CN115408926B - 用于隧道掘进岩体参数预测的数据处理方法和装置 - Google Patents
用于隧道掘进岩体参数预测的数据处理方法和装置 Download PDFInfo
- Publication number
- CN115408926B CN115408926B CN202210869070.5A CN202210869070A CN115408926B CN 115408926 B CN115408926 B CN 115408926B CN 202210869070 A CN202210869070 A CN 202210869070A CN 115408926 B CN115408926 B CN 115408926B
- Authority
- CN
- China
- Prior art keywords
- tunneling
- data
- rock
- characteristic data
- sample
- 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
- 230000005641 tunneling Effects 0.000 title claims abstract description 390
- 239000011435 rock Substances 0.000 title claims abstract description 275
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 82
- 238000000605 extraction Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 36
- 230000006870 function Effects 0.000 description 9
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请公开了一种用于隧道掘进岩体参数预测的数据处理方法和装置。该方法包括:通过获取待预测隧道运行数据,待预测隧道运行数据为掘进设备在隧道待预测岩体中掘进运行的数据,根据隧道掘进岩体参数预测模型对待预测隧道运行数据进行岩体参数预测处理,得到待预测岩体的目标岩体参数数据。在本申请中,通过设置隧道掘进岩体参数预测模型对掘进设备在隧道待预测岩体中掘进运行的数据进行岩体参数预测,解决了现有技术中由于对岩体参数预测的准确性低导致TBM隧道施工效率较低的问题,提高隧道施工过程中对岩体参数预测的准确性,进而给出合适的隧道施工策略,提高TBM隧道施工效率。
Description
技术领域
本申请涉及计算机领域,具体而言,涉及一种用于用于隧道掘进岩体参数预测的数据处理方法和装置。
背景技术
随着隧道施工技术的大力发展,全断面硬岩隧道掘进机(Tunnel BoringMachine,以下简称为TBM)施工已成为隧道修建的主要施工方法。在进行TBM隧道掘进施工时,由于对掌子面及周围岩体环境判断不准确,导致容易出现卡机、岩爆、突涌水等工程灾害及TBM掘进适应性较差的问题。现有技术中,通过对岩体进行分类及分级处理得到的分类数据或分级数据指导TBM掘进施工的策略,但是现有技术中得到岩体的分类或分级数据需要对岩体进行分析处理,分析效率较慢,导致降低TBM隧道施工的效率,且分类数据和分级数据对岩体属性参数的预测准确性较低,导致难以确定合适的TBM隧道施工策略,导致TBM隧道施工的效率较低。
因此,现有技术中存在由于对岩体参数预测的准确性低导致TBM隧道施工效率较低的问题。
发明内容
本申请的主要目的在于提供一种用于隧道掘进岩体参数预测的数据处理方法和装置,以解决现有技术中存在由于对岩体参数预测的准确性低导致TBM隧道施工效率较低的问题。提高隧道施工过程中对岩体参数预测的准确性,进而给出合适的隧道施工策略,提高TBM隧道施工效率。
为了实现上述目的,本申请的第一方面,提出了一种用于隧道掘进岩体参数预测的数据处理方法,其特征在于,包括:
确定待预测隧道运行数据,其中,所述待预测隧道运行数据为掘进设备在隧道待预测岩体中掘进运行的数据;
获取隧道掘进岩体参数预测模型,其中,所述隧道掘进岩体参数预测模型为基于模型训练特征数据进行模型训练得到的岩体参数预测模型;
根据所述隧道掘进岩体参数预测模型对所述待预测隧道运行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,根据所述隧道掘进岩体参数预测模型对所述待预测隧道运行数据进行岩体参数预测处理,得到目标岩体参数数据包括:
对所述待预测隧道运行数据进行识别,得到待预测掘进控制特征数据和待预测掘进运行特征数据,其中,所述待预测掘进控制特征数据为用于表示掘进控制参数的特征数据,所述待预测掘进运行特征数据为用于表示所述掘进设备运行状态的特征数据;
在预设掘进数据库中匹配与所述待预测掘进控制特征数据对应的运行特征数据,得到参考掘进控制特征数据,其中,所述参考掘进控制特征数据为用于表示控制特征数据对应的掘进设备标准运行状态的特征数据;
根据所述参考掘进控制特征数据对所述待预测掘进运行特征数据进行过滤处理,得到待处理掘进特征数据,其中,所述待处理掘进特征数据为用于岩体参数预测模型预测的特征数据;以及
根据所述所述隧道掘进岩体参数预测模型对所述待处理掘进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,基于模型训练特征数据进行模型训练得到所述岩体参数预测模型,包括:
获取隧道掘进样本数据,其中,所述隧道掘进样本数据为在隧道掘进过程中与岩体参数相关的样本数据;
对所述隧道掘进样本数据进行特征提取处理,得到模型训练特征数据,其中,所述模型训练特征数据为用于训练隧道掘进岩体参数预测模型的特征数据;以及
对所述模型训练特征数据进行模型训练处理,得到所述隧道掘进岩体参数预测模型。
可选地,对所述隧道掘进样本数据进行特征提取处理,得到模型训练特征数据包括:
对所述隧道掘进样本数据进行识别,得到样本掘进控制特征数据,其中,所述样本掘进控制特征数据为用于表示掘进设备控制参数的特征数据;
在预设掘进数据库中匹配与所述样本掘进控制数据对应的隧道掘进参考数据;以及
将所述隧道掘进参考数据与所述隧道掘进样本数据进行对比,得到所述模型训练特征数据,其中,所述模型训练特征数据为所述隧道掘进参考数据与所述隧道掘进样本数据满足预设提取规则的特征数据。
可选地,将所述隧道掘进参考数据与所述隧道掘进样本数据进行对比,得到所述模型训练特征数据包括:
对所述隧道掘进参数数据进行识别,得到参考掘进运行特征数据;
对所述隧道掘进样本数据进行识别,得到待处理样本掘进运行特征数据和样本掘进岩体特征数据;
基于所述参考掘进运行特征数据对所述待处理样本掘进运行特征数据和所述样本掘进岩体特征数据进行相关性分析处理,得到样本掘进运行特征数据;以及
获取所述模型训练特征数据,其中,所述模型训练特征数据包括所述样本掘进控制特征数据、所述样本掘进运行特征数据和所述样本掘进岩体特征数据。
可选地,对所述模型训练特征数据进行模型训练处理,得到所述隧道掘进岩体参数预测模型包括:
对所述模型训练特征数据进行识别,得到样本掘进特征数据,其中,所述样本掘进特征数据包括样本掘进岩体特征数据、样本掘进控制特征数据和样本掘进运行特征数据;
对所述样本掘进岩体特征数据、所述样本掘进控制特征数据和所述样本掘进运行特征数据进行模型训练处理,得到过程隧道掘进岩体参数预测模型;以及
判断所述过程隧道掘进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,获得所述隧道掘进岩体参数预测模型,其中,所述隧道掘进岩体参数预测模型为所述过程隧道掘进岩体参数预测模型;
如果不满足,对所述过程隧道掘进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,得到所述隧道掘进岩体参数预测模型。
根据本申请的第二方面,提出了一种用于隧道掘进岩体参数预测的数据处理装置,包括:
数据获取模块,用于确定待预测隧道运行数据,其中,所述待预测隧道运行数据为掘进设备在隧道待预测岩体中掘进运行的数据;
预测模型获取模块,用于获取隧道掘进岩体参数预测模型,其中,所述隧道掘进岩体参数预测模型为基于模型训练特征数据进行模型训练得到的岩体参数预测模型;
预测模块,用于根据所述隧道掘进岩体参数预测模型对所述待预测隧道运行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:
特征识别模块,用于对所述待预测隧道运行数据进行识别,得到待预测掘进控制特征数据和待预测掘进运行特征数据,其中,所述待预测掘进控制特征数据为用于表示掘进控制参数的特征数据,所述待预测掘进运行特征数据为用于表示所述掘进设备运行状态的特征数据;
匹配模块,用于在预设掘进数据库中匹配与所述待预测掘进控制特征数据对应的运行特征数据,得到参考掘进控制特征数据,其中,所述参考掘进控制特征数据为用于表示控制特征数据对应的掘进设备标准运行状态的特征数据;
过滤模块,用于根据所述参考掘进控制特征数据对所述待预测掘进运行特征数据进行过滤处理,得到待处理掘进特征数据,其中,所述待处理掘进特征数据为用于岩体参数预测模型预测的特征数据;以及
岩体参数预测模块,用于根据所述所述隧道掘进岩体参数预测模型对所述待处理掘进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掘进岩体参数预测的数据处理方法。
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掘进岩体参数预测的数据处理方法。
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运行数据,待预测隧道运行数据为掘进设备在隧道待预测岩体中掘进运行的数据,根据隧道掘进岩体参数预测模型对待预测隧道运行数据进行岩体参数预测处理,得到待预测岩体的目标岩体参数数据。在本申请中,通过设置隧道掘进岩体参数预测模型对掘进设备在隧道待预测岩体中掘进运行的数据进行岩体参数预测,解决了现有技术中由于对岩体参数预测的准确性低导致TBM隧道施工效率较低的问题,提高隧道施工过程中对岩体参数预测的准确性,进而给出合适的隧道施工策略,提高TBM隧道施工效率。
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掘进岩体参数预测的数据处理方法的流程图;
图2为本申请提供的一种用于隧道掘进岩体参数预测的数据处理方法的流程图;
图3为本申请提供的一种用于隧道掘进岩体参数预测的数据处理方法的流程图;
图4为本申请提供的一种用于隧道掘进岩体参数预测的数据处理方法的流程图;
图5为本申请提供的一种用于隧道掘进岩体参数预测的数据处理装置的结构示意图;
图6为本申请提供的另一种用于隧道掘进岩体参数预测的数据处理装置的结构示意图。
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掘进岩体参数预测的数据处理方法的流程图,如图1所示,该方法包括以下步骤:
S101:确定待预测隧道运行数据;
待预测隧道运行数据为掘进设备在隧道待预测岩体中掘进运行的数据。
S102:获取隧道掘进岩体参数预测模型;
隧道掘进岩体参数预测模型为基于模型训练特征数据进行模型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掘进岩体参数预测的数据处理方法的流程图,如图2所示,该方法包括以下步骤:
S201:获取隧道掘进样本数据;
隧道掘进样本数据为在隧道掘进过程中与岩体参数相关的样本数据;
S202:对隧道掘进样本数据进行特征提取处理,得到模型训练特征数据;
模型训练特征数据为用于训练隧道掘进岩体参数预测模型的特征数据,通过对隧道掘进样本数据进行特征提取处理,实现了对样本中误差数据的剔除和提取出与岩体参数存在相关性关系的特征数据,便于根据提取出来的训练特征和岩体参数进行岩体参数预测模型的构建和训练过程,通过对误差数据的剔除和相关性特征提取,提高了岩体参数预测模型的准确性和训练效率。
图3为本申请提供的一种用于隧道掘进岩体参数预测的数据处理方法的流程图,如图3所示,该方法包括以下步骤:
S301:对隧道掘进样本数据进行识别,得到样本掘进控制特征数据;
样本掘进控制特征数据为用于表示掘进设备控制参数的特征数据,在掘进设备进行隧道掘进施工时,需要输入控制设备运行的参数,如通过人机交互的方式获取施工人员对输入设备输入的控制参数,如控制施工功率参数、控制掘进速度参数、控制刀盘参数等施工人员通过人机交互输入的TBM掘进施工控制参数。
S302:在预设掘进数据库中匹配与样本掘进控制数据对应的隧道掘进参考数据;
隧道掘进参考数据为上述掘进施工控制参数对应的掘进设备空载状态下的运行数据,用于表示掘进设备空载状态下运行状态的数据,通过获取与样本掘进控制特征数据对应的隧道掘进参考数据,便于根据参考数据对实际运行数据进行筛选处理。
S303:将隧道掘进参考数据与隧道掘进样本数据进行对比,得到模型训练特征数据;
模型训练特征数据为隧道掘进参考数据与隧道掘进样本数据满足预设提取规则的特征数据。
对隧道掘进参数数据进行识别,得到参考掘进运行特征数据;对隧道掘进样本数据进行识别,得到待处理样本掘进运行特征数据和样本掘进岩体特征数据;基于参考掘进运行特征数据对待处理样本掘进运行特征数据和样本掘进岩体特征数据进行相关性分析处理,得到样本掘进运行特征数据;获取模型训练特征数据,其中,模型训练特征数据包括样本掘进控制特征数据、样本掘进运行特征数据和样本掘进岩体特征数据。
在本申请的一个可选实施例中,对TBM隧道掘进样本数据进行模型训练特征提取处理,将TBM一次掘进划分为一个样本区间,获取一个样本区间内的样本岩体参数,岩体参数包括岩体抗压强度和岩体完整程度(体积节理数),样本岩体参数可以通过单轴压缩试验和室内点荷载试验共同获取围岩单轴抗压强度,获取岩体分类特征数据(如岩体完整性分类程度),依据BQ分级评分,根据完整、较完整、较破碎、破碎和极破碎分别对应Ⅰ~Ⅴ,一次掘进获取一组岩体的强度参数与完整性参数,为此针对一组岩体参数对应多组掘进参数的情况,对一次掘进长度内的掘进参数取平均值,与岩体参数相匹配,在对一个样本区间中不同阶段中的施工参数进行预处理,通过二值状态判别函数进行施工参数的处理,
D=f(Th)×f(RPM)×f(Tor)×f(PR)
其中,f(x)为二值判别函数,Th,RPM,Tor,PR分别为TBM推力,刀盘转速,刀盘扭矩及掘进速度每秒记录的时间序列数据,Th,RPM,Tor,PR任意一个为零时,f(x)为零,相应的函数D为零,将这一秒内的数据记录为TBM未掘进,并将其剔除。
在本申请实施例中,隧道掘进参数数据可以为掘进设备空载状态下运行状态的数据,也可以为预设的无效施工状态的数据(如,掘进设备启动阶段的数据),通过设置对空载状态下的参考数据分析,实现对不同岩体样本的导致的隧道运行状态数据进行分析,提取与岩体参数相关的特征;通过对预设的无效施工状态的数据进行过滤处理,实现了对样本中无效数据的剔除,提高了样本数据的稳定性,进而提高了训练得到的隧道掘进岩体参数预测模型的预测准确性。
S203:对模型训练特征数据进行模型训练处理,得到隧道掘进岩体参数预测模型。
图4为本申请提供的一种用于隧道掘进岩体参数预测的数据处理方法的流程图,如图4所示,该方法包括以下步骤:
S401:对模型训练特征数据进行识别,得到样本掘进特征数据;
样本掘进特征数据包括样本掘进岩体特征数据、样本掘进控制特征数据和样本掘进运行特征数据;
S402:对样本掘进岩体特征数据、样本掘进控制特征数据和样本掘进运行特征数据进行模型训练处理,得到过程隧道掘进岩体参数预测模型;
获取第一样本掘进特征数据,第一样本掘进特征数据包括第一样本掘进岩体特征数据、第一样本掘进控制特征数据和第一样本掘进运行特征数据;
根据第一样本掘进岩体特征数据、第一样本掘进控制特征数据和第一样本掘进运行特征数据对第一预设模型进行模型训练处理,得到岩体完整性分类预测模型;
在本申请的一个可选实施例中,基于随机森林算法,构建岩体完整性分类预测模型,通过第一样本掘进特征数据对构建的岩体完整性分类预测模型进行训练,第一样本掘进特征数据中包括第一样本掘进岩体特征数据和第一样本掘进控制特征数据和第一样本掘进运行特征数据,第一样本掘进岩体特征数据包括岩体参数数据以及岩体完整程度(体积节理数),以及根据BQ分级评分对样本岩体进行完整性分类的岩体完整性标签数据。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,得到目标岩体完整性分类预测模型。
获取第二样本掘进特征数据,第二样本掘进特征数据包括第二样本掘进岩体特征数据、第二样本掘进控制特征数据和第二样本掘进运行特征数据;
根据岩体完整性分类预测模型对第二样本掘进特征数据进行岩体完整性分类预测处理,得到掘进岩体分类特征数据;
根据第二样本掘进岩体特征数据、第二样本掘进控制特征数据、第二样本掘进运行特征数据和掘进岩体分类特征数据对第二预设模型进行模型训练处理,得到过程隧道掘进岩体参数预测模型。
在本申请的另一可选实施例中,通过对第二预设模型进行模型训练处理,在进行对预设的BP神经网络模型的训练过程,存在对BP神经网络模型中的激活函数的确定,如激活函数有Sigmoid(S型生长曲线)、Tanh(双曲函数)、ReLU(线性整流函数)、RandomizedLeaky ReLU(随机带泄露修正的线性整流函数)等等,对不同激活函数确定的过程隧道掘进岩体参数预测模型进行模型评价处理。
在本申请实施例中,通过基于第一部分样本数据构建并训练岩体完整性分类模型,并通过岩体完整性分类模型对第二部分样本数据进行岩体完整性分类预测,得到掘进岩体分类特征数据,并根据预测得到的掘进岩体分类特征数据与第二样本掘进特征数据共同训练隧道掘进岩体参数预测模型,通过设置岩体完整性分类的预测,增加隧道掘进岩体参数预测模型的数据维度,提高了训练得到的隧道掘进岩体参数预测模型的准确性,并通过设置第一部分样本进行岩体完整性分类预测,降低了计算岩体完整性分类特征数据的数据分析量,提高了获取训练隧道掘进岩体参数预测模型的样本数据的效率,提高了模型训练效率。
S403:判断过程隧道掘进岩体参数预测模型是否满足预设的预测效果评价规则,得到隧道掘进岩体参数预测模型。
如果满足,获得隧道掘进岩体参数预测模型,其中,隧道掘进岩体参数预测模型为过程隧道掘进岩体参数预测模型;如果不满足,对过程隧道掘进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,得到隧道掘进岩体参数预测模型。
在本申请的一个可选实施例中,通过计算隧道掘进岩体参数预测模型的预测准确性,基于测试集样本数据对隧道掘进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(Mean Absolute Error)以及R2(RSquared)三个评价指标来评价模型的优劣,
其中,yi表示岩体参数实际值,表示岩体参数预测值,表示岩体参数实际值平均值。
在本申请的另一可选实施例中,通过设置准确率P与Kappa系数k对岩体完整性分类预测模型进行模型效果评价, 其中,p0为准确率,N表示总样本数,Ni表示实际第i类总样本数,表示预测第i类总样本数。
在本申请实施例中,通过设置对训练的预测模型进行预测效果评价,以实现对过程预测模型的筛选,提高目标隧道掘进岩体参数预测模型的预测准确率,在进行岩体参数的预测过程中,提高岩体参数预测的准确率。
S103:根据隧道掘进岩体参数预测模型对待预测隧道运行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待预测岩体的岩体参数的数据。对待预测隧道运行数据进行识别,得到待预测掘进控制特征数据和待预测掘进运行特征数据,待预测掘进控制特征数据为用于表示掘进控制参数的特征数据,待预测掘进运行特征数据为用于表示掘进设备运行状态的特征数据;在预设掘进数据库中匹配与待预测掘进控制特征数据对应的运行特征数据,得到参考掘进控制特征数据,参考掘进控制特征数据为用于表示控制特征数据对应的掘进设备标准运行状态的特征数据;根据参考掘进控制特征数据对待预测掘进运行特征数据进行过滤处理,得到待处理掘进特征数据,待处理掘进特征数据为用于岩体参数预测模型预测的特征数据;根据所述隧道掘进岩体参数预测模型对待处理掘进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掘进岩体参数预测的数据处理装置的结构示意图,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运行数据,其中,待预测隧道运行数据为掘进设备在隧道待预测岩体中掘进运行的数据;
预测模型获取模块52,用于获取隧道掘进岩体参数预测模型,其中,隧道掘进岩体参数预测模型为基于模型训练特征数据进行模型训练得到的岩体参数预测模型;
预测模块53,用于根据隧道掘进岩体参数预测模型对待预测隧道运行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掘进岩体参数预测的数据处理装置的结构示意图,如图6所示,该装置包括:
特征识别模块61,用于对待预测隧道运行数据进行识别,得到待预测掘进控制特征数据和待预测掘进运行特征数据,其中,待预测掘进控制特征数据为用于表示掘进控制参数的特征数据,待预测掘进运行特征数据为用于表示所述掘进设备运行状态的特征数据;
匹配模块62,用于在预设掘进数据库中匹配与待预测掘进控制特征数据对应的运行特征数据,得到参考掘进控制特征数据,其中,参考掘进控制特征数据为用于表示控制特征数据对应的掘进设备标准运行状态的特征数据;
过滤模块63,用于根据参考掘进控制特征数据对待预测掘进运行特征数据进行过滤处理,得到待处理掘进特征数据,其中,待处理掘进特征数据为用于岩体参数预测模型预测的特征数据;以及
岩体参数预测模块64,用于根据所述隧道掘进岩体参数预测模型对待处理掘进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运行数据,待预测隧道运行数据为掘进设备在隧道待预测岩体中掘进运行的数据,根据隧道掘进岩体参数预测模型对待预测隧道运行数据进行岩体参数预测处理,得到待预测岩体的目标岩体参数数据。在本申请中,通过设置隧道掘进岩体参数预测模型对掘进设备在隧道待预测岩体中掘进运行的数据进行岩体参数预测,解决了现有技术中由于对岩体参数预测的准确性低导致TBM隧道施工效率较低的问题,提高隧道施工过程中对岩体参数预测的准确性,进而给出合适的隧道施工策略,提高TBM隧道施工效率。
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 (7)
1.一种用于隧道掘进岩体参数预测的数据处理方法,其特征在于,包括:
确定待预测隧道运行数据,其中,所述待预测隧道运行数据为掘进设备在隧道待预测岩体中掘进运行的数据;
获取隧道掘进岩体参数预测模型,其中,所述隧道掘进岩体参数预测模型为基于模型训练特征数据进行模型训练得到的岩体参数预测模型,包括:
获取隧道掘进样本数据,其中,所述隧道掘进样本数据为在隧道掘进过程中与岩体参数相关的样本数据;
对所述隧道掘进样本数据进行特征提取处理,得到模型训练特征数据,其中,所述模型训练特征数据为用于训练隧道掘进岩体参数预测模型的特征数据,包括:
对所述隧道掘进样本数据进行识别,得到样本掘进控制特征数据,其中,所述样本掘进控制特征数据为用于表示掘进设备控制参数的特征数据;在预设掘进数据库中匹配与所述样本掘进控制数据对应的隧道掘进参考数据;将所述隧道掘进参考数据与所述隧道掘进样本数据进行对比,得到所述模型训练特征数据,其中,所述模型训练特征数据为所述隧道掘进参考数据与所述隧道掘进样本数据满足预设提取规则的特征数据;
对隧道掘进参数数据进行识别,得到参考掘进运行特征数据;对所述隧道掘进样本数据进行识别,得到待处理样本掘进运行特征数据和样本掘进岩体特征数据;基于所述参考掘进运行特征数据对所述待处理样本掘进运行特征数据和所述样本掘进岩体特征数据进行相关性分析处理,得到样本掘进运行特征数据;获取所述模型训练特征数据,其中,所述模型训练特征数据包括所述样本掘进控制特征数据、所述样本掘进运行特征数据和所述样本掘进岩体特征数据;
对所述模型训练特征数据进行模型训练处理,得到所述隧道掘进岩体参数预测模型;
根据所述隧道掘进岩体参数预测模型对所述待预测隧道运行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所述的数据处理方法,其特征在于,根据所述隧道掘进岩体参数预测模型对所述待预测隧道运行数据进行岩体参数预测处理,得到目标岩体参数数据包括:
对所述待预测隧道运行数据进行识别,得到待预测掘进控制特征数据和待预测掘进运行特征数据,其中,所述待预测掘进控制特征数据为用于表示掘进控制参数的特征数据,所述待预测掘进运行特征数据为用于表示所述掘进设备运行状态的特征数据;
在预设掘进数据库中匹配与所述待预测掘进控制特征数据对应的运行特征数据,得到参考掘进控制特征数据,其中,所述参考掘进控制特征数据为用于表示控制特征数据对应的掘进设备标准运行状态的特征数据;
根据所述参考掘进控制特征数据对所述待预测掘进运行特征数据进行过滤处理,得到待处理掘进特征数据,其中,所述待处理掘进特征数据为用于岩体参数预测模型预测的特征数据;以及
根据所述隧道掘进岩体参数预测模型对所述待处理掘进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所述的数据处理方法,其特征在于,对所述模型训练特征数据进行模型训练处理,得到所述隧道掘进岩体参数预测模型包括:
对所述模型训练特征数据进行识别,得到样本掘进特征数据,其中,所述样本掘进特征数据包括样本掘进岩体特征数据、样本掘进控制特征数据和样本掘进运行特征数据;
对所述样本掘进岩体特征数据、所述样本掘进控制特征数据和所述样本掘进运行特征数据进行模型训练处理,得到过程隧道掘进岩体参数预测模型;以及
判断所述过程隧道掘进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,获得所述隧道掘进岩体参数预测模型,其中,所述隧道掘进岩体参数预测模型为所述过程隧道掘进岩体参数预测模型;
如果不满足,对所述过程隧道掘进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,得到所述隧道掘进岩体参数预测模型。
4.一种用于隧道掘进岩体参数预测的数据处理装置,其特征在于,包括:
数据获取模块,用于确定待预测隧道运行数据,其中,所述待预测隧道运行数据为掘进设备在隧道待预测岩体中掘进运行的数据;
预测模型获取模块,用于获取隧道掘进岩体参数预测模型,其中,所述隧道掘进岩体参数预测模型为基于模型训练特征数据进行模型训练得到的岩体参数预测模型;
获取隧道掘进样本数据,其中,所述隧道掘进样本数据为在隧道掘进过程中与岩体参数相关的样本数据;
对所述隧道掘进样本数据进行特征提取处理,得到模型训练特征数据,其中,所述模型训练特征数据为用于训练隧道掘进岩体参数预测模型的特征数据;
对所述模型训练特征数据进行模型训练处理,得到所述隧道掘进岩体参数预测模型;
对所述隧道掘进样本数据进行识别,得到样本掘进控制特征数据,其中,所述样本掘进控制特征数据为用于表示掘进设备控制参数的特征数据;在预设掘进数据库中匹配与所述样本掘进控制数据对应的隧道掘进参考数据;将所述隧道掘进参考数据与所述隧道掘进样本数据进行对比,得到所述模型训练特征数据,其中,所述模型训练特征数据为所述隧道掘进参考数据与所述隧道掘进样本数据满足预设提取规则的特征数据;
对隧道掘进参数数据进行识别,得到参考掘进运行特征数据;对所述隧道掘进样本数据进行识别,得到待处理样本掘进运行特征数据和样本掘进岩体特征数据;基于所述参考掘进运行特征数据对所述待处理样本掘进运行特征数据和所述样本掘进岩体特征数据进行相关性分析处理,得到样本掘进运行特征数据;获取所述模型训练特征数据,其中,所述模型训练特征数据包括所述样本掘进控制特征数据、所述样本掘进运行特征数据和所述样本掘进岩体特征数据;
预测模块,用于根据所述隧道掘进岩体参数预测模型对所述待预测隧道运行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。
5.根据权利要求4所述数据处理装置,其特征在于,所述预测模块包括:
特征识别模块,用于对所述待预测隧道运行数据进行识别,得到待预测掘进控制特征数据和待预测掘进运行特征数据,其中,所述待预测掘进控制特征数据为用于表示掘进控制参数的特征数据,所述待预测掘进运行特征数据为用于表示所述掘进设备运行状态的特征数据;
匹配模块,用于在预设掘进数据库中匹配与所述待预测掘进控制特征数据对应的运行特征数据,得到参考掘进控制特征数据,其中,所述参考掘进控制特征数据为用于表示控制特征数据对应的掘进设备标准运行状态的特征数据;
过滤模块,用于根据所述参考掘进控制特征数据对所述待预测掘进运行特征数据进行过滤处理,得到待处理掘进特征数据,其中,所述待处理掘进特征数据为用于岩体参数预测模型预测的特征数据;以及
岩体参数预测模块,用于根据所述隧道掘进岩体参数预测模型对所述待处理掘进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。
6.一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1-3任意一项所述的用于隧道掘进岩体参数预测的数据处理方法。
7.一种电子设备,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1-3任意一项所述的用于隧道掘进岩体参数预测的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210869070.5A CN115408926B (zh) | 2022-07-22 | 2022-07-22 | 用于隧道掘进岩体参数预测的数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210869070.5A CN115408926B (zh) | 2022-07-22 | 2022-07-22 | 用于隧道掘进岩体参数预测的数据处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115408926A CN115408926A (zh) | 2022-11-29 |
CN115408926B true CN115408926B (zh) | 2024-07-02 |
Family
ID=84157985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210869070.5A Active CN115408926B (zh) | 2022-07-22 | 2022-07-22 | 用于隧道掘进岩体参数预测的数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115408926B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720319A (zh) * | 2023-05-10 | 2023-09-08 | 北京交通大学 | 用于预测隧道掘进阻力的数据处理方法和装置 |
Citations (2)
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 |
CN112647965A (zh) * | 2020-12-09 | 2021-04-13 | 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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6309888B2 (ja) * | 2014-12-25 | 2018-04-11 | 戸田建設株式会社 | トンネルの最終変位量予測方法 |
CN113627080B (zh) * | 2021-07-29 | 2023-06-20 | 西安科技大学 | 一种基于支持向量机的煤矿掘进工作面风量需求预测方法 |
CN113821977B (zh) * | 2021-09-28 | 2023-04-18 | 成都理工大学 | 一种用于tbm隧道施工的岩爆风险评估系统及方法 |
-
2022
- 2022-07-22 CN CN202210869070.5A patent/CN115408926B/zh active Active
Patent Citations (2)
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 |
CN112647965A (zh) * | 2020-12-09 | 2021-04-13 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN115408926A (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105389349B (zh) | 词典更新方法及装置 | |
CN104679818A (zh) | 一种视频关键帧提取方法及系统 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN106228554B (zh) | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 | |
US11841839B1 (en) | Preprocessing and imputing method for structural data | |
CN106650446A (zh) | 基于系统调用的恶意程序行为识别方法和系统 | |
CN115408925A (zh) | 用于隧道施工的岩体参数预测方法和装置 | |
CN115408926B (zh) | 用于隧道掘进岩体参数预测的数据处理方法和装置 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
CN113344079B (zh) | 一种图像标签半自动标注方法、系统、终端及介质 | |
CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
CN111767546B (zh) | 一种基于深度学习的输入结构推断方法和装置 | |
CN115422821B (zh) | 用于岩体参数预测的数据处理方法和装置 | |
CN115408927B (zh) | 用于预测岩体参数的数据处理方法和装置 | |
CN117076862A (zh) | 一种基于属性图的电力物联网网络异常检测方法及系统 | |
CN116910753A (zh) | 一种恶意软件检测和模型构建方法、装置、设备及介质 | |
CN116307158A (zh) | 一种用于煤矿掘进工作面瓦斯突出预警的智能分析算法 | |
CN115933986A (zh) | 一种具有高冗余量的计算存储阵列 | |
CN111209158B (zh) | 服务器集群的挖矿监控方法及集群监控系统 | |
CN108764301A (zh) | 一种基于反向稀疏表示的混凝土裂缝检测方法 | |
CN107992590B (zh) | 一种有利于信息比对的大数据系统 | |
CN110656924A (zh) | 一种超低渗透油藏分类方法 | |
CN116226623B (zh) | 基于SegNet分段模型的标志层划分方法、装置和计算机设备 | |
CN113221327B (zh) | 一种基于adaboost集成算法的深部爆破破坏区形状预测方法 | |
CN114565184B (zh) | 一种智慧矿山安全隐患预测方法、系统、存储设备及终端 |
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 |