CN115758515A - Tbm隧道不良地质段智能支护决策方法 - Google Patents
Tbm隧道不良地质段智能支护决策方法 Download PDFInfo
- Publication number
- CN115758515A CN115758515A CN202211372982.8A CN202211372982A CN115758515A CN 115758515 A CN115758515 A CN 115758515A CN 202211372982 A CN202211372982 A CN 202211372982A CN 115758515 A CN115758515 A CN 115758515A
- Authority
- CN
- China
- Prior art keywords
- data
- tbm
- rock
- tunnel
- support
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000010276 construction Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 239000011435 rock Substances 0.000 claims description 219
- 239000002893 slag Substances 0.000 claims description 103
- 230000008093 supporting effect Effects 0.000 claims description 80
- 230000005641 tunneling Effects 0.000 claims description 30
- 238000012544 monitoring process Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 239000002245 particle Substances 0.000 claims description 15
- 229910000831 Steel Inorganic materials 0.000 claims description 13
- 239000010959 steel Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000005303 weighing Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 230000035515 penetration Effects 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 9
- 238000000547 structure data Methods 0.000 claims description 7
- 230000003014 reinforcing effect Effects 0.000 claims description 5
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 4
- 229920006395 saturated elastomer Polymers 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000004567 concrete Substances 0.000 claims description 2
- 238000005507 spraying Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011378 shotcrete Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种TBM隧道不良地质段智能支护决策方法，包括下列步骤：建立TBM施工数据库，建立预测、决策模型，应用预测、决策模型，现场应用，反馈应用效果和数据迭代。本发明通过建立TBM施工数据库、利用机器学习算法建立不良地质段识别及规模预测模型、支护方案智能决策模型，对不良地质段的出现进行预测，并给出相应的支护决策方案，支护决策方案应用后，并能够对支护方案决策的效果进行验证和数据迭代，实现支护方案智能决策模型的自主学习。
Description
技术领域
本发明涉及TBM隧道掘进技术领域，具体涉及一种TBM隧道不良地质段智能支护决策方法。
背景技术
TBM(Tunnel Boring Machine的缩写，译为隧道掘进机)是一种集机械、电气、液压、控制、信息技术、传感器技术等多种技术于一体的先进隧道施工装备，广泛应用于铁路、公路、水利隧道/隧洞的建造工程中。
TBM施工过程可分为掘进、初期支护、换步三大作业工序，掘进工序是指TBM刀盘上的滚刀破碎岩体，同时TBM沿隧道轴线向前移动，破碎的岩渣随皮带机送出隧道；初期支护工序是指按照设计支护方案给新开挖的隧道施作支护结构，避免围岩局部失稳。换步工序是指当TBM推进油缸行程达到极限时，TBM后支撑为临时支撑点，便于撑靴油缸和推进油缸回缩，推进油缸回缩至初始位置后，撑靴油缸重新伸出撑住隧道围岩两侧，为下一个掘进过程提供反力，收起后支撑完成换步工序。TBM法隧道施工过程即是上述工序依次循环交替的过程。
由于施工过程中地质复杂多变且当前地质勘察、超前地质预报的技术水平有限，对于TBM前方即将穿越的一些不良地质段(围岩局部破碎区、断层、节理密集带)往往难以准确勘察、预报。
当前TBM隧道支护方案的设计、选用也存在不足之处：一是其支护方案是采用工程类比法进行设计，即设计人员按照以往类似隧道的支护方案设计新隧道的支护方案。但受地质因素及设计人员工作经验的影响，难以进行准确的对比，造成支护方案与当前围岩条件不匹配，即出现支护不足或者支护过度的情况；二是现场施工过程中，技术人员观察——决策的方式难以适应不良地质段围岩变化的复杂性和突然性。受限于TBM装备的特点，TBM主机几乎占据掘进工作面(掌子面)后方近5～6m内的全部空间，且金属机械结构对电磁波场干扰很大，导致一些在钻爆法施工隧道中可用有效的超前探测技术根本无法适用于TBM施工隧道环境。现场确定不良地质区的支护方式主要依赖技术人员实时观察围岩露出TBM护盾后的不良地质的围岩情况、深度、分布点位、环向长度等，据此选用支护方案、确定支护参数。这种方式受技术人员的工作经验和主观判断准确性的制约，容易出现支护方案选取不当的情况，给隧道施工的安全和成本管理带来不利影响。
因此，找到一种既能准确预判不良地质段出现的时机、规模，又能快速制定与之匹配的支护方案的智能决策方法十分重要。
发明内容
当前，基于工程类比法设计的TBM隧道支护方案的针对性不强，TBM穿过不良地质段时，支护方案选取主要依赖技术人员的工作经验和主观判断，导致支护结构与围岩实际需求难以匹配，进而出现过度支护或支护不足的情况，增加了TBM隧道施工成本和安全风险高。
为解决上述问题，本发明提出一种TBM隧道不良地质段智能支护决策方法，通过建立TBM施工数据库、利用机器学习算法建立不良地质段识别及规模预测模型、支护方案智能决策模型，对不良地质段的出现进行预测，并给出相应的支护决策方案，支护决策方案应用后，并能够对支护方案决策的效果进行验证和数据迭代，实现支护方案智能决策模型的自主学习。
为解决上述技术问题，本发明采用如下技术方案：
设计一种TBM隧道不良地质段智能支护决策方法，包括下列步骤：
(1)建立TBM施工数据库：包括TBM运行数据库、隧道围岩数据库、岩渣数据库、支护方案数据库、隧道围岩收敛变形监测数据库；
(2)建立预测、决策模型：利用统计分析、回归分析、支持向量、主成分分析、聚类分析的方法分析、挖掘TBM运行数据、隧道围岩数据、岩渣数据、支护结构数据、隧道围岩收敛变形监测数据的特征，利用机器学习算法建立不良地质段识别模型、不良地质段规模预测模型和支护方案智能决策模型；所述机器学习算法包括神经网络算法、多线程的极端梯度提升算法；
(3)应用预测、决策模型：实时采集分析TBM在掘进过程中的数据，根据TBM运行数据、岩渣数据，利用不良地质段识别模型、不良地质段规模预测模型对当前TBM是否处于不良地质段进行识别预判；根据隧道围岩数据、支护结构数据和隧道围岩收敛变形监测数据，利用支护方案智能决策模型预测适合当前围岩状况的支护方案及相关支护参数，该支护方案及支护参数可实时显示在TBM控制端界面上；
(4)现场应用：根据支护方案智能决策模型提供的支护方案施作TBM隧道初期支护结构；
(5)反馈应用效果和数据迭代：采集、分析隧道围岩收敛变形数据并上传至隧道围岩收敛变形监测数据库，并利用支护方案智能决策模型评估所推荐的支护方案支护效果，实现数据迭代和支护方案智能决策模型的自主学习。
优选的，步骤(1)中所述的TBM运行数据库包含的数据有：TBM掘进总推力，贯入度，掘进速度，刀盘扭矩，主皮带机正转压力，顶护盾、左侧护盾、右侧护盾压力和位移；上述参数从TBM的PLC控制系统中读取，其中TBM的贯入度、掘进速度和刀盘转速之间满足如下关系：贯入度＝掘进速度/刀盘转速。
优选的，步骤(1)中所述的隧道围岩数据库包含的数据有：岩性，围岩等级S，岩体完整性系数Kv，岩体体积节理数Jv，岩体基本质量指标BQ，岩石质量指标RQD，岩石饱和单轴抗压强度Rc和不良地质段的规模。
优选的，步骤(1)中所述的岩渣数据库包含的数据有：岩渣的几何尺寸，不同粒径岩渣所占比例，连续掘进周期内的出渣量/岩渣质量m1和理论出渣量m0；岩渣的几何尺寸、岩渣的粒径和不同粒径岩渣所占比例均采用岩渣图像识别系统实时采集获取，单位时间内的出渣量/岩渣质量采用岩渣称重系统实时采集；
理论岩渣出渣量的计算方式如下：
m0——连续掘进周期内的理论出渣量(kg)；
ρ——岩渣的密度(kg/m3)；
l0——连续掘进周期内TBM掘进的长度(m)；
D——TBM刀盘开挖直径(m)；
其中，岩渣图像识别系统的图像采集器安装在TBM拖车上的出渣皮带机正上方，采样区域长度不低于1.5m，宽度不低于1m且能覆盖皮带机上岩渣的宽度，采样频率不低于2Hz；岩渣的粒径为其在岩渣图像识别系统成像平面上任意方向上的最大尺寸；岩渣称重系统安装在TBM主机皮带机上，带温度补偿装置，能实时检测温差并对称重数据进行补偿修正，确保在不同季节、不同温度下保持称重数据的准确性。
优选的，步骤(1)中所述的支护方案数据库包含的数据有：钢拱架类型、间距，钢筋网铺设位置、钢筋直径、间距；锚杆类型、长度、间距；喷射混凝土施作部位、厚度；
步骤(1)中所述的隧道围岩收敛变形监测数据库包含的数据有：拱顶沉降值，隧道左、右侧拱腰收敛值，采用全站仪采集以上数据。
优选的，步骤(2)中建立不良地质段识别模型及不良地质段规模预测模型的方法如下：
S11：收集TBM已掘进段内的TBM运行数据、岩渣数据和隧道围岩数据；
S12：利用统计分析、回归分析、支持向量、主成分分析、聚类分析的方法分析、挖掘TBM运行数据、岩渣数据和隧道围岩数据，找到围岩状况较好和存在不良地质段时相应的TBM运行数据、岩渣数据和隧道围岩数据特征；
S13：建立不少于三层的神经网络识别预测模型，将TBM运行数据和岩渣数据作为输入参数，隧道围岩数据作为输出参数，对神经网络预测模型进行训练和测试，其中不少于70％的TBM运行数据、岩渣数据和隧道围岩数据作为训练集，余下数据作为测试集，以形成较稳定的神经网络识别预测模型。
优选的，步骤(2)中建立支护方案智能决策模型的方法如下：
S21：收集TBM已掘进段内隧道围岩数据、支护方案数据和隧道围岩收敛变形监测数据；
S22：利用统计分析、回归分析、支持向量、主成分分析、聚类分析的方法分析、挖掘隧道围岩数据、支护方案数据和隧道围岩收敛变形监测数据，找到围岩状况较好和存在不良地质段时相应的隧道围岩数据、支护方案数据和隧道围岩收敛变形监测数据特征；
S23：建立不少于三层的神经网络决策模型，将隧道围岩数据作为输入参数，支护方案数据作为输出参数，对神经网络决策模型进行训练和测试，其中不少于70％的隧道围岩数据、支护方案数据作为训练集，余下数据作为测试集，以形成较稳定的神经网络决策模型。
优选的，所述步骤(3)中利用不良地质段识别模型、不良地质段规模预测模型对当前TBM是否处于不良地质段进行识别预判的过程为：
在一个掘进段内TBM边掘进边出渣，因而可实时获得一个数据集，包含这个掘进段内TBM运行数据、岩渣数据和隧道围岩数据，记为Q1，利用不良地质段识别及规模预测模型分析数据集Q1的特征，若其特征与不良地质段不匹配，则在TBM控制端界面上显示“无不良地质段”；若与不良地质段相匹配，则在TBM控制端界面上显示“存在不良地质段，预计规模为S1”；
利用支护方案智能决策模型预测适合当前围岩状况的支护方案及相关支护参数的过程为：将上述掘进段内的隧道围岩数据与所预测的不良地质段规模S1组成新的数据集R1，利用支护方案智能决策模型分析数据集R1的特征，并给出相应的支护方案和支护参数集T1。
优选的，所述步骤(5)中支护方案决策的效果验证与数据迭代的过程为：按照支护方案和支护参数集T1完成TBM隧道初期支护施工后，按照隧道监控量测规范尺寸监测该段隧道围岩收敛变形数据，形成数据集U1，并评估支护参数集T1的支护效果。将与支护参数集T1相对应的围岩收敛变形数据集U1及支护效果评估结果写入TBM施工数据库，完成数据迭代。
本发明的有益效果在于：
本发明中的TBM隧道不良地质段智能支护决策方法，在充分挖掘和分析TBM运行数据、隧道围岩数据、不良地质段岩渣数据、支护结构数据、隧道围岩收敛变形监测数据等多种不同类型数据价值的基础上，利用机器学习技术对不良地质段出现的时机、规模进行预测，并给出相对应的支护决策方案，通过隧道围岩收敛变形数据判断支护决策方案的有效性，通过自学习的方式不断提升预测的准确性。
本发明能够利用大数据和人工智能算法识别、预测被TBM刀盘、护盾遮挡的隧道围岩状况，解决了现有技术中难以准确预判不良地质段出现的时机、规模的难题；本发明利用大数据和人工智能算法替代传统的基于施工人员工作经验的不良地质段支护参数决策方法，规避了因施工人员工作经验、判断能力各异带来的弊端，使支护决策结果更加客观、真实、准确，同时提高了决策的效率。
附图说明
图1是本发明TBM隧道不良地质段智能支护决策方法的工艺流程图。
具体实施方式
下面结合实施例来说明本发明的具体实施方式，但以下实施例只是用来详细说明本发明，并不以任何方式限制本发明的范围。在以下实施例中所涉及的设备元件如无特别说明，均为常规设备元件。
实施例1：一种TBM隧道不良地质段智能支护决策方法，包括下列步骤：
(1)建立TBM施工数据库：包括TBM运行数据库、隧道围岩数据库、岩渣数据库、支护方案数据库、隧道围岩收敛变形监测数据库。
各个数据库中包含的数据如下：
①TBM运行数据库包含的数据有：TBM掘进总推力，贯入度，掘进速度，刀盘扭矩，主皮带机正转压力，顶护盾、左侧护盾、右侧护盾压力和位移；上述参数可从TBM的PLC(可编程逻辑控制器)控制系统中读取，其中TBM的贯入度、掘进速度和刀盘转速之间满足如下关系：贯入度＝掘进速度/刀盘转速。
②隧道围岩数据库包含的数据有：岩性，围岩等级S，岩体完整性系数Kv，岩体体积节理数Jv，岩体基本质量指标BQ，岩石质量指标RQD，岩石饱和单轴抗压强度Rc和不良地质段的规模；其中，按照《工程岩体分级标准》(GBT 50218-2014)，岩体完整性系数Kv计算方式如下：
其中：Vpm——岩体弹性纵波速度(km/s)；
Vpr——岩石弹性纵波速度(km/s)
岩体基本质量指标BQ计算方式如下：
BQ＝100+3Rc+250Kv
岩石饱和单轴抗压强度采用现场取芯测试的方式获取，岩石芯样为圆柱形，直径为48mm-54mm。当不具备条件获取实测值时，采用实测岩石点载荷强度指数Is(50)，并按照以下方式换算：
围岩等级S计算方式如下：
S＝[7.5-0.01BQ]
据此可在TBM掘进过程中实时获取围岩等级。
③岩渣数据库包含的数据有：岩渣的几何尺寸(长度、宽度)，不同粒径岩渣所占比例，连续掘进周期内的出渣量/岩渣质量m1和理论出渣量m0；岩渣的几何尺寸、岩渣的粒径和不同粒径岩渣所占比例均采用岩渣图像识别系统实时采集获取，单位时间内的出渣量/岩渣质量采用岩渣称重系统实时采集。出渣量理论计算方式如下：
m0——连续掘进周期内的理论出渣量(kg)；
ρ——岩渣的密度(kg/m3)；
l0——连续掘进周期内TBM掘进的长度(m)；
D——TBM刀盘开挖直径(m)。
岩渣图像识别系统的图像采集器安装在TBM拖车上的出渣皮带机正上方，采样区域长度(皮带机运行方向)不低于1.5m，宽度不低于1m且能覆盖皮带机上岩渣的宽度，采样频率不低于2Hz。岩渣称重系统安装在TBM主机皮带机上，带温度补偿装置，能实时检测温差并对称重数据进行补偿修正，确保在不同季节、不同温度下保持称重数据的准确性。
岩渣的粒径为其在岩渣图像识别系统成像平面上任意方向上的最大尺寸，岩渣的粒径级差分为6个等级：＞90mm，[90～75)mm，[75～53)mm，[53～37.5)mm，[37.5～19)mm，<19mm。
TBM一边掘进一边出渣，岩渣几何尺寸、岩渣在一定范围的粒径比例和出渣量可反应TBM刀盘工作面岩石的状况，如TBM所处的围岩状况较好，工作面岩石完整，则岩渣呈现薄片状，且粒径分布相对集中，出渣量稳定；若TBM处于不良地质段，存在局部破碎区、断层、节理密集带时，岩渣中既有薄片状，又会有不规则块状，出现岩渣粒径尺寸异常，出渣量不稳定的情况。
④支护方案数据库包含的数据有：钢拱架类型、间距，钢筋网铺设位置、钢筋直径、间距；锚杆类型、长度、间距(环×纵)；喷射混凝土施作部位、厚度。钢拱架类型分为HW100型钢、HW125型钢、HW150型钢、I16型钢、I18型钢、I20a、I22a，钢拱架间距分为1.8m，0.9m。钢筋网铺设位置分为拱部局部、半圆以上和轨上三种区域，钢筋网间距分为20×20cm和25×25cm，钢筋直径分为6mm、8mm。锚杆长度分为3m、4m、6m，间距分为1×1m和1.5×1.5m。喷射混凝土厚度分为5cm和12cm。
⑤隧道围岩收敛变形监测数据库包含的数据有：拱顶沉降值，隧道左、右侧拱腰收敛值，采用全站仪采集。
(2)建立预测、决策模型：利用统计分析、回归分析、支持向量、主成分分析、聚类分析的方法分析、挖掘TBM运行数据、隧道围岩数据、岩渣数据、支护结构数据、隧道围岩收敛变形监测数据的特征，利用机器学习算法建立不良地质段识别模型、不良地质段规模预测模型和支护方案智能决策模型；所述机器学习算法包括神经网络算法、多线程的极端梯度提升算法。
建立不良地质段识别模型及不良地质段规模预测模型的方法如下：
S11：收集TBM已掘进段内的TBM运行数据、岩渣数据和隧道围岩数据。
S12：利用统计分析、回归分析、支持向量、主成分分析、聚类分析等方法分析、挖掘TBM运行数据、岩渣数据和隧道围岩数据，找到围岩状况较好和存在不良地质段时相应的TBM运行数据、岩渣数据和隧道围岩数据特征。
S13：建立不少于三层的神经网络识别预测模型，将TBM运行数据和岩渣数据作为输入参数，隧道围岩数据作为输出参数，对神经网络预测模型进行训练和测试，其中不少于70％的TBM运行数据、岩渣数据和隧道围岩数据作为训练集，余下数据作为测试集，以形成较稳定的神经网络识别预测模型。
建立支护方案智能决策模型的方法如下：
S21：收集TBM已掘进段内隧道围岩数据、支护方案数据和隧道围岩收敛变形监测数据。
S22：利用统计分析、回归分析、支持向量、主成分分析、聚类分析等方法分析、挖掘隧道围岩数据、支护方案数据和隧道围岩收敛变形监测数据，找到围岩状况较好和存在不良地质段时相应的隧道围岩数据、支护方案数据和隧道围岩收敛变形监测数据特征。
S23：建立不少于三层的神经网络决策模型，将隧道围岩数据作为输入参数，支护方案数据作为输出参数，对神经网络决策模型进行训练和测试，其中不少于70％的隧道围岩数据、支护方案数据作为训练集，余下数据作为测试集，以形成较稳定的神经网络决策模型。
(3)应用预测、决策模型：实时采集分析TBM在掘进过程中的数据，根据TBM运行数据、岩渣数据，利用不良地质段识别模型、不良地质段规模预测模型对当前TBM是否处于不良地质段进行识别预判；根据隧道围岩数据、支护结构数据和隧道围岩收敛变形监测数据，利用支护方案智能决策模型预测适合当前围岩状况的支护方案及相关支护参数，该支护方案及支护参数可实时显示在TBM控制端界面上。
步骤(3)中利用不良地质段识别模型、不良地质段规模预测模型对当前TBM是否处于不良地质段进行识别预判的过程为：在一个掘进段内TBM边掘进边出渣，因而可实时获得一个数据集，包含这个掘进段内TBM运行数据、岩渣数据和隧道围岩数据，记为Q1，利用不良地质段识别及规模预测模型分析数据集Q1的特征，若其特征与不良地质段不匹配，则在TBM控制端界面上显示“无不良地质段”；若与不良地质段相匹配，则在TBM控制端界面上显示“存在不良地质段，预计规模为S1”。
步骤(3)中利用支护方案智能决策模型预测适合当前围岩状况的支护方案及相关支护参数的过程为：将上述掘进段内的隧道围岩数据与所预测的不良地质段规模S1组成新的数据集R1，利用支护方案智能决策模型分析数据集R1的特征，并给出相应的支护方案和支护参数集T1。
(4)现场应用：根据支护方案智能决策模型提供的支护方案施作TBM隧道初期支护结构；
(5)反馈应用效果和数据迭代：采集、分析隧道围岩收敛变形数据并上传至隧道围岩收敛变形监测数据库，并利用支护方案智能决策模型评估所推荐的支护方案支护效果，实现数据迭代和支护方案智能决策模型的自主学习。
步骤(5)中支护方案决策的效果验证与数据迭代的过程为：按照支护方案和支护参数集T1完成TBM隧道初期支护施工后，按照隧道监控量测规范尺寸监测该段隧道围岩收敛变形数据，形成数据集U1，并评估支护参数集T1的支护效果。将与支护参数集T1相对应的围岩收敛变形数据集U1及支护效果评估结果写入TBM施工数据库，完成数据迭代。
上面结合实施例对本发明作了详细的说明，但是所属技术领域的技术人员能够理解，在不脱离本发明宗旨的前提下，还可以对上述实施例中的各个具体参数进行变更，形成多个具体的实施例，均为本发明的保护范围，在此不再一一详述。
Claims (9)
1.一种TBM隧道不良地质段智能支护决策方法，其特征在于，包括下列步骤：
(1)建立TBM施工数据库：包括TBM运行数据库、隧道围岩数据库、岩渣数据库、支护方案数据库、隧道围岩收敛变形监测数据库；
(2)建立预测、决策模型：利用统计分析、回归分析、支持向量、主成分分析、聚类分析的方法分析、挖掘TBM运行数据、隧道围岩数据、岩渣数据、支护结构数据、隧道围岩收敛变形监测数据的特征，利用机器学习算法建立不良地质段识别模型、不良地质段规模预测模型和支护方案智能决策模型；所述机器学习算法包括神经网络算法、多线程的极端梯度提升算法；
(3)应用预测、决策模型：实时采集分析TBM在掘进过程中的数据，根据TBM运行数据、岩渣数据，利用不良地质段识别模型、不良地质段规模预测模型对当前TBM是否处于不良地质段进行识别预判；根据隧道围岩数据、支护结构数据和隧道围岩收敛变形监测数据，利用支护方案智能决策模型预测适合当前围岩状况的支护方案及相关支护参数，该支护方案及支护参数可实时显示在TBM控制端界面上；
(4)现场应用：根据支护方案智能决策模型提供的支护方案施作TBM隧道初期支护结构；
(5)反馈应用效果和数据迭代：采集、分析隧道围岩收敛变形数据并上传至隧道围岩收敛变形监测数据库，并利用支护方案智能决策模型评估所推荐的支护方案支护效果，实现数据迭代和支护方案智能决策模型的自主学习。
2.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(1)中所述的TBM运行数据库包含的数据有：TBM掘进总推力，贯入度，掘进速度，刀盘扭矩，主皮带机正转压力，顶护盾、左侧护盾、右侧护盾压力和位移；上述参数从TBM的PLC控制系统中读取，其中TBM的贯入度、掘进速度和刀盘转速之间满足如下关系：贯入度＝掘进速度/刀盘转速。
3.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(1)中所述的隧道围岩数据库包含的数据有：岩性，围岩等级S，岩体完整性系数Kv，岩体体积节理数Jv，岩体基本质量指标BQ，岩石质量指标RQD，岩石饱和单轴抗压强度Rc和不良地质段的规模。
4.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(1)中所述的岩渣数据库包含的数据有：岩渣的几何尺寸，不同粒径岩渣所占比例，连续掘进周期内的出渣量/岩渣质量m1和理论出渣量m0；岩渣的几何尺寸、岩渣的粒径和不同粒径岩渣所占比例均采用岩渣图像识别系统实时采集获取，单位时间内的出渣量/岩渣质量采用岩渣称重系统实时采集；
其中，岩渣图像识别系统的图像采集器安装在TBM拖车上的出渣皮带机正上方，采样区域长度不低于1.5m，宽度不低于1m且能覆盖皮带机上岩渣的宽度，采样频率不低于2Hz。岩渣称重系统安装在TBM主机皮带机上，带温度补偿装置，能实时检测温差并对称重数据进行补偿修正，确保在不同季节、不同温度下保持称重数据的准确性。
5.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(1)中所述的支护方案数据库包含的数据有：钢拱架类型、间距，钢筋网铺设位置、钢筋直径、间距；锚杆类型、长度、间距；喷射混凝土施作部位、厚度；
步骤(1)中所述的隧道围岩收敛变形监测数据库包含的数据有：拱顶沉降值，隧道左、右侧拱腰收敛值，采用全站仪采集以上数据。
6.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(2)中建立不良地质段识别模型及不良地质段规模预测模型的方法如下：
S11：收集TBM已掘进段内的TBM运行数据、岩渣数据和隧道围岩数据；
S12：利用统计分析、回归分析、支持向量、主成分分析、聚类分析的方法分析、挖掘TBM运行数据、岩渣数据和隧道围岩数据，找到围岩状况较好和存在不良地质段时相应的TBM运行数据、岩渣数据和隧道围岩数据特征；
S13：建立不少于三层的神经网络识别预测模型，将TBM运行数据和岩渣数据作为输入参数，隧道围岩数据作为输出参数，对神经网络预测模型进行训练和测试，其中不少于70％的TBM运行数据、岩渣数据和隧道围岩数据作为训练集，余下数据作为测试集，以形成较稳定的神经网络识别预测模型。
7.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(2)中建立支护方案智能决策模型的方法如下：
S21：收集TBM已掘进段内隧道围岩数据、支护方案数据和隧道围岩收敛变形监测数据；
S22：利用统计分析、回归分析、支持向量、主成分分析、聚类分析的方法分析、挖掘隧道围岩数据、支护方案数据和隧道围岩收敛变形监测数据，找到围岩状况较好和存在不良地质段时相应的隧道围岩数据、支护方案数据和隧道围岩收敛变形监测数据特征；
S23：建立不少于三层的神经网络决策模型，将隧道围岩数据作为输入参数，支护方案数据作为输出参数，对神经网络决策模型进行训练和测试，其中不少于70％的隧道围岩数据、支护方案数据作为训练集，余下数据作为测试集，以形成较稳定的神经网络决策模型。
8.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，所述步骤(3)中利用不良地质段识别模型、不良地质段规模预测模型对当前TBM是否处于不良地质段进行识别预判的过程为：
在一个掘进段内TBM边掘进边出渣，因而可实时获得一个数据集，包含这个掘进段内TBM运行数据、岩渣数据和隧道围岩数据，记为Q1，利用不良地质段识别及规模预测模型分析数据集Q1的特征，若其特征与不良地质段不匹配，则在TBM控制端界面上显示“无不良地质段”；若与不良地质段相匹配，则在TBM控制端界面上显示“存在不良地质段，预计规模为S1”；
利用支护方案智能决策模型预测适合当前围岩状况的支护方案及相关支护参数的过程为：将上述掘进段内的隧道围岩数据与所预测的不良地质段规模S1组成新的数据集R1，利用支护方案智能决策模型分析数据集R1的特征，并给出相应的支护方案和支护参数集T1。
9.根据权利要求8所述的TBM隧道不良地质段智能支护决策方法，其特征在于，所述步骤(3)中支护方案决策的效果验证与数据迭代的过程为：按照支护方案和支护参数集T1完成TBM隧道初期支护施工后，按照隧道监控量测规范尺寸监测该段隧道围岩收敛变形数据，形成数据集U1，并评估支护参数集T1的支护效果。将与支护参数集T1相对应的围岩收敛变形数据集U1及支护效果评估结果写入TBM施工数据库，完成数据迭代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211372982.8A CN115758515B (zh) | 2022-10-31 | Tbm隧道不良地质段智能支护决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211372982.8A CN115758515B (zh) | 2022-10-31 | Tbm隧道不良地质段智能支护决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115758515A true CN115758515A (zh) | 2023-03-07 |
| CN115758515B CN115758515B (zh) | 2024-10-25 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116817777A (zh) * | 2023-04-21 | 2023-09-29 | 中国铁建昆仑投资集团有限公司 | 基于高精度传感器和Transformer的隧道围岩变形预测方法 |
| CN115758515B (zh) * | 2022-10-31 | 2024-10-25 | 盾构及掘进技术国家重点实验室 | Tbm隧道不良地质段智能支护决策方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11294079A (ja) * | 1998-04-09 | 1999-10-26 | Shimizu Corp | トンネル掘進方法 |
| JP2000345793A (ja) * | 1999-06-07 | 2000-12-12 | Okumura Corp | 岩盤判定システム |
| CN109886329A (zh) * | 2019-02-18 | 2019-06-14 | 中国铁建重工集团有限公司 | 围岩破碎等级检测方法、检测系统和掘进设备 |
| CN111144635A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
| CN111140244A (zh) * | 2020-01-02 | 2020-05-12 | 中铁工程装备集团有限公司 | 一种硬岩掘进机支护等级智能推荐方法 |
| CN111997639A (zh) * | 2020-08-22 | 2020-11-27 | 中铁隧道局集团有限公司 | Tbm施工隧道不良地质段卡机脱困及加固改良地质的方法 |
| CN113673059A (zh) * | 2021-08-26 | 2021-11-19 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
| CN114033407A (zh) * | 2021-11-23 | 2022-02-11 | 中铁隧道局集团有限公司 | 一种不良地质条件下tbm施工方法 |
| CN114483043A (zh) * | 2021-12-29 | 2022-05-13 | 淮北矿业股份有限公司 | 一种用于隧道掘进的探测控制系统及其探测方法 |
| CN115075837A (zh) * | 2022-05-30 | 2022-09-20 | 中铁隧道局集团有限公司 | 一种敞开式tbm穿越富水破碎带施工方法及系统 |
| CN115238343A (zh) * | 2022-07-06 | 2022-10-25 | 广州市第三市政工程有限公司 | 一种基于bim技术的基坑支护智能施工方法 |
| CN117910112A (zh) * | 2024-01-24 | 2024-04-19 | 东北大学 | 一种tbm隧道岩爆段支护方案智能设计方法 |
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11294079A (ja) * | 1998-04-09 | 1999-10-26 | Shimizu Corp | トンネル掘進方法 |
| JP2000345793A (ja) * | 1999-06-07 | 2000-12-12 | Okumura Corp | 岩盤判定システム |
| CN109886329A (zh) * | 2019-02-18 | 2019-06-14 | 中国铁建重工集团有限公司 | 围岩破碎等级检测方法、检测系统和掘进设备 |
| CN111144635A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
| CN111140244A (zh) * | 2020-01-02 | 2020-05-12 | 中铁工程装备集团有限公司 | 一种硬岩掘进机支护等级智能推荐方法 |
| CN111997639A (zh) * | 2020-08-22 | 2020-11-27 | 中铁隧道局集团有限公司 | Tbm施工隧道不良地质段卡机脱困及加固改良地质的方法 |
| CN113673059A (zh) * | 2021-08-26 | 2021-11-19 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
| CN114033407A (zh) * | 2021-11-23 | 2022-02-11 | 中铁隧道局集团有限公司 | 一种不良地质条件下tbm施工方法 |
| CN114483043A (zh) * | 2021-12-29 | 2022-05-13 | 淮北矿业股份有限公司 | 一种用于隧道掘进的探测控制系统及其探测方法 |
| CN115075837A (zh) * | 2022-05-30 | 2022-09-20 | 中铁隧道局集团有限公司 | 一种敞开式tbm穿越富水破碎带施工方法及系统 |
| CN115238343A (zh) * | 2022-07-06 | 2022-10-25 | 广州市第三市政工程有限公司 | 一种基于bim技术的基坑支护智能施工方法 |
| CN117910112A (zh) * | 2024-01-24 | 2024-04-19 | 东北大学 | 一种tbm隧道岩爆段支护方案智能设计方法 |
Non-Patent Citations (7)
| Title |
|---|
| XUE-DONG BAI: "A comparative study of different machine learning algorithms in predicting EPB shield behaviour: a case study at the Xi’an metro, China", 《ACTA GEOTECHNICA》, vol. 16, 21 October 2021 (2021-10-21), pages 4061 - 4080, XP037630378, DOI: 10.1007/s11440-021-01383-7 * |
| 宋国新, 杨子荣, 孙祥: "模糊神经网络法在隧洞围岩分类中的应用", 岩土工程技术, no. 05, 8 October 2004 (2004-10-08) * |
| 屈俊涛;李辉;: "浅论系统因素与矿山安全管理", 西部探矿工程, no. 12, 15 December 2011 (2011-12-15) * |
| 段志伟;杜立杰;吕海明;王家海;刘海东;富勇明;: "基于主成分分析与BP神经网络的TBM围岩可掘性分级实时识别方法研究", 隧道建设(中英文), no. 03, 31 December 2020 (2020-12-31) * |
| 洪开荣: "中国全断面隧道掘进机发展历程、成就及展望", 隧道建设, vol. 42, no. 5, 31 May 2022 (2022-05-31) * |
| 潘秋景: "机器学习在盾构隧道智能施工中的应用--综述与展望", 隧道与地下工程灾害防治, vol. 4, no. 3, 20 September 2022 (2022-09-20) * |
| 陈冠宇;安凯;李向;: "基于卷积神经网络的不良地质体识别与分类", 地质科技情报, no. 01, 15 January 2016 (2016-01-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115758515B (zh) * | 2022-10-31 | 2024-10-25 | 盾构及掘进技术国家重点实验室 | Tbm隧道不良地质段智能支护决策方法 |
| CN116817777A (zh) * | 2023-04-21 | 2023-09-29 | 中国铁建昆仑投资集团有限公司 | 基于高精度传感器和Transformer的隧道围岩变形预测方法 |
| CN116817777B (zh) * | 2023-04-21 | 2024-06-11 | 中国铁建昆仑投资集团有限公司 | 基于高精度传感器和Transformer的隧道围岩变形预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Real-time analysis and regulation of EPB shield steering using Random Forest | |
| Li et al. | Application and outlook of information and intelligence technology for safe and efficient TBM construction | |
| CN113779690B (zh) | 基于随钻感知的超前地质预报方法及系统 | |
| 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 | |
| CN106248672B (zh) | 一种基于dic技术的现场孔内岩体裂纹扩展模式识别方法及系统 | |
| CN109597124B (zh) | 一种工作面应力集中区槽波地震精细探测方法 | |
| Li et al. | Application of an interval wear analysis method to cutting tools used in tunneling shields in soft ground | |
| Wang et al. | An ultrasonic-based method for longwall top-coal cavability assessment | |
| CN114417697A (zh) | 一种基于神经网络的tbm滚刀磨损实时预测方法及系统 | |
| Ji et al. | Modified Q-index for prediction of rock mass quality around a tunnel excavated with a tunnel boring machine (TBM) | |
| CN115239108B (zh) | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 | |
| CN111077583B (zh) | 构造活化双参数监测系统及监测方法 | |
| CN111946397B (zh) | 一种现场评价掘进机掌子面岩土体完整性的快速方法 | |
| Kim et al. | Investigation of geological conditions beyond the excavation face using a MSP boring data monitoring system | |
| CN110107274B (zh) | 基于液压系统的tbm锚杆钻机实时在线监测系统及监测方法 | |
| CN115758515A (zh) | Tbm隧道不良地质段智能支护决策方法 | |
| CN116663405A (zh) | 一种围岩破裂程度fdi定量评价方法 | |
| CN115758515B (zh) | Tbm隧道不良地质段智能支护决策方法 | |
| CN105698853B (zh) | 一种工作面回采期间围岩锚注支护效果的检测方法 | |
| Schubert et al. | The guideline for the geomechanical design of underground structures with conventional excavation. | |
| Schubert et al. | Excavation and support determination for the design and construction of tunnels | |
| CN114066271A (zh) | 一种隧道突水灾害监测管理系统 | |
| Xue et al. | Adverse geological conditions prediction and early warning in TBM tunneling using big data | |
| CN111552008A (zh) | 一种煤矿井下地质构造钻孔精细化全方位探测方法 | |
| Gangrade et al. | Investigating seismicity surrounding an excavation boundary in a highly stressed dipping underground limestone mine |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: No. 99, Kexue Avenue, national high tech Industrial Development Zone, Zhengzhou, Henan Province Applicant after: STATE KEY LABORATORY OF SHIELD MACHINE AND BORING TECHNOLOGY Applicant after: CHINA RAILWAY TUNNEL GROUP Co.,Ltd. Applicant after: CHINA RAILWAY TUNNEL STOCK Co.,Ltd. Address before: 511400 No. 2, West Side of Industrial Fourth Road, Mingzhuwan Starting Zone, Nansha District, Guangzhou City, Guangdong Province Applicant before: CHINA RAILWAY TUNNEL GROUP Co.,Ltd. Country or region before: China Applicant before: STATE KEY LABORATORY OF SHIELD MACHINE AND BORING TECHNOLOGY Applicant before: CHINA RAILWAY TUNNEL STOCK Co.,Ltd. |
|
| GR01 | Patent grant |