CN115822629A - 泥水盾构掘进参数智能控制方法、系统及存储介质 - Google Patents
泥水盾构掘进参数智能控制方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115822629A CN115822629A CN202211353727.9A CN202211353727A CN115822629A CN 115822629 A CN115822629 A CN 115822629A CN 202211353727 A CN202211353727 A CN 202211353727A CN 115822629 A CN115822629 A CN 115822629A
- Authority
- CN
- China
- Prior art keywords
- shield
- shield tunneling
- tunneling
- parameters
- geological
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种泥水盾构掘进参数智能控制方法、系统及存储介质，其中方法包括：基于地质信息和盾构掘进参数，通过机器学习方法构建盾构掘进参数预测模型；基于盾构运行数据和地质信息，通过机器学习方法构建盾构掘进地质感知模型；在盾构施工前，根据地质信息采用盾构掘进参数预测模型对盾构掘进参数进行预测并进行初始设定；在盾构掘进过程中，实时采集掘进过程中的盾构运行数据，并根据采集的盾构运行数据采用盾构掘进地质感知模型对各掘进循环上的地质信息进行实时预测；根据预测的地质信息采用盾构掘进参数预测模型对盾构掘进参数进行实时预测，提出盾构掘进参数的实时建议值，实现盾构掘进参数实时智能控制。本发明实时性和准确性更高。
Description
技术领域
本发明涉及盾构技术，尤其涉及一种泥水盾构掘进参数智能控制方法、系统及存储介质。
背景技术
泥水盾构是以泥水压力平衡开挖面前方水土压力、维持开挖面稳定的隧道施工技术，已经成为穿江越河隧道工程的首选施工方式。随着水下隧道朝着超长距离、超大直径、超高水压发展，泥水盾构施工过程中不可避免的遇到各种复杂地层，如砂岩、土岩复合地层、全断面基岩、断层破碎带、岩溶区域等。不同地层条件下适用的盾构掘进参数不同，当盾构掘进过程中遇到不同地层条件时，若无法及时调整盾构掘进参数，会导致掘进效率降低，甚至影响盾构的安全掘进。
现有技术中，针对盾构的智能控制方法研究主要是通过历史或实时的掘进信息对未来的掘进参数进行预测，例如申请号为202110558142.X的盾构智能控制系统及方法，申请号为202111191374.2的一种土压平衡盾构机土压智能控制系统，其提高了盾构的智能控制性能。但是现有技术都是按照盾构的采集设备采集的地质信息进行预测，需要在掘进过程中不断采集地质信息，导致预测的实时性和准确性有待提高。
发明内容
发明目的：本发明针对现有技术存在的问题，提供一种实时性和准确性更高的泥水盾构掘进参数智能控制方法、系统及存储介质。
技术方案：本发明所述的泥水盾构掘进参数智能控制方法包括：
基于地质信息和盾构掘进参数，通过机器学习方法构建盾构掘进参数预测模型；
基于盾构运行数据和地质信息，通过机器学习方法构建盾构掘进地质感知模型；
在盾构施工前，根据当前位置的地质信息采用盾构掘进参数预测模型对盾构掘进参数进行预测，并按照预测的盾构掘进参数对盾构掘进参数进行初始设定；
在盾构掘进过程中，实时采集掘进过程中的盾构运行数据，并根据采集的盾构运行数据采用盾构掘进地质感知模型对各掘进循环上的地质信息进行实时预测；
根据预测的地质信息采用盾构掘进参数预测模型对盾构掘进参数进行实时预测，并按照预测的盾构掘进参数对盾构掘进参数实时更新，实现实时智能控制。
进一步的，该方法还包括：
将采集的盾构运行数据作为训练数据，对盾构掘进参数预测模型和盾构掘进地质感知模型进行修正。
进一步的，所述地质信息具体包括围岩等级、地层厚度、地下水位和隧道埋深。
进一步的，所述盾构掘进参数包括刀盘转速、掘进速度和泥浆压力。
进一步的，所述盾构掘进参数预测模型的机器学习方法具体为自适应增强-回归链算法、支持向量机或多输出随机森林算法中任意一种。
进一步的，所述盾构运行数据包括推力、扭矩、刀盘转速、贯入速率、刀盘功率、TPI、FPI、进浆管流速、泥浆管流速以及工作仓液位。
进一步的，所述盾构掘进地质感知模型的机器学习方法具体为自适应增强算法、支持向量分类或随机森林算法中任意一种。
本发明所述的泥水盾构掘进参数智能控制系统包括：
盾构掘进参数预测模型构建模块，用于基于地质信息和盾构掘进参数，通过机器学习方法构建盾构掘进参数预测模型；
盾构掘进地质感知模型构建模块，用于基于盾构运行数据和地质信息，通过机器学习方法构建盾构掘进地质感知模型；
初始参数设定模块，用于在盾构施工前，根据当前位置的地质信息采用盾构掘进参数预测模型对盾构掘进参数进行预测，并按照预测的盾构掘进参数对盾构掘进参数进行初始设定；
掘进参数智能控制模块，用于在盾构掘进过程中，实时采集掘进过程中的盾构运行数据，并根据采集的盾构运行数据采用盾构掘进地质感知模型对各掘进循环上的地质信息进行实时预测；再根据预测的地质信息采用盾构掘进参数预测模型对盾构掘进参数进行实时预测，并按照预测的盾构掘进参数对盾构掘进参数实时更新，实现实时智能控制。
进一步的，该系统还包括：模型修正模块，用于将采集的盾构运行数据作为训练数据，对盾构掘进参数预测模型和盾构掘进地质感知模型进行修正。
本发明所述的包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述方法。
有益效果：本发明与现有技术相比，其显著优点是：本发明先通过机器学习方法预先训练盾构掘进参数预测模型和盾构掘进地质感知模型，然后在掘进过程中通过盾构掘进地质感知模型感知地质信息，再根据地质信息通过盾构掘进参数预测模型进行掘进参数预测，该方法采用了两个学习模型，预测掘进参数时不需要采用采集设备进行地质信息采集，而是根据盾构的运行参数感知地质信息，因此，预测的参数更实时，也更准确，智能性更高。
附图说明
图1是本发明提供的泥水盾构掘进参数智能控制方法的流程示意图；
图2是本发明提供的泥水盾构掘进参数智能控制系统的模块结构图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
需要说明的是，以下说明为示例性，旨在为本发明提供进一步说明。本文所使用的科学术语具有与本发明所属技术领域相关人员理解的相同含义。
实施例一
本实施例提供了一种泥水盾构掘进参数智能控制方法，如图1所示，包括如下步骤：
S101、基于地质信息和盾构掘进参数，通过机器学习方法构建盾构掘进参数预测模型。
其中，学习时采用的数据为地质信息和盾构掘进参数的历史数据，地质信息具体包括围岩等级、地层厚度、地下水位和隧道埋深，盾构掘进参数包括刀盘转速、掘进速度和泥浆压力，采用的机器学习方法为参数相互影响的机器学习算法AdaBoost-Chain(自适应增强-回归链算法)、SVM-Chain(支持向量机)和MORF(多输出随机森林)中任意一种，同时采用网格搜索法和k折交叉验证法寻找最优的算法参数，从而学习到地质信息为输入、盾构掘进参数为输出的映射模型，即盾构掘进参数预测模型。
S102、基于盾构运行数据和地质信息，通过机器学习方法构建盾构掘进地质感知模型。
其中，学习时采用的数据为盾构运行数据和地质信息的历史数据，盾构运行数据包括推力、扭矩、刀盘转速、贯入速率、刀盘功率、TPI、FPI、进浆管流速、泥浆管流速以及工作仓液位，具体为以上数据的均值和标准差，采集到以后采用Savitsky-Goley方法对数据进行降噪。采用的机器学习方法为AdaBoost(自适应增强算法)、RF(随机森林)和SVC(支持向量分类)机器学习算法中任意一种，同时采用网格搜索法和k折交叉验证法寻找最优的算法参数，从而学习到盾构运行数据为输入、地质信息为输出的映射模型，即盾构掘进地质感知模型。
S103、在盾构施工前，根据当前位置的地质信息采用盾构掘进参数预测模型对盾构掘进参数进行预测，并按照预测的盾构掘进参数对盾构掘进参数进行初始设定。
S104、在盾构掘进过程中，实时采集掘进过程中的盾构运行数据，并根据采集的盾构运行数据采用盾构掘进地质感知模型对各掘进循环上的地质信息进行实时预测。
掘进过程中，可通过盾构控制平台实时获取盾构掘进时的盾构运行数据，包括推力、扭矩、刀盘转速、贯入速率、刀盘功率、TPI、FPI、进浆管流速、泥浆管流速以及工作仓液位，将这些数据输入盾构掘进地质感知模型，即可得到感知预测的各掘进循环上的地质信息，包括围岩等级、地层厚度等。
S105、根据预测的地质信息采用盾构掘进参数预测模型对盾构掘进参数进行实时预测，并按照预测的盾构掘进参数对盾构掘进参数实时更新，实现实时智能控制。
其中，将预测感知的围岩等级、地层厚度等地质信息，输入盾构掘进参数预测模型，即可得到实时预测的盾构掘进参数，包括刀盘转速、掘进速度和泥浆压力，按照这些预测的参数对盾构的操作参数进行调整更新，实现盾构掘进参数实时智能控制。
S106、将采集的盾构运行数据作为训练数据，对盾构掘进参数预测模型和盾构掘进地质感知模型进行修正。
实施例二
本实施例提供了一种泥水盾构掘进参数实时智能控制系统，需要说明的是，本实施例中的各个系统模块与实施例一的实施过程相同，此处不再赘述。如图2所示，该系统具体包括：
盾构掘进参数预测模型构建模块，用于基于地质信息和盾构掘进参数，通过机器学习方法构建盾构掘进参数预测模型；
盾构掘进地质感知模型构建模块，用于基于盾构运行数据和地质信息，通过机器学习方法构建盾构掘进地质感知模型；
初始参数设定模块，用于在盾构施工前，根据当前位置的地质信息采用盾构掘进参数预测模型对盾构掘进参数进行预测，并按照预测的盾构掘进参数对盾构掘进参数进行初始设定；
掘进参数智能控制模块，用于在盾构掘进过程中，实时采集掘进过程中的盾构运行数据，并根据采集的盾构运行数据采用盾构掘进地质感知模型对各掘进循环上的地质信息进行实时预测；再根据预测的地质信息采用盾构掘进参数预测模型对盾构掘进参数进行实时预测，并按照预测的盾构掘进参数对盾构掘进参数实时更新，实现盾构掘进参数实时智能控制；
模型修正模块，用于将采集的盾构运行数据作为训练数据，对盾构掘进参数预测模型和盾构掘进地质感知模型进行修正。
值得注意的是，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
本实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
Claims (10)
1.一种泥水盾构掘进参数智能控制方法，其特征在于该方法包括：
基于地质信息和盾构掘进参数，通过机器学习方法构建盾构掘进参数预测模型；
基于盾构运行数据和地质信息，通过机器学习方法构建盾构掘进地质感知模型；
在盾构施工前，根据当前位置的地质信息采用盾构掘进参数预测模型对盾构掘进参数进行预测，并按照预测的盾构掘进参数对盾构掘进参数进行初始设定；
在盾构掘进过程中，实时采集掘进过程中的盾构运行数据，并根据采集的盾构运行数据采用盾构掘进地质感知模型对各掘进循环上的地质信息进行实时预测；
根据预测的地质信息采用盾构掘进参数预测模型对盾构掘进参数进行实时预测，并按照预测的盾构掘进参数对盾构掘进参数实时更新，实现实时智能控制。
2.根据权利要求1所述的泥水盾构掘进参数智能控制方法，其特征在于：该方法还包括：
将采集的盾构运行数据作为训练数据，对盾构掘进参数预测模型和盾构掘进地质感知模型进行修正。
3.根据权利要求1所述的泥水盾构掘进参数智能控制方法，其特征在于：所述地质信息具体包括围岩等级、地层厚度、地下水位和隧道埋深。
4.根据权利要求1所述的泥水盾构掘进参数智能控制方法，其特征在于：所述盾构掘进参数包括刀盘转速、掘进速度和泥浆压力。
5.根据权利要求1所述的泥水盾构掘进参数智能控制方法，其特征在于：所述盾构掘进参数预测模型的机器学习方法具体为自适应增强-回归链算法、支持向量机或多输出随机森林算法中任意一种。
6.根据权利要求1所述的泥水盾构掘进参数智能控制方法，其特征在于：所述盾构运行数据包括推力、扭矩、刀盘转速、贯入速率、刀盘功率、TPI、FPI、进浆管流速、泥浆管流速以及工作仓液位。
7.根据权利要求1所述的泥水盾构掘进参数智能控制方法，其特征在于：所述盾构掘进地质感知模型的机器学习方法具体为自适应增强算法、支持向量分类或随机森林算法中任意一种。
8.一种泥水盾构掘进参数智能控制系统，其特征在于包括：
盾构掘进参数预测模型构建模块，用于基于地质信息和盾构掘进参数，通过机器学习方法构建盾构掘进参数预测模型；
盾构掘进地质感知模型构建模块，用于基于盾构运行数据和地质信息，通过机器学习方法构建盾构掘进地质感知模型；
初始参数设定模块，用于在盾构施工前，根据当前位置的地质信息采用盾构掘进参数预测模型对盾构掘进参数进行预测，并按照预测的盾构掘进参数对盾构掘进参数进行初始设定；
掘进参数智能控制模块，用于在盾构掘进过程中，实时采集掘进过程中的盾构运行数据，并根据采集的盾构运行数据采用盾构掘进地质感知模型对各掘进循环上的地质信息进行实时预测；再根据预测的地质信息采用盾构掘进参数预测模型对盾构掘进参数进行实时预测，并按照预测的盾构掘进参数对盾构掘进参数实时更新，实现实时智能控制。
9.根据权利要求8所述的泥水盾构掘进参数智能控制系统，其特征在于该系统还包括：
模型修正模块，用于将采集的盾构运行数据作为训练数据，对盾构掘进参数预测模型和盾构掘进地质感知模型进行修正。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211353727.9A CN115822629A (zh) | 2022-11-01 | 2022-11-01 | 泥水盾构掘进参数智能控制方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211353727.9A CN115822629A (zh) | 2022-11-01 | 2022-11-01 | 泥水盾构掘进参数智能控制方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115822629A true CN115822629A (zh) | 2023-03-21 |
Family
ID=85526047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211353727.9A Pending CN115822629A (zh) | 2022-11-01 | 2022-11-01 | 泥水盾构掘进参数智能控制方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115822629A (zh) |
-
2022
- 2022-11-01 CN CN202211353727.9A patent/CN115822629A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102211421B1 (ko) | 터널 굴진면의 전방 지질 상태 예측에 기반한 tbm 제어 파라미터 결정 방법 및 시스템 | |
| Hu et al. | Optimization of concurrent mining and reclamation plans for single coal seam: a case study in northern Anhui, China | |
| CN105849363A (zh) | 在井筒中控制井底组合件 | |
| 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 | |
| Wang et al. | An auto-detection network to provide an automated real-time early warning of rock engineering hazards using microseismic monitoring | |
| CN109542884B (zh) | 采用大数据耦合参数以优化破岩效率的方法和系统 | |
| CN113255990A (zh) | 盾构法隧道施工开挖面土质实时预测系统及方法 | |
| CN115773127A (zh) | 一种泥水平衡盾构智能决策方法、系统、设备及介质 | |
| CN115358494A (zh) | 一种地铁盾构下穿施工的危险预警方法 | |
| CN103628816A (zh) | 地震属性指导水平井导向的方法及其装置 | |
| Qin et al. | An adaptive operating parameters decision-making method for shield machine considering geological environment | |
| CN115822629A (zh) | 泥水盾构掘进参数智能控制方法、系统及存储介质 | |
| Zhang et al. | Prediction Method of TBM Tunneling Parameters Based on Bi‐GRU‐ATT Model | |
| Hong et al. | A Data‐Driven Method for Predicting the Cutterhead Torque of EPB Shield Machine | |
| CN108171378A (zh) | 一种基于多目标智能协调优化实现矿冶工程绿色开发方法 | |
| Liu et al. | CNN-GRU-Based intelligent online prediction of screw machine rotation speed for Earth pressure balance shield machine | |
| CN115759351A (zh) | 泥水盾构掘进综合预警方法、系统及存储介质 | |
| YAN et al. | Predicting TBM penetration rate with the coupled model of partial least squares regression and deep neural network | |
| Bo et al. | Prediction of tunnel deformation using PSO variant integrated with XGBoost and its TBM jamming application | |
| CN113393334B (zh) | 一种钻井参数优化推荐方法及系统 | |
| CN113935546A (zh) | 一种基于rf-pso的泥水平衡式盾构掘进参数优化方法 | |
| Lee et al. | Analysis on prediction models of TBM performance: A review | |
| CN109344445B (zh) | 一种地下水封石洞油库扩建水封安全间距的计算方法 | |
| Chen et al. | Prediction of tunneling-induced surface settlement using a Bi-LSTM model with high generalization performance | |
| CN117952196B (zh) | 基于数据-知识双驱动的tbm掘进参数智慧辅助决策系统及方法 |
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 |