CN115966074B - 基于机器学习的盾构刀盘结泥饼预警方法及系统 - Google Patents
基于机器学习的盾构刀盘结泥饼预警方法及系统 Download PDFInfo
- Publication number
- CN115966074B CN115966074B CN202310115363.9A CN202310115363A CN115966074B CN 115966074 B CN115966074 B CN 115966074B CN 202310115363 A CN202310115363 A CN 202310115363A CN 115966074 B CN115966074 B CN 115966074B
- Authority
- CN
- China
- Prior art keywords
- mud cake
- early warning
- shield
- cutter disc
- parameter data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 238000010276 construction Methods 0.000 claims abstract description 25
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000005641 tunneling Effects 0.000 claims description 41
- 230000035515 penetration Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 238000007477 logistic regression Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 abstract 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000005755 formation reaction Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明提供了一种基于机器学习的盾构刀盘结泥饼预警方法及系统，包括如下步骤：获取施工过程中盾构机参数数据，对参数数据进行结泥饼相关性分析，筛选出与结泥饼相关性高的关键参数数据。根据现场施工情况及关键参数数据判断结泥饼状态，建立关键参数与结泥饼状态的映射结果集。利用机器学习模型，将得到的关键参数与结泥饼状态映射结果集输入模型进行训练，得到结泥饼状态预警模型。选取工况不同的项目参数数据进行上述处理，形成验证集。将验证集数据输入结泥饼状态预警模型进行评估，训练刀盘结泥饼预警模型，直至预测准确率到达目标准确率。采集盾构施工关键参数实时数据，利用刀盘结泥饼状态预警模型进行刀盘结泥饼实时预警。
Description
技术领域
本发明涉及盾构隧道施工技术领域，尤其涉及一种基于机器学习的盾构刀盘结泥饼预警方法及系统。
背景技术
在盾构施工过程中，盾构刀盘常面临结泥饼的难题，即刀盘被切削下来的细小颗粒形成的（半）固体所黏附住。泥饼一旦形成，会增加刀盘工作负荷，造成推力、扭矩突然增大，掘进速度缓慢等问题，严重影响盾构掘进效率，严重时将会引起刀盘过热、轴承损坏等重大安全问题。目前，对于刀盘结是否泥饼，主要依赖于盾构司机对相关掘进参数变化的判断。由于盾构司机的理论与经验参差不齐，这种判断方式存在比较大的人为误差，无法实现对盾构机刀盘结泥饼进行预警和及时处理。
公开号为CN112031798A的一种刀盘结泥饼预警系统及方法，利用神经网络对土压平衡盾构相关掘进参数进行判断，由于土压平衡盾构与泥水平衡盾构工作原理不同，在对关键参数的选取上也有所差异，并且没有考虑地层突变引起的参数异常变化的问题，故对泥水平衡盾构刀盘结泥饼进行预测时无法取得较好的效果。
公开号为CN111622766A的一种盾构机刀盘结泥饼判断及结泥饼位置检测方法，通过分析相关掘进参数是否异常来判断刀盘结泥饼的情况。但是通过参数变化斜率来判定参数异常情况是不准确的，并且没有考虑地层突变导致的参数异常变化的情况，这也使得此方法判断的准确率较低。
发明内容
发明目的：提出一种基于机器学习的盾构刀盘结泥饼预警方法，并进一步提出一种预警系统来执行上述方法，以解决现有技术存在的上述问题。
第一方面，提出一种基于机器学习的盾构刀盘结泥饼预警方法，该方法步骤如下：
步骤一：获取盾构机数据采集系统提供的盾构在不同时间点位的掘进关键参数数据，利用相关性分析对每个点位的参数数据进行相关性分析，最后筛选出关键参数数据具体包括刀盘推力F、刀盘扭矩T、推进速度V、刀盘转速S和贯入度P；
步骤二：对步骤一中获取到的关键参数数据进行预处理，将由于盾构机停止、数据采集系统离线造成的点位数据波动进行优化处理，剔除参数数据为0和异常波动的点位，为了便于研究，将各参数数据进行局部无量纲化处理，使其在处于同一量级，同时为了消除地层突变所导致的参数数据异常变化，引入地层折减系数η对参数数据进行优化；
步骤三：对步骤二中预处理后得到的盾构掘进关键参数数据进行标记，结合现场施工报表，建立掘进关键参数与刀盘结泥饼状态映射结果集；
步骤四：将建立好的掘进关键参数与刀盘结泥饼状态映射结果集输入机器学习模型中，训练模型，得到评估刀盘结泥饼状态的预警模型；
步骤五：选取不同施工环境、不同工况下的盾构项目，重复步骤一至步骤三，将得到的掘进关键参数与结泥饼状态映射结果集输入到步骤四中得到的评估刀盘结泥饼状态的预警模型中，计算模型的预测准确率；
步骤六：将预测准确率与目标准确率进行比较，若预测准确率＜目标准确率，则返回步骤五，直至预测准确率≥目标准确率。
步骤七：采集盾构施工过程中盾构实时关键掘进参数数据，利用评估刀盘结泥饼状态的模型对刀盘结泥饼状态进行实时预警。
在第一方面进一步的实施例中，所述步骤二中无量纲化处理是将当前环的参数数据与其前100环的参数数据的平均值进行除法运算得到的比值，具体公式为如下：
式中，
={刀盘推力F、刀盘扭矩T、推进速度V、刀盘转速S、贯入度P}；
为优化后100环数据的平均值；
={刀盘推力
、刀盘扭矩
、推进速度
、刀盘转速
、贯入度
}；
为局部无量纲化处理完的参数数据；
={刀盘推力
、刀盘扭矩
、推进速度
、刀盘转速
、贯入度
}。
盾构机掘进是按照环来算的，一环是一个完整的施工流程，包括掘进、拼装等，在大盾构里一环为掘进2米。
在第一方面进一步的实施例中，所述步骤二中地层折减系数η是根据断面上不同地层的物理力学参数来确定的，主要考虑的物理力学参数有天然重度γ、粘聚力c、内摩擦角
，通过对各物理力学参数进行面积加权平均，再将相邻断面处参数加权值进行比值平均处理，即得到地层折减系数η；
式中，
代表天然重度γ、粘聚力c、内摩擦角
，
代表断面上上不同土层的面积，S代表断面总面积，
为参数按面积加权平均后的值。
式中，
，
，
，
，
，
表示按面积加权优化后相邻两断面的参数数值。
式中，η为地层折减系数，
为局部无量纲化处理完的参数数据，
为消除地层突变后参数数据。
在第一方面进一步的实施例中，步骤三所述刀盘泥饼状态包括未结泥饼和已经结泥饼，分别用0、1进行表示。根据现场施工报表，刀盘结泥饼结果集包括0和1，对应于0和1状态下的关键参数的数值为掘进关键参数集，由此将掘进关键参数集于结泥饼结果集一一对应。
在第一方面进一步的实施例中，步骤四所述机器学习模型采用逻辑回归模型，具体步骤包括：
采用python语言构建逻辑回归模型，利用线性回归库中的逻辑回归函数建立模型，模型表达式为： 
式中，y为结果集，x为关键参数集，
为求取的关键参数的系数。
通过设置逻辑回归模型惩罚项、正则化强度、求解器、样本权重、停止标准和最大迭代数，输入包含五个参数的参数集和对应结果集，通过逻辑函数内部的梯度下降和交叉熵，不断优化逻辑回归模型，最后通过混淆矩阵来判断模型的准确度。
第二方面，提出一种盾构刀盘结泥饼预警系统，该系统包括数据采集模块、数据处理模块和预警模块；所述数据采集模块用于对盾构掘进参数、地质信息、现场施工报表进行采集；所述数据处理模块是将采集好的盾构参数进行预处理，通过相关性分析筛选出与结泥饼相关度高的关键参数，建立关键参数与结泥饼状态的映射结果集，利用机器学习训练得到刀盘结泥饼预警模型；所述预警模块用于接收刀盘结泥饼预警分级结果，以便于现场施工根据预警等级及时采取相应措施。
第三方面，提出一种电子设备，该电子设备包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过所述通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使所述处理器执行如第一方面所述的盾构刀盘结泥饼预警方法。
有益效果：通过相关性分析找出与刀盘结泥饼相关性高的盾构关键掘进参数，最终确定的关键参数包括刀盘推力F、刀盘扭矩T、推进速度V、刀盘转速S和贯入度P；利用机器学习的方法，通过刀盘推力F、刀盘扭矩T、推进速度V、刀盘转速S和贯入度P五个关键参数对刀盘结泥饼状态进行预警，并选取多个不同施工环境和不同工况的盾构项目，对机器学习模型进行训练、验证，同时不断的调整参数，循环训练直至对刀盘结泥饼的预测准确率到达90%及以上，预测结果稳定可靠。同时也对预警进行分级，便于施工现场按结泥饼预警等级采取相应措施，有效的预防了结泥饼的发生和发展，从而避免了因刀盘结泥饼导致的掘进效率低下及安全问题。本发明考虑了地层突变引起参数异常变化的情况，避免了因地层突变而导致的模型对刀盘结泥饼的误判。
附图说明
图1 为刀盘结泥饼预警系统组成示意图。
图2为刀盘结泥饼预警方法流程示意图。
图3为逻辑回归算法示意图。
图4为某盾构项目刀盘结泥饼预警结果示意图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
目前，对于刀盘结是否泥饼，主要依赖于盾构司机对相关掘进参数变化的判断。由于盾构司机的理论与经验参差不齐，这种判断方式存在比较大的人为误差，无法实现对盾构机刀盘结泥饼进行预警和及时处理。
为此，提出一种基于机器学习方法的盾构刀盘结泥饼预警系统与方法，通过对盾构掘进的相关参数数据进行采集和机器学习，实现对刀盘结泥饼实时预警，避免了因刀盘结泥饼导致盾构掘进效率低下，保障了盾构施工的安全稳定。下面结合实施例对本发明的技术构思做出具体说明。
本实施例提出一种刀盘结泥饼预警系统，如图1所示，具体包括数据采集模块、数据处理模块和预警模块；所述数据采集模块用于对盾构掘进参数、地质信息、现场施工报表进行采集；所述数据处理模块是将采集好的盾构参数进行预处理，通过相关性分析筛选出与结泥饼相关度高的关键参数，建立关键参数与结泥饼状态的映射结果集，利用机器学习训练得到刀盘结泥饼预警模型；所述预警模块用于接收刀盘结泥饼预警分级结果，以便于现场施工根据预警等级及时采取相应措施。
实施例二提出一种刀盘结泥饼预警方法，如图2所示，包括以下步骤：
步骤一，获取盾构机数据采集系统提供的盾构在不同时间点位的掘进关键参数数据，利用相关性分析对每个点位的参数数据进行相关性分析，最后筛选出关键参数数据包括刀盘推力F、刀盘扭矩T、推进速度V、刀盘转速S和贯入度P；
所述刀盘推力F为盾构机监测系统记录的总推力；
所述刀盘扭矩T为盾构机监测系统记录的总扭矩；
本实例中，采集了100环盾构机的关键数据，每一环包含有1000多个采集点位，该采集区间内发生刀盘结泥饼的现象。
步骤二，根据步骤一中的100环数据进行预处理，将对应环号所包含的点位进行数据的初步筛选，将由于盾构机停止、系统离线造成的点位数据波动进行优化处理，剔除参数数据为0和异常波动的点位，为了便于研究，将各参数数据进行局部无量纲化处理，使其在处于同一量级，同时为了消除地层突变所导致的参数数据异常变化，引入地层折减系数η对参数数据进行优化；
所述局部无量纲化处理的公式为：
式中，
={刀盘推力F、刀盘扭矩T、推进速度V、刀盘转速S、贯入度P}；
为优化后100环数据的平均值；
={刀盘推力
、刀盘扭矩
、推进速度
、刀盘转速
、贯入度
}；
为局部无量纲化处理完的参数数据；
={刀盘推力
、刀盘扭矩
、推进速度
、刀盘转速
、贯入度
}。
所述步骤二中地层折减系数η是根据断面上不同地层的物理力学参数来确定的，主要考虑的物理力学参数有天然重度γ、粘聚力c、内摩擦角
，通过对各物理力学参数进行面积加权平均，再将相邻断面处参数加权值进行比值平均处理，即得到地层折减系数η；
式中，
代表天然重度γ、粘聚力c、内摩擦角
，
代表断面上上不同土层的面积，S代表断面总面积，
为参数按面积加权平均后的值。
式中，
，
，
，
，
，
表示按面积加权优化后相邻两断面的参数数值。
式中，η为地层折减系数，
为局部无量纲化处理完的参数数据，
为消除地层突变后参数数据。
步骤三，根据现场施工报表以及合理地推断，对步骤二所得到的x对关键参数集与刀盘结泥饼状态进行结果集映射，得到训练所需的结果集y；
所述刀盘泥饼状态包括未结泥饼和已经结泥饼，分别用0、1进行表示。
步骤四，选择合适的机器学习模型，将所得到的关键参数集x和结果集y输入进模型中，训练模型，得到评估刀盘结泥饼状态的预警模型；
所述机器学习模型采用逻辑回归模型，如图3所示，具体步骤包括：
采用python语言构建逻辑回归模型，利用线性回归库中的逻辑回归函数建立模型，模型表达式为：
式中，y为结果集，x为关键参数集，
为求取的关键参数的系数。
通过设置逻辑回归模型惩罚项、正则化强度、求解器、样本权重、停止标准和最大迭代数，输入包含五个参数的参数集和对应结果集，通过逻辑函数内部的梯度下降和交叉熵，不断优化逻辑回归模型，最后通过混淆矩阵来判断模型的准确度：将逻辑回归的惩罚项设置为L1，正则化强度设置成2，求解器为“liblinear”，样本权重为{0:0.9,1:0.1}，停止标准为1e-5，最大迭代数为2000；逻辑回归模型设置完成之后，通过梯度下降来生成结果模型，通过结果模型的预测结果与真实结果的计算预测准确率，混淆矩阵可以认为是对应结果的正确率的比值，通过预测准确率来回调参数，主要调节样本权重、停止标准和最大迭代数。
步骤五：选取不同施工环境、不同工况下的盾构项目，重复步骤一至步骤三，将得到的掘进关键参数与结泥饼状态映射结果集输入到步骤四中得到的评估刀盘结泥饼状态的预警模型中，计算模型的预测准确率；
步骤六：将预测准确率与目标准确率进行比较，若预测准确率＜目标准确率，则返回步骤五，直至预测准确率≥目标准确率。
所述模型目标准确率为90%，预测准确率=
；
步骤七：采集盾构施工过程中盾构实时关键掘进参数数据，利用评估刀盘结泥饼状态的模型对刀盘结泥饼状态进行实时预警。
基于上述实施例一和实施例二，实施例三提出所述刀盘结泥饼的预警方式：
根据一环中区间中点位的状态判断将刀盘结泥饼预警等级分为3级，3级为最高预警级别，1级最低。其中，3级预警为当前环结泥饼的概率达到0.5的点位超过80%， 2级预警为当前环结泥饼的概率达到0.5的点位超过50%以上，1级预警为当前环结泥饼的概率达到0.5的点位超过30%以上。
某盾构项目刀盘结泥饼预警结果如图4所示。利用刀盘结泥饼状态的预警模型对某项目进行刀盘结泥饼预测，得到第80环到第740环的刀盘结泥饼预测结果，横坐标表示刀盘结泥饼预警等级，纵坐标表示盾构推进环数，可以看到在第80环到第740环中，模型一共发出刀盘结泥饼预警10次，其中仅有一次误报，预测准确率为90%。
本实施例提出一种电子设备，该电子设备包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过所述通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使所述处理器执行如实施例二至~施例四中所述的盾构刀盘结泥饼预警方法。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。
Claims (9)
1.基于机器学习的盾构刀盘结泥饼预警方法，其特征在于包括如下步骤：
S1、获取盾构机在不同时间点位的掘进关键参数数据，对每个点位的参数数据进行相关性分析，最后筛选出关键参数数据；
其中，筛选得到的关键参数数据至少包括刀盘推力F、刀盘扭矩T、推进速度V、刀盘转速S和贯入度P；
S2、对S1中获取到的关键参数数据进行预处理：
将由于盾构机停止、数据采集系统离线造成的点位数据波动进行优化处理，剔除参数数据为0和异常波动的点位，将各参数数据进行局部无量纲化处理，使其在处于同一量级；引入地层折减系数η对参数数据进行优化；
S3、对S2中预处理后得到的盾构掘进关键参数数据进行标记，结合现场施工报表，建立掘进关键参数与刀盘结泥饼状态映射结果集；
S4、将建立好的掘进关键参数与刀盘结泥饼状态映射结果集输入机器学习模型中，训练模型，得到评估刀盘结泥饼状态的预警模型；
S5、选取不同施工环境、不同工况下的盾构项目，重复S1至S3，将得到的掘进关键参数与结泥饼状态映射结果集输入到S4中评估刀盘结泥饼状态的预警模型中，计算模型的预测准确率；
S6、将预测准确率与目标准确率进行比较，若预测准确率＜目标准确率，则返回S5，直至预测准确率≥目标准确率；
S7、采集盾构施工过程中盾构实时关键掘进参数数据，利用评估刀盘结泥饼状态的模型对刀盘结泥饼状态进行实时预警。
2.根据权利要求1所述的盾构刀盘结泥饼预警方法，其特征在于，局部无量纲化处理的过程进一步包括：
将当前环的参数数据与其前100环的参数数据的平均值进行除法运算得到的比值：
式中，
={刀盘推力F、刀盘扭矩T、推进速度V、刀盘转速S、贯入度P}；
为优化后100环数据的平均值；
={刀盘推力
、刀盘扭矩
、推进速度
、刀盘转速
、贯入度
}；
为局部无量纲化处理完的参数数据；
={刀盘推力
、刀盘扭矩
、推进速度
、刀盘转速
、贯入度
}。
3.根据权利要求1所述的盾构刀盘结泥饼预警方法，其特征在于，步骤S2中地层折减系数η的确定过程包括：
S2-a-1、根据断面上不同地层的天然重度γ、粘聚力c、内摩擦角
，通过对各物理力学参数进行面积加权平均处理，如下：
式中，
代表天然重度γ、粘聚力c、内摩擦角
，
代表断面上上不同土层的面积，S代表断面总面积，
为参数按面积加权平均后的值；
S2-a-2、将相邻断面处参数加权值进行比值平均处理，得到地层折减系数η：
式中，
，
，
，
，
，
表示按面积加权优化后相邻两断面的参数数值。
4.根据权利要求3所述的盾构刀盘结泥饼预警方法，其特征在于，根据S2-a-2计算得出的地层折减系数η对参数数据进行优化，输出消除地层突变后参数数据：
式中，η为地层折减系数，
为局部无量纲化处理完的参数数据，
为消除地层突变后参数数据。
5.根据权利要求1所述的盾构刀盘结泥饼预警方法，其特征在于，S3中所述刀盘结泥饼状态包括未结泥饼和已经结泥饼；未结泥饼用0表示，已经结泥饼用1表示。
6.根据权利要求5所述的盾构刀盘结泥饼预警方法，其特征在于，S3中建立掘进关键参数与刀盘结泥饼状态映射结果集的过程进一步包括：根据现场施工报表，刀盘结泥饼结果集包括0和1，对应于0和1状态下的关键参数的数值为掘进关键参数集，由此将掘进关键参数集于结泥饼结果集一一对应。
7.根据权利要求1所述的盾构刀盘结泥饼预警方法，其特征在于，S4所述机器学习模型采用逻辑回归模型，具体步骤包括：
S4-1、构建逻辑回归模型，利用线性回归库中的逻辑回归函数建立模型，模型表达式为：
式中，y为结果集，x为关键参数集，
为求取的关键参数的系数；
S4-2、设置逻辑回归模型惩罚项、正则化强度、求解器、样本权重、停止标准和最大迭代数，输入包含五个参数的参数集和对应结果集，通过逻辑函数内部的梯度下降和交叉熵，不断优化逻辑回归模型，最后通过混淆矩阵来判断模型的准确度。
8.盾构刀盘结泥饼预警系统，用于驱动并执行如权利要求1至7中任一项所述的盾构刀盘结泥饼预警方法，其特征在于，包括：
数据采集模块，用于采集掘进参数、地质信息、现场施工报表，形成盾构参数；
数据处理模块，用于对采集到的盾构参数进行预处理操作，通过相关性分析筛选出与结泥饼相关度高的关键参数，建立关键参数与结泥饼状态的映射结果集，利用机器学习训练得到刀盘结泥饼预警模型；由所述刀盘结泥饼预警模型输出分级结果；
预警模块，用于接收刀盘结泥饼预警分级结果，并报告给现场施工人员。
9.一种电子设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1至7中任一项所述的盾构刀盘结泥饼预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310115363.9A CN115966074B (zh) | 2023-02-15 | 2023-02-15 | 基于机器学习的盾构刀盘结泥饼预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310115363.9A CN115966074B (zh) | 2023-02-15 | 2023-02-15 | 基于机器学习的盾构刀盘结泥饼预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115966074A CN115966074A (zh) | 2023-04-14 |
| CN115966074B true CN115966074B (zh) | 2023-05-23 |
Family
ID=85905086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310115363.9A Active CN115966074B (zh) | 2023-02-15 | 2023-02-15 | 基于机器学习的盾构刀盘结泥饼预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115966074B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117646657B (zh) * | 2024-01-30 | 2024-04-16 | 中电建铁路建设投资集团有限公司 | 一种泥水盾构下穿技术的监测预警系统 |
| CN117851761B (zh) * | 2024-03-08 | 2024-05-14 | 山东天工岩土工程设备有限公司 | 一种盾构机刀盘状态评估方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111622766A (zh) * | 2020-05-19 | 2020-09-04 | 中铁十四局集团大盾构工程有限公司 | 一种盾构机刀盘结泥饼判断及结泥饼位置检测方法 |
| CN112031798B (zh) * | 2020-09-27 | 2022-03-29 | 中铁工程装备集团有限公司 | 一种刀盘结泥饼预警系统及方法 |
| CN115559737A (zh) * | 2022-04-15 | 2023-01-03 | 上海交通大学 | 基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统 |
| CN115288712A (zh) * | 2022-08-23 | 2022-11-04 | 中铁工程装备集团有限公司 | 盾构刀盘及用于盾构刀盘的泥饼防治方法 |
| CN115499473B (zh) * | 2022-11-21 | 2023-03-24 | 中铁十四局集团有限公司 | 基于边缘计算架构的盾构施工预警方法及预警系统 |
-
2023
- 2023-02-15 CN CN202310115363.9A patent/CN115966074B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115966074A (zh) | 2023-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115966074B (zh) | 基于机器学习的盾构刀盘结泥饼预警方法及系统 | |
| Dong et al. | Discrimination of mine seismic events and blasts using the fisher classifier, naive bayesian classifier and logistic regression | |
| Dong et al. | Discriminant models of blasts and seismic events in mine seismology | |
| Farhadian | A new empirical chart for rockburst analysis in tunnelling: Tunnel rockburst classification (TRC) | |
| CN114757266B (zh) | 专家知识与数据融合驱动的冲击地压预测模型构建方法 | |
| CN105260599A (zh) | 一种基于bp神经网络建模的冲击地压动态预测方法 | |
| Kulatilake et al. | New prediction models for mean particle size in rock blast fragmentation | |
| Kabiesz et al. | Application of rule-based models for seismic hazard prediction in coal mines. | |
| Zhang et al. | Geological Type Recognition by Machine Learning on In‐Situ Data of EPB Tunnel Boring Machines | |
| CN116341901A (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
| Basarir et al. | The use of soft computing methods for the prediction of rock properties based on measurement while drilling data | |
| CN111507539A (zh) | 一种基于层次分析法的泥石流危险等级评价方法及系统 | |
| Zhang et al. | Cross-project prediction for rock mass using shuffled TBM big dataset and knowledge-based machine learning methods | |
| CN116044501A (zh) | 一种超前地质预报动态监测预警系统及方法 | |
| CN114002129B (zh) | 一种高水压裂隙岩体渗流试验平台 | |
| CN113762360B (zh) | 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法 | |
| Wang et al. | Early warning method for coal and gas outburst prediction based on indexes of deep learning model and statistical model | |
| CN113946899A (zh) | 一种基于实时地质信息的泥水盾构掘进参数预测方法 | |
| CN106846229B (zh) | 湖泊生态系统灾变早期预警方法 | |
| CN115239108B (zh) | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 | |
| CN114818493A (zh) | 一种隧道岩体完整程度定量评价的方法 | |
| CN115618173A (zh) | 基于间隔增广马氏距离的地质钻进过程异常检测方法 | |
| CN113374525A (zh) | 一种基于多参量数据融合的煤与瓦斯突出危险区判识综合预警方法 | |
| Hansen et al. | Improving face decisions in tunnelling by machine learning‐based MWD analysis | |
| Sheng-qiang et al. | Establishment of grey-neural network forecasting model of coal and gas outburst |
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 |