CN116108587B - 一种考虑多源信息不确定性的tbm利用率预测方法 - Google Patents
一种考虑多源信息不确定性的tbm利用率预测方法 Download PDFInfo
- Publication number
- CN116108587B CN116108587B CN202310197798.2A CN202310197798A CN116108587B CN 116108587 B CN116108587 B CN 116108587B CN 202310197798 A CN202310197798 A CN 202310197798A CN 116108587 B CN116108587 B CN 116108587B
- Authority
- CN
- China
- Prior art keywords
- tbm
- model
- utilization rate
- parameters
- prediction
- 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 44
- 238000010276 construction Methods 0.000 claims abstract description 70
- 230000005641 tunneling Effects 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 241000254173 Coleoptera Species 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000010845 search algorithm Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000011435 rock Substances 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 241001481710 Cerambycidae Species 0.000 claims description 10
- 238000005299 abrasion Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 239000000843 powder Substances 0.000 claims description 2
- 238000012876 topography Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 208000022971 Tuberculous meningitis Diseases 0.000 description 85
- 208000001223 meningeal tuberculosis Diseases 0.000 description 85
- 230000008569 process Effects 0.000 description 13
- 238000012795 verification Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000009430 construction management Methods 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 206010057175 Mass conditions Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种考虑多源信息不确定性的TBM利用率预测方法，该预测方法包括以下步骤：构建考虑多源信息不确定性的TBM利用率预测数据集；进行数据清洗、数理统计分析以及特征筛选处理，确定模型输入参数；利用天牛须搜索算法对机器学习模型的超参数进行优化选择；利用BAS‑BRT算法框架与数据集建立TBM利用率的预测模型；通过与其他机器学习模型的预测效果进行对比分析，验证模型的优越性与稳定性；基于训练的模型进行未知掘进段的TBM利用率预测并对异常区段进行预警。本发明相对于现有的TBM利用率预测模型而言，考虑了TBM施工中出现的随机性，融合算法能够实现全局最优化迭代，模型表现出良好的并行处理效果与鲁棒性。
Description
技术领域
本发明涉及TBM掘进性能预测技术领域，特别涉及一种考虑多源信息不确定性的TBM利用率预测方法。
背景技术
岩石隧道掘进机具有高掘进效率、低施工影响以及长距离施工经济性等优点，被越来越广泛地应用到深埋长隧道建设。然而，TBM施工对地质条件的变异比较敏感，一旦发生事故会造成严重的工期延误和巨大的经济损失。因此，复杂地质条件下TBM安全施工与高效掘进问题日益突出，如何对TBM设备利用率进行精确地评价预测，进而合理调整掘进参数以提高应对各类风险的警示和预防能力，成为TBM施工领域最关心的焦点问题之一。
影响TBM设备利用率预测的不确定性因素较多，主要涉及到影响TBM利用率的不良地质问题，地质条件无法通过超前地质勘探得到精准的信息，有限的勘探钻孔取样得到的工程地质概况不足以体现隧道沿线丰富的地质信息，各种复杂的地质问题导致了TBM利用率预测波动较大；同时施工的管理水平、工人的操作能力、TBM机械设备的性能也带来了施工过程中的各种随机性，施工机械以及人员的操作差别同样制约着模型预测结果的准确性。因此，TBM设备利用率预测面临施工过程中各类不确定性带来的影响，想要借助确定的现场地质条件以及机械参数来衡量TBM的施工性能存在巨大的挑战。
因此，本发明充分利用TBM现场验证、室内试验和数学模型等有机结合的方法，通过多种途径深入挖掘围岩参数、机械参数、施工管理参数、掘进参数等有效信息，开发了耦合天牛须算法-增强回归树的TBM设备利用率预测模型，具有重要的工程价值和应用前景。
发明内容
针对现有技术存在的缺陷，本发明提供了一种考虑多源信息不确定性的TBM利用率预测方法，该方法在超参数优化层面引入天牛须搜索算法，其自适应特点能够契合TBM施工中出现的随机性，在训练学习层面融合BRT算法可以实现全局最优化迭代，耦合算法进一步提高了模型的并行处理效果与鲁棒性。此外，依据预测结果的反馈信息可印证掘进过程中典型地质风险，进一步验证模型的稳定性和指示风险能力。
本发明提供一种考虑多源信息不确定性的TBM利用率预测方法，包括以下步骤：
步骤一：构建考虑多源信息不确定性的TBM利用率预测数据集；
步骤二：对所述数据集进行数据清洗、数理统计分析以及特征筛选处理，确定模型输入参数；
步骤三：利用天牛须搜索算法对机器学习模型的超参数进行优化选择；
步骤四：将最优的超参数代入BAS-BRT算法框架，基于所述数据集建立TBM利用率的预测模型；
步骤五：通过与待设定机器学习模型的预测效果进行对比分析，验证模型的优越性与稳定性；
步骤六：运用训练的模型进行未知掘进段的TBM利用率预测并对异常区段进行预警。
优选的，所述数据集包括：不同采样点的岩石物理力学参数与TBM机械性能参数、施工日报记录的各项操作与管理参数；
其中，每段掘进区间内的数据与围岩桩号相互对应，且对应的无效数据进行剔除。
优选的，确定模型输入参数，具体包括：
21)通过对不同地质区段的输入参数进行描述性统计，基于3σ法则清洗排除距离均值超过三倍标准差的异常数据；
22)统计已有模型TBM设备利用率的输入参数使用频次，结合工程现场的实际施工情况进行综合筛选；
23)确定输入参数为反映隧洞沿线地质条件的岩体分级系统RMR值与岩石耐磨性CAI值；反映TBM机械掘进效果的刀盘推力TF值和刀盘扭矩CT值以及量化人为因素的管理系数k，对提取的特征数据做归一化处理。
优选的，量化人为因素的管理系数k的定义为：
整合同一岩性地质区段内每一掘进循环内的人为停机时间，将所述人为停机时间与该掘进循环段内施工总时间的比值，设定为此岩性段的管理系数k。
优选的，利用天牛须搜索算法对机器学习模型的超参数进行优化选择，具体包括：
31)确定天牛须随机方向向量；
32)设定搜索步长δ以及相应的衰减因子ηδ；
33)确立适应度函数；
34)确定BRT模型中待寻优超参数的取值范围；
35)迭代更新寻求最优解。
优选的，迭代更新寻求最优解，具体包括：
设定天牛触角的随机方向向量并将其归一化为；
其中，rands()表示随机函数，m表示待优化问题的维度；b表示天牛触角的随机方向向量，1表示向量1
基于天牛左右长触角的空间搜索模型来模拟其移动行为，构建的空间坐标迭代模型：
其中，xrk表示第k次搜索迭代时右须的位置，xlk表示第k次搜索迭代时左须的位置；dk是左右触角之间的距离，xk是甲虫在第k个时刻的位置；
借助适应度函数f(x)来判断左右两须感知的气味浓度，并基于此检测气味产生的源点；
xk+1＝xk-δk×b×sign(f(xrk)-f(xlk))
其中，xk+1是甲虫在第k+1个时刻的位置，δk表示第k次搜索的步长，sign()表示符号函数；
借助更新搜索距离和步长的公式优化结果；
其中，ηd和ηδ分别为触角间距离d的衰减系数和搜索步长δ的衰减系数；dk-1是第k-1个时刻左右触角之间的距离,δk-1表示第k-1次搜索的步长；d0是初始时刻左右触角之间的距离,δ0表示初始时刻搜索的步长。
优选的，将最优的超参数代入BAS-BRT算法框架，基于所述数据集建立TBM利用率的预测模型，具体包括：
依据最优超参数进行模型的训练学习与验证工作，基于多因素评价指标比对所建模型的预测效果，评价指标采用决定系数R2、均方根误差RMSE、平均绝对误差MAE和方差比VAF，相关计算公式为：
其中，n为数据集样本的个数，fi、yi分别为第i个样本的真实值和模型输出值，表示模型输出平均值。
优选的，运用训练的模型进行未知掘进段的TBM利用率预测并对异常区段进行预警，具体步骤：
将未知掘进区段的岩土体参数、TBM机械运行参数与人为管理参数输入最终模型，得到对应的TBM利用率预测值；
结合地质地图与相关施工记录日志确定的不同地质风险区段信息，绘制TBM设备利用率模型的预测值与真实值的变化曲线；
基于TBM设备利用率预测结果的异常分析模型反馈对应异常区段的预警。
与现有技术相比，本申请的有益效果如下：
1、本发明首次提出量化人为因素的管理系数k，将其定义为每段掘进循环内人为停机时间与施工总时间的比值，综合多因素的输入参数在一定程度上量化了TBM施工过程中的随机性，对模型预测精度的提高奠定了良好的基础。
2、本发明针对TBM利用率预测问题首次耦合BAS与BRT算法建立模型，BAS算法能够契合TBM施工中出现的随机性，BRT回归可以实现全局最优化迭代，进而针对预测问题中的目标函数搜索最优解。
3、本发明首次利用预测数值的异常印证了实际工程的地质风险，该算法应对TBM施工过程中的随机事件具有良好的适应性，对于保障TBM快速、安全施工具有重要的指导意义。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明的预测流程图；
图2为本发明中隧洞区段工程地质剖面图；
图3为本发明中输入参数使用频次雷达图；
图4为本发明中TBM设备利用率与RMR之间拟合关系图；
图5为本发明中模型适应度值随迭代步数变化趋势图；
图6为本发明方法对一实施例应用得到的TBM设备利用率模型预测结果与实测值对比图；
图7为本发明方法对一实施例应用中的典型洞段施工地质风险图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供一种考虑多源信息不确定性的TBM利用率预测方法，如图1所示，包括以下步骤：
步骤一：构建考虑多源信息不确定性的TBM利用率预测数据集；
TBM利用率预测数据集为依托项目的TBM标段数据，包含不同采样点的岩石物理力学参数，TBM机械性能参数与施工日报记录的各项操作与管理参数。在大多数情况下，现场可以直接获取岩石信息(如单轴抗压强度UCS、岩石质量指标RQD和不连续条件)；若在TBM隧道开挖过程中无法直接接触掌子面的岩石，由于岩渣可以反映围岩的地质条件，通过在施工过程中对岩渣的地质调查也能够评价围岩的岩性和节理条件，采用间接获取的方法收集所需的岩石信息。收集的TBM掘进参数可在TBM控制室操作面板上实时显示，并可自动存储，便于参数分析。此外，所有收集的参数需做好与掘进桩号的对应工作，确保模型掘进段的稳定划分。
通过参考工程地质勘察资料(地质剖面图如图2)，在兰州水源地岩芯库中选取不同地质区段的代表性岩芯，分别对采取完整岩样进行点荷载试验，开展现场岩石强度验证获取UCS值；根据岩石Cerchar磨蚀性验证要求对岩石试样开展Cerchar磨蚀试验，验证得到不同岩性岩石的耐磨性指标CAI值；通过不同岩石样本的岩矿鉴定报告中成分，将岩石中每种矿物的含量乘以其摩氏硬度，再进行求和得到岩石中矿物的加权硬度值H。岩体分级系统通过对现场记录的6个岩体指标依次评分，将分数相加得到RMR值。收集的机械参数包括TBM刀盘推力TF，刀盘扭矩CT以及刀盘转速RPM。此外，根据TBM施工日志中记录的运行状态统计了各地质区段内的正常状态与停机状态时间，计算得出管理系数k和设备利用率U。
步骤二：对所述数据集进行数据清洗、数理统计分析以及特征筛选处理，确定模型输入参数；
统计已有模型TBM设备利用率的输入参数使用频次，做出频次雷达图如图3所示，根据相关参数统计与单因素拟合分析，结合TBM施工地质日报编录内容以及现场取样所做的室内实验数据，可以选取围岩信息(岩体分级系统RMR值、岩石耐磨性CA I值)，掘进参数(掘进推力TF、刀盘扭矩CT)，施工管理参数(管理系数k)等参数作为模型的输入参数。其中，围岩信息与TBM掘进参数是复杂地质条件的综合反馈，管理系数k也被引入作为影响TBM掘进性能的辅助因素。通过对每个地质区段内已经清洗的数据集进行均值计算，将该值作为对应地质区段的地质参数和机械指标，模型样本数据集输入、输出参数描述性统计，如表1所示：
表1模型样本数据集输入、输出参数描述性统计
其中，RMR主要分布于30至70之间，CAI值位于0.75至3.49之间，推力呈现左偏正态分布且绝大多数位于3500～5000kN，扭矩呈现右偏正态分布且大部分处于1000kN·m与1100kN·m之间，管理系数k表现为正态分布，大部分处于0.3～0.5之间，而预测变量U表现为右偏正态分布，主要分布在22％至25％范围内。基于收集的相关数据进行因变量U与各自变量之间的单因素拟合分析，结果发现RMR与U之间存在较强的二次相关性(图4)；
然而其余输入参数与U之间的常见函数拟合效果均不佳，决定系数低于0.3，这也表明设备利用率与现有参数之间无法建立明确的统计回归关系。为此，本发明通过引入算法模型来考虑输出参数U与各输入因子之间复杂的非线性映射，在模型建立前对各输入参数进行独立性检验，可以发现各指标之间无明显的相关性，适用于作为模型的输入指标。
步骤三：利用天牛须搜索算法对机器学习模型的超参数进行优化选择；
本次模型的输入参数向量组为[RMR,CAI,k,TF,CT]，整个数据集分为两组：80％的数据集用于训练目的，其余的20％数据集用于验证所训练模型的性能。在建立BAS-BRT模型的过程中，为有效说明BAS优化算法的可行性，通过引入常见的粒子群优化算法PSO同样应用于超参数的优化。
在模型训练过程中，个体适应度函数值随迭代步数的变化曲线如图5所示，可以发现当迭代次数超过23次时，BAS优化模型的适应度几乎保持不变，即验证子集的均方误差(MSE)达到精度要求，与PSO优化模型的50次迭代步数相比，BAS优化算法的搜索计算时间更少。在采用PSO优化模型时，粒子种群数寻优值为35，粒子搜寻维度设为3，迭代步数为100，惯性权重设置为1，学习因子均赋值为0.5。BAS算法进行优化时，天牛须的空间搜索维度寻优值为36，初始搜索步长设置为2，衰减因子取为0.95，迭代步数与PSO方法一致也为100。两种优化算法得到的BRT最优超参数如表2所示。天牛须算法优化得到的回归树的复杂度与数量均小于粒子群优化的结果，进一步印证了自适应启发式算法的并行计算优越性与模型稳定性；
表2优化后的各种增强回归树模型最佳参数
步骤四：将最优的超参数代入BAS-BRT算法框架，基于所述数据集建立TBM利用率的预测模型；
步骤五：通过与待设定机器学习模型的预测效果进行对比分析，验证模型的优越性与稳定性；
针对评价指标的计算结果来看(表3)，R2和VAF值越大，RMSE和MAE值越小，模型的预测性能越佳。通过比较训练集的相关评价指标发现，R2和VAF值在BAS-BRT模型中取得最高评分，分别为0.97和97％，RMSE与MAE值均达到最低误差，分别为1.48和1.08，说明BAS优化算法对于模型的训练效果强于其它模型。从验证集的统计结果发现，BAS-BRT模型的R2和VAF值均为最高值，分别为0.94和94％，RMSE值达到2.36，均低于另两个模型，MAE指标略高于BRT模型，说明优化算法对于整体预测结果的效果较好，而BRT算法在预测结果中出现个别误差极大的点，不利于提升模型的全局稳定性；
表3不同预测模型的评价指标对比表
步骤六：运用训练的模型进行未知掘进段的TBM利用率预测并对异常区段进行预警。
为验证BAS-BRT模型能够指示直观可信的风险，结合地质地图与相关施工记录日志确定的不同地质风险区段信息，绘制TBM设备利用率模型预测值与真实值的变化曲线如图6所示；
根据TBM1和TBM2的掘进施工日报实际记录数据统计，其中T9+240m～T9+300m段发生突泥涌水事故(图7中的a所示)，现场实测的总涌水量达到360m3/h，最大单点涌水量约200m3/h。通过对比这一桩号范围发现地质区段4位于其中，基于BAS-BRT预测模型给出的TBM设备利用率输出目标为3.28％，此时U值明显低于设备利用率的正常取值，表明前方TBM掘进工作存在较大风险，能够在一定程度上验证模型的训练具有识别TBM操作异常以及岩体条件变化的效果，对于司机研判风险并优化掘进参数起到一定的预警效果。此外，预测模型的绝对误差位于2％误差区间，相较于其他预测模型的稳定性更佳，表明该算法应对TBM施工过程中的随机事件具有良好的适应性，模型对于施工风险的预见性符合工程应用的要求。
T14+622m～T15+100m段施工日报记录发现TBM掘进至掌子面桩号T14+798m处，此时采用双护盾模式掘进，掘进过程中，刀盘推力逐渐增加，最大推力达到12000kN，刀盘贯入度逐渐下降，刀盘扭矩降低与空转时基本相同，掘进速度逐渐降低到0，TBM的前盾被卡(图7中的b所示)。通过BAS-BRT模型的预测结果发现地质区段11的利用率明显低于正常掘进区段，仅为5.41％，可以表明TBM掘进遇到不良地质，面临较大的施工风险，该次预测的信息能够与实际地质勘察成果相吻合，也验证了模型具有良好的地质变异识别能力。
T14+080m～T14+100m段发生了软弱围岩的挤出变形，其中顶拱的变形量超过了洞壁与护盾之间的间隙(约8cm)，围岩与护盾发生挤压接触(图7中的c所示)。基于地质区段46内收集的地质、机械以及施工管理参数建立BAS-BRT模型，预测结果表明TBM设备利用率相较正常掘进区段明显降低，数值达到7.99％，能够从侧面反应模型的输入参数具有表征TBM掘进过程中地质与机械异常信息的特点，模型的训练可以提取各项有效特征，对于不同掘进区段的风险划分起到提高精度与稳定性的作用。
T19+752m～T19+647m段围岩发生大量塌方事故，造成TBM卡机的风险(图7中的d所示)。基于此段对应桩号的地质区间12和13数据集，模型的预测结果与现场实测数据之间得到了良好的印证，BAS-BRT算法输出的TBM利用率分别为1.71％和5.29％，数值显著低于正常掘进水平，可以明显反映TBM掘进受阻，面临较大的施工风险，对模型在挖掘各种输入参数与掘进风险之间的关系方面进行了补充验证。
优选的，确定模型输入参数，具体包括：
21)通过对不同地质区段的输入参数进行描述性统计，基于3σ法则清洗排除距离均值超过三倍标准差的异常数据；
22)统计已有模型TBM设备利用率的输入参数使用频次，结合工程现场的实际施工情况进行综合筛选；
23)确定输入参数为反映隧洞沿线地质条件的岩体分级系统RMR值与岩石耐磨性CAI值；反映TBM机械掘进效果的刀盘推力TF值和刀盘扭矩CT值以及量化人为因素的管理系数k，对提取的特征数据做归一化处理。
优选的，量化人为因素的管理系数k的定义为：
整合同一岩性地质区段内每一掘进循环内的人为停机时间，将所述人为停机时间与该掘进循环段内施工总时间的比值，设定为此岩性段的管理系数k。
优选的，利用天牛须搜索算法对机器学习模型的超参数进行优化选择，具体包括：
31)确定天牛须随机方向向量；
32)设定搜索步长δ以及相应的衰减因子ηδ；
33)确立适应度函数；
34)确定BRT模型中待寻优超参数的取值范围；
35)迭代更新寻求最优解。
优选的，迭代更新寻求最优解，具体包括：
设定天牛触角的随机方向向量并将其归一化为；
其中，rands()表示随机函数，m表示待优化问题的维度；b表示天牛触角的随机方向向量，1表示向量1
基于天牛左右长触角的空间搜索模型来模拟其移动行为，构建的空间坐标迭代模型：
其中，xrk表示第k次搜索迭代时右须的位置，xlk表示第k次搜索迭代时左须的位置；dk是左右触角之间的距离，xk是甲虫在第k个时刻的位置；
借助适应度函数f(x)来判断左右两须感知的气味浓度，并基于此检测气味产生的源点；
xk+1＝xk-δk×b×sign(f(xrk)-f(xlk))
其中，xk+1是甲虫在第k+1个时刻的位置，δk表示第k次搜索的步长，sign()表示符号函数；
借助更新搜索距离和步长的公式优化结果；
其中，ηd和ηδ分别为触角间距离d的衰减系数和搜索步长δ的衰减系数；dk-1是第k-1个时刻左右触角之间的距离,δk-1表示第k-1次搜索的步长；d0是初始时刻左右触角之间的距离,δ0表示初始时刻搜索的步长。
优选的，将最优的超参数代入BAS-BRT算法框架，基于所述数据集建立TBM利用率的预测模型，具体包括：
依据最优超参数进行模型的训练学习与验证工作，基于多因素评价指标比对所建模型的预测效果，评价指标采用决定系数R2、均方根误差RMSE、平均绝对误差MAE和方差比VAF，相关计算公式为：
其中，n为数据集样本的个数，fi、yi分别为第i个样本的真实值和模型输出值，表示模型输出平均值。
优选的，运用训练的模型进行未知掘进段的TBM利用率预测并对异常区段进行预警，具体步骤：
将未知掘进区段的岩土体参数、TBM机械运行参数与人为管理参数输入最终模型，得到对应的TBM利用率预测值；
结合地质地图与相关施工记录日志确定的不同地质风险区段信息，绘制TBM设备利用率模型的预测值与真实值的变化曲线；
基于TBM设备利用率预测结果的异常分析模型反馈对应异常区段的预警。
该实施例中，所述的天牛须随机方向向量设定方法为：
耦合模型的结构为E-nt-1，其中E代表输入层个数，nt代表增强回归树的个数，1表示输出目标层。因此，BAS搜索的的空间维度m可确定为E·nt+2nt+1。
该实施例中，所述的设定搜索步长δ以及相应的衰减因子ηδ，为了搜索的精细化，搜索步长应能够尽可能大而衰减因子应尽可能接近于1。
该实施例中，所述适应度函数选取数据的均方根误差MSE，随机生成天牛的初始位置，基于MSE展开空间内的全局搜索，当MSE值最小时即可停止迭代，依次确定BRT模型中的超参数。
该实施例中，基于TBM设备利用率预测结果的异常分析模型反馈对应异常区段的预警，具体包括：
构建基于TBM设备利用率预测结果的第一预测曲线，并分别在所述第一预测曲线上的每个预测段匹配对应施工区段的区段信息，其中，所述区段信息与区段地质以及区段地形相关；
基于历史设备施工日志，确定所述TBM设备针对不同施工因素的磨损因子；
其中，m表示对应施工因素的磨损因子；B1表示TBM设备针对同个施工因素的执行时长；γb1表示TBM设备针对同个施工因素的第b1个执行时间点下针对施工项目的磨损权重；Eb1表示TBM设备针对同个施工因素的第b1个执行时间点下的磨损值；Δ1b1表示TBM设备针对同个施工因素的第b1个执行时间点下的剩余因素带来的磨损影响系数，且取值范围为[0，0.06]；
按照所述利用率预测结果提取所述第一预测曲线上低于第一预设利用率的第一异常段，同时，还提取大于第一预设利用率且小于第二预设利用率的待定异常段；
基于所述磨损因子，对所述待定异常段的待定利用率进行优化；
其中，mj01表示对应待定异常段所涉及到的第j01个磨损因子；M1表示对应待定异常段所涉及到的磨损因子的总数；L00表示对应待定异常段的待定利用率；L01表示对应待定异常段的优化利用率；Δt(B1)表示TBM设备基于执行时长B1所造成的因子加速函数；(mj01)max,t(初)表示TBM设备在初始执行时间点针对同个磨损因子(mj01)max的磨损值；(mj01)max,t(末)表示TBM设备在最后执行时间点针对同个磨损因子(mj01)max的磨损值；
当优化利用率低于第一预设利用率时，将对应段视为第二异常段；
否则，将对应段视为边界异常段；
根据所述第一异常段的第一数量、第二异常段的第二数量、边界异常段的第三数量以及正常段的第四数量，构建预警数组；
基于所述预警数组，从数组-报警数据库中，筛选不同等级对应的报警集合，并根据对应区段的异常情况，向对应的段匹配报警信号，执行报警操作。
该实施例中，第一预设利用率小于第二预设利用率，磨损因子指的是在施工过程中会存在对设备磨损的因素，比如岩石硬度不一样，所导致的磨损情况也是不一样的，挖掘难度不一样，所到的磨损情况也是不一样的，因此，针对不同的施工因素会存在不同的施工因子。
该实施例中，历史设备施工日志包括不同时间下的施工内容、不同时间下的施工难度、所存在的施工因素等，且不同的施工因素会导致不同的磨损值。
该实施例中，计算的磨损因子是针对同个施工因素在连续时间段下的磨损情况进行分析获取得到的。
该实施例中，磨损值的计算结果是限定在[0.0.5]之间的。
该实施例中，确定不同段的数量，是为了从数据库中调取报警集合，其中，数组-报警数据库包括：预警数组[第一数量第二数量第三数量第四数量]以及与该预警数组所匹配的报警集合[报警信息1、报警信息2、报警信息3、报警信息4]在内，进而可以得到针对不同段的报警集合。
该实施例中，第一异常段、第二异常段、边界异常段以及正常段，可以是视为四个等级，且每个等级所对应的报警方式是不同的。
通过根据日志来计算不同施工因素的损耗因子，进而通过利用率与预设的比较，来进行段的合理划分，且通过对待定异常段根据最大损耗因子进行进一步分析，来对待定异常段进行再次有效划分，保证对待定异常段在后续报警分配的合理性，且通过按照预警数组与数据库的比较，来向不同的段匹配相应的报警信号，保证其有效的报警执行。
上述技术方案的有益效果是：在超参数优化层面引入天牛须搜索算法，其自适应特点能够契合TBM施工中出现的随机性，在训练学习层面融合BRT算法可以实现全局最优化迭代，耦合算法进一步提高了模型的并行处理效果与鲁棒性。此外，依据预测结果的反馈信息可印证掘进过程中典型地质风险，进一步验证模型的稳定性和指示风险能力。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种考虑多源信息不确定性的TBM利用率预测方法，其特征在于，包括以下步骤：
步骤一：构建考虑多源信息不确定性的TBM利用率预测数据集；
步骤二：对所述数据集进行数据清洗、数理统计分析以及特征筛选处理，确定模型输入参数；
步骤三：利用天牛须搜索算法对机器学习模型的超参数进行优化选择；
步骤四：将最优的超参数代入BAS-BRT算法框架，基于所述数据集建立TBM利用率的预测模型；
步骤五：通过与待设定机器学习模型的预测效果进行对比分析，验证模型的优越性与稳定性；
步骤六：运用训练的模型进行未知掘进段的TBM利用率预测并对异常区段进行预警；
其中，步骤六，包括：
将未知掘进区段的岩土体参数、TBM机械运行参数与人为管理参数输入最终模型，得到对应的TBM利用率预测值；
结合地质地图与相关施工记录日志确定的不同地质风险区段信息，绘制TBM设备利用率模型的预测值与真实值的变化曲线；
基于TBM设备利用率预测结果的异常分析模型反馈对应异常区段的预警，包括：
构建基于TBM设备利用率预测结果的第一预测曲线，并分别在所述第一预测曲线上的每个预测段匹配对应施工区段的区段信息，其中，所述区段信息与区段地质以及区段地形相关；
基于历史设备施工日志，确定所述TBM设备针对不同施工因素的磨损因子；
其中，m表示对应施工因素的磨损因子；B1表示TBM设备针对同个施工因素的执行时长；γb1表示TBM设备针对同个施工因素的第b1个执行时间点下针对施工项目的磨损权重；Eb1表示TBM设备针对同个施工因素的第b1个执行时间点下的磨损值；Δ1b1表示TBM设备针对同个施工因素的第b1个执行时间点下的剩余因素带来的磨损影响系数，且取值范围为[0，0.06]；
按照所述利用率预测结果提取所述第一预测曲线上低于第一预设利用率的第一异常段，同时，还提取大于第一预设利用率且小于第二预设利用率的待定异常段；
基于所述磨损因子，对所述待定异常段的待定利用率进行优化；
其中，mj01表示对应待定异常段所涉及到的第j01个磨损因子；M1表示对应待定异常段所涉及到的磨损因子的总数；L00表示对应待定异常段的待定利用率；L01表示对应待定异常段的优化利用率；Δt(B1)表示TBM设备基于执行时长B1所造成的因子加速函数；(mj01)max,t(初)表示TBM设备在初始执行时间点针对同个磨损因子(mj01)max的磨损值；(mj01)max,t(末)表示TBM设备在最后执行时间点针对同个磨损因子(mj01)max的磨损值；
当优化利用率低于第一预设利用率时，将对应段视为第二异常段；
否则，将对应段视为边界异常段；
根据所述第一异常段的第一数量、第二异常段的第二数量、边界异常段的第三数量以及正常段的第四数量，构建预警数组；
基于所述预警数组，从数组-报警数据库中，筛选不同等级对应的报警集合，并根据对应区段的异常情况，向对应的段匹配报警信号，执行报警操作。
2.根据权利要求1所述的考虑多源信息不确定性的TBM利用率预测方法，其特征在于，所述数据集包括：不同采样点的岩石物理力学参数与TBM机械性能参数、施工日报记录的各项操作与管理参数；
其中，每段掘进区间内的数据与围岩桩号相互对应，且对应的无效数据进行剔除。
3.根据权利要求1所述的考虑多源信息不确定性的TBM利用率预测方法，其特征在于，确定模型输入参数，具体包括：
21)通过对不同地质区段的输入参数进行描述性统计，基于3σ法则清洗排除距离均值超过三倍标准差的异常数据；
22)统计已有模型TBM设备利用率的输入参数使用频次，结合工程现场的实际施工情况进行综合筛选；
23)确定输入参数为反映隧洞沿线地质条件的岩体分级系统RMR值与岩石耐磨性CAI值；反映TBM机械掘进效果的刀盘推力TF值和刀盘扭矩CT值以及量化人为因素的管理系数k，对提取的特征数据做归一化处理。
4.根据权利要求3所述的考虑多源信息不确定性的TBM利用率预测方法，其特征在于，量化人为因素的管理系数k的定义为：
整合同一岩性地质区段内每一掘进循环内的人为停机时间，将所述人为停机时间与该掘进循环内施工总时间的比值，设定为此岩性段的管理系数k。
5.根据权利要求1所述的考虑多源信息不确定性的TBM利用率预测方法，其特征在于，利用天牛须搜索算法对机器学习模型的超参数进行优化选择，具体包括：
31)确定天牛须随机方向向量；
32)设定搜索步长δ以及相应的衰减因子ηδ；
33)确立适应度函数；
34)确定BRT模型中待寻优超参数的取值范围；
35)迭代更新寻求最优解。
6.根据权利要求5所述的考虑多源信息不确定性的TBM利用率预测方法，其特征在于，迭代更新寻求最优解，具体包括：
设定天牛触角的随机方向向量并将其归一化为；
其中，rands()表示随机函数，m表示待优化问题的维度；b表示天牛触角的随机方向向量；
基于天牛左右长触角的空间搜索模型来模拟其移动行为，构建的空间坐标迭代模型：
其中，xrk表示第k次搜索迭代时右须的位置，xlk表示第k次搜索迭代时左须的位置；dk是左右触角之间的距离，xk是甲虫在第k个时刻的位置；
借助适应度函数f(x)来判断左右两须感知的气味浓度，并基于此检测气味产生的源点；
xk+1＝xk-δk×b×sign(f(xrk)-f(xlk))
其中，xk+1是甲虫在第k+1个时刻的位置，δk表示第k次搜索的步长，sign()表示符号函数；
借助更新搜索距离和步长的公式优化结果；
其中，ηd和ηδ分别为触角间距离d的衰减系数和搜索步长δ的衰减系数；dk-1是第k-1个时刻左右触角之间的距离,δk-1表示第k-1次搜索的步长；d0是初始时刻左右触角之间的距离,δ0表示初始时刻搜索的步长。
7.根据权利要求1所述的考虑多源信息不确定性的TBM利用率预测方法，其特征在于，将最优的超参数代入BAS-BRT算法框架，基于所述数据集建立TBM利用率的预测模型，具体包括：
依据最优超参数进行模型的训练学习与验证工作，基于多因素评价指标比对所建模型的预测效果，评价指标采用决定系数R2、均方根误差RMSE、平均绝对误差MAE和方差比VAF，相关计算公式为：
其中，n为数据集样本的个数，fi、yi分别为第i个样本的真实值和模型输出值，表示模型输出平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310197798.2A CN116108587B (zh) | 2023-03-03 | 2023-03-03 | 一种考虑多源信息不确定性的tbm利用率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310197798.2A CN116108587B (zh) | 2023-03-03 | 2023-03-03 | 一种考虑多源信息不确定性的tbm利用率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116108587A CN116108587A (zh) | 2023-05-12 |
| CN116108587B true CN116108587B (zh) | 2024-04-26 |
Family
ID=86263835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310197798.2A Active CN116108587B (zh) | 2023-03-03 | 2023-03-03 | 一种考虑多源信息不确定性的tbm利用率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116108587B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582564A (zh) * | 2020-04-26 | 2020-08-25 | 盾构及掘进技术国家重点实验室 | 一种tbm岩体条件相关利用率的预测方法 |
| CN115115129A (zh) * | 2022-07-19 | 2022-09-27 | 黄河勘测规划设计研究院有限公司 | 一种基于加权随机森林的tbm施工速度预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536603A (zh) * | 2021-08-23 | 2021-10-22 | 武汉科技大学 | 一种tbm岩体条件相关利用率的预测方法 |
-
2023
- 2023-03-03 CN CN202310197798.2A patent/CN116108587B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582564A (zh) * | 2020-04-26 | 2020-08-25 | 盾构及掘进技术国家重点实验室 | 一种tbm岩体条件相关利用率的预测方法 |
| CN115115129A (zh) * | 2022-07-19 | 2022-09-27 | 黄河勘测规划设计研究院有限公司 | 一种基于加权随机森林的tbm施工速度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 侯少康 ; 刘耀儒 ; 张凯 ; .基于IPSO-BP混合模型的TBM掘进参数预测.岩石力学与工程学报.(08),第141-150页. * |
| 考虑多源信息不确定性的TBM掘进性能预测与风险识别研究;汪鹤健;万方学位论文;第11-44页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116108587A (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xue et al. | A two-step comprehensive evaluation model for rockburst prediction based on multiple empirical criteria | |
| CN110109895A (zh) | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 | |
| CN110889532B (zh) | 一种隧道开挖及支护参数的智能选择及优化方法、系统 | |
| Salimi et al. | Evaluating the suitability of existing rock mass classification systems for TBM performance prediction by using a regression tree | |
| CN112765791B (zh) | 一种基于数值样本和随机森林的tbm卡机风险预测方法 | |
| CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
| CN115203877A (zh) | 一种实时仿真模拟钻井状态的闭环钻井优化系统及方法 | |
| CN115115129A (zh) | 一种基于加权随机森林的tbm施工速度预测方法 | |
| Fernández et al. | Rock mass structural recognition from drill monitoring technology in underground mining using discontinuity index and machine learning techniques | |
| Qiu et al. | TBM tunnel surrounding rock classification method and real-time identification model based on tunneling performance | |
| CN107153881B (zh) | 一种钻井风险的预测方法 | |
| Zhang | Classification prediction of rockburst in railway tunnel based on hybrid PSO-BP neural network | |
| CN116108587B (zh) | 一种考虑多源信息不确定性的tbm利用率预测方法 | |
| CN113323676A (zh) | 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法 | |
| LIANG et al. | Stratum identification based on multiple drilling parameters and probability classification | |
| CN112926267A (zh) | 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统 | |
| CN117271675A (zh) | 基于大数据挖掘的tbm掘进岩体可掘性识别方法与装置 | |
| CN115239108B (zh) | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 | |
| CN116402339A (zh) | 一种盾构隧道施工风险等级评估方法、系统、设备及介质 | |
| Chao et al. | A prediction of borehole stability while drilling preliminary prospecting wells based on seismic impedance | |
| CN116432891A (zh) | 一种钻头应用效能的综合评估方法及系统 | |
| FANG et al. | Intelligent recognition of tunnel stratum based on advanced drilling tests | |
| CN114075979A (zh) | 盾构掘进环境变化实时辨识系统及方法 | |
| Yu-wei et al. | Intelligent recognition of tunnel stratum based on advanced drilling tests | |
| Schubert et al. | Probabilistic assessment of rock mass behaviour as basis for stability analyses of tunnels |
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 |