CN115239108B - 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 - Google Patents
一种基于tbm实时破岩数据的软弱破碎围岩感知方法 Download PDFInfo
- Publication number
- CN115239108B CN115239108B CN202210821618.9A CN202210821618A CN115239108B CN 115239108 B CN115239108 B CN 115239108B CN 202210821618 A CN202210821618 A CN 202210821618A CN 115239108 B CN115239108 B CN 115239108B
- Authority
- CN
- China
- Prior art keywords
- fwm
- index
- weak
- broken
- surrounding rock
- 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.)
- Active
Links
- 239000011435 rock Substances 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000010276 construction Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 230000005641 tunneling Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 23
- 230000035515 penetration Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 229910052731 fluorine Inorganic materials 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 208000022971 Tuberculous meningitis Diseases 0.000 claims 8
- 208000001223 meningeal tuberculosis Diseases 0.000 claims 8
- 239000002131 composite material Substances 0.000 claims 2
- 230000001174 ascending effect Effects 0.000 abstract description 3
- 238000007619 statistical method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000009412 basement excavation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 206010057175 Mass conditions Diseases 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Civil Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Architecture (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明提供了一种基于TBM实时破岩数据的软弱破碎围岩感知方法。该方法将已有数据划分为软弱破碎围岩数据集和非软弱破碎围岩数据集。首先，利用重合度的概念计算了破岩指标(TPI、FPI、WR和AF)在两个数据集上的划分阈值；其次，基于单一指标的权重提出综合指标η，并计算综合指标η在两个数据集上的区分阈值，建立了软弱围岩的识别模型；然后，依据贝叶斯定理和η建立了软弱围岩的定量计算模型。在使用时，根据当前TBM上升段的数据，计算得到η，进而定量计算模型得到当前掌子面围岩的软弱破碎概率，并进行塌方预警。本发明方法可以实时感知当前掌子面围岩是否软弱破碎；采用基于贝叶斯理论的统计学方法，满足了TBM安全、高效、经济的施工目的。
Description
技术领域
本发明涉及隧道掘进技术领域，尤其涉及一种基于TBM实时破岩数据的软弱破碎围岩感知方法。
背景技术
长大隧洞(道)通常是(特)大型水利、水电、交通、矿山等基础设施建设中的主要或关键控制工程。全断面隧道掘进机作为长大隧道开挖的国之重器，拥有安全、高效、环保及自动化和信息化程度高等优点。但由于隧道工程地质条件极其复杂，如果未能及时针对TBM(Tunnel Boring Machine，全断面硬岩隧道掘进机)掌子面前方的软弱围岩、断层破碎带等不良地质条件采取处理措施，可能会导致塌方、卡机等重大安全事故的发生。随着“粤港澳大湾区”发展规划、“西部大开发”战略、“一带一路”倡议的建设需求，TBM施工过程中的岩体感知技术已成为制约TBM在复杂地质条件下安全高效掘进的技术瓶颈和亟待解决的重大问题。
传统隧道工程超前地质预测方法主要包括地球物理探测法和地质钻探法。地球物理探测法主要是利用地震波、声纳、电磁波、红外线、电磁波等手段的探测方法的统称。但是由于TBM复杂的金属结构和电气系统对地球物理场形成强烈的电磁干扰，导致这类方法很难在TBM施工中应用；地质钻探法主要是通过钻孔取芯获取岩体的相关信息，是一种最直接的方法。但是这种方法需要TBM停止掘进，影响TBM施工工序的紧密衔接，不满足TBM高效掘进的探测需求。此外，这些方法及设备还会大大的增加施工成本。因此为了满足TBM施工安全、高效、经济的需求，亟需提出一种能够实时感知TBM掌子面前方围岩条件的方法。
目前，现有技术中的一种实现TBM掌子面围岩条件实时感知的方法包括：利用雷达信号、机器人拍摄技术、电磁脉冲信号等基于传统地球物理学方法，结合新设备装置来实现掌子面地质情况超前预报。
现有技术中另一种实现TBM掌子面围岩条件实时感知的方法包括：基于深度学习模型，利用TBM掘进数据和碴片粒径等信息，对掌子面围岩等级进行超前预报。
现有技术中一种实现TBM掌子面围岩条件实时感知的方法包括：利用TBM掘进过程中可掘性指标FPI变化判断围岩状况的变化趋势，对掌子面围岩进行等级划分。
上述现有技术的实现TBM掌子面围岩条件实时感知的方法的缺点包括：
(i)TBM掘进环境极为复杂，观测空间狭小，施工振动强烈，电磁干扰强烈，大体积金属设备结构及电气系统给传统的地球物理探测技术造成了很大的挑战，想要进行突破，势必需要更先进的设备装置，施工造价将大大提高；
(ii)利用深度学习模型和TBM掘进信息，首先需要大量的训练数据样本，并且碴片信息的采集，需要更复杂的图像识别技术和专业的拍摄、存储设备，会对施工现场主控室内的设备造成一定的运行负担；
(iii)利用单一指标进行围岩状况的变化，方法是可行的，但是单一指标的识别精度没有办法保证；
(iv)现有传统围岩分级系统将围岩分为I类、II类、III类、IV类、V类，这种岩体分级方式适用于钻爆法施工。在采用TBM施工的隧道中，将围岩分为软弱破碎围岩和非软弱围岩，有助于TBM施工效率的提升。
综上，现有的TBM掌子面围岩信息感知方法和手段，虽然在一定程度上能实现围岩感知的任务，但是一方面可能需要增加更多的设备成本和施工工序，在一定程度上影响施工进度；另一方面部分方法手段单一，存在识别精度不够的隐患；并且传统的围岩分级方式不适用于TBM隧道。
发明内容
本发明的实施例提供了一种基于TBM实时破岩数据的软弱破碎围岩感知方法，以实现有效地实时感知当前掌子面围岩是否软弱破碎。
为了实现上述目的，本发明采取了如下技术方案。
一种基于TBM实时破岩数据的软弱破碎围岩感知方法，包括：
根据全断面硬岩隧道掘进机实时掘进过程中的加载阶段数据和TBM破岩指标定义计算多个软弱破碎岩体FWM指标；
计算每个FWM指标的区分阈值，根据单个FWM指标和对应的判断阈值对掌子面围岩条件是否软弱破碎进行初步判定；
根据当前桩号的多个FWM指标数值计算基于权重方法的FWM综合指标，将FWM综合指标与其阈值进行对比，根据软弱围岩定性判别模型对掌子面围岩条件是否软弱破碎作进一步判定；
根据软弱围岩定量判别模型和FWM综合指标数值，计算掌子面围岩为软弱破碎围岩的概率；
根据软弱破碎围岩的概率对当前掌子面进行塌方预警。
优选地，所述的根据全断面硬岩隧道掘进机TBM实时掘进过程中的加载阶段数据和TBM破岩指标定义计算多个软弱破碎岩体FWM指标，包括：
获取TBM掘进当前桩号的加载阶段的5种基本破岩数据，刀盘扭矩T、总推进力F、推进速度v、刀盘转速n和刀盘贯入度p数据，并对这5种基本破岩数据进行异常数据清洗，规则如下：
式中，T、F、n、v、p分别代表刀盘扭矩、总推进力、刀盘转速、推进速度和贯入度；等号左边表示经过清洗后，形状为5×n的数组，其中n表示数据样本数目，等号右边表示保留满足条件的数组，i表示第i秒；
计算当前桩号各FWM指标数值，计算公式如下所示：
F＝AF×p+BF (5)
其中，TPI为扭矩切深指数，表示TBM滚刀贯入岩体1mm所需的扭矩；FPI为场切深指数，表示TBM滚刀贯入单位岩体所需的推力；WR为功能比率，表示单位时间内扭矩做功与推力做功的比值；AF为推力和贯入度的拟合系数，BF为推力与贯入度关系的拟合截距,以上5个指标为本发明中的FWM指标。
优选地，所述的计算每个FWM指标的判断阈值，利用单个FWM指标和对应的判断阈值对掌子面围岩条件是否属于软弱破碎进行初步判定，包括：
根据施工记录的地质情况，将TBM掘进数据划分为软弱破碎围岩FWM数据集和非软弱破碎围岩non-FWM数据集；
根据FWM指标在FWM数据集和non-FWM数据集上的分布情况，计算每个FWM指标的区分阈值，其计算公式如下：
Xc＝μ2+βσ2＝μ1-βσ1 (6)
式中，Xc表示某个FWM指标的阈值，μ1和σ1表示指标X在non-FWM数据集中的均值和标准差；μ2和σ2表示FWM指标X在FWM数据集中的均值和标准差；β代表重合度指标，其值越大，表示FWM指标X在两个数据集上的区分度越明显；
IFW表示判别结果，1表示当前掌子面属于软弱破碎岩体，0表示当前掌子面属于非软弱破碎岩体。
优选地，所述的根据当前桩号的多个FWM指标数值计算基于权重方法的FWM综合指标，将FWM综合指标与其阈值进行对比，根据软弱围岩定性判别模型对掌子面围岩条件是否软弱破碎作进一步判定，包括：
根据TPI、FPI、WR和AF对应的重合度β，计算各FWM指标的权重，如下所示：
其中，i代表不同的FWM指标；wi和βi分别代表第i个FWM指标的权重和重合度指标；
根据各FWM指标的重合度β所占的权重以及各FWM指标在FWM数据集中的分布，计算FWM综合指标，公式如下：
η＝∑ηi＝∑[1-Φi，2(xi)]wi (10)
其中，η表示FWM综合指标；ηi代表第i个指标所作的贡献；xi表示在某桩号处第i个指标的取值；Φi,2表示第i个指标在FWM数据集中的累计概率密度函数；
根据软弱围岩定性判别模型对掌子面围岩情况作进一步判定，公式如下：
其中，IFW表示判别结果；ηc表示η的判别阈值；1表示当前掌子面为软弱破碎围岩；0表示当前掌子面为非软弱破碎围岩。
优选地，所述的根据当前桩号的多个FWM指标数值计算基于权重方法的FWM综合指标，包括：
假定Φi,2服从正太分布，η的计算公式简化为：
其中，Ψ表示标准正太分布的累计概率密度函数，μi，2和σi，2表示第i个FWM指标在FWM数据集上的均值和标准差。
优选地，所述的利用软弱围岩定量判别模型和FWM综合指标数值，计算掌子面围岩为软弱破碎的概率，包括：
根据贝叶斯定理建立软弱破碎围岩定量判别模型，计算原始数据集中软弱破碎围岩和非软弱破碎围岩发生的概率，计算公式如下：
其中，N1和N2分别表示原始数据集中非软弱破碎围岩样本和软弱围岩样本的数量；P(FWM)和P(nonFWM)分别表示原始数据集中软弱破碎围岩和非软弱破碎围岩发生的概率；
根据FWM综合指标η对某一个新的样本进行判断，其结果为软弱破碎的概率为：
其中，
为η指标在non-FWM数据集的概率分布；
为η指标在FWM数据集的概率分布；
根据条件概率原理计算真正率和假正率，计算公式如下：
P(positive|FWM)＝P(FWM)×P(FWM∩positive) (16)
P(positive|nonFWM)＝P(nonFWM)×P(nonFWM∩positive) (17)
其中，P(positive|FWM)表示在已知岩体软弱破碎的条件下，通过模型判断正确的概率；P(positive|nonFWM)表示在已知岩体非软弱破碎的条件下，通过模型判断错误的概率；P(FWM∩positive)表示某样本为软弱破碎围岩，且同时被模型判定为软弱破碎围岩的概率；P(nonFWM∩positive)表示某样本为非软弱破碎围岩，且同时被模型判定为软弱破碎围岩的概率；
根据贝叶斯理论计算由η判断当前掘进段掌子面为软弱破碎围岩的概率，计算公式如下：
上式中的R表示根据η指标计算某桩号处的围岩软弱破碎的概率。
优选地，所述的利用掌子面围岩软弱破碎的概率进行塌方预警，包括：
其中R′即为软弱围岩定量判别模型；
其中，IFC表示塌方风险；
根据当前掌子面围岩塌方风险等级，进行早期预警并提供相应的施工措施建议。
由上述本发明提供的技术方案可以看出，本发明提出采用多种TBM实时破岩指标进行围岩信息感知，该方法可以实时感知当前掌子面围岩是否软弱破碎；并且本方法采用基于贝叶斯理论的统计学方法，相比于深度学习模型可解释更强，满足了TBM安全、高效、经济的施工目的。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于TBM实时破岩数据的软弱破碎围岩感知方法的实现原理图；
图2为本发明实施例提供的一种TPI(Torquepenetration index,扭矩切深指标)在不同数据集上的分布情况；
图3为本发明实施例提供的一种FPI(Fieldpenetration index,场切深指数)在不同数据集上的分布情况；
图4为本发明实施例提供的一种WR(Ratio of work done by torque to workdone bythrust,功能比率)在不同数据集上的分布情况；
图5为本发明实施例提供的一种AF(Fitting slope of thrust andpenetration，推力贯入度拟合斜率)在不同数据集上的分布情况；
图6为本发明实施例提供的一种使用指标X的阈值区分不同类别。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
实施例一
本发明实施例提供了一种基于TBM实时破岩数据和贝叶斯理论的围岩感知方法。该方法可以根据TBM掘进上升段数据计算当前掌子面围岩软弱破碎的概率，并且根据一定的判别准则感知岩体条件并提出处置措施。
本发明实施例提供的一种基于TBM实时破岩数据的软弱破碎围岩感知方法的实现原理如图1所示，包括如下的处理步骤：
步骤S1：根据TBM掘进当前桩号的上升段数据(试掘进数据)和TBM破岩指标定义计算多个FWM(Fracture and weak rock mass,软弱破碎岩体)指标；
步骤S2：通过对比当前桩号多个FWM指标的数值和对应的判断阈值，对围岩条件进行初步判定；
步骤S3：根据当前桩号的多个FWM指标数值计算基于权重方法的FWM综合指标，并与其阈值进行对比；
步骤S4：根据软弱围岩定性判别模型，对掌子面围岩条件作进一步判断；
步骤S5：根据软弱围岩定量判别模型和FWM综合指标数值，计算掌子面围岩为软弱破碎围岩的概率；
步骤S6：根据塌方预警模型，进行早期预警并提供相应的施工措施建议。
在本发明较佳实施例中，所述步骤S1包括如下步骤：
S1.1：获取TBM掘进当前桩号的上升段的5种基本破岩数据，刀盘扭矩(T)、总推进力(F)、推进速度(v)、刀盘转速(n)和刀盘贯入度(p)数据，并对这5种基本破岩数据进行异常数据清洗，规则如下：
式中，T、F、n、v、p分别代表刀盘扭矩、总推进力、刀盘转速、推进速度和贯入度；等号左边表示经过清洗后，形状为5×n的数组，其中n表示数据样本数目，一般TBM工程中数据采集频率为1Hz，即每秒采集一次数据；等号右边表示，保留满足条件的数组，i表示第i秒。
S1.2：经过简单的数据清洗后，根据TBM破岩指标体系模型的计算当前桩号各FWM指标数值，计算公式如下所示：
F＝AF×p+BF (5)
其中，TPI为扭矩切深指数，表示TBM滚刀贯入岩体1mm所需的扭矩；FPI为场切深指数，表示TBM滚刀贯入单位岩体所需的推力；WR为功能比率，表示单位时间内扭矩做功与推力做功的比值；AF为推力和贯入度的拟合系数，BF为推力与贯入度关系的拟合截距,以上4个指标为FWM指标。
在本发明较佳实施例中，所述步骤S2包括的步骤如下：
S2.1：本发明是在吉林引松工程TBM3施工数据的基础上进行的，引松工程TBM3标段属于浅埋隧道，长度为20km，收集了将近20亿条数据。该施工过程中遭遇的工程问题主要是由于软弱破碎围岩引起的塌方。因此本发明根据施工记录的地质情况，将数据划分为软弱破碎围岩(FWM)数据集和非软弱破碎围岩(non-FWM)数据集。关于TPI、FPI、WR和AF的数据在FWM数据集和non-FWM数据集上的分布情况如图2-图5所示。
特别指出，针对不同工程，在应用本发明时，可以直接利用本发明的模型进行计算；但是为了更精确判断掌子面围岩情况，可以考虑更换数据集。
S2.2：根据指标在FWM数据集和non-FWM数据集上的分布情况，可以计算每个指标的判断阈值，其计算公式如下：
Xc＝μ2+βσ2＝μ1-βσ1 (6)
式中，Xc表示某个FWM指标的阈值，如TPIc；μ1和σ1表示指标X在non-FWM数据集中的均值和标准差；μ2和σ2表示指标X在FWM数据集中的均值和标准差；β代表重合度指标，其值越大，表示指标X在两个数据集上的区分度越明显。图6展示了指标X的阈值计算流程。
S2.3：如果不考虑更新数据集或者应用本发明的工程收集的数据量较少，可以跳过步骤S2.1和S2.2，直接采用本发明的阈值进行比较，对当前桩号掌子面围岩做出初步判断，判别准则如下式所示。本发明所应用的各指标的阈值参见表1。
其中，IFW表示判别结果，1表示当前掌子面属于软弱破碎岩体，0表示当前掌子面属于非软弱破碎岩体。上述公式8表示的初步判定过程的这是一个定性判别模型，可以给出是否属于软弱破碎岩体的判定结果。
表1本发明默认数据集中参数汇总
在本发明较佳实施例中，所述步骤S3包括的步骤如下：
S3.1：首先，根据TPI、FPI、WR和AF对应的重合度β，计算各指标的权重，如下所示：
其中，i代表不同的指标；wi和βi分别代表第i个指标的权重和重合度指标。
S3.2：根据各指标的重合度β所占的权重以及各指标在FWM数据集中的分布，计算FWM综合指标，公式如下：
η＝∑ηi＝∑[1-Φi，2(xi)]wi (10)
其中，η表示FWM综合指标；ηi代表第i个指标所作的贡献；xi表示在某桩号处第i个指标的取值；Φi,2表示第i个指标在FWM数据集中的累计概率密度函数。
与步骤S2.1和S2.2类似，如果采用新的数据集进行计算，需要按照步骤S3.1和S3.2的公式进行计算。
S3.3：如果不考虑更新原始数据集或者应用本发明的工程数据积累较少，可直接跳过步骤S3.1和S3.2。为了简化计算步骤可假定Φi,2服从正太分布，因此η的计算公式可简化为：
其中，Ψ表示标准正太分布的累计概率密度函数；μi,2和σi,2表示第i个指标在FWM数据集上的均值和标准差。各指标在不同数据集上的均值和方差参见表1。
S3.4：关于FWM综合指标η的阈值可以参考公式6和7，其阈值、重合度指标β以及在不同数据集上的均值和标准差，参见表1。
S3.5：根据以上步骤计算得到当前位置岩体的FWM指标η值后，可以根据软弱围岩定性判别模型，对掌子面围岩情况作进一步判定，公式如下：
其中，IFW表示判别结果；ηc表示η的判别阈值；1表示当前掌子面为软弱破碎围岩；0表示当前掌子面为非软弱破碎围岩。软弱破碎围岩指岩体强度较低，节理发育，风化程度较高，隧道开挖过程中容易发生大变形或者塌方的岩体。
在本发明较佳实施例中，所述步骤S4包括的步骤如下：
S4.1：根据贝叶斯定理建立软弱围岩定量判别模型，首先计算原始数据集中软弱破碎围岩和非软弱破碎围岩发生的概率，计算公式如下：
其中，N1和N2分别表示原始数据集中非软弱破碎围岩样本和软弱围岩样本的数量；P(FWM)和P(nonFWM)分别表示原始数据集中软弱破碎围岩和非软弱破碎围岩发生的概率。。
S4.2：根据FWM综合指标η对某一个新的样本进行判断，掌子面围岩判定为软弱破碎的概率为：
其中，
为η指标在non-FWM数据集的概率分布；
为η指标在FWM数据集的概率分布；N1和N2分别表示原始数据集中非软弱破碎围岩和软弱破碎围岩的样本数量。
S4.3：根据条件概率原理，可以计算真正率和假正率，计算公式如下：
P(positive|FWM)＝P(FWM)×P(FWM∩positive) (16)
P(positive|nonFWM)＝P(nonFWM)×P(nonFWM∩positive) (17)
其中，P(positive|FWM)表示在已知岩体软弱破碎的条件下，通过模型判断正确的概率；P(positive|nonFWM)表示在已知岩体非软弱破碎的条件下，通过模型判断错误的概率；P(FWM∩positive)表示某样本为软弱破碎围岩，且同时被模型判定为软弱破碎围岩的概率；P(nonFWM∩positive)表示某样本为非软弱破碎围岩，且同时被模型判定为软弱破碎围岩的概率。
S4.4：根据贝叶斯理论，可以计算由η判断当前掘进段掌子面为软弱破碎围岩的概率，计算公式如下：
上式中的R表示根据η指标计算某桩号处围岩是软弱破碎岩体的概率，为了消除样本数量对判断结果的影响，可以将上述公式进行简化：
式中，R’代表某桩号处围岩软弱破碎的概率；
表示某个桩号处综合指标η在non-FWM数据集的概率密度取值，代表一个点的概率，
具有类似的解释。上述公式(19)是一个定量判别模型，给出的是具体的判断概率。
在本发明较佳实施例中，所述步骤S5包括的步骤如下：
S5.1：掌子面塌方指隧道挖掘过程施工平面岩体条件较差，在外界的扰动下发生坍塌的现象，可能会导致较大经济损失或者人员伤亡。
上述步骤建立了软弱围岩的识别模型，为了避免掌子面发生塌方，进一步建立塌方预警模型，如下所示：
其中，IFC表示塌方风险。
S5.2：根据当前掌子面围岩塌方风险等级，进行早期预警并提供相应的施工措施建议，如图1所示。
实施例二
塌方卡机问题是TBM施工中的主要技术难题，就其本质而言，塌方卡机事故是由于目前TBM缺少岩体感知能力，未能及时识别掌子面前方的软弱破碎岩体并采取针对性的塌方防控措施所引发的。但TBM施工空间封闭，同时TBM掘进速度快且工序衔接紧密，在掘进过程中缺乏时间和空间对掌子面前方的围岩进行观察、取样和测试。传统的地质勘探方法无法满足需求，为了解决这一问题，本发明提出的一种基于TBM实时破岩数据的软弱围岩感知方法可以有效解决这一问题。
以某台开敞式TBM在某桩号处掘进数据为例，详细展示本发明的求解步骤，该桩号处加载阶段数据见表2，共53s。
表2某TBM在某桩号处的掘进数据(上升段)
首先获取当前桩号加载阶段数据(试掘进段数据)并利用TBM破岩指标模型计算4个软弱破碎岩体指标，步骤如下：
S1.1：表2中展示的数据即为TBM加载阶段全部原始数据，按照公式1中的清洗规则，剔除贯入度小于1mm的数据后，剩余50s数据。本发明认为贯入度小于1mm的时候，TBM滚刀未能有效破岩。
S1.2：按照公式2-5，分别计算当前掘进段的TPI、FPI、WR和AF，结果列于表3中。
通过对比当前桩号FWM指标和对应指标的判断阈值，对围岩条件进行初步判定，步骤如下：
S2.1：此次应用，不更换原始数据集，跳过本步骤。
S2.2：同上。
S2.3：各指标的判别阈值列于表3中。分析可知，103.7<136.8、733.2<1165.4、68.7<101.7、106.9<274.4，根据公式8的判别准则，当前桩号处4个FWM指标均小于对应阈值，因此可以初步判定该处掌子面为软弱破碎围岩。
表3该桩号处的FWM指标计算数据及本发明的默认阈值
利用4个FWM指标计算当前位置处的FWM综合指标，具体如下：
S3.1：采用本发明默认的数据集，跳过本步骤。
S3.2：同上。
S3.3：利用公式9，可以计算当前桩号的η值为0.55。
S3.4：综合指标的阈值为0.32。
S3.5：对比数据可以得知，0.55>0.32。依据软弱围岩定性判别模型，即公式12，可以进一步判定当前掌子面围岩较为破碎。
通过以上步骤已经判断出当前桩号掌子面围岩条件软弱破碎，需要进一步定量计算其为软弱破碎围岩的概率。
S4.1-S4.3：此例采用本发明默认数据集，直接跳至步骤S4.4.
S4.4：利用公式19，计算得到当前桩号的软弱围岩概率为R'＝0.91。
通过上一步计算得出当前掌子面岩体为软弱破碎围岩的概率之后，发现当前岩体较破碎，需要对其进行塌方情况判定，并提供相应的施工措施。
S6.1：由塌方判定模型，即公式20可知，当前掌子面围岩发生塌方的风险等级非常高。
S6.2：由于当前掌子面围岩塌方风险等级非常高，由图1可知，建议现场施工人员进行风险管控，对掌子面前方地质情况进行探明后，再做进一步掘进或支护措施。
综上所述，本发明实施例方法实现了掌子面围岩条件的准确感知，可以有效降低由软弱破碎围岩导致的工程事故；本发明实施例方法可以对TBM掌子面前方地质条件进行实时且连续的感知，不影响施工工序的紧密性；本发明实施例方法在不增加施工成本的基础上，实现了判别掌子面围岩是否软弱破碎和塌方风险。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于TBM实时破岩数据的软弱破碎围岩感知方法，其特征在于，包括：
根据全断面硬岩隧道掘进机实时掘进过程中的加载阶段数据和TBM破岩指标定义计算多个软弱破碎岩体FWM指标；
计算每个FWM指标的区分阈值，根据单个FWM指标和对应的判断阈值对掌子面围岩条件是否软弱破碎进行初步判定；
根据当前桩号的多个FWM指标数值计算基于权重方法的FWM综合指标，将FWM综合指标与其阈值进行对比，根据软弱围岩定性判别模型对掌子面围岩条件是否软弱破碎作进一步判定；
根据软弱围岩定量判别模型和FWM综合指标数值，计算掌子面围岩为软弱破碎围岩的概率；
根据软弱破碎围岩的概率对当前掌子面进行塌方预警；
所述的根据全断面硬岩隧道掘进机TBM实时掘进过程中的加载阶段数据和TBM破岩指标定义计算多个软弱破碎岩体FWM指标，包括TPI、FPI、WR、AF和BF5个指标，其具体计算方式如下所示：
获取TBM掘进当前桩号的加载阶段的5种基本破岩数据，刀盘扭矩T、总推进力F、推进速度v、刀盘转速n和刀盘贯入度p数据，并对这5种基本破岩数据进行异常数据清洗，规则如下：
式中，T、F、n、v、p分别代表刀盘扭矩、总推进力、刀盘转速、推进速度和贯入度；等号左边表示经过清洗后，形状为5×n的数组，其中n表示数据样本数目，等号右边表示保留满足条件的数组，i表示第i秒；
计算当前桩号各FWM指标数值，计算公式如下所示：
F＝AF×p+BF (5)
其中，TPI为扭矩切深指数，表示TBM滚刀贯入岩体1mm所需的扭矩；FPI为场切深指数，表示TBM滚刀贯入单位岩体所需的推力；WR为功能比率，表示单位时间内扭矩做功与推力做功的比值；AF为推力和贯入度的拟合系数，BF为推力与贯入度关系的拟合截距,以上5个指标为FWM指标；
所述的根据当前桩号的多个FWM指标数值计算基于权重方法的FWM综合指标，包括：
假定Φi,2服从正太分布，η的计算公式简化为：
其中，Ψ表示标准正太分布的累计概率密度函数，μi,2和σi,2表示第i个FWM指标在FWM数据集上的均值和标准差；
所述的利用软弱围岩定量判别模型和FWM综合指标数值，计算掌子面围岩为软弱破碎的概率，包括：
根据贝叶斯定理建立软弱破碎围岩定量判别模型，计算原始数据集中软弱破碎围岩和非软弱破碎围岩发生的概率，计算公式如下：
其中，N1和N2分别表示原始数据集中非软弱破碎围岩样本和软弱围岩样本的数量；P(FWM)和P(nonFWM)分别表示原始数据集中软弱破碎围岩和非软弱破碎围岩发生的概率；
根据FWM综合指标η对某一个新的样本进行判断，其结果为软弱破碎的概率为：
其中，
为η指标在non-FWM数据集的概率分布；
为η指标在FWM数据集的概率分布；
根据条件概率原理计算真正率和假正率，计算公式如下：
P(positive|FWM)＝P(FWM)×P(FWM∩positive) (16)
P(positive|nonFWM)＝P(nonFWm)×P(nonFWM∩positive) (17)
其中，P(positive|FWM)表示在已知岩体软弱破碎的条件下，通过模型判断正确的概率；P(positive|nonFWM)表示在已知岩体非软弱破碎的条件下，通过模型判断错误的概率；P(FWM∩positive)表示某样本为软弱破碎围岩，且同时被模型判定为软弱破碎围岩的概率；P(nonFWM∩positive)表示某样本为非软弱破碎围岩，且同时被模型判定为软弱破碎围岩的概率；
根据贝叶斯理论计算由η判断当前掘进段掌子面为软弱破碎围岩的概率，计算公式如下：
上式中的R表示根据η指标计算某桩号处的围岩软弱破碎的概率。
2.根据权利要求1所述的方法，其特征在于，所述的计算每个FWM指标的判断阈值，利用单个FWM指标和对应的判断阈值对掌子面围岩条件是否属于软弱破碎进行初步判定，包括：
根据施工记录的地质情况，将TBM掘进数据划分为软弱破碎围岩FWM数据集和非软弱破碎围岩non-FWM数据集；
根据FWM指标在FWM数据集和non-FWM数据集上的分布情况，计算每个FWM指标的区分阈值，其计算公式如下：
式中，Xc表示某个FWM指标的阈值，μ1和σ1表示指标X在non-FWM数据集中的均值和标准差；μ2和σ2表示FWM指标X在FWM数据集中的均值和标准差；β代表重合度指标，其值越大，表示FWM指标X在两个数据集上的区分度越明显；
IFW表示判别结果，1表示当前掌子面属于软弱破碎岩体，0表示当前掌子面属于非软弱破碎岩体。
3.根据权利要求2所述的方法，其特征在于，所述的根据当前桩号的多个FWM指标数值计算基于权重方法的FWM综合指标，将FWM综合指标与其阈值进行对比，根据软弱围岩定性判别模型对掌子面围岩条件是否软弱破碎作进一步判定，包括：
根据TPI、FPI、WR和AF对应的重合度β，计算各FWM指标的权重，如下所示：
其中，i代表不同的FWM指标；wi和βi分别代表第i个FWM指标的权重和重合度指标；
根据各FWM指标的重合度β所占的权重以及各FWM指标在FWM数据集中的分布，计算FWM综合指标，公式如下：
η＝∑ηi＝∑[1-Φi，2(xi)]wi (10)
其中，η表示FWM综合指标；ηi代表第i个指标所作的贡献；xi表示在某桩号处第i个指标的取值；Φi,2表示第i个指标在FWM数据集中的累计概率密度函数；
根据软弱围岩定性判别模型对掌子面围岩情况作进一步判定，公式如下：
其中，IFW表示判别结果；ηc表示η的判别阈值；1表示当前掌子面为软弱破碎围岩；0表示当前掌子面为非软弱破碎围岩。
4.根据权利要求1所述的方法，其特征在于，所述的利用掌子面围岩软弱破碎的概率进行塌方预警，包括：
其中R'即为软弱围岩定量判别模型；
其中，IFC表示塌方风险；
根据当前掌子面围岩塌方风险等级，进行早期预警并提供相应的施工措施建议。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210821618.9A CN115239108B (zh) | 2022-07-13 | 2022-07-13 | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210821618.9A CN115239108B (zh) | 2022-07-13 | 2022-07-13 | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115239108A CN115239108A (zh) | 2022-10-25 |
| CN115239108B true CN115239108B (zh) | 2023-04-18 |
Family
ID=83673840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210821618.9A Active CN115239108B (zh) | 2022-07-13 | 2022-07-13 | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115239108B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112647965B (zh) * | 2020-12-09 | 2022-03-04 | 山东大学 | 一种适用于tbm掘进隧道实时预测卡机的方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10648334B2 (en) * | 2017-01-18 | 2020-05-12 | Dalian University Of Technology | Laser-assisted tunnel boring machine and rock fragmenting method therefor |
| CN107577862B (zh) * | 2017-08-30 | 2019-12-03 | 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 |
| CN112598061B (zh) * | 2020-12-23 | 2023-05-26 | 中铁工程装备集团有限公司 | 一种隧道围岩聚类分级方法 |
| CN112529330B (zh) * | 2020-12-24 | 2022-11-18 | 东南大学 | 一种基于贝叶斯神经网络的隧道围岩地质分级信息预测方法 |
| CN115438402A (zh) * | 2022-08-22 | 2022-12-06 | 武汉大学 | 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 |
-
2022
- 2022-07-13 CN CN202210821618.9A patent/CN115239108B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115239108A (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110109895B (zh) | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 | |
| CN103306722B (zh) | 一种冲击危险区的微震多维信息综合区域探测评价方法 | |
| CN106778010B (zh) | 基于数据驱动支持向量回归机的tbm刀具寿命预测方法 | |
| US20230144184A1 (en) | Advanced geological prediction method and system based on perception while drilling | |
| CN110895730B (zh) | 一种基于lstm算法的tbm掘进参数的预测方法 | |
| CN107144891A (zh) | 隧道突涌水前兆信息监测与融合预警系统以及方法 | |
| CN115239108B (zh) | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 | |
| CN109854259A (zh) | 一种盾构机施工掘进参数最佳取值范围的获取方法与系统 | |
| CN112580165B (zh) | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及系统 | |
| CN109766335A (zh) | 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 | |
| CN113255990A (zh) | 盾构法隧道施工开挖面土质实时预测系统及方法 | |
| Li et al. | A LightGBM-based strategy to predict tunnel rockmass class from TBM construction data for building control | |
| CN115966074A (zh) | 基于机器学习的盾构刀盘结泥饼预警方法及系统 | |
| CN115358494A (zh) | 一种地铁盾构下穿施工的危险预警方法 | |
| CN109543268A (zh) | 基于kriging模型的TBM推进力主要影响因素的识别方法 | |
| CN117786794A (zh) | 一种盾构下穿既有隧道变形优化控制方法及系统 | |
| Qiu et al. | Rockburst prediction based on distance discrimination method and optimization technology-based weight calculation method | |
| CN115759351A (zh) | 泥水盾构掘进综合预警方法、系统及存储介质 | |
| CN116295230A (zh) | 一种用于浅埋大断面隧道软弱围岩变形的智能监测系统 | |
| CN115758515A (zh) | Tbm隧道不良地质段智能支护决策方法 | |
| CN112598061B (zh) | 一种隧道围岩聚类分级方法 | |
| CN115600654A (zh) | 基于卷积lstm的盾构滚刀磨损量实时预测方法及系统 | |
| Schubert et al. | The guideline for the geomechanical design of underground structures with conventional excavation. | |
| CN114075979A (zh) | 盾构掘进环境变化实时辨识系统及方法 | |
| CN116187831B (zh) | 一种基于大数据的掘进机智能管控系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |