CN116975623A - 钻爆法隧道施工阶段大变形等级预测方法、装置及介质 - Google Patents
钻爆法隧道施工阶段大变形等级预测方法、装置及介质 Download PDFInfo
- Publication number
- CN116975623A CN116975623A CN202310491104.6A CN202310491104A CN116975623A CN 116975623 A CN116975623 A CN 116975623A CN 202310491104 A CN202310491104 A CN 202310491104A CN 116975623 A CN116975623 A CN 116975623A
- Authority
- CN
- China
- Prior art keywords
- large deformation
- drilling
- specific energy
- energy
- sample library
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000010276 construction Methods 0.000 title claims abstract description 53
- 238000005422 blasting Methods 0.000 title claims abstract description 38
- 239000011435 rock Substances 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000009527 percussion Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000009933 burial Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Earth Drilling (AREA)
Abstract
本发明属于隧道工程领域,具体公开了一种钻爆法隧道施工阶段大变形等级预测方法、装置及介质,包括以下步骤:构建基础样本库;根据钻进参数代表值和能量法,计算全电脑三臂凿岩台车输出的推进比能、冲击比能、回转比能、机械比能等能量参数;根据能量参数计算结果,在基础样本库的基础上,构建拓展样本库;构建基于深度学习的大变形等级智能预测模型,将拓展样本库带入所述的大变形等级智能预测模型进行训练;根据构建的大变形等级智能预测模型,预测掌子面前方围岩大变形等级。本发明根据钻爆法隧道掌子面钻孔过程中产生的钻进参数预测掌子面前方围岩大变形等级,可有效减少施工人员的投入,降低大变形评价过程中的潜在风险。
Description
技术领域
本发明涉及隧道智能施工技术领域,具体涉及一种钻爆法隧道施工阶段大变形等级预测方法、装置及介质。
背景技术
随着隧道建造技术的逐渐成熟,隧道工程建造地点逐渐朝向超长、超大埋深方向发展,施工工法逐渐由台阶法、分部式开挖逐渐转向大断面、全断面开挖,隧道大变形的问题日益凸显,严重影响了隧道安全和高效建造。同时,随着大型机械施工装备配置标准化,全电脑三臂凿岩台车被广泛应用于大断面、全断面开挖的钻爆法隧道工程中。当前,全电脑三臂凿岩台车已具备了钻进参数实时采集、传输等功能,大数据分析、人工智能技术在海量数据分析、智能预测等领域展现了较强的鲁棒性。
由于隧道工程的地质条件分布的随机性和不确定性,地勘阶段预测的大变形等级与实际施工阶段的围岩大变形等级出入较大,传统的钻爆法隧道施工阶段大变形预测方法人力、物力耗费较大,难以满足当前隧道智能化建造的需求。如利用现有全电脑三臂凿岩台车大型机械对地质信息的感知功能,快速、便捷的预测隧道围岩大变形等级,将大幅减少传统大变形等级预测方法人力、物力的投入。根据预测结果及时调整支护方案,将极大的保障隧道建造的安全。
发明内容
为解决现有技术中存在的问题,本发明提供了一种钻爆法隧道施工阶段大变形等级预测方法、装置及介质,能够快速、便捷的预测掌子面前方围岩大变形等级,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:一种钻爆法隧道施工阶段大变形等级预测方法,包括以下步骤:
S1、构建基础样本库,该样本库包括钻进参数、岩性、风化程度以及大变形等级信息;
S2、根据钻进参数代表值和能量法,计算全电脑三臂凿岩台车输出的推进比能、冲击比能、回转比能、机械比能的能量参数;
S3、根据能量参数计算结果,在基础样本库的基础上,构建拓展样本库;
S4、构建基于深度学习的大变形等级智能预测模型,将拓展样本库带入所述的大变形等级智能预测模型进行训练;
S5、根据构建的大变形等级智能预测模型,预测掌子面前方围岩大变形等级。
优选的,所述步骤S1构建基础样本库,根据全电脑三臂凿岩台车自动采集的各炮孔进给速度、打击压力、推进压力、回转压力原始数据,采用各项钻进参数的第一四分位数、第二四分位数、第三四分位数、平均值作为目标掌子面钻进参数代表值。其中,进给速度、打击压力、推进压力、回转压力的第一四分位数、第二四分位数、第三四分位数通过对各钻进参数排序后获得,掌子面钻进参数代表值的具体计算公式如下:
式中:DP1是单项钻进参数的第一四分位数,DP2是单项钻进参数的第二四分位数,DP3是单项钻进参数的第三四分位数,DPave单项钻进参数的平均值,DPi是单项钻进参数各数据点的钻进参数值,L是单项钻进参数的最小值,N是单项钻进参数的数量,F是单项钻进参数数量除以4的余数。
岩性、风化程度、大变形等级可通过地勘资料、掌子面地质素描确定,大变形等级包括I级大变形、II级大变形、III级大变形等3级。
优选的,所述步骤S2根据钻进参数代表值和能量法,计算全电脑三臂凿岩台车输出的推进比能、冲击比能、回转比能、机械比能等能量参数;具体包括根据第一四分位数钻进参数的推进比能、冲击比能、回转比能、机械比能计算,根据第二四分位数钻进参数的推进比能、冲击比能、回转比能、机械比能计算,根据第三四分位数钻进参数的推进比能、冲击比能、回转比能、机械比能计算,根据钻进参数平均值的推进比能、冲击比能、回转比能、机械比能计算,具体计算公式如下:
式中:e是不同钻进参数代表值计算的机械比能,Pa;ec,j是根据不同钻进参数代表值计算的冲击比能,Pa;et,j是根据不同钻进参数代表值计算的推进比能,Pa;er,j是根据不同钻进参数代表值计算的回转比能,Pa;Vd,j是进给速度的代表值,m/s;Pc,j是冲击压力的代表值,Pa;Pt,j是推进压力的代表值,Pa;Vp,j是回转压力的代表值,Pa;DcA是冲击油缸活塞后直径,m;DcB是冲击油缸活塞前端直径,m;Sc是冲击活塞设计行程,m;mc是冲击活塞质量,kg;D是钻孔直径,m;Vr是钻具回转速度,单位r/s;qr为液压马达排量,即马达每转动一周排出的流量,单位ml/r或cc;ir为旋转马达的减速比。
式(2)中包含了机器参数、钻进参数、钻孔参数三类13项变量,其中推进活塞后端直径(Dt)、钻具转速(Vr)、马达排量(qr)、减速比(ir)、冲击活塞后端直径(DcA)、冲击活塞前端直径(DcB)、冲击行程(Sc)、冲击活塞质量(mc)是凿岩机的机器参数,在凿岩台车出厂时或钻孔前设置;进给速度(Vd)、推进压力(Pt)、打击压力(Pc)和回转压力(Pr)是钻头钻进过程中传感器实时采集的随钻参数;钻孔直径(D)是钻孔参数,用于计算钻孔面积。
优选的,所述步骤S3根据能量参数计算结果,在基础样本库的基础上,构建拓展样本库。拓展样本库包括样本基础信息、输入特征、输出特征三类信息,其中,样本基础信息包括样本编号、掌子面里程2项;输入特征包括进给速度、打击压力、推进压力、回转压力等各项钻进参数的第一四分位数、第二四分位数、第三四分位数、平均值,根据各项钻进参数代表值计算的推进比能、冲击比能、回转比能、机械比能,地勘资料或掌子面地质素描提供的下一循环掌子面岩性和风化程度,共计34项;输出特征包括目标掌子面大变形等级。为保障大变形等级智能预测模型的泛化性能,拓展样本库应包含不同大变形特征,其数量不宜低于400组,即无大变形、I级大变形、II级大变形、III级大变形4种大变形等级各100组。将拓展样本库中的各大变形等级的样本按训练集:预测集=8:2的比例分割,带入模型训练。
优选的,所述步骤S4构建的基于深度学习的大变形等级智能预测模型网络层数为7层,即1个输入层,5个隐含层和1个输出层;所述将拓展样本库带入大变形等级智能预测模型进行训练是指:将目标掌子面的钻进参数代表值、比能计算值、岩性、风化程度等34项输入特征作为输入层的输入参数,对应钻爆法隧道施工阶段的下一循环掌子面围岩大变形等级作为输出层的输出参数。
优选的,所述步骤S5根据构建的大变形等级智能预测模型,预测掌子面前方围岩大变形等级。通过输入当前掌子面岩性、风化程度、钻进参数,利用该预测模型,则可输出大变形等级。
另外,为实现上述目的,本发明还提供了如下技术方案:一种钻爆法隧道施工阶段大变形等级预测装置,所述装置包括:
基础样本库构建模块:构建基础样本库,该样本库包括钻进参数、岩性、风化程度以及大变形等级信息;
能量参数计算模块:根据钻进参数代表值和能量法,计算全电脑三臂凿岩台车输出的推进比能、冲击比能、回转比能、机械比能的能量参数;
拓展样本库构建模块:根据能量参数计算结果,在基础样本库的基础上,构建拓展样本库;
大变形等级智能预测模型构建模块:构建基于深度学习的大变形等级智能预测模型,将拓展样本库带入所述的大变形等级智能预测模型进行训练;
预测模块:根据构建的大变形等级智能预测模型,预测掌子面前方围岩大变形等级。
另外,为实现上述目的,本发明还提供了如下技术方案:一种设备,所述设备包括:处理器;和存储器,用于存储一个或多个程序;
当所述一个或多个程序被处理器执行时,使得所述处理器执行所述的预测方法。
另外,为实现上述目的,本发明还提供了如下技术方案:一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的预测方法。
本发明的有益效果是:本发明根据钻爆法隧道凿岩台车钻孔过程中产生的钻进参数和地勘资料或掌子面地质素描的岩性、风化程度,智能预测了掌子面前方围岩大变形等级。该发明专利保障了钻爆法隧道施工安全,减少了钻爆法隧道围岩大变形预测过程中人力、物力的投入,助力了钻爆法隧道智能建造。
附图说明
图1为本发明实施例中钻爆法隧道施工阶段大变形等级预测方法流程示意图;
图2为本发明实施例中四分位数的概念示意图;
图3为本发明实施例中基于深度学习的大变形等级智能预测模型图;
图4为本发明实施例中钻爆法隧道施工阶段大变形等级预测装置模块示意图;
图5为本发明实施例中提供的设备结构示意图;
其中,110-基础样本库构建模块;120-能量参数计算模块;130-拓展样本库构建模块;140-大变形等级智能预测模型构建模块;150-预测模块;210-处理器;220-存储器。
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1
随着钻爆法隧道工程埋深和长度的增加,钻爆法隧道大变形问题日益凸显,隧道大变形等级预测的意义在于通过对隧道变形的监测和分析,评估隧道变形的严重程度,以便采取相应的预防和控制措施,可以提高隧道的安全性和稳定性,优化维护管理,为隧道的设计和管理决策提供依据,根据大变形等级及时调整隧道建设和管理方法,减少隧道工程带来的安全隐患。地勘阶段的隧道大变形等级预测结果与施工阶段的实际情况出入较大,施工阶段监测和观测、经验公式等大变形等级预测方法时效性较差。
有鉴于此,发明人通过长期的研究与实践,根据大型施工机械采集的机器参数,即全电脑三臂凿岩台车采集的钻进参数,掌子面岩性和风化程度信息,结合大数据分析、人工智能技术,提出了一种钻爆法隧道施工阶段大变形等级智能预测方法。该方法旨在提供一种快速、便捷的大变形预测方法,提高钻爆法隧道在大变形地段的施工安全,提高钻爆法隧道智能建造水平。
请参阅图1,本实施例提供了一种技术方案:一种钻爆法隧道施工阶段大变形等级预测方法,其包括以下步骤:
步骤S1:构建基础样本库,构建基础样本库,根据全电脑三臂凿岩台车自动采集的各炮孔进给速度、打击压力、推进压力、回转压力原始数据,采用各项钻进参数的第一四分位数、第二四分位数、第三四分位数、平均值作为目标掌子面钻进参数代表值。其中,进给速度、打击压力、推进压力、回转压力的第一四分位数、第二四分位数、第三四分位数通过对各钻进参数排序后获得,四分位数的概念请参阅图2。掌子面钻进参数代表值的具体计算公式如下:
式中:DP1是单项钻进参数的第一四分位数,DP2是单项钻进参数的第二四分位数,DP3是单项钻进参数的第三四分位数,DPave单项钻进参数的平均值,DPi是单项钻进参数各数据点的钻进参数值,L是单项钻进参数的最小值,N是单项钻进参数的数量,F是单项钻进参数数量除以4的余数。
岩性、风化程度、大变形等级可通过地勘资料、掌子面地质素描确定,根据《铁路隧道设计规范》(TB 10003-2016)大变形等级分为I级大变形、II级大变形、III级大变形等3级。以某典型钻爆法大变形隧道为例,基础样本库的数据构成如表1所示。
表1基础样本库数据构成表
考虑文本篇幅有限,基础样本数据中展示的钻进参数代表值仅以各钻进参数平均值为例,基础样本数据库部分数据示例如表2所示。
表2基础样本库部分数据示例
步骤S2:根据钻进参数代表值和能量法,计算全电脑三臂凿岩台车输出的推进比能、冲击比能、回转比能、机械比能等能量参数。具体包括根据第一四分位数钻进参数的推进比能、冲击比能、回转比能、机械比能计算,根据第二四分位数钻进参数的推进比能、冲击比能、回转比能、机械比能计算,根据第三四分位数钻进参数的推进比能、冲击比能、回转比能、机械比能计算,根据钻进参数平均值的推进比能、冲击比能、回转比能、机械比能计算,具体计算公式如下:
式中:e是不同钻进参数代表值计算的机械比能,Pa;ec,j是根据不同钻进参数代表值计算的冲击比能,Pa;et,j是根据不同钻进参数代表值计算的推进比能,Pa;er,j是根据不同钻进参数代表值计算的回转比能,Pa;Vd,j是进给速度的代表值,m/s;Pc,j是冲击压力的代表值,Pa;Pt,j是推进压力的代表值,Pa;Vp,j是回转压力的代表值,Pa;DcA是冲击油缸活塞后直径,m;DcB是冲击油缸活塞前端直径,m;Sc是冲击活塞设计行程,m;mc是冲击活塞质量,kg;D是钻孔直径,m;Vr是钻具回转速度,单位r/s;qr为液压马达排量,即马达每转动一周排出的流量,单位ml/r或cc;ir为旋转马达的减速比。
式(2)中包含了机器参数、钻进参数、钻孔参数三类13项变量,其中推进活塞后端直径(Dt)、钻具转速(Vr)、马达排量(qr)、减速比(ir)、冲击活塞后端直径(DcA)、冲击活塞前端直径(DcB)、冲击行程(Sc)、冲击活塞质量(mc)是凿岩机的机器参数,在凿岩台车出厂时或钻孔前设置;进给速度(Vd)、推进压力(Pt)、打击压力(Pc)和回转压力(Pr)是钻头钻进过程中传感器实时采集的随钻参数;钻孔直径(D)是钻孔参数,用于计算钻孔面积。以某钻爆法隧道典型断面为例,根据钻进参数的不同四分位数和平均值计算的比能结果示例如表3所示。
表3某钻爆法隧道典型断面钻进参数的不同四分位数和平均值计算的比能结果示例表
序号 | 能量名称 | 计算结果 |
1 | 推进比能(第一四分位数) | 1106172.84 |
2 | 冲击比能(第一四分位数) | 55455313.45 |
3 | 回转比能(第一四分位数) | 37033132.41 |
4 | 机械比能(第一四分位数) | 93594618.70 |
5 | 推进比能(第二四分位数) | 1169382.16 |
6 | 冲击比能(第二四分位数) | 407822797.8 |
7 | 回转比能(第二四分位数) | 153954769.2 |
8 | 机械比能(第二四分位数) | 562946949.16 |
9 | 推进比能(第三四分位数) | 1274074.07 |
10 | 冲击比能(第三四分位数) | 529474708.62 |
11 | 回转比能(第三四分位数) | 254327241.2 |
12 | 机械比能(第三四分位数) | 785076023.89 |
13 | 推进比能(平均值) | 1149493.86 |
14 | 冲击比能(平均值) | 481910492.8 |
15 | 回转比能(平均值) | 219907611.3 |
16 | 机械比能(平均值) | 702967597.96 |
步骤S3:根据能量参数计算结果,在基础样本库的基础上,构建拓展样本库。拓展样本库包括样本基础信息、输入特征、输出特征三类信息,其中,样本基础信息包括样本编号、掌子面里程2项;输入特征包括给速度、打击压力、推进压力、回转压力等各项钻进参数的第一四分位数、第二四分位数、第三四分位数、平均值,根据各项钻进参数代表值计算的推进比能、冲击比能、回转比能、机械比能,地勘资料或掌子面地质素描提供的下一循环掌子面岩性和风化程度,共计34项;输出特征包括目标掌子面大变形等级。拓展样本库数据构成如表4所示。
表4拓展样本库数据构成表
为保障大变形等级智能预测模型的泛化性能,拓展样本库应包含不同大变形特征,其数量不宜低于400组,即无大变形、I级大变形、II级大变形、III级大变形4种大变形等级各100组。将拓展样本库中的各大变形等级的样本按训练集:预测集=8:2的比例分割,带入模型训练。
步骤S4:构建基于深度学习的大变形等级智能预测模型,将拓展样本库带入所述的大变形等级智能预测模型进行训练。构建的基于深度学习的大变形等级智能预测模型网络层数为7层,即1个输入层,5个隐含层和1个输出层;所述将拓展样本库带入大变形等级智能预测模型进行训练是指:将目标掌子面的钻进参数代表值、比能计算值、岩性、风化程度等34项输入特征作为输入层的输入参数,对应钻爆法隧道施工阶段的下一循环掌子面围岩大变形等级作为输出层的输出参数,基于深度学习的大变形等级智能预测模型图请参阅图3。以拓展样本库中的400组数据为例,预测集各大变形等级预测准确率如表5所示。
表5预测集各大变形等级预测准确率
序号 | 大变形等级 | 准确率/% |
1 | 无大变形 | 85.6 |
2 | I级大变形 | 86.2 |
3 | II级大变形 | 87.4 |
4 | III级大变形 | 89.1 |
步骤S5:根据构建的大变形等级智能预测模型,预测掌子面前方围岩大变形等级。通过输入当前掌子面岩性、风化程度、钻进参数,利用该预测模型,则可输出大变形等级。以某典型钻爆法隧道为例,以10个大变形典型断面作为测试集,准确率为90%,详情如表6所示。
表6测试集大变形等级预测准确性
本发明根据钻爆法隧道掌子面钻孔过程中产生的钻进参数预测掌子面前方围岩大变形等级,可有效减少施工人员的投入,降低大变形评价过程中的潜在风险。
基于与上述方法实施例相同地发明构思,本申请实施例还提供了一种钻爆法隧道施工阶段大变形等级预测装置,该装置可以实现上述方法实施例所提供的功能,如图4所示,该装置包括:
基础样本库构建模块110:构建基础样本库,该样本库包括钻进参数、岩性、风化程度以及大变形等级信息;
能量参数计算模块120:根据钻进参数代表值和能量法,计算全电脑三臂凿岩台车输出的推进比能、冲击比能、回转比能、机械比能的能量参数;
拓展样本库构建模块130:根据能量参数计算结果,在基础样本库的基础上,构建拓展样本库;
大变形等级智能预测模型构建模块140:构建基于深度学习的大变形等级智能预测模型,将拓展样本库带入所述的大变形等级智能预测模型进行训练;
预测模块150:根据构建的大变形等级智能预测模型,预测掌子面前方围岩大变形等级。
基于与上述方法实施例相同地发明构思,本申请实施例还提供了一种设备,如图5所示,所述设备包括:处理器210;和存储器220,用于存储一个或多个程序;
当所述一个或多个程序被处理器210执行时,使得所述处理器执行所述的预测方法。
所述预测方法,具体包括如下:
构建基础样本库,该样本库包括钻进参数、岩性、风化程度以及大变形等级信息;
根据钻进参数代表值和能量法,计算全电脑三臂凿岩台车输出的推进比能、冲击比能、回转比能、机械比能的能量参数;
根据能量参数计算结果,在基础样本库的基础上,构建拓展样本库;
构建基于深度学习的大变形等级智能预测模型,将拓展样本库带入所述的大变形等级智能预测模型进行训练;
根据构建的大变形等级智能预测模型,预测掌子面前方围岩大变形等级。
基于与上述方法实施例相同地发明构思,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器210执行时实现所述的预测方法。
所述预测方法,具体包括如下:
构建基础样本库,该样本库包括钻进参数、岩性、风化程度以及大变形等级信息;
根据钻进参数代表值和能量法,计算全电脑三臂凿岩台车输出的推进比能、冲击比能、回转比能、机械比能的能量参数;
根据能量参数计算结果,在基础样本库的基础上,构建拓展样本库;
构建基于深度学习的大变形等级智能预测模型,将拓展样本库带入所述的大变形等级智能预测模型进行训练;
根据构建的大变形等级智能预测模型,预测掌子面前方围岩大变形等级。
本发明根据钻爆法隧道凿岩台车钻孔过程中产生的钻进参数和地勘资料或掌子面地质素描的岩性、风化程度,智能预测了掌子面前方围岩大变形等级。本发明专利保障了钻爆法隧道施工安全,减少了钻爆法隧道围岩大变形预测过程中人力、物力的投入,助力了钻爆法隧道智能建造。
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 (9)
1.一种钻爆法隧道施工阶段大变形等级预测方法,其特征在于,包括以下步骤:
S1、构建基础样本库,该样本库包括钻进参数、岩性、风化程度以及大变形等级信息;
S2、根据钻进参数代表值和能量法,计算全电脑三臂凿岩台车输出的推进比能、冲击比能、回转比能、机械比能的能量参数;
S3、根据能量参数计算结果,在基础样本库的基础上,构建拓展样本库;
S4、构建基于深度学习的大变形等级智能预测模型,将拓展样本库带入所述的大变形等级智能预测模型进行训练;
S5、根据构建的大变形等级智能预测模型,预测掌子面前方围岩大变形等级。
2.根据权利要求1所述的钻爆法隧道施工阶段大变形等级预测方法,其特征在于:所述步骤S1构建基础样本库,根据全电脑三臂凿岩台车自动采集的各炮孔进给速度、打击压力、推进压力、回转压力原始数据,采用各项钻进参数的第一四分位数、第二四分位数、第三四分位数、平均值作为目标掌子面钻进参数代表值;岩性、风化程度、大变形等级通过地勘资料、掌子面地质素描确定,大变形等级包括I级大变形、II级大变形、III级大变形3级。
3.根据权利要求2所述的钻爆法隧道施工阶段大变形等级预测方法,其特征在于:所述掌子面钻进参数代表值的具体计算公式如下:
式中:DP1是单项钻进参数的第一四分位数,DP2是单项钻进参数的第二四分位数,DP3是单项钻进参数的第三四分位数,DPave单项钻进参数的平均值,DPi是单项钻进参数各数据点的钻进参数值,L是单项钻进参数的最小值,N是单项钻进参数的数量,F是单项钻进参数数量除以4的余数。
4.根据权利要求1所述的钻爆法隧道施工阶段大变形等级预测方法,其特征在于:所述步骤S2根据钻进参数代表值和能量法,计算全电脑三臂凿岩台车输出的推进比能、冲击比能、回转比能、机械比能的能量参数,具体计算公式如下:
式中:e是不同钻进参数代表值计算的机械比能,Pa;ec,j是根据不同钻进参数代表值计算的冲击比能,Pa;et,j是根据不同钻进参数代表值计算的推进比能,Pa;er,j是根据不同钻进参数代表值计算的回转比能,Pa;Vd,j是进给速度的代表值,m/s;Pc,j是冲击压力的代表值,Pa;Pt,j是推进压力的代表值,Pa;Vp,j是回转压力的代表值,Pa;DcA是冲击油缸活塞后直径,m;DcB是冲击油缸活塞前端直径,m;Sc是冲击活塞设计行程,m;mc是冲击活塞质量,kg;D是钻孔直径,m;Vr是钻具回转速度,单位r/s;qr为液压马达排量,即马达每转动一周排出的流量,单位ml/r或cc;ir为旋转马达的减速比。
5.根据权利要求1所述的钻爆法隧道施工阶段大变形等级预测方法,其特征在于:所述拓展样本库包括样本基础信息、输入特征、输出特征三类信息;所述样本基础信息包括样本编号、掌子面里程2项;所述输入特征包括进给速度、打击压力、推进压力、回转压力的各项钻进参数的第一四分位数、第二四分位数、第三四分位数、平均值,根据各项钻进参数代表值计算的推进比能、冲击比能、回转比能、机械比能,地勘资料或掌子面地质素描提供的下一循环掌子面岩性和风化程度,共计34项;所述输出特征包括目标掌子面大变形等级。
6.根据权利要求1所述的钻爆法隧道施工阶段大变形等级预测方法,其特征在于:所述步骤S4构建的基于深度学习的大变形等级智能预测模型网络层数为7层,即1个输入层,5个隐含层和1个输出层;所述将拓展样本库带入大变形等级智能预测模型进行训练是指:将目标掌子面的钻进参数代表值、比能计算值、岩性、风化程度的34项输入特征作为输入层的输入参数,对应钻爆法隧道施工阶段的下一循环掌子面围岩大变形等级作为输出层的输出参数。
7.一种钻爆法隧道施工阶段大变形等级预测装置,其特征在于:所述装置包括:
基础样本库构建模块(110):构建基础样本库,该样本库包括钻进参数、岩性、风化程度以及大变形等级信息;
能量参数计算模块(120):根据钻进参数代表值和能量法,计算全电脑三臂凿岩台车输出的推进比能、冲击比能、回转比能、机械比能的能量参数;
拓展样本库构建模块(130):根据能量参数计算结果,在基础样本库的基础上,构建拓展样本库;
大变形等级智能预测模型构建模块(140):构建基于深度学习的大变形等级智能预测模型,将拓展样本库带入所述的大变形等级智能预测模型进行训练;
预测模块(150):根据构建的大变形等级智能预测模型,预测掌子面前方围岩大变形等级。
8.一种设备,其特征在于:所述设备包括:处理器(210);和存储器(220),用于存储一个或多个程序;
当所述一个或多个程序被处理器(210)执行时,使得所述处理器执行如权利要求1-6中任一项所述的预测方法。
9.一种计算机可读存储介质,其特征在于:其上存储有计算机程序,所述计算机程序被处理器(210)执行时实现如权利要求1-6中任一项所述的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310491104.6A CN116975623B (zh) | 2023-05-04 | 2023-05-04 | 钻爆法隧道施工阶段大变形等级预测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310491104.6A CN116975623B (zh) | 2023-05-04 | 2023-05-04 | 钻爆法隧道施工阶段大变形等级预测方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116975623A true CN116975623A (zh) | 2023-10-31 |
CN116975623B CN116975623B (zh) | 2024-01-30 |
Family
ID=88480416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310491104.6A Active CN116975623B (zh) | 2023-05-04 | 2023-05-04 | 钻爆法隧道施工阶段大变形等级预测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975623B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210121A (zh) * | 2019-05-31 | 2019-09-06 | 成都理工大学 | 一种隧道大变形灾害的动态风险获取方法 |
CN110489844A (zh) * | 2019-08-09 | 2019-11-22 | 山东大学 | 一种适用于软岩隧道不均匀大变形等级预测方法 |
CN110805469A (zh) * | 2019-05-31 | 2020-02-18 | 中国铁路总公司 | 山岭隧道钻爆法施工掌子面稳定性分级方法 |
CN110852908A (zh) * | 2019-05-31 | 2020-02-28 | 西南交通大学 | 围岩分级方法 |
CN111553000A (zh) * | 2020-03-23 | 2020-08-18 | 西南交通大学 | 钻爆法隧道智能建造方法 |
CN112253136A (zh) * | 2020-10-27 | 2021-01-22 | 中铁十二局集团有限公司 | 高速铁路大断面隧道智能化开挖工法 |
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 |
CN114140448A (zh) * | 2021-12-06 | 2022-03-04 | 广西路信云信息技术有限公司 | 一种基于深度学习的隧道掌子面围岩智能分级方法及设备 |
CN114547721A (zh) * | 2021-12-21 | 2022-05-27 | 沈阳工业大学 | 深埋隧道局部区域差异定向断裂控制爆破方法 |
US20230003124A1 (en) * | 2021-06-25 | 2023-01-05 | Tianjin University | Method and System for Predicting Specific Energy of Cutter Head of Tunnel Boring Machine |
CN115688251A (zh) * | 2022-12-19 | 2023-02-03 | 山东大学 | 基于深度学习的地震多发区隧道风险决策方法及系统 |
CN115828374A (zh) * | 2022-11-14 | 2023-03-21 | 山东大学 | 适用于复合地层隧道施工期非均匀变形预测方法及系统 |
-
2023
- 2023-05-04 CN CN202310491104.6A patent/CN116975623B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210121A (zh) * | 2019-05-31 | 2019-09-06 | 成都理工大学 | 一种隧道大变形灾害的动态风险获取方法 |
CN110805469A (zh) * | 2019-05-31 | 2020-02-18 | 中国铁路总公司 | 山岭隧道钻爆法施工掌子面稳定性分级方法 |
CN110852908A (zh) * | 2019-05-31 | 2020-02-28 | 西南交通大学 | 围岩分级方法 |
CN110489844A (zh) * | 2019-08-09 | 2019-11-22 | 山东大学 | 一种适用于软岩隧道不均匀大变形等级预测方法 |
CN111553000A (zh) * | 2020-03-23 | 2020-08-18 | 西南交通大学 | 钻爆法隧道智能建造方法 |
CN112253136A (zh) * | 2020-10-27 | 2021-01-22 | 中铁十二局集团有限公司 | 高速铁路大断面隧道智能化开挖工法 |
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 |
US20230003124A1 (en) * | 2021-06-25 | 2023-01-05 | Tianjin University | Method and System for Predicting Specific Energy of Cutter Head of Tunnel Boring Machine |
CN114140448A (zh) * | 2021-12-06 | 2022-03-04 | 广西路信云信息技术有限公司 | 一种基于深度学习的隧道掌子面围岩智能分级方法及设备 |
CN114547721A (zh) * | 2021-12-21 | 2022-05-27 | 沈阳工业大学 | 深埋隧道局部区域差异定向断裂控制爆破方法 |
CN115828374A (zh) * | 2022-11-14 | 2023-03-21 | 山东大学 | 适用于复合地层隧道施工期非均匀变形预测方法及系统 |
CN115688251A (zh) * | 2022-12-19 | 2023-02-03 | 山东大学 | 基于深度学习的地震多发区隧道风险决策方法及系统 |
Non-Patent Citations (3)
Title |
---|
LIHUA LIN: "Computer Dynamic and Intelligent Prediction Model for Surrounding Rock Deformation Grade using Numerical Simulation Method", 《ICECCE 2021》, pages 1 - 4 * |
王明年等: "基于炮孔钻进参数的隧道掌子面围岩三维精细化分级方法", 《铁道学报》, pages 1 - 13 * |
赵思光等: "基于凿岩台车钻进速度的隧道围岩基本质量指标 计算方法", 《中国铁道科学》, pages 83 - 91 * |
Also Published As
Publication number | Publication date |
---|---|
CN116975623B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111553000A (zh) | 钻爆法隧道智能建造方法 | |
CN113689055B (zh) | 一种基于贝叶斯优化的油气钻井机械钻速预测与优化方法 | |
CN110805469A (zh) | 山岭隧道钻爆法施工掌子面稳定性分级方法 | |
CN103308946A (zh) | 一种基于炮孔钻进信息的隧道超前地质预报方法 | |
CN110852908A (zh) | 围岩分级方法 | |
CN105184079B (zh) | 一种液压凿岩机的凿岩状态辨识方法 | |
CN105653811B (zh) | 高压变电站深回填区旋挖钻进中的入岩深度确定方法 | |
CN110965991B (zh) | 基于人工智能的随钻岩石矿物组分识别方法及装置 | |
CN112664174B (zh) | 一种基于多钻孔的隧道围岩等级判定方法及系统 | |
CN107292467A (zh) | 一种钻井风险预测方法 | |
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 | |
CN108363873A (zh) | 一种基于矿用钻机的岩性辨识方法 | |
Shen et al. | Efficiency evaluation of a percussive drill rig using rate-energy ratio based on rock drilling tests | |
Gao et al. | Prediction and visualization analysis of drilling energy consumption based on mechanism and data hybrid drive | |
CN116975623B (zh) | 钻爆法隧道施工阶段大变形等级预测方法、装置及介质 | |
CN113361043B (zh) | 一种硬岩隧道掘进机刀盘比能的预测方法及系统 | |
CN116628492A (zh) | 一种钻爆法隧道施工阶段岩爆等级精细化预测方法及系统 | |
CN111176113A (zh) | 一种基于长短时记忆神经网络的钻具受力优化控制方法 | |
CN114298369A (zh) | 一种岩石可钻性分级综合预测模型构建方法 | |
CN116484716B (zh) | 基于钻进参数的掌子面围岩初始地应力解析方法及系统 | |
CN106869904A (zh) | 一种利用钻机运行参数原位实时确定岩体损伤状态的方法 | |
Ji et al. | Advanced geological prediction technology based on tunnel face borehole drilling | |
CN117113614B (zh) | 钻爆法隧道掌子面围岩Rb、Eb精细化解析方法及系统 | |
Zhou et al. | Neural network strata identification based on tunneling parameters of shield machine |
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 |