CN115408925A - 用于隧道施工的岩体参数预测方法和装置 - Google Patents
用于隧道施工的岩体参数预测方法和装置 Download PDFInfo
- Publication number
- CN115408925A CN115408925A CN202210869069.2A CN202210869069A CN115408925A CN 115408925 A CN115408925 A CN 115408925A CN 202210869069 A CN202210869069 A CN 202210869069A CN 115408925 A CN115408925 A CN 115408925A
- Authority
- CN
- China
- Prior art keywords
- data
- tunnel construction
- rock mass
- sample
- mass parameter
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 278
- 239000011435 rock Substances 0.000 title claims abstract description 233
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 50
- 230000005641 tunneling Effects 0.000 claims abstract description 36
- 239000000523 sample Substances 0.000 claims description 190
- 230000008569 process Effects 0.000 claims description 80
- 238000007781 pre-processing Methods 0.000 claims description 25
- 238000007405 data analysis Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 239000013074 reference sample Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims 1
- 238000007637 random forest analysis Methods 0.000 description 6
- 238000013145 classification model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 206010057175 Mass conditions Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请公开了一种用于隧道施工的岩体参数预测方法和装置。该方法包括:通过获取待预测隧道施工数据,隧道施工数据包括掘进设备对待预测岩体施工时产生的图像信息和传感信息的数据,获取基于包括有图像信息和传感信息的隧道施工样本数据训练得到的隧道施工岩体参数预测模型,根据隧道施工岩体参数预测模型对待预测隧道施工数据进行岩体参数预测处理,得到目标岩体参数数据,在本申请中,通过设置隧道施工岩体参数预测模型对掘进设备在隧道待预测岩体中掘进施工产生的图像信息和传感信息的数据进行岩体参数预测,解决了现有技术中存在隧道掘进岩体参数预测准确性较低的问题,提高了隧道施工过程中岩体参数预测的准确性。
Description
技术领域
本申请涉及计算机领域,具体而言,涉及一种用于隧道施工的岩体参数预测方法和装置。
背景技术
智能化设备的应用和机械化施工的发展,推动着全断面硬岩隧道掘进机(TunnelBoring Machine,以下简称为TBM)综合性能的提高,相应的设备及施工成本也高;在遇到因掌子面前方地层引起的较为棘手的故障时,工期的延误及最佳的隧道建设时间的错过对工程的影响均较大。现有技术中,主要是通过人为分析实现对隧道岩体的判断,或者是通过对岩体进行分类或分等级的判断,对隧道掘进岩体参数的预测准确率较低。
因此,现有技术中存在隧道掘进岩体参数预测准确性较低的问题。
发明内容
本申请的主要目的在于提供一种用于隧道施工的岩体参数预测方法和装置,以解决现有技术中存在隧道掘进岩体参数预测准确性较低的问题,提高对隧道掘进过程中岩体参数的预测的准确率。
为了实现上述目的,本申请的第一方面,一种用于隧道施工的岩体参数预测方法,包括:
确定待预测隧道施工数据,其中,所述待预测隧道施工数据用于表示掘进设备对待预测岩体施工时产生的包括图像信息和传感信息的数据;
获取隧道施工岩体参数预测模型,其中,所述隧道施工岩体参数预测模型为基于包括有图像信息和传感信息的隧道施工样本数据训练得到的岩体参数预测模型;
根据所述隧道施工岩体参数预测模型对所述待预测隧道施工数据进行岩体参数预测处理,得到目标岩体参数数据,其中,所述目标岩体参数数据为所述待预测岩体的岩体参数的数据。
可选地,根据所述隧道施工岩体参数预测模型对所述待预测隧道施工数据进行岩体参数预测处理,得到目标岩体参数数据包括:
对所述待预测隧道施工数据进行识别,得到待预测隧道施工图像数据和待预测隧道施工传感数据,其中,所述待预测隧道施工图像数据为用于表示所述图像信息的数据,所述待预测隧道施工传感数据为用于表示所述传感信息的数据;
对所述待预测隧道施工图像数据和所述待预测隧道施工传感数据进行预处理,得到待预测隧道施工特征数据,其中,所述预处理包括对所述待预测隧道施工图像数据的图像识别处理和对所述待预测隧道施工传感数据的数据分析处理;
根据所述隧道施工岩体参数预测模型对所述待预测隧道施工特征数据进行岩体参数预测处理,得到所述目标岩体参数数据。
可选地,基于隧道施工样本数据训练得到所述隧道施工岩体参数预测模型包括:
获取待处理隧道施工样本数据,其中,所述待处理隧道施工样本数据为在隧道掘进过程中与岩体参数相关的数据,包括图像信息和传感信息的数据;
对所述待处理隧道施工样本数据进行预处理,得到训练样本特征数据,其中,所述预处理包括对图像信息的图像识别处理和对传感信息的数据分析处理;以及
对所述训练样本特征数据进行模型训练处理,得到所述隧道施工岩体参数预测模型。
可选地,对所述待处理隧道施工样本数据进行预处理,得到训练样本特征数据包括:
对所述待处理隧道施工样本数据进行识别,得到待处理隧道施工样本图像数据和待处理隧道施工样本传感数据,其中,所述待处理隧道施工样本图像数据为用于表示待处理隧道施工样本数据中图像信息的数据,所述待处理隧道施工样本传感数据为用于表示待处理隧道施工样本中传感信息的数据;
对所述待处理隧道施工样本图像数据进行渣土图像识别处理,得到过程样本渣土特征数据,其中,所述过程样本渣土特征数据为掘进设备隧道施工过程中产生渣土的特征数据;
对所述待处理隧道施工样本传感数据进行基于数据分析的预处理,得到过程振动特征数据,其中,所述过程振动特征数据为掘进设备隧道施工过程中产生振动的特征数据;以及
对所述过程样本渣土特征数据和所述过程振动特征数据进行筛选优化处理,得到所述训练样本特征数据。
可选地,对所述过程样本渣土特征数据和所述过程振动特征数据进行筛选优化处理,得到所述训练样本特征数据包括:
对所述待处理隧道施工样本数据进行识别,得到待处理样本岩体参数特征数据;
匹配与所述待处理样本岩体参数特征数据对应的所述过程样本渣土特征数据和所述过程振动特征数据,得到过程训练样本特征数据;以及
根据预设的参考样本特征数据对所述过程训练样本特征数据进行筛选优化处理,得到所述训练样本特征数据。
可选地,对所述训练样本特征数据进行模型训练处理,得到所述隧道施工岩体参数预测模型包括:
对所述训练样本特征数据进行识别,得到样本施工特征数据,其中,所述样本施工特征数据包括样本渣土特征数据、样本振动特征数据和样本岩体参数特征数据;
对所述样本渣土特征数据、所述样本振动特征数据和所述样本岩体参数特征数据进行模型训练处理,得到过程隧道施工岩体参数预测模型;
判断所述过程隧道施工岩体参数预测模型是否满足预设的预测效果评价规则;
如果满足,获得所述隧道施工岩体参数预测模型,其中,所述隧道施工岩体参数预测模型为所述过程隧道施工岩体参数预测模型;
如果不满足,对所述过程隧道施工岩体参数预测模型进行迭代训练处理,直至满足所述预设的预测效果评价规则,得到所述隧道施工岩体参数预测模型。
根据本申请的第二方面,提出了一种用于隧道施工的岩体参数预测装置,包括:
数据获取模块,用于确定待预测隧道施工数据,其中,所述待预测隧道施工数据用于表示掘进设备对待预测岩体施工时产生的包括图像信息和传感信息的数据;
预测模型获取模块,用于获取隧道施工岩体参数预测模型,其中,所述隧道施工岩体参数预测模型为基于包括有图像信息和传感信息的隧道施工样本数据训练得到的岩体参数预测模型;
预测模块,用于根据所述隧道施工岩体参数预测模型对所述待预测隧道施工数据进行岩体参数预测处理,得到目标岩体参数数据,其中,所述目标岩体参数数据为所述待预测岩体的岩体参数的数据。
可选地,所述预测模块包括:
识别模块,用于对所述待预测隧道施工数据进行识别,得到待预测隧道施工图像数据和待预测隧道施工传感数据,其中,所述待预测隧道施工图像数据为用于表示所述图像信息的数据,所述待预测隧道施工传感数据为用于表示所述传感信息的数据;
预处理模块,用于对所述待预测隧道施工图像数据和所述待预测隧道施工传感数据进行预处理,得到待预测隧道施工特征数据,其中,所述预处理包括对所述待预测隧道施工图像数据的图像识别处理和对所述待预测隧道施工传感数据的数据分析处理;
岩体参数预测模块,用于根据所述隧道施工岩体参数预测模型对所述待预测隧道施工特征数据进行岩体参数预测处理,得到所述目标岩体参数数据。
根据本申请的第三方面,提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行上述的用于隧道施工的岩体参数预测方法。
根据本申请的第四方面,提出了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行上述的用于隧道施工的岩体参数预测方法。
本申请的实施例提供的技术方案可以包括以下有益效果:
在本申请中,通过获取待预测隧道施工数据,隧道施工数据包括掘进设备对待预测岩体施工时产生的图像信息和传感信息的数据,获取基于包括有图像信息和传感信息的隧道施工样本数据训练得到的隧道施工岩体参数预测模型,根据隧道施工岩体参数预测模型对待预测隧道施工数据进行岩体参数预测处理,得到目标岩体参数数据,在本申请中,通过设置隧道施工岩体参数预测模型对掘进设备在隧道待预测岩体中掘进施工产生的图像信息和传感信息的数据进行岩体参数预测,解决了现有技术中存在隧道掘进岩体参数预测准确性较低的问题,提高了隧道施工过程中岩体参数预测的准确性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请提供的一种用于隧道施工的岩体参数预测方法的流程图;
图2为本申请提供的一种用于隧道施工的岩体参数预测方法的流程图;
图3为本申请提供的一种用于隧道施工的岩体参数预测方法的流程图;
图4为本申请提供的一种用于隧道施工的岩体参数预测方法的流程图;
图5为本申请提供的一种用于隧道施工的岩体参数预测装置的结构示意图;
图6为本申请提供的另一种用于隧道施工的岩体参数预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,“连接”可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
图1为本申请提供的一种用于隧道施工的岩体参数预测方法的流程图,如图1所示,该方法包括以下步骤:
S101:确定待预测隧道施工数据;
待预测隧道施工数据用于表示掘进设备对待预测岩体施工时产生的包括图像信息和传感信息的数据,其中,图像信息为掘进设备施工过程中产生渣土的图像信息,通过设置在掘进设备上的图像采集模块采集获得;传感信息为掘进设备施工过程中通过传感器或传感数据采集仪等设备采集到的信息,包括振动传感器采集到的振动信息。
S102:获取隧道施工岩体参数预测模型;
隧道施工岩体参数预测模型为基于包括有图像信息和传感信息的隧道施工样本数据训练得到的岩体参数预测模型;
图2为本申请提供的一种用于隧道施工的岩体参数预测方法的流程图,如图2所示,该方法包括以下步骤:
S201:获取待处理隧道施工样本数据;
待处理隧道施工样本数据为在隧道掘进过程中与岩体参数相关的数据,包括图像信息和传感信息的数据,隧道施工样本数据中包括多个样本岩体和掘进设备在样本岩体中施工产生的数据,掘进设备在样本岩体中施工产生的数据包括渣土图像信息和设备振动传感信息。第一隧道施工样本数据为与第一样本岩体相关的数据,包括第一样本岩体参数、第一样本渣土图像信息和第一样本设备振动传感信息,第二隧道施工样本数据为与第二样本岩体相关的数据,包括第二样本岩体参数、第二样本渣土图像信息和第二样本设备振动传感信息。
在本申请的一个可选实施例中,根据不同岩体条件下TBM设备单次掘进时长及刀盘转速,选取合适的图像采集周期,确保在一图像采集周期内刀盘足够转动一周以获取新渣土,并将一次掘进(将TBM从启动到停机视为一次掘进)过程定为一个区间,使得识别的渣土信息对应一组岩体参数,用以作为一个样本;根据不同岩体条件、TBM停机支护及掘进进尺情况,选取一定的振动数据记录时长(即一次掘进进程),以此对应一组岩体参数并作为一个样本。
S202:对待处理隧道施工样本数据进行预处理,得到训练样本特征数据;
预处理包括对图像信息的图像识别处理和对传感信息的数据分析处理。
图3为本申请提供的一种用于隧道施工的岩体参数预测方法的流程图,如图3所示,该方法包括以下步骤:
S301:对待处理隧道施工样本数据进行识别,得到待处理隧道施工样本图像数据和待处理隧道施工样本传感数据;
待处理隧道施工样本图像数据为用于表示待处理隧道施工样本数据中图像信息的数据,待处理隧道施工样本传感数据为用于表示待处理隧道施工样本中传感信息的数据。
S302:对待处理隧道施工样本图像数据进行渣土图像识别处理,得到过程样本渣土特征数据;
过程样本渣土特征数据为掘进设备隧道施工过程中产生渣土的特征数据,待处理隧道施工样本图像数据包括渣土图像,对渣土图像进行渣土图像识别处理,得到过程样本渣土特征数据,包括:曲率系数、不均匀系数、最大粒径和粗糙度指数等。在同一样本岩体对应的待处理隧道施工样本图像数据中可以包括多组渣土图像,通过渣土图像识别技术识别并计算每组渣土图像对应的渣土特征数据,得到多组样本渣土特征数据,对多组样本渣土特征数据进行特征数据平均值计算,得到上述过程样本渣土特征数据。
S303:对待处理隧道施工样本传感数据进行基于数据分析的预处理,得到过程振动特征数据;
过程振动特征数据为掘进设备隧道施工过程中产生振动的特征数据,在同一样本岩体对应的待处理隧道施工样本传感数据中包括在样本区间中掘进设备的振动特征数据,对掘进设备的振动特征数据进行数据分析,计算样本区间内的振动信息特征,包括即为振动加速度有效值、平均幅值、峰值、平均极值等,将计算得到的用于表示振动加速度有效值、平均幅值、峰值和平均极值的特征数据作为过程振动特征数据。
S304:对过程样本渣土特征数据和过程振动特征数据进行筛选优化处理,得到训练样本特征数据。
对待处理隧道施工样本数据进行识别,得到待处理样本岩体参数特征数据;匹配与待处理样本岩体参数特征数据对应的过程样本渣土特征数据和过程振动特征数据,得到过程训练样本特征数据;根据预设的参考样本特征数据对过程训练样本特征数据进行筛选优化处理,得到训练样本特征数据。参考样本特征数据包括掘进设备空载状态下产生的振动信息的数据,参考样本特征数据还包括掘进设备启动阶段时产生的渣土信息和振动信息的数据,基于参考样本特征数据对过程样本渣土特征数据和过程振动特征数据进行筛选,得到稳定阶段的样本特征数据。通过设置对过程样本渣土特征数据和过程振动特征数据进行筛选优化处理,降低了在隧道施工岩体参数预测模型训练过程中的模型训练复杂性,提高了训练得到的隧道施工岩体参数预测模型的准确率。
S203:对训练样本特征数据进行模型训练处理,得到隧道施工岩体参数预测模型。
图4为本申请提供的一种用于隧道施工的岩体参数预测方法的流程图,如图4所示,该方法包括以下步骤:
S401:对训练样本特征数据进行识别,得到样本施工特征数据;
样本施工特征数据包括样本渣土特征数据、样本振动特征数据和样本岩体参数特征数据;
S402:对样本渣土特征数据、样本振动特征数据和样本岩体参数特征数据进行模型训练处理,得到过程隧道施工岩体参数预测模型;
获取第一样本施工特征数据,其中,第一样本施工特征数据包括第一样本渣土特征数据、第一样本振动特征数据和第一样本岩体参数特征数据;
根据第一样本渣土特征数据、第一样本振动特征数据和第一样本岩体参数特征数据对第一预设模型进行模型训练处理,得到岩体完整度分类模型;
在本申请的一个可选实施例中,基于随机森林算法,构建岩体完整度分类预测模型,通过第一样本施工特征数据对构建的岩体完整度分类预测模型进行训练,第一样本施工特征数据中包括第一样本渣土特征数据、第一样本振动特征数据和第一样本岩体参数特征数据,第一样本岩体参数特征数据包括岩体强度和体积节理数,第一样本渣土特征数据包括:曲率系数、不均匀系数、最大粒径和粗糙度指数,第一样本振动特征数据包括振动加速度有效值、平均幅值、峰值和平均极值,通过第一样本岩体参数特征数据确定样本岩体完整度特征数据,通过网格搜索,分别建立随机森林树颗数、最大深度、最大特征数的学习曲线,将第一样本掘进特征数据进行训练,分别根据随机森林树颗数、最大深度、最大特征数的学习曲线确定目标随机森林颗数、目标最大深度和目标最大特征数。根据目标随机森林颗数、目标最大深度和目标最大特征数带入预设的岩体完整性分类预测模型,得到目标岩体完整度分类预测模型。
在本申请的另一可选实施例中,根据第一样本施工特征数据进行模型训练,基于随机森林算法对岩体完整程度进行模型建立与预测;为防止模型训练的过拟合或拟合不足现象,对模型的超参数进行不断反演以达到对围岩完整程度有良好预测准确性的超参数选取值;引入softmax多分类函数。
获取第二样本施工特征数据,第二样本施工特征数据包括第二样本渣土特征数据、第二样本振动特征数据和第二样本岩体参数特征数据;
根据岩体完整度分类模型对第二样本施工特征数据进行岩体完整度分类预测,得到过程样本岩体分类特征数据;
根据第二样本渣土特征数据、第二样本振动特征数据、第二样本岩体参数特征数据和过程样本岩体分类特征数据对第二预设模型进行模型训练处理,得到过程隧道施工岩体参数预测模型。
在本申请实施例中,通过基于第一样本施工特征数据构建并训练岩体完整度分类模型,并通过岩体完整度分类模型对第二样本施工特征数据进行岩体完整度分类预测,得到过程样本岩体分类特征数据,并根据过程样本岩体分类特征数据和第二样本施工特征数据共同训练隧道施工岩体参数预测模型,通过构建岩体完整度分类模型并对第二样本施工特征数据进行岩体完整度分类预测,增加了第二样本施工特征数据中的训练特征数据的数据维度,通过增加模型训练的数据维度,提高了训练得到的隧道施工岩体参数预测模型的准确率。
S403:判断过程隧道施工岩体参数预测模型是否满足预设的预测效果评价规则,得到隧道施工岩体参数预测模型。
如果满足,获得隧道施工岩体参数预测模型,隧道施工岩体参数预测模型为所述过程隧道施工岩体参数预测模型;
如果不满足,对过程隧道施工岩体参数预测模型进行迭代训练处理,直至满足预设的预测效果评价规则,得到隧道施工岩体参数预测模型。
在本申请的一个可选实施例中,通过计算隧道施工岩体参数预测模型的预测效果,获取测试集样本数据,基于测试集样本数据对隧道施工岩体参数预测模型的预测效果进行评价,通过均方根误差RMSE(Root Mean Squard Error),平均绝对误差MAE(MeanAbsolute Error)以及R2(R Squared)三个评价指标来评价模型的优劣,
在本申请实施例中,通过设置对过程隧道施工岩体参数预测模型进行预测效果评价,实现对过程隧道施工岩体参数预测模型的筛选,提高目标隧道施工岩体参数预测模型的准确率。
S103:根据隧道施工岩体参数预测模型对待预测隧道施工数据进行岩体参数预测处理,得到目标岩体参数数据;
目标岩体参数数据为所述待预测岩体的岩体参数的数据,对待预测隧道施工数据进行识别,得到待预测隧道施工图像数据和待预测隧道施工传感数据,待预测隧道施工图像数据为用于表示图像信息的数据,待预测隧道施工传感数据为用于表示传感信息的数据;对待预测隧道施工图像数据和待预测隧道施工传感数据进行预处理,得到待预测隧道施工特征数据,预处理包括对待预测隧道施工图像数据的图像识别处理和对待预测隧道施工传感数据的数据分析处理;根据隧道施工岩体参数预测模型对待预测隧道施工特征数据进行岩体参数预测处理,得到目标岩体参数数据。
图5为本申请提供的一种用于隧道施工的岩体参数预测装置的结构示意图,如图5所示,该装置包括:
数据获取模块51,用于确定待预测隧道施工数据,其中,待预测隧道施工数据用于表示掘进设备对待预测岩体施工时产生的包括图像信息和传感信息的数据;
预测模型获取模块52,用于获取隧道施工岩体参数预测模型,其中,隧道施工岩体参数预测模型为基于包括有图像信息和传感信息的隧道施工样本数据训练得到的岩体参数预测模型;
预测模块53,用于根据隧道施工岩体参数预测模型对待预测隧道施工数据进行岩体参数预测处理,得到目标岩体参数数据,其中,目标岩体参数数据为待预测岩体的岩体参数的数据。
图6为本申请提供的另一种用于隧道施工的岩体参数预测装置的结构示意图,如图6所示,该装置包括:
识别模块61,用于对待预测隧道施工数据进行识别,得到待预测隧道施工图像数据和待预测隧道施工传感数据,其中,待预测隧道施工图像数据为用于表示图像信息的数据,待预测隧道施工传感数据为用于表示传感信息的数据;
预处理模块62,用于对待预测隧道施工图像数据和待预测隧道施工传感数据进行预处理,得到待预测隧道施工特征数据,其中,预处理包括对待预测隧道施工图像数据的图像识别处理和对待预测隧道施工传感数据的数据分析处理;
岩体参数预测模块63,用于根据隧道施工岩体参数预测模型对待预测隧道施工特征数据进行岩体参数预测处理,得到目标岩体参数数据。
关于上述实施例中各单元的执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
综上所述,在本申请中,通过获取待预测隧道施工数据,隧道施工数据包括掘进设备对待预测岩体施工时产生的图像信息和传感信息的数据,获取基于包括有图像信息和传感信息的隧道施工样本数据训练得到的隧道施工岩体参数预测模型,根据隧道施工岩体参数预测模型对待预测隧道施工数据进行岩体参数预测处理,得到目标岩体参数数据,在本申请中,通过设置隧道施工岩体参数预测模型对掘进设备在隧道待预测岩体中掘进施工产生的图像信息和传感信息的数据进行岩体参数预测,解决了现有技术中存在隧道掘进岩体参数预测准确性较低的问题,提高了隧道施工过程中岩体参数预测的准确性。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
显然,本领域的技术人员应该明白,上述的本申请的各单元或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种用于隧道施工的岩体参数预测方法,其特征在于,包括:
确定待预测隧道施工数据,其中,所述待预测隧道施工数据用于表示掘进设备对待预测岩体施工时产生的包括图像信息和传感信息的数据;
获取隧道施工岩体参数预测模型,其中,所述隧道施工岩体参数预测模型为基于包括有图像信息和传感信息的隧道施工样本数据训练得到的岩体参数预测模型;
根据所述隧道施工岩体参数预测模型对所述待预测隧道施工数据进行岩体参数预测处理,得到目标岩体参数数据,其中,所述目标岩体参数数据为所述待预测岩体的岩体参数的数据。
2.根据权利要求1所述的岩体参数预测方法,其特征在于,根据所述隧道施工岩体参数预测模型对所述待预测隧道施工数据进行岩体参数预测处理,得到目标岩体参数数据包括:
对所述待预测隧道施工数据进行识别,得到待预测隧道施工图像数据和待预测隧道施工传感数据,其中,所述待预测隧道施工图像数据为用于表示所述图像信息的数据,所述待预测隧道施工传感数据为用于表示所述传感信息的数据;
对所述待预测隧道施工图像数据和所述待预测隧道施工传感数据进行预处理,得到待预测隧道施工特征数据,其中,所述预处理包括对所述待预测隧道施工图像数据的图像识别处理和对所述待预测隧道施工传感数据的数据分析处理;
根据所述隧道施工岩体参数预测模型对所述待预测隧道施工特征数据进行岩体参数预测处理,得到所述目标岩体参数数据。
3.根据权利要求1所述的岩体参数预测方法,其特征在于,基于隧道施工样本数据训练得到所述隧道施工岩体参数预测模型包括:
获取待处理隧道施工样本数据,其中,所述待处理隧道施工样本数据为在隧道掘进过程中与岩体参数相关的数据,包括图像信息和传感信息的数据;
对所述待处理隧道施工样本数据进行预处理,得到训练样本特征数据,其中,所述预处理包括对图像信息的图像识别处理和对传感信息的数据分析处理;以及
对所述训练样本特征数据进行模型训练处理,得到所述隧道施工岩体参数预测模型。
4.根据权利要求3所述的岩体参数预测方法,其特征在于,对所述待处理隧道施工样本数据进行预处理,得到训练样本特征数据包括:
对所述待处理隧道施工样本数据进行识别,得到待处理隧道施工样本图像数据和待处理隧道施工样本传感数据,其中,所述待处理隧道施工样本图像数据为用于表示待处理隧道施工样本数据中图像信息的数据,所述待处理隧道施工样本传感数据为用于表示待处理隧道施工样本中传感信息的数据;
对所述待处理隧道施工样本图像数据进行渣土图像识别处理,得到过程样本渣土特征数据,其中,所述过程样本渣土特征数据为掘进设备隧道施工过程中产生渣土的特征数据;
对所述待处理隧道施工样本传感数据进行基于数据分析的预处理,得到过程振动特征数据,其中,所述过程振动特征数据为掘进设备隧道施工过程中产生振动的特征数据;以及
对所述过程样本渣土特征数据和所述过程振动特征数据进行筛选优化处理,得到所述训练样本特征数据。
5.根据权利要求4所述的岩体参数预测方法,其特征在于,对所述过程样本渣土特征数据和所述过程振动特征数据进行筛选优化处理,得到所述训练样本特征数据包括:
对所述待处理隧道施工样本数据进行识别,得到待处理样本岩体参数特征数据;
匹配与所述待处理样本岩体参数特征数据对应的所述过程样本渣土特征数据和所述过程振动特征数据,得到过程训练样本特征数据;以及
根据预设的参考样本特征数据对所述过程训练样本特征数据进行筛选优化处理,得到所述训练样本特征数据。
6.根据权利要求3所述的岩体参数预测方法,其特征在于,对所述训练样本特征数据进行模型训练处理,得到所述隧道施工岩体参数预测模型包括:
对所述训练样本特征数据进行识别,得到样本施工特征数据,其中,所述样本施工特征数据包括样本渣土特征数据、样本振动特征数据和样本岩体参数特征数据;
对所述样本渣土特征数据、所述样本振动特征数据和所述样本岩体参数特征数据进行模型训练处理,得到过程隧道施工岩体参数预测模型;
判断所述过程隧道施工岩体参数预测模型是否满足预设的预测效果评价规则;
如果满足,获得所述隧道施工岩体参数预测模型,其中,所述隧道施工岩体参数预测模型为所述过程隧道施工岩体参数预测模型;
如果不满足,对所述过程隧道施工岩体参数预测模型进行迭代训练处理,直至满足所述预设的预测效果评价规则,得到所述隧道施工岩体参数预测模型。
7.一种用于隧道施工的岩体参数预测装置,其特征在于,包括:
数据获取模块,用于确定待预测隧道施工数据,其中,所述待预测隧道施工数据用于表示掘进设备对待预测岩体施工时产生的包括图像信息和传感信息的数据;
预测模型获取模块,用于获取隧道施工岩体参数预测模型,其中,所述隧道施工岩体参数预测模型为基于包括有图像信息和传感信息的隧道施工样本数据训练得到的岩体参数预测模型;
预测模块,用于根据所述隧道施工岩体参数预测模型对所述待预测隧道施工数据进行岩体参数预测处理,得到目标岩体参数数据,其中,所述目标岩体参数数据为所述待预测岩体的岩体参数的数据。
8.根据权利要求7所述的岩体参数预测装置,其特征在于,所述预测模块包括:
识别模块,用于对所述待预测隧道施工数据进行识别,得到待预测隧道施工图像数据和待预测隧道施工传感数据,其中,所述待预测隧道施工图像数据为用于表示所述图像信息的数据,所述待预测隧道施工传感数据为用于表示所述传感信息的数据;
预处理模块,用于对所述待预测隧道施工图像数据和所述待预测隧道施工传感数据进行预处理,得到待预测隧道施工特征数据,其中,所述预处理包括对所述待预测隧道施工图像数据的图像识别处理和对所述待预测隧道施工传感数据的数据分析处理;
岩体参数预测模块,用于根据所述隧道施工岩体参数预测模型对所述待预测隧道施工特征数据进行岩体参数预测处理,得到所述目标岩体参数数据。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-6任意一项所述的用于隧道施工的岩体参数预测方法。
10.一种电子设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-6任意一项所述的用于隧道施工的岩体参数预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210869069.2A CN115408925A (zh) | 2022-07-22 | 2022-07-22 | 用于隧道施工的岩体参数预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210869069.2A CN115408925A (zh) | 2022-07-22 | 2022-07-22 | 用于隧道施工的岩体参数预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115408925A true CN115408925A (zh) | 2022-11-29 |
Family
ID=84156918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210869069.2A Pending CN115408925A (zh) | 2022-07-22 | 2022-07-22 | 用于隧道施工的岩体参数预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115408925A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114692273A (zh) * | 2022-03-29 | 2022-07-01 | 中铁工程装备集团有限公司 | 面向tbm施工隧道地质字典建立方法及系统 |
CN116402476A (zh) * | 2023-06-06 | 2023-07-07 | 中铁七局集团广州工程有限公司 | 一种基于智慧物联的智慧隧道监测分析系统 |
CN116644799A (zh) * | 2023-07-27 | 2023-08-25 | 青岛理工大学 | 基于隧道掘进参数的地层振动加速度预测方法及相关装置 |
CN117195380A (zh) * | 2023-11-07 | 2023-12-08 | 中铁十六局集团有限公司 | 一种预测当前隧道的岩体物理力学参数的方法 |
-
2022
- 2022-07-22 CN CN202210869069.2A patent/CN115408925A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114692273A (zh) * | 2022-03-29 | 2022-07-01 | 中铁工程装备集团有限公司 | 面向tbm施工隧道地质字典建立方法及系统 |
CN116402476A (zh) * | 2023-06-06 | 2023-07-07 | 中铁七局集团广州工程有限公司 | 一种基于智慧物联的智慧隧道监测分析系统 |
CN116402476B (zh) * | 2023-06-06 | 2023-08-18 | 中铁七局集团广州工程有限公司 | 一种基于智慧物联的智慧隧道监测分析系统 |
CN116644799A (zh) * | 2023-07-27 | 2023-08-25 | 青岛理工大学 | 基于隧道掘进参数的地层振动加速度预测方法及相关装置 |
CN116644799B (zh) * | 2023-07-27 | 2023-10-17 | 青岛理工大学 | 基于隧道掘进参数的地层振动加速度预测方法及相关装置 |
CN117195380A (zh) * | 2023-11-07 | 2023-12-08 | 中铁十六局集团有限公司 | 一种预测当前隧道的岩体物理力学参数的方法 |
CN117195380B (zh) * | 2023-11-07 | 2024-01-30 | 中铁十六局集团有限公司 | 一种预测当前隧道的岩体物理力学参数的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115408925A (zh) | 用于隧道施工的岩体参数预测方法和装置 | |
CN110135468B (zh) | 一种煤矸石的识别方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN112990330B (zh) | 用户用能异常数据检测方法及设备 | |
CN106295502A (zh) | 一种人脸检测方法及装置 | |
CN110336838B (zh) | 账号异常检测方法、装置、终端及存储介质 | |
CN106650446A (zh) | 基于系统调用的恶意程序行为识别方法和系统 | |
CN105095913A (zh) | 基于近邻正则联合稀疏表示的遥感图像分类方法及系统 | |
CN115422822A (zh) | 隧道岩体参数预测方法及装置 | |
JP7374847B2 (ja) | 切羽評価システム、切羽評価学習システム、切羽評価方法、切羽評価学習方法、コンピュータプログラム | |
CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
CN115033591A (zh) | 一种电费数据异常智能检测方法、系统、存储介质及计算机设备 | |
CN111079783A (zh) | 一种基于多核集成学习识别地层岩性参数的方法 | |
CN111767546B (zh) | 一种基于深度学习的输入结构推断方法和装置 | |
CN115408927B (zh) | 用于预测岩体参数的数据处理方法和装置 | |
CN117371511A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
CN111047579B (zh) | 一种特征质量评估方法及图像特征均匀提取方法 | |
CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 | |
CN115422821A (zh) | 用于岩体参数预测的数据处理方法和装置 | |
CN115508089A (zh) | 一种主轴承的工况识别方法、装置及介质 | |
CN111209158B (zh) | 服务器集群的挖矿监控方法及集群监控系统 | |
CN115408926B (zh) | 用于隧道掘进岩体参数预测的数据处理方法和装置 | |
Tang et al. | Automatic extraction of rock discontinuities from the point cloud using dynamic DBSCAN algorithm | |
CN109981630A (zh) | 基于卡方检验和ldof算法的入侵检测方法及系统 | |
CN118094163B (zh) | 一种基于多特征关联的数字物理模型管理系统及方法 |
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 |