。
模块M2：对原始数据进行标准化并进行特征提取；
具体地，在所述模块M2中：
利用预设的数据框提取二维数据并输送至改进的多头自注意力块进行特征提取；
采用如下公式计算多头自注意力值：
Figure BDA0003666981130000091
f(Q，K)＝QT·K
Ai＝softmax(f(Qi，Ki))
headi＝Ai·Vi
Output＝Concat(head1，head2，head3)·WO
其中，Qi为第i个头对应的查询值，Ki为第i个头对应的键值，Vi为第i个头对应的value值，i为多头自注意力中对应的头，
Figure BDA0003666981130000092
为第i个头生成对应的Qi值的变换矩阵，
Figure BDA0003666981130000093
为第i个头分别生成对应的Ki值的变换矩阵，
Figure BDA0003666981130000094
是第i个头分别生成对应的Vi值的变换矩阵，X为预设维度的原始输入，Q为点乘注意力值计算函数f(Q，K)的自变量，K为点乘注意力值计算函数f(Q，K)的自变量，Ai为点乘注意力进行softmax计算后的值，headi为第i个头最终得到的注意力值，Output为最终输出的多头注意力提取的特征结果，WO为汇总不同头提取的特征的线性变换矩阵；
所述的多头自注意力块的设计采用：
步骤A1：输入经过多头自注意力层之后进行随机丢弃；
步骤A2：将随机丢弃后的输出与输入进行残差连接；
步骤A3：将残差连接结果进行Batch Normalization得到结果1；
步骤A4：对结果1进行线性变换再进行随机丢弃；
步骤A5：将随机丢弃后的输出与结果1进行残差连接；
步骤A6：将残差连接结果进行Batch Normalization得到最终输出结果。
模块M3：提取同维度的二维特征并输送至二维卷积神经网络得到识别结果；
具体地，在所述模块M3中：
所述的二维卷积神经网络包含预设数量的卷积层和一个全连接层，采用了多个预设尺寸的卷积层堆叠的方法，通过全连接神经网络将识别结果进行输出。
模块M4：搭建二维卷积神经网络处理提取到的二维特征并进行训练；
具体地，在所述模块M4中：
利用TensorFlow框架下的Keras包构建盾构机施工掌子面地质类型识别的神经网络模型并进行训练；通过训练后的盾构机施工掌子面地质类型识别的神经网络模型对施工后续工作面的地质类型进行识别；
模块M5：根据测试集测试结果评估识别效果。
在所述模块M5中：
根据施工后续工作面数据集测试结果分别计算准确率和f1指数，评估地质类型的识别效果。
实施例3：
实施例3为实施例1的优选例，以更为具体地对本发明进行说明。
针对目前盾构机施工掌子面地质情况无法观测且目前的地质类型识别方法识别准确率不高的问题，本发明提供一种基于改进多头自注意力机制和二维卷积神经网络的盾构机施工掌子面地质类型识别方法和系统。
根据本发明提供的一种基于改进多头自注意力机制和二维卷积神经网络的盾构机施工掌子面地质类型识别方法，包括：
步骤S1：采集盾构机施工时的30个装备状态参数数据并进行预处理，得到装备状态参数序列；
步骤S1包括，选取液压油箱温度(℃)，液压油箱回油区温度(℃)，主驱动冷却水流量(L/min)，主驱动冷却回水温度(℃)，1#齿轮油箱温度(℃)，主轴承机油流量(L/min)，小齿轮机油流量(L/min)，小齿轮前后滚道机油流量(L/min)，刀盘转矩(kNm)，刀盘速度设置(％)，推进速度平均值(mm/min)，贯入度(mm/r)，总推进力(kN)，推进速度设置(％)，土压1#(bar)，土压2#(bar)，土压3#(bar)，土压4#(bar)，土压5#(bar)，土压6#(bar)，土压平均值(bar)，螺旋机速度设置值(％)，螺旋机速度测量值(rpm)，螺旋机压力测量值(bar)，螺旋机补油压力测量值(bar)，螺旋机土压测量值后(bar)，螺旋机转矩(kNm)，砂浆注入口3压力(bar)，砂浆注入口4压力(bar)，砂浆注入口5压力(bar)。
步骤S2：采用均值-标准差法对原始数据进行标准化；
步骤S3：利用10*30的数据框提取二维数据并输送至改进的多头自注意力块进行特征提取；
步骤S3中采用：
Figure BDA0003666981130000111
f(Q，K)＝QT·K
Ai＝softmax(f(Qi，Ki))
headi＝Ai·Vi
Output＝Concat(head1，head2，head3)·WO
其中Qi为第i个头对应的查询值(query)，Ki为第i个头对应的键值(key)，Vi为第i个头对应的value值，i为多头自注意力中对应的头，
Figure BDA0003666981130000112
为第i个头生成对应的Qi值的变换矩阵，
Figure BDA0003666981130000113
为第i个头分别生成对应的Ki值的变换矩阵，
Figure BDA0003666981130000114
是第i个头分别生成对应的Vi值的变换矩阵，X为10*30维度的原始输入，Q为点乘注意力值计算函数f(Q，K)的自变量，K为点乘注意力值计算函数f(Q，K)的自变量，Ai为点乘注意力进行softmax计算后的值，headi为第i个头最终得到的注意力值，Output为最终输出的多头注意力提取的特征结果，WO为汇总不同头提取的特征的线性变换矩阵。
所述的多头自注意力块的设计采用：
步骤S3.1：输入经过多头自注意力层之后进行随机丢弃；
步骤S3.2：将随机丢弃后的输出与输入进行残差连接；
步骤S3.3：将残差连接结果进行Batch Normalization得到结果1；
步骤S3.4：对结果1进行线性变换再进行随机丢弃；
步骤S3.5：将随机丢弃后的输出与结果1进行残差连接；
步骤S3.6：将残差连接结果进行Batch Normalization得到最终输出结果；
步骤S4：提取同维度的二维特征并输送至二维卷积神经网络得到识别结果；
所述的二维卷积神经网络包含11个卷积层和一个全连接层，采用了多个3*3尺寸的卷积层堆叠的方法。数量分别为3-3-2-2-1，通过全连接神经网络将识别结果进行输出。
步骤S5：利用TensorFlow框架下的Keras包构建盾构机施工掌子面地质类型识别的神经网络模型并进行训练；
步骤S6：通过训练后的盾构机施工掌子面地质类型识别的神经网络模型，对施工后续工作面的地质类型进行识别；
步骤S7：根据施工后续工作面数据集测试结果分别计算准确率和f1指数，评估地质类型的识别效果。
所述改进多头自注意力机制是结合地质类型识别任务特点采用了新的注意力计算方法以及在多头自注意力块的设计上更加符合地质类型识别任务的特点。
首先从盾构机现场施工记录的数据中选取相关性强的30个装备状态参数作为智能识别模型的输入。然后建立基于改进多头自注意力机制和二维卷积神经网络的盾构机施工掌子面地质类型识别模型，用十条数据组成一个二维数据作为输入，对应的围岩等级作为输出。并用盾构机施工现场记录的数据进行模型的训练。训练好的模型可以实现对工作面的地质类型进行实时感知，有助于帮助机组人员发现前方地质变化并及时作出掘进状态的调整，提高施工质量和开挖效率，提升盾构机的自动化和智能化水平。
根据本发明提供的一种基于改进多头自注意力机制和二维卷积神经网络的盾构机施工掌子面地质类型识别系统，包括：
模块M1：采集盾构机施工时的30个装备状态参数数据并进行预处理，得到装备状态参数序列；
所述模块M1选取，液压油箱温度(℃)，液压油箱回油区温度(℃)，主驱动冷却水流量(L/min)，主驱动冷却回水温度(℃)，1#齿轮油箱温度(℃)，主轴承机油流量(L/min)，小齿轮机油流量(L/min)，小齿轮前后滚道机油流量(L/min)，刀盘转矩(kNm)，刀盘速度设置(％)，推进速度平均值(mm/min)，贯入度(mm/r)，总推进力(kN)，推进速度设置(％)，土压1#(bar)，土压2#(bar)，土压3#(bar)，土压4#(bar)，土压5#(bar)，土压6#(bar)，土压平均值(bar)，螺旋机速度设置值(％)，螺旋机速度测量值(rpm)，螺旋机压力测量值(bar)，螺旋机补油压力测量值(bar)，螺旋机土压测量值后(bar)，螺旋机转矩(kNm)，砂浆注入口3压力(bar)，砂浆注入口4压力(bar)，砂浆注入口5压力(bar)。
模块M2：采用均值-标准差法对原始数据进行标准化；
模块M3：利用10*30的数据框提取二维数据并输送至改进的多头自注意力块进行特征提取；
所述模块M3中采用：
Figure BDA0003666981130000121
f(Q，K)＝QT·K
Ai＝softmax(f(Qi，Ki))
headi＝Ai·Vi
Output＝Concat(head1，head2，head3)·WO
其中Qi为第i个头对应的查询值(query)，Ki为第i个头对应的键值(key)，Vi为第i个头对应的value值，i为多头自注意力中对应的头，
Figure BDA0003666981130000122
为第i个头生成对应的Qi值的变换矩阵，
Figure BDA0003666981130000123
为第i个头分别生成对应的Ki值的变换矩阵，
Figure BDA0003666981130000124
是第i个头分别生成对应的Vi值的变换矩阵，X为10*30维发的原始输入，Q为点乘注意力值计算函数f(Q，K)的自变量，K为点乘注意力值计算函数f(Q，K)的自变量，Ai为点乘注意力进行softmax计算后的值，headi为第i个头最终得到的注意力值，Output为最终输出的多头注意力提取的特征结果，WO为汇总不同头提取的特征的线性变换矩阵。
所述模块M3中的多头自注意力块的设计采用：
模块M3.1：输入经过多头自注意力层之后进行随机丢弃；
模块M3.2：将随机丢弃后的输出与输入进行残差连接；
模块M3.3：将残差连接结果进行Batch Normalization得到结果1；
模块M3.4：对结果1进行线性变换再进行随机丢弃；
模块M3.5：将随机丢弃后的输出与结果1进行残差连接；
模块M3.6：将残差连接结果进行Batch Normalization得到最终输出结果；
模块M4：提取同维度的二维特征并输送至二维卷积神经网络得到识别结果；
所述模块M4中的二维卷积神经网络包含11个卷积层和一个全连接层，采用了多个3*3尺寸的卷积层堆叠的方法。数量分别为3-3-2-2-1，通过全连接神经网络将识别结果进行输出。
模块M5：利用TensorFlow框架下的Keras包构建盾构机施工掌子面地质类型识别的神经网络模型并进行训练；
模块M6：通过训练后的盾构机施工掌子面地质类型识别的神经网络模型，对施工后续工作面的地质类型进行识别；
模块M7：根据施工后续工作面数据集测试结果分别计算准确率和f1指数，评估地质类型的识别效果。
所述改进多头自注意力机制是结合地质类型识别任务特点采用了新的注意力计算方法以及在多头自注意力块的设计上更加符合地质类型识别任务的特点。
首先从盾构机现场施工记录的数据中选取相关性强的30个装备状态参数作为智能识别模型的输入。然后建立基于改进多头自注意力机制和二维卷积神经网络的盾构机施工掌子面地质类型识别模型，用十条数据组成一个二维数据作为输入，对应的围岩等级作为输出。并用盾构机施工现场记录的数据进行模型的训练。训练好的模型可以实现对工作面的地质类型进行实时感知，有助于帮助机组人员发现前方地质变化并及时作出掘进状态的调整，提高施工质量和开挖效率，提升盾构机的自动化和智能化水平。
实施例4：
实施例4为实施例1的优选例，以更为具体地对本发明进行说明。
参考图1至图4，本发明提供了一种基于改进多头自注意力机制和二维卷积神经网络的盾构机施工掌子面地质类型识别方法，包括如下步骤：
步骤S1：采集盾构机施工时的30个装备状态参数数据并进行预处理，得到装备状态参数序列；
步骤S2：采用均值-标准差法对原始数据进行标准化；
步骤S3：利用10*30的数据框提取二维数据并输送至改进的多头自注意力块进行特征提取。其中多头自注意力块的设计结构如图2所示，10*30的二维输入经过多头自注意力层之后进行丢弃率为0.2的随机丢弃。将随机丢弃后的输出与输入进行残差连接；将残差连接结果进行Batch Normalization得到结果1。对结果1进行线性变换再进行丢弃率为0.2随机丢弃；将随机丢弃后的输出与结果1进行残差连接。将残差连接结果进行BatchNormalization得到最终输出特征结果；
步骤S4：提取同维度的二维特征并输送至二维卷积神经网络得到识别结果。其中二维卷积神经网络的结构如图3所示。包括五个卷积组，第一个卷积组包括3个大小3*3的卷积层，每层卷积核个数为32，加上一个最大池化和BN层。第二个卷积组包括3个大小3*3的卷积层，每层卷积核个数为64，加上一个最大池化和BN层。第三个卷积组包括2个大小3*3的卷积层，每层卷积核个数为128，加上一个最大池化和BN层。第四个卷积组包括2个大小3*3的卷积层，每层卷积核个数为256，加上一个最大池化和BN层。第五个卷积组包括1个大小3*3的卷积层，每层卷积核个数为512，加上一个最大池化和BN层。最后展平输入到一个全连接层
步骤S5：利用TensorFlow框架下的Keras包构建盾构机施工掌子面地质类型识别的神经网络模型并进行训练；分别采用稀疏交叉熵损失函数(sparse categoricalcrossentropy)和Adam优化器作为损失函数和优化器，模型训练批量大小均设为30。训练集包括128004行盾构机记录数据，测试集包括35529行盾构机记录数据，得到训练后盾构机施工掌子面地质类型识别模型；
步骤S6：通过训练后的盾构机施工掌子面地质类型识别的神经网络模型，对施工后续工作面的地质类型进行识别；
步骤S7：根据施工后续工作面数据集测试结果计算准确率，评估地质类型的识别效果。
从图4看出提出的基于改进多头自注意力机制和二维卷积神经网络的盾构机施工掌子面地质类型识别模型对地质类型的识别非常准确。在该数据集上的识别准确率96.68％。表明提出的基于改进多头自注意力机制和二维卷积神经网络的盾构机施工掌子面地质类型识别方法有较高的识别精度。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种盾构机施工掌子面地质类型识别方法，其特征在于，包括：
步骤S1：采集施工时的装备状态参数数据并进行预处理；
步骤S2：对原始数据进行标准化并进行特征提取；
步骤S3：提取同维度的二维特征并输送至二维卷积神经网络得到识别结果；
步骤S4：搭建二维卷积神经网络处理提取到的二维特征并进行训练；
步骤S5：根据测试集测试结果评估识别效果。
2.根据权利要求1所述的盾构机施工掌子面地质类型识别方法，其特征在于，在所述步骤S1中：
采集盾构机施工时的装备状态参数数据并进行预处理，得到装备状态参数序列；
选取液压油箱温度、液压油箱回油区温度、主驱动冷却水流量、主驱动冷却回水温度、齿轮油箱温度、主轴承机油流量、小齿轮机油流量、小齿轮前后滚道机油流量、刀盘转矩、刀盘速度设置、推进速度平均值、贯入度、总推进力、推进速度设置、土压、土压平均值、螺旋机速度设置值、螺旋机速度测量值、螺旋机压力测量值、螺旋机补油压力测量值、螺旋机土压测量值、螺旋机转矩、砂浆注入口压力。
3.根据权利要求1所述的盾构机施工掌子面地质类型识别方法，其特征在于，在所述步骤S2中：
利用预设的数据框提取二维数据并输送至改进的多头自注意力块进行特征提取；
采用如下公式计算多头自注意力值：
Figure FDA0003666981120000011
f(Q，K)＝QT·K
Ai＝softmax(f(Qi，Ki))
headi＝Ai·Vi
Output＝Concat(head1，head2，head3)·WO
其中，Qi为第i个头对应的查询值，Ki为第i个头对应的键值，Vi为第i个头对应的value值，i为多头自注意力中对应的头，
Figure FDA0003666981120000012
为第i个头生成对应的Qi值的变换矩阵，
Figure FDA0003666981120000013
为第i个头分别生成对应的Ki值的变换矩阵，
Figure FDA0003666981120000014
是第i个头分别生成对应的Vi值的变换矩阵，X为预设维度的原始输入，Q为点乘注意力值计算函数f(Q，K)的自变量，K为点乘注意力值计算函数f(Q，K)的自变量，Ai为点乘注意力进行softmax计算后的值，headi为第i个头最终得到的注意力值，Output为最终输出的多头注意力提取的特征结果，WO为汇总不同头提取的特征的线性变换矩阵；
所述的多头自注意力块的设计采用：
步骤A1：输入经过多头自注意力层之后进行随机丢弃；
步骤A2：将随机丢弃后的输出与输入进行残差连接；
步骤A3：将残差连接结果进行Batch Normalization得到结果1；
步骤A4：对结果1进行线性变换再进行随机丢弃；
步骤A5：将随机丢弃后的输出与结果1进行残差连接；
步骤A6：将残差连接结果进行Batch Normalization得到最终输出结果。
4.根据权利要求1所述的盾构机施工掌子面地质类型识别方法，其特征在于，在所述步骤S3中：
所述的二维卷积神经网络包含预设数量的卷积层和一个全连接层，采用了多个预设尺寸的卷积层堆叠的方法，通过全连接神经网络将识别结果进行输出。
5.根据权利要求1所述的盾构机施工掌子面地质类型识别方法，其特征在于：
在所述步骤S4中：
利用TensorFlow框架下的Keras包构建盾构机施工掌子面地质类型识别的神经网络模型并进行训练；通过训练后的盾构机施工掌子面地质类型识别的神经网络模型对施工后续工作面的地质类型进行识别；
在所述步骤S5中：
根据施工后续工作面数据集测试结果分别计算准确率和f1指数，评估地质类型的识别效果。
6.一种盾构机施工掌子面地质类型识别系统，其特征在于，包括：
模块M1：采集施工时的装备状态参数数据并进行预处理；
模块M2：对原始数据进行标准化并进行特征提取；
模块M3：提取同维度的二维特征并输送至二维卷积神经网络得到识别结果；
模块M4：搭建二维卷积神经网络处理提取到的二维特征并进行训练；
模块M5：根据测试集测试结果评估识别效果。
7.根据权利要求6所述的盾构机施工掌子面地质类型识别系统，其特征在于，在所述模块M1中：
采集盾构机施工时的装备状态参数数据并进行预处理，得到装备状态参数序列；
选取液压油箱温度、液压油箱回油区温度、主驱动冷却水流量、主驱动冷却回水温度、齿轮油箱温度、主轴承机油流量、小齿轮机油流量、小齿轮前后滚道机油流量、刀盘转矩、刀盘速度设置、推进速度平均值、贯入度、总推进力、推进速度设置、土压、土压平均值、螺旋机速度设置值、螺旋机速度测量值、螺旋机压力测量值、螺旋机补油压力测量值、螺旋机土压测量值、螺旋机转矩、砂浆注入口压力。
8.根据权利要求6所述的盾构机施工掌子面地质类型识别系统，其特征在于，在所述模块M2中：
利用预设的数据框提取二维数据并输送至改进的多头自注意力块进行特征提取；
采用如下公式计算多头自注意力值：
Figure FDA0003666981120000031
f(Q，K)＝QT·K
Ai＝softmax(f(Qi，Ki))
headi＝Ai·Vi
Output＝Concat(head1，head2，head3)·WO
其中，Qi为第i个头对应的查询值，Ki为第i个头对应的键值，Vi为第i个头对应的value值，i为多头自注意力中对应的头，
Figure FDA0003666981120000032
为第i个头生成对应的Qi值的变换矩阵，
Figure FDA0003666981120000033
为第i个头分别生成对应的Ki值的变换矩阵，
Figure FDA0003666981120000034
是第i个头分别生成对应的Vi值的变换矩阵，X为预设维度的原始输入，Q为点乘注意力值计算函数f(Q，K)的自变量，K为点乘注意力值计算函数f(Q，K)的自变量，Ai为点乘注意力进行softmax计算后的值，headi为第i个头最终得到的注意力值，Output为最终输出的多头注意力提取的特征结果，WO为汇总不同头提取的特征的线性变换矩阵；
所述的多头自注意力块的设计采用：
步骤A1：输入经过多头自注意力层之后进行随机丢弃；
步骤A2：将随机丢弃后的输出与输入进行残差连接；
步骤A3：将残差连接结果进行Batch Normalization得到结果1；
步骤A4：对结果1进行线性变换再进行随机丢弃；
步骤A5：将随机丢弃后的输出与结果1进行残差连接；
步骤A6：将残差连接结果进行Batch Normalization得到最终输出结果。
9.根据权利要求6所述的盾构机施工掌子面地质类型识别系统，其特征在于，在所述模块M3中：
所述的二维卷积神经网络包含预设数量的卷积层和一个全连接层，采用了多个预设尺寸的卷积层堆叠的方法，通过全连接神经网络将识别结果进行输出。
10.根据权利要求6所述的盾构机施工掌子面地质类型识别系统，其特征在于：
在所述模块M4中：
利用TensorFlow框架下的Keras包构建盾构机施工掌子面地质类型识别的神经网络模型并进行训练；通过训练后的盾构机施工掌子面地质类型识别的神经网络模型对施工后续工作面的地质类型进行识别；
在所述模块M5中：
根据施工后续工作面数据集测试结果分别计算准确率和f1指数，评估地质类型的识别效果。
CN202210594109.7A 2022-05-27 2022-05-27 盾构机施工掌子面地质类型识别方法及系统 Pending CN114972994A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210594109.7A CN114972994A (zh) 2022-05-27 2022-05-27 盾构机施工掌子面地质类型识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210594109.7A CN114972994A (zh) 2022-05-27 2022-05-27 盾构机施工掌子面地质类型识别方法及系统

Publications (1)

Publication Number Publication Date
CN114972994A true CN114972994A (zh) 2022-08-30

Family

ID=82957197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210594109.7A Pending CN114972994A (zh) 2022-05-27 2022-05-27 盾构机施工掌子面地质类型识别方法及系统

Country Status (1)

Country Link
CN (1) CN114972994A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116291336A (zh) * 2023-02-14 2023-06-23 电子科技大学 一种基于深度自注意力神经网络的自动分段分簇系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111365015A (zh) * 2020-03-05 2020-07-03 中建交通建设集团有限公司 一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法
CN113513331A (zh) * 2021-04-15 2021-10-19 上海交通大学 基于盾构机运行参数的掘进掌子面岩土类型识别方法、系统及介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111365015A (zh) * 2020-03-05 2020-07-03 中建交通建设集团有限公司 一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法
CN113513331A (zh) * 2021-04-15 2021-10-19 上海交通大学 基于盾构机运行参数的掘进掌子面岩土类型识别方法、系统及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHENGJIN QIN 等: "Geological information prediction for shield machine using an enhanced multi-head self-attention convolution neural network with two-stage feature extraction", GEOSCIENCE FRONTIERS, 30 November 2022 (2022-11-30), pages 1 - 19 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116291336A (zh) * 2023-02-14 2023-06-23 电子科技大学 一种基于深度自注意力神经网络的自动分段分簇系统
CN116291336B (zh) * 2023-02-14 2024-05-24 电子科技大学 一种基于深度自注意力神经网络的自动分段分簇系统

Similar Documents

Publication Publication Date Title
Wu et al. Real-time rock mass condition prediction with TBM tunneling big data using a novel rock–machine mutual feedback perception method
CN110244344A (zh) 一种基于深度学习的tbm超前地质预报方法
CN111160571B (zh) 一种基于土压平衡盾构机参数数据驱动反演地质的方法
Xiao et al. Prediction of shield machine posture using the GRU algorithm with adaptive boosting: A case study of Chengdu Subway project
CN112529341B (zh) 一种基于朴素贝叶斯算法的钻井漏失机率预测方法
CN109918822A (zh) 基于随机森林回归的盾构掘进参数偏差计算方法及系统
CN113431635B (zh) 半监督的盾构隧道掌子面地质类型预估方法及系统
Wang et al. Deep learning model for shield tunneling advance rate prediction in mixed ground condition considering past operations
CN114429563B (zh) 基于随钻测试与tbm岩渣图像的围岩完整性识别方法及系统
CN117252086A (zh) 一种盾构机刀盘健康评估与退化预测方法、系统及设备
CN114862612A (zh) 一种基于Bagging改进的矿井内数据预处理方法
CN115239108A (zh) 一种基于tbm实时破岩数据的软弱破碎围岩感知方法
CN112963160B (zh) 一种用盾构实时掘进参数来识别确定地层特性的方法
CN114972994A (zh) 盾构机施工掌子面地质类型识别方法及系统
CN118839615A (zh) 基于机岩状态识别和融合特征-时间注意力的盾构姿态多步预测方法
Lin et al. A novel domain adversarial time-varying conditions intervened neural network for drill bit wear monitoring of the jumbo drill under variable working conditions
CN114818493B (zh) 一种隧道岩体完整程度定量评价的方法
CN116758343A (zh) 一种tbm施工隧道围岩智能自动分级方法及系统
CN119150244B (zh) 基于音频与振动信号融合的煤岩识别方法及系统
CN119229151A (zh) Tbm掘进参数的预测模型训练方法及装置、预测方法
CN118779741A (zh) 半监督盾构围岩等级识别方法
CN113901609A (zh) 一种盾构机多源掘进参数关联性分析方法
CN117988823B (zh) 基于半监督自编码器的钻塞过程套管损坏实时预警方法
Serapiao et al. Classification of petroleum well drilling operations using Support Vector Machine (SVM)
CN115438402A (zh) 基于岩-机互馈感知关系的tbm掘进岩体条件实时预测方法及装置

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