CN116485225B - 基于钻进参数的施工阶段围岩bq值自动获取方法及系统 - Google Patents
基于钻进参数的施工阶段围岩bq值自动获取方法及系统 Download PDFInfo
- Publication number
- CN116485225B CN116485225B CN202310252363.3A CN202310252363A CN116485225B CN 116485225 B CN116485225 B CN 116485225B CN 202310252363 A CN202310252363 A CN 202310252363A CN 116485225 B CN116485225 B CN 116485225B
- Authority
- CN
- China
- Prior art keywords
- value
- model
- pressure
- drilling 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
- 239000011435 rock Substances 0.000 title claims abstract description 64
- 238000005553 drilling Methods 0.000 title claims abstract description 62
- 238000010276 construction Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 229920006395 saturated elastomer Polymers 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000009527 percussion Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000009412 basement excavation Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000009966 trimming Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了一种基于钻进参数的施工阶段围岩BQ值自动获取方法及系统,具体包括步骤:基于钻进参数分别构建BQ值、单轴饱和抗压强度Rc及岩体完整性指数Kv回归预测模型;基于Rc、Kv模型预测结果计算BQ值,构建BQ预测指标计算模型;基于BQ回归预测模型和BQ预测指标计算模型,构建BQ集成学习模型;基于构建的BQ集成学习模型,获取掌子面的BQ值,利用插值技术生成BQ值云图。本发明基于钻进参数的施工阶段围岩BQ值自动获取方法实现了施工阶段自动获取掌子面BQ值,为隧道施工提供精细化指导,加深隧道建设智能化程度。
Description
技术领域
本发明涉及隧道工程技术领域,具体涉及一种基于钻进参数的施工阶段围岩BQ值自动获取方法及系统。
背景技术
隧道工程逐渐向大跨度、大断面方向发展,对隧道施工技术提出了新的要求。在这种形势下,机械化、智能化是隧道工程必然的发展方向。结合机器学习、深度学习等人工智能技术实现隧道围岩信息特征自动获取与识别的方法能够大幅降低工程成本,加快工程速度。在众多围岩岩石指标中,围岩基本质量指标BQ值对于施工具有重大指导意义,为隧道支护提供参考。
传统的BQ值获取需要获取单轴饱和抗压强度Rc及岩体完整性指数Kv等指标,这些指标获取耗费成本大,时间跨度大,不能在施工阶段及时获得BQ值,不能满足现场施工需求。因此,亟需一种能在施工阶段快速自动获取围岩质量指标BQ值的方法。
发明内容
为解决现有技术中存在的问题,本发明提供了一种基于钻进参数的施工阶段围岩BQ值自动获取方法及系统,能快速自动获取围岩质量指标BQ值,为隧道施工提供精细化指导,解决了上述背景技术中提到的问题。
为实现上述目的,本发明提供如下技术方案:一种基于钻进参数的施工阶段围岩BQ值自动获取方法,包括如下步骤:
S1、基于钻进参数分别构建BQ值、单轴饱和抗压强度Rc及岩体完整性指数Kv回归预测模型;
S2、基于Rc、Kv模型预测结果计算BQ值,构建BQ预测指标计算模型;
S3、基于BQ回归预测模型和BQ预测指标计算模型,构建BQ集成学习模型;
S4、基于构建的BQ集成学习模型,获取掌子面的BQ值,利用插值技术生成BQ值云图。
优选的,所述步骤S1具体包括:
采用进给速度、打击压力、回转压力、推进压力四项钻进参数及对应BQ值的数据集对BQ回归预测模型进行训练,得到输入进给速度、打击压力、回转压力、推进压力四项钻进参数,自动输出对应区域的BQ值的BQ回归预测模型;
采用进给速度、打击压力、回转压力、推进压力四项钻进参数及对应单轴饱和抗压强度Rc的数据集对Rc回归预测模型进行训练,得到输入进给速度、打击压力、回转压力、推进压力四项钻进参数,自动输出对应区域的Rc值的单轴饱和抗压强度Rc回归预测模型;
采用进给速度、打击压力、回转压力、推进压力四项钻进参数及对应岩体完整性指数Kv的数据集对Kv回归预测模型进行训练,得到输入进给速度、打击压力、回转压力、推进压力四项钻进参数,自动输出对应区域的Kv值的岩体完整性指数Kv回归预测模型。
优选的,所述步骤S2中基于Rc、Kv模型预测结果计算BQ值,计算公式如下:
BQ=100+3Rc+250Kv:
计算时,满足下列条件:
当Rc>90Kv+30时,以Rc=90Kv+30和Kv带入计算BQ值;
当Kv>0.04Rc+0.4时,以Kv=0.04Rc+0.4和Rc代入计算BQ值;
所述BQ预测指标计算模型以钻进参数为输入,自动获得单轴饱和抗压强度Rc和岩体完整性指数Kv,计算得到对应的围岩BQ值。
优选的,所述步骤S3具体包括:
根据BQ回归预测模型和BQ预测指标计算模型评价指标,计算两个模型的权重,最终BQ集成学习模型预测结果按公式计算如下:
BQ=BQ1*w1+BQ2*w2;
式中:BQ1为BQ回归预测模型所得到的BQ值;BQ2为BQ预测指标计算模型得到的BQ值;w1为BQ回归预测模型权重;w2为BQ预测指标计算模型权重。
优选的,所述步骤S4中基于构建的BQ集成学习模型,获取掌子面的BQ值,利用插值技术生成BQ值云图,具体包括:
1)基于BQ集成学习模型,输入钻孔过程中采集到的钻进参数,得到每一个钻孔区域对应的BQ值;
2)利用插值技术,将分布不均匀的BQ值转换为均匀分布平面云图;
3)利用射线法,修剪去除隧道开挖轮廓外的BQ值,得到隧道开挖轮廓内的BQ值云图。
优选的,所述的插值技术包括最邻近插值法。
另外,为实现上述目的,本发明还提供了如下技术方案:一种基于钻进参数的施工阶段围岩BQ值自动获取系统,所述系统包括:
BQ值、Rc及Kv回归预测模型构建模块:基于钻进参数分别构建BQ值、单轴饱和抗压强度Rc及岩体完整性指数Kv回归预测模型;
BQ预测指标计算模型构建模块:基于Rc、Kv模型预测结果计算BQ值,构建BQ预测指标计算模型;
BQ集成学习模型构建模块:基于BQ回归预测模型和BQ预测指标计算模型,构建BQ集成学习模型;
BQ值云图生成模块:基于构建的BQ集成学习模型,获取掌子面的BQ值,利用插值技术生成BQ值云图。
本发明的有益效果是:本发明提供的围岩BQ值自动获取方法基于施工工程中钻孔时采集的钻进参数,构建围岩BQ值集成学习模型,实现了施工阶段自动获取掌子面BQ值,为隧道施工提供精细化指导,加深隧道建设智能化程度。
附图说明
图1是本发明实施例提供的基于钻进参数的施工阶段围岩BQ值自动获取方法的步骤流程图;
图2是本发明实施例提供的BQ集成学习模型构建流程示意图;
图3是本发明实施例提供的插值前的掌子面炮孔BQ值示意图;
图4是本发明实施例提供的最邻近插值法的示意图;
图5是本发明实施例提供的完成插值的掌子面云图;
图6是本发明实施例提供的完成修剪的掌子面云图;
图7为本发明实施例提供的系统模块组成示意图。
图中,110-BQ值、Rc及Kv回归预测模型构建模块;120-BQ预测指标计算模型构建模块;130-BQ集成学习模型构建模块;140-BQ值云图生成模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例
隧道工程逐渐向大跨度、大断面方向发展,对隧道施工技术提出了新的要求。在这种形势下,机械化、智能化是隧道工程必然的发展方向。结合机器学习、深度学习等人工智能技术实现隧道围岩信息特征自动获取与识别的方法能够大幅降低工程成本,加快工程速度。在众多围岩岩石指标中,围岩基本质量指标BQ值对于施工具有重大指导意义,为隧道支护提供参考。
传统的BQ值获取需要获取单轴饱和抗压强度Rc及岩体完整性指数Kv等指标,这些指标获取耗费成本大,时间跨度大,不能在施工阶段及时获得BQ值,不能满足现场施工需求。
为此,本发明人经过长期的研究,提供了一种基于钻进参数的施工阶段围岩BQ值自动获取方法,旨在快速获取围岩质量指标BQ值,为隧道施工提供精细化指导。
本发明提供一种技术方案:一种基于钻进参数的施工阶段围岩BQ值自动获取方法,步骤流程如图1所示,具体包括如下步骤:
S1:基于钻进参数构建BQ值、单轴饱和抗压强度Rc及岩体完整性指数Kv回归预测模型;
1)以包括进给速度、打击压力、回转压力、推进压力四项钻进参数及对应BQ值的数据集训练BQ值回归预测模型,得到输入进给速度、打击压力、回转压力、推进压力四项钻进参数,自动输出对应区域的BQ值的BQ值回归预测模型。
2)以包括进给速度、打击压力、回转压力、推进压力四项钻进参数及对应单轴饱和抗压强度Rc的数据集训练Rc回归预测模型,得到输入进给速度、打击压力、回转压力、推进压力四项钻进参数,自动输出对应区域的Rc的单轴饱和抗压强度Rc回归预测模型。
3)以包括进给速度、打击压力、回转压力、推进压力四项钻进参数及对应岩体完整性指数Kv的数据集训练Kv回归预测模型,得到输入进给速度、打击压力、回转压力、推进压力四项钻进参数,自动输出对应区域的Kv的岩体完整性指数Kv回归预测模型。
在一种具体的实施方案中,通过地质素描法得到掌子面的BQ值、单轴饱和抗压强度Rc及岩体完整性指数Kv。
在一种具体的实施方案中,通过地质素描法得到围岩级别、岩石坚硬程度及岩体完整程度,根据《铁路隧道设计规范TB 10003-2016》,估计对应BQ值、单轴饱和抗压强度Rc及岩体完整性指数Kv,估计依据表1、表2和表3。
表1围岩基本分级对应BQ值
级别 | 围岩基本质量指标BQ |
I | >550 |
II | 550~451 |
III | 450~351 |
IV | 350~251 |
V | ≤250 |
VI | —— |
表2岩石坚硬程度对应Rc
表3岩体完整程度对应Kv
S2:基于Rc、Kv模型预测结果计算BQ值,构建BQ预测指标计算模型;
在一种具体的实施方案中,基于Rc、Kv模型预测结果计算BQ值,构建BQ预测指标计算模型,包括:
根据《铁路隧道设计规范TB 10003-2016》围岩基本质量指标BQ值,应根据岩石坚硬程度、岩体完整程度分级因素的定量指标Rc的兆帕数值和Kv,按式(1)计算:
BQ=100+3Rc+250Kv (I)
使用式(1)计算时,应符合下列规定:
1)当Rc>90Kv+30时,应以Rc=90Kv+30和Kv带入计算BQ值。
2)当Kv>0.04Rc+0.4时,应以Kv=0.04Rc+0.4和Rc代入计算BQ值。
BQ预测指标计算模型以钻进参数为输入,自动获得单轴饱和抗压强度Rc和岩体完整性指数Kv,计算得到BQ值。
S3:基于BQ回归预测模型和BQ预测指标计算模型,构建BQ集成学习模型。
根据BQ回归预测模型和BQ预测指标计算模型评价指标,计算两个模型的权重,最终BQ集成学习模型预测结果按公式计算如下:
BQ=BQ1*w1+BQ2*w2 (2)
式中:BQ1为BQ回归预测模型所得到的BQ值;BQ2为BQ预测指标计算模型得到的BQ值;w1为BQ回归预测模型权重;w2为BQ预测指标计算模型权重。
在一种具体的实施方案中,使用机器学习算法构建回归预测模型;在一种具体的实施方案中,选择平均绝对误差(Mean Absolute Error,MAE)作为模型的评价指标,BQ回归预测模型和BQ预测指标计算模型的MAE及对应的权重w1和w2如下表所示。
表4模型评价指标以对应权重取值
模型 | BQ回归预测模型 | BQ预测指标计算模型 |
平均绝对误差 | 23.01 | 32.44 |
权重 | 0.58 | 0.42 |
图2示出了BQ集成学习模型的构建流程,请参阅图2。
S4:基于构建的BQ集成学习模型,获取掌子面的BQ值,利用插值技术生成BQ值云图。
1)基于BQ集成学习模型,输入钻孔过程中采集到的钻进参数,得到每一个钻孔区域对应的BQ值;
在一种具体的实施方案中,插值前的掌子面炮孔BQ值示意图如图3所示,请参阅图3。
2)利用插值技术,将分布不均匀的BQ值转换为均匀分布平面云图。
在一种具体的实施方案中,利用最邻近插值法对BQ值进行插值。最邻近插值法是最简单的一种插值方法,其核心思想是寻找离待插入点最近的点,将这个点的值赋给待插入点完成插值。图4示出了最邻近插值法的示意图,请参阅图4。如图4所示,A、B、C、D四点为已知点,P点为待插入点。P点的最近点为A点,则插入的P点的值即为A点的值(x1,y1)。
在一种具体的实施方案中,完成插值的掌子面云图如图5所示,请参阅图5。
3)利用射线法,修剪去除隧道开挖轮廓外的BQ值,得到隧道开挖轮廓内的BQ值云图。
在一种具体的实施方案中,完成修剪的掌子面云图如图6所示,请参阅图6。
本发明提供的围岩BQ值自动获取方法基于施工工程中钻孔时采集的钻进参数,构建围岩BQ值集成学习模型,实现了施工阶段自动获取掌子面BQ值,为隧道施工提供精细化指导,加深隧道建设智能化程度。
在一种具体的实施方案中,本发明还提供了一种基于钻进参数的施工阶段围岩BQ值自动获取系统,如图7所示,所述系统包括:
BQ值、Rc及Kv回归预测模型构建模块110:基于钻进参数分别构建BQ值、单轴饱和抗压强度Rc及岩体完整性指数Kv回归预测模型;
BQ预测指标计算模型构建模块120:基于Rc、Kv模型预测结果计算BQ值,构建BQ预测指标计算模型;
BQ集成学习模型构建模块130:基于BQ回归预测模型和BQ预测指标计算模型,构建BQ集成学习模型;
BQ值云图生成模块140:基于构建的BQ集成学习模型,获取掌子面的BQ值,利用插值技术生成BQ值云图。
本发明提供的基于钻进参数的施工阶段围岩BQ值自动获取方法构建BQ回归预测模型和BQ预测指标计算模型,从钻进参数中获取BQ值信息与Rc、Kv信息,以权重的形式综合二者得到最终的BQ值,提高了BQ值预测的准确率,结合BQ云图,能够为隧道工程施工支护提供及时的数据支持。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于钻进参数的施工阶段围岩BQ值自动获取方法,其特征在于,包括如下步骤:
S1、基于钻进参数分别构建BQ值、单轴饱和抗压强度Rc及岩体完整性指数Kv回归预测模型;
采用进给速度、打击压力、回转压力、推进压力四项钻进参数及对应BQ值的数据集对BQ回归预测模型进行训练,得到输入进给速度、打击压力、回转压力、推进压力四项钻进参数,自动输出对应区域的BQ值的BQ回归预测模型;
S2、基于Rc、Kv模型预测结果计算BQ值,构建BQ预测指标计算模型;
基于Rc、Kv模型预测结果计算BQ值,计算公式如下:
BQ=100+3Rc+250Kv;
计算时,满足下列条件:
当Rc>90Kv+30时,以Rc=90Kv+30和Kv带入计算BQ值;
当Kv>0.04Rc+0.4时,以Kv=0.04Rc+0.4和Rc代入计算BQ值;
所述BQ预测指标计算模型以钻进参数为输入,自动获得单轴饱和抗压强度Rc和岩体完整性指数Kv,计算得到对应的围岩BQ值;
S3、基于BQ回归预测模型和BQ预测指标计算模型,构建BQ集成学习模型;
根据BQ回归预测模型和BQ预测指标计算模型评价指标,计算两个模型的权重,最终BQ集成学习模型预测结果按公式计算如下:
BQ=BQ1*w1+BQ2*w2;
式中:BQ1为BQ回归预测模型所得到的BQ值;BQ2为BQ预测指标计算模型得到的BQ值;w1为BQ回归预测模型权重;w2为BQ预测指标计算模型权重;
S4、基于构建的BQ集成学习模型,获取掌子面的BQ值,利用插值技术生成BQ值云图。
2.根据权利要求1所述的基于钻进参数的施工阶段围岩BQ值自动获取方法,其特征在于:所述步骤S1具体还包括:
采用进给速度、打击压力、回转压力、推进压力四项钻进参数及对应单轴饱和抗压强度Rc的数据集对Rc回归预测模型进行训练,得到输入进给速度、打击压力、回转压力、推进压力四项钻进参数,自动输出对应区域的Rc值的单轴饱和抗压强度Rc回归预测模型;
采用进给速度、打击压力、回转压力、推进压力四项钻进参数及对应岩体完整性指数Kv的数据集对Kv回归预测模型进行训练,得到输入进给速度、打击压力、回转压力、推进压力四项钻进参数,自动输出对应区域的Kv值的岩体完整性指数Kv回归预测模型。
3.根据权利要求1所述的基于钻进参数的施工阶段围岩BQ值自动获取方法,其特征在于:所述步骤S4中基于构建的BQ集成学习模型,获取掌子面的BQ值,利用插值技术生成BQ值云图,具体包括:
1)基于BQ集成学习模型,输入钻孔过程中采集到的钻进参数,得到每一个钻孔区域对应的BQ值;
2)利用插值技术,将分布不均匀的BQ值转换为均匀分布平面云图;
3)利用射线法,修剪去除隧道开挖轮廓外的BQ值,得到隧道开挖轮廓内的BQ值云图。
4.根据权利要求3所述的基于钻进参数的施工阶段围岩BQ值自动获取方法,其特征在于:所述的插值技术包括最邻近插值法。
5.一种基于钻进参数的施工阶段围岩BQ值自动获取系统,其特征在于:所述系统包括:
BQ值、Rc及Kv回归预测模型构建模块(110):基于钻进参数分别构建BQ值、单轴饱和抗压强度Rc及岩体完整性指数Kv回归预测模型;
采用进给速度、打击压力、回转压力、推进压力四项钻进参数及对应BQ值的数据集对BQ回归预测模型进行训练,得到输入进给速度、打击压力、回转压力、推进压力四项钻进参数,自动输出对应区域的BQ值的BQ回归预测模型;
BQ预测指标计算模型构建模块(120):基于Rc、Kv模型预测结果计算BQ值,构建BQ预测指标计算模型;
基于Rc、Kv模型预测结果计算BQ值,计算公式如下:
BQ=100+3Rc+250Kv;
计算时,满足下列条件:
当Rc>90Kv+30时,以Rc=90Kv+30和Kv带入计算BQ值;
当Kv>0.04Rc+0.4时,以Kv=0.04Rc+0.4和Rc代入计算BQ值;
所述BQ预测指标计算模型以钻进参数为输入,自动获得单轴饱和抗压强度Rc和岩体完整性指数Kv,计算得到对应的围岩BQ值;
BQ集成学习模型构建模块(130):基于BQ回归预测模型和BQ预测指标计算模型,构建BQ集成学习模型;
根据BQ回归预测模型和BQ预测指标计算模型评价指标,计算两个模型的权重,最终BQ集成学习模型预测结果按公式计算如下:
BQ=BQ1*w1+BQ2*w2;
式中:BQ1为BQ回归预测模型所得到的BQ值;BQ2为BQ预测指标计算模型得到的BQ值;w1为BQ回归预测模型权重;w2为BQ预测指标计算模型权重;
BQ值云图生成模块(140):基于构建的BQ集成学习模型,获取掌子面的BQ值,利用插值技术生成BQ值云图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310252363.3A CN116485225B (zh) | 2023-03-15 | 2023-03-15 | 基于钻进参数的施工阶段围岩bq值自动获取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310252363.3A CN116485225B (zh) | 2023-03-15 | 2023-03-15 | 基于钻进参数的施工阶段围岩bq值自动获取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485225A CN116485225A (zh) | 2023-07-25 |
CN116485225B true CN116485225B (zh) | 2023-11-10 |
Family
ID=87218487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310252363.3A Active CN116485225B (zh) | 2023-03-15 | 2023-03-15 | 基于钻进参数的施工阶段围岩bq值自动获取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485225B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938611A (zh) * | 2016-07-06 | 2016-09-14 | 山东大学 | 一种基于随钻参数对地下工程围岩快速实时分级的方法 |
WO2019063024A1 (zh) * | 2017-09-30 | 2019-04-04 | 中铁工程装备集团有限公司 | 硬岩tbm掘进控制参数智能决策方法及系统 |
CN110646282A (zh) * | 2019-09-16 | 2020-01-03 | 中国国家铁路集团有限公司 | 基于围岩质量指标BQ的围岩弹性反力系数k确定方法 |
WO2020199495A1 (zh) * | 2019-04-01 | 2020-10-08 | 中国矿业大学 | 岩层参数的确定方法及装置 |
CN112664174A (zh) * | 2020-12-21 | 2021-04-16 | 中铁四局集团第五工程有限公司 | 一种基于多钻孔的隧道围岩等级判定方法及系统 |
CN113295850A (zh) * | 2021-05-24 | 2021-08-24 | 中交一公局集团有限公司 | 基于多源数据融合的隧道围岩定量快速分级方法与装置 |
CN114972384A (zh) * | 2022-06-08 | 2022-08-30 | 沈阳工业大学 | 一种基于深度学习的隧道岩体智能快速区域分级方法 |
CN115791479A (zh) * | 2022-11-23 | 2023-03-14 | 国网山西省电力公司经济技术研究院 | 电力工程中强风化岩石和松砂石的现场定量判别方法 |
-
2023
- 2023-03-15 CN CN202310252363.3A patent/CN116485225B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938611A (zh) * | 2016-07-06 | 2016-09-14 | 山东大学 | 一种基于随钻参数对地下工程围岩快速实时分级的方法 |
WO2019063024A1 (zh) * | 2017-09-30 | 2019-04-04 | 中铁工程装备集团有限公司 | 硬岩tbm掘进控制参数智能决策方法及系统 |
WO2020199495A1 (zh) * | 2019-04-01 | 2020-10-08 | 中国矿业大学 | 岩层参数的确定方法及装置 |
CN110646282A (zh) * | 2019-09-16 | 2020-01-03 | 中国国家铁路集团有限公司 | 基于围岩质量指标BQ的围岩弹性反力系数k确定方法 |
CN112664174A (zh) * | 2020-12-21 | 2021-04-16 | 中铁四局集团第五工程有限公司 | 一种基于多钻孔的隧道围岩等级判定方法及系统 |
CN113295850A (zh) * | 2021-05-24 | 2021-08-24 | 中交一公局集团有限公司 | 基于多源数据融合的隧道围岩定量快速分级方法与装置 |
CN114972384A (zh) * | 2022-06-08 | 2022-08-30 | 沈阳工业大学 | 一种基于深度学习的隧道岩体智能快速区域分级方法 |
CN115791479A (zh) * | 2022-11-23 | 2023-03-14 | 国网山西省电力公司经济技术研究院 | 电力工程中强风化岩石和松砂石的现场定量判别方法 |
Non-Patent Citations (4)
Title |
---|
Heterogeneity identification method for surrounding rock of large-section rock tunnel faces based on support vector machine;Wenhao Yi等;《Railway Sciences》;第48-67页 * |
Intelligent Classification of Surrounding Rock of Tunnel Based on 10 Machine Learning Algorithms;Siguang Zhao等;《Applied Sciences》;第1-20页 * |
Support pressure assessment for deep buried railway tunnels using BQ-index;王明年等;《J. Cent. South Univ.》;第247-263页 * |
基于钻进参数的围岩分类指标优化研究;罗文超等;《工程勘察》(第10期);第19-23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116485225A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109933577B (zh) | 基于tbm岩-机参数动态交互机制的隧洞可掘进预测方法及系统 | |
CN107423518B (zh) | 利用Civil3D与Revit结合的综合管廊全线BIM协同设计方法 | |
CN111090461B (zh) | 一种基于机器翻译模型的代码注释生成方法 | |
CN110021037A (zh) | 一种基于生成对抗网络的图像非刚性配准方法及系统 | |
CN110442979B (zh) | 基于bp神经网络的盾构施工隧道的全变形预测方法及系统 | |
CN101901503B (zh) | 使用光谱分析的伸展驱动的网格参数化 | |
CN108287808A (zh) | 一种面向结构可靠性分析的通用动态追踪序列采样方法 | |
CN110688701A (zh) | 一种基于Dynamo的隧道结构模型建模方法 | |
CN112817312B (zh) | 一种基于双重搜索优化算法的路径规划方法 | |
CN111815593B (zh) | 基于对抗学习的肺结节域适应分割方法、装置及存储介质 | |
CN110705178A (zh) | 一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法 | |
CN116485225B (zh) | 基于钻进参数的施工阶段围岩bq值自动获取方法及系统 | |
CN108710734B (zh) | 基于网格自适应加密与粗化技术的数值模拟方法和装置 | |
CN106446338A (zh) | 基于Revit平台的算量处理方法和装置 | |
CN109360553A (zh) | 一种用于语音识别的新型时延递归神经网络 | |
CN112862946B (zh) | 基于级联条件生成对抗网络的灰度岩心图像三维重建方法 | |
CN116755876A (zh) | 一种大模型混合并行训练加速方法和系统 | |
CN108446413B (zh) | 一种注浆成型扩底桩桩径的优化测定方法 | |
CN104732292A (zh) | 基于断面数据的主流速线自动规划方法 | |
CN115577626A (zh) | 一种基于土质参数量化的地面沉降预测方法及系统 | |
CN109736819B (zh) | 一种盾构掘进总推力确定方法及系统 | |
Sun et al. | A quantitative evaluation method based on back analysis and the double-strength reduction optimization method for tunnel stability | |
CN105319595A (zh) | 一种黄土塬地震资料井控中长波长静校正方法 | |
CN111123373A (zh) | 一种基于波场扩展重构的探地雷达全波形反演方法 | |
Yong et al. | Research on genetic algorithm based on pyramid model |
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 |