JP4094770B2 - 岩盤判定システム - Google Patents
岩盤判定システム Download PDFInfo
- Publication number
- JP4094770B2 JP4094770B2 JP15962599A JP15962599A JP4094770B2 JP 4094770 B2 JP4094770 B2 JP 4094770B2 JP 15962599 A JP15962599 A JP 15962599A JP 15962599 A JP15962599 A JP 15962599A JP 4094770 B2 JP4094770 B2 JP 4094770B2
- Authority
- JP
- Japan
- Prior art keywords
- excavation
- rock mass
- rock
- data
- learning
- 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.)
- Expired - Lifetime
Links
- 239000011435 rock Substances 0.000 title claims description 140
- 238000009412 basement excavation Methods 0.000 claims description 131
- 230000013016 learning Effects 0.000 claims description 87
- 241000282414 Homo sapiens Species 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 9
- 238000005553 drilling Methods 0.000 claims description 5
- 230000035515 penetration Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 23
- 238000000034 method Methods 0.000 description 21
- 238000011156 evaluation Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 238000009434 installation Methods 0.000 description 4
- 241000282412 Homo Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 238000005422 blasting Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C39/00—Devices for testing in situ the hardness or other properties of minerals, e.g. for giving information as to the selection of suitable mining tools
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
- Feedback Control In General (AREA)
Description
【発明の属する技術分野】
この発明は、トンネル掘削機(TBM)等によって掘削された岩盤の地山等級を判定する岩盤判定システムに関する。
【0002】
【従来の技術】
従来、TBMによって岩盤を掘削する場合において、岩盤の地山等級を判定する場合には以下のようにして行っている。すなわち、TBMの進行に伴って岩盤がTBMのテールから出現した時点で、岩自体の固さ(ハンマーによる打撃テスト),亀裂の密度や間隔,湧水や断層の有無等を人間が判断することによって、岩盤の地山等級を判定するようにしている。
【0003】
この地山等級は、岩盤の状態の優劣を表す指標であり、例えば「“トンネル標準示方書[山岳工法偏]・同解説”,土木学会」の道路トンネルの地山分類では、A〜Eの5ランクに分類されている。そして、上記TBMで掘削したトンネル坑内では、この地山等級に合せた支保パターンによって坑壁の補強が行われるのである。
【0004】
ところが、上述の地山等級判定方法では、TBMによって掘削された個所の岩盤がTBMのテールから出現するまでに時間が掛るので、岩盤の判定が遅くなってしまう。特に崩壊性の高い岩盤の場合には、支保の設置が遅れることによって重大な事故に繋がる危険性がある。
【0005】
そこで、上述のような問題を解決するために、上記TBMの掘削データ(カッタ用モータの電流・電圧,回転数,振動,推力,掘進速度,掘削ズリ高さ等)から岩盤の状態を判断するシステムが提案されている。このシステムでは、多くの掘削データを瞬時に判断するのは人間では困難であるので、コンピュータを使用して多くの掘削データから岩盤の状態を瞬時に判断するようにしている。このようなシステムに地山等級を判定させることによって、速めに支保の準備を行うことが可能になり、支保の設置遅れによる事故発生を防止することが可能になる。
【0006】
【発明が解決しようとする課題】
しかしながら、上記従来の岩盤の状態を判断するシステムにおいては、以下のような問題がある。すなわち、上述のようなシステムにおいて、岩盤判断のロジックを作成するためには多くの掘削データと人間が判断した地山等級とを照合して分析する必要があり、このような作業には多大な時間を必要とするのである。
【0007】
また、上記掘削データはTBMの仕様や地山の種類によっても変わるので、TBMの仕様が変れば判断ロジックの見直しが必要となる。また、同じTBMを使用していても異なるトンネル工事に適用する場合には、判断ロジックの見直しが必要となる。さらには、同じトンネル工事であっても、TBMの通過する岩盤の種類が場所によって大きく変るような場合には、岩盤の種類が変る毎に判断ロジックの見直しが必要となる。
【0008】
ところが、上述したように、岩盤判断のロジックを作成するためには多大な時間を必要とするため、上記判断ロジックの見直しを行う度に掘削作業を停止する必要が生ずると言う問題がある。
【0009】
そこで、この発明の目的は、掘削作業を継続しつつ岩盤判断のロジックの作成・変更を行うことができる岩盤判定システムを提供することにある。
【0010】
【課題を解決するための手段】
上記目的を達成するため、請求項1に係る発明は、
掘削機を使用して掘削した岩盤の地山等級を判定する岩盤判定システムにおいて、
岩盤を掘削する際の上記掘削機の状態に基づいて掘削データを生成する掘削データ生成部と、
上記掘削データを入力として、当該掘削データが得られた岩盤の地山等級を人間の経験則に基づく推論ロジックを用いて推論する地山等級推論部と、
上記掘削データを格納する掘削データ格納部と、
上記地山等級推論部による推論時に用いられる推論ロジックが格納されたロジック格納部と、
人間によって判定された岩盤の地山等級の判定結果と当該判定時点よりも前に上記掘削 データ格納部に格納された同一岩盤の掘削データとの対でなる学習データを用いて、上記推論ロジックの学習を行う学習処理部と
を備えたことを特徴としている。
【0011】
上記構成によれば、掘削データ生成部で生成された掘削データを用いて、地山等級推論部によって、人間の経験則に基づく岩盤の地山等級の推論が行われる。こうして、掘削機で掘削された岩盤の地山等級が瞬時に且つ人間の経験則に即して正確に判定される。その結果、この判定された地山等級に従って、速めに支保の準備を行うことが可能となる。
【0012】
さらに、上記掘削機による掘削作業を行いながら、同一岩盤に対する掘削データと人間による地山等級の判定結果との対でなる学習データが作成されて、ロジック格納部に格納された推論ロジックの学習が行われる。こうして、掘削作業を継続しつつ岩盤判断のロジックが構築・変更される。
【0013】
その場合に、掘削時に得られた掘削データは掘削データ格納部に格納されている。したがって、人間が地山の等級を判定した際に同一岩盤の掘削データを上記掘削データ格納部から読み出すことによって、人間による地山等級の判定結果とこの判定時点より以前に得られた同一岩盤の掘削データとを1つの学習データとして、上記推論ロジックの学習が行われる。
【0014】
また、請求項2に係る発明は、
請求項1に係る発明の岩盤判定システムにおいて、
上記ロジック格納部には、上記推論ロジックとして複数のファジイルールが格納されており、
上記学習処理部は、上記学習データを構成する掘削データを上記ファジイルールに与えた場合における推論結果としての地山等級が、当該学習データを構成する人間による地山等級判定結果に近づくように、上記ファジイルールを調整することによって、上記ファジイルールの学習を行うようになっている
ことを特徴としている。
【0015】
上記構成によれば、上記推論ロジックとして人間の経験則をよく表すファジイルールが使用されて、上記掘削機で掘削された岩盤の地山等級がより人間の経験則に即して正確に判定される。さらに、上記推論ロジックの学習が、上記ファジイルールの調整によって簡単に行われる。
【0016】
また、請求項3に係る発明は、
請求項1あるいは請求項2に係る発明の岩盤判定システムにおいて、
上記掘削機はトンネル掘削機であり、
上記掘削データとして、カッタ電流,カッタ電圧,カッタ回転数,カッタ振動数,ジャッキ推力,掘進速度および掘削ズリ高さのうち少なくとも2つを用いる
ことを特徴としている。
【0017】
上記構成によれば、カッタ電流,カッタ電圧,カッタ回転数,カッタ振動数,ジャッキ推力,掘進速度および掘削ズリ高さのうち少なくとも2つを上記掘削データとして用いて、トンネル掘削機で掘削されたトンネル岩盤の地山等級が瞬時に且つ人間の経験則に即して正確に判定される。
【0018】
また、請求項4に係る発明は、
請求項1あるいは請求項2に係る発明の岩盤判定システムにおいて、
上記掘削機は削岩機であり、
上記掘削データとして、打撃圧,回転圧,回転数,フィード圧およびフィード速度のうち少なくとも2つを用いる
ことを特徴としている。
【0019】
上記構成によれば、打撃圧,回転圧,回転数,フィード圧およびフィード速度のうち少なくとも2つを上記掘削データとして用いて、削岩機で削孔された岩盤の地山等級が瞬時に且つ人間の経験則に即して正確に判定される。
【0020】
また、請求項5に係る発明は、
請求項1乃至請求項4の何れか一つに係る発明の岩盤判定システムにおいて、
上記地山等級推論部によって推論された岩盤の地山等級に基づいて、用いるべき支保パターンを選択して出力する出力部を備えた
ことを特徴としている。
【0021】
上記構成によれば、上記地山等級推論部によって推論された岩盤の地山等級に応じて出力された支保パターンに基づいて、掘削された岩盤の補強に最適な支保パターンが得られる。
【0022】
【発明の実施の形態】
以下、この発明を図示の実施の形態により詳細に説明する。図1は、本実施の形態の岩盤判定システムが適用されたTBMの概略図である。このTBMは、ビーム体1の前端部に、隔壁2を介して設けられたカッタヘッド3をモータ4で回転しつつ、ビーム体1の軸の左右の夫々設けられた推進ジャッキ5を駆動して、リアグリッパ6を反力の支点としてビーム体1を前進させることによって、岩盤にトンネルを掘削する。
【0023】
そして、上記カッタヘッド3に取り付けられた複数のローラカッタ7で掘削されたズリ(掘削岩片)は、ベルトコンベア8によって後方に運搬されて運搬車(図示せず)内に溜められる。こうして、所定距離を掘進すると、推進ジャッキ5の駆動を停止し、フロントグリッパ9を掘削壁面10に当接させた後に、リアグリッパ6を内側に没入させる。そして、推進ジャッキ5を収縮することによって、フロントグリッパ9を反力の支点としてリアグリッパ6を前方に移動させる。次に、上記リアグリッパ6を掘削壁面10に当接させ、フロントグリッパ9を没入させる。
【0024】
以後、上述の動作を繰り返し、上記フロントグリッパ9とリアグリッパ6とを交互に出没させながら推進ジャッキ5を駆動することによって、TBMを掘進させるのである。尚、11はスキンプレートであり、12は支保である。
【0025】
上記TBMには、上記モータ4の電流,電圧,回転数,振動を計測するモータ用センサ13と、推進ジャッキ5の油圧を計測する油圧計14と、推進ジャッキ5のストロークを計測するストローク計15と、ベルトコンベア8によって搬送される上記ズリを写すモニタカメラ16が搭載されている。上記各計測器によって測定された測定値は掘削データ生成部21に送出され、種々の掘削データが生成される。
【0026】
すなわち、上記モータ用センサ13からの上記モータ4の電流を表す信号に基づいてカッタ電流Iが求められ、モータ4の電圧を表す信号に基づいてカッタ電圧Eが求められ、モータ4の回転数を表す信号に基づいてカッタ回転数Nが求められ、モータ4の振動を表す信号に基づいてカッタ振動数Bが求められる。さらに、油圧計14からの推進ジャッキ5の油圧を表す信号に基づいて、推進ジャッキ5の推力Ftが求められる。また、ストローク計15からの推進ジャッキ5のストロークを表す信号に基づいて、カッタヘッド3の推進速度Rおよび推進長さLが求められる。また、モニタカメラ16からの画像信号に基づいて、その画像を処理し、上記ズリの大きさ毎の個数をカウントし、所定掘進長当たりの掘削されたズリの大きさ毎の出現個数を算出し、上記ズリの大きさ毎の出現個数と推進長さLとに基づいて平均ズリ高さZhが求められる。
【0027】
こうして、上記掘削データ生成部21によって求められた各掘削データは、岩盤判定システム22に入力される。この岩盤判定システム22は、人間の判断を正解として判断ロジックを学習させる学習処理部23を有している。この学習処理部23は、ある掘削箇所の岩盤を掘削した際の掘削データと同一個所の岩盤に対する人間の地山等級の判定結果との組み合わせを学習データとして、判断ロジック格納部24に格納された判断ロジックを修正する。そして、この学習を複数の掘削箇所に係る学習データで繰り返し行うことによって、次第に判断ロジックの能力を向上させるのである。
【0028】
そして、実際の岩盤判定処理においては、判定処理部25によって、上記構築されて判断ロジック格納部24に格納されている判断ロジックを用いて、掘削岩盤の地山等級を判定するのである。以下、岩盤判定システム22の各機能について詳細に説明する。
【0029】
従来、物理量が示すある物体の状態の判定を人間の経験と勘とに基づいて自動的に行う方法として、ファジィ推論による方法がある。この方法は、人間の経験と勘とに基づいて、上記物体の状態を表す変数(状態変数)と上記状態の判定結果との関係を幾つかの推論ルールで表現して登録しておく。そして、上記物体の状態変数の測定値を上記推論ルールに当て嵌めて、現在の状態を判定するものである。
【0030】
本実施の形態における岩盤判定システム22は、上記地山等級の判断ロジックにファジイ推論を使用する。このファジイ推論は、IF(前件部)THEN(後件部)形式のファジイモデルを使用し、TBMの掘削データ(状態変数)を前件部のファジイ変数に入力して前件部の適合度を求め、この前件部の適合度を用いて後件部の適合度を求めて地山等級を推論するものである。尚、前件部のファジイ変数にはメンバーシップ関数を用い、後件部のファジイ変数は実数値とする。このファジイモデルは判断ロジック格納部24に格納される。
【0031】
上記判断ロジック格納部24に格納されたファジイモデルは、初期状態においては、全前件部のメンバーシップ関数には同じ形状のメンバーシップ関数が与えられると共に、全後件部の実数値には同一値が与えられている。したがって、トンネルの掘削を開始する際には、上記ファジイモデルのメンバーシップ関数を掘削箇所の岩盤の種類に合う形状に設定する一方、後件部を掘削箇所の岩盤の種類に合う値に設定する必要がある。また、一旦メンバーシップ関数の形状および後件部の値を最適に設定した後であっても、岩盤の種類が大きく変った場合には、再度メンバーシップ関数の形状および後件部の値を設定し直す必要がある。その場合に、学習処理部23によって以下に述べるような学習を行うのである。
【0032】
すなわち、先ず、上記ファジイモデルにおける上記後件部の初期値は0としておく。そして、上記掘削データと人間が判断した地山等級(数値)との組み合せでなる複数の学習データの掘削データを、順次上記ファジイモデルの前件部に与える。そして、その場合の後件部の出力値と当該学習データの地山等級値との誤差(両値の差)を求める。そして、全ファジイモデルの誤差を減少させるように上記メンバーシップ関数の形状および後件部の値を修正し、上述の学習操作を繰り返すのである。その場合における繰り返しの停止は、予め設定された繰り返し回数の終了で行う。あるいは、全ファジイモデルに関する平均誤差が所定値に達した時点で行う。
【0033】
ここで、上記状態変数として個々の掘削データの計測値を用いているが、変動係数あるいは変化分等を用いてもよい。
【0034】
尚、本実施の形態においては、ファジイモデルの前件部において、各掘削データ毎に設定されるメンバーシップ関数の個数も設定可能としている。また、各掘削データに対して設定された複数のメンバシップ関数を組み合わせ、それらを前件部として1個のファジイルールを作成している。例えば、3種類の掘削データに対して5個のメンバシツプ関数を設定した場合には、ファジイルール数は5×5×5×=125個となる。
【0035】
また、上記地山等級は数量化するものとする。例えば、A〜Eランクという分類に対して、夫々10,20,…,40,50のように数量化するのである。この地山等級に相当する数量は中間値も扱うことができるものとし、人間が地山等級を30(Cランク)と40(Dランク)の中間であると考えた場合には地山等級「35」を与えるのである。その結果、岩盤判定システム22からは、数量化された地山等級が岩盤判定結果として出力されることになる。この岩盤判定結果は、l0,20,…,50のような離散値ではなく、その中間の13,17などの値が出力されるので、10,20,30の離散値間に15や25等の境界値を設けて、従来より用いられている地山等級に分類すればよい。
【0036】
以下、上記岩盤判定システム22の具体的動作について説明する。図2は、上記TBMによるトンネル掘削工事の作業手順を示すフローチャートである。ステップS1で、上述のようにして、推進ジャッキ5を所定距離だけ前進させながらカッタヘッド3によってトンネルを掘進させる。ステップS2で、上記TBMに取り付けられた種々の計測器13〜15やモニタカメラ16と掘削データ生成部21とによって上述のようにして種々の掘削データが生成され、岩盤判定システム22に入力される。その場合、後に行われる学習のために、上記生成された掘削データが掘削データベース26に格納される。ステップS3で、上記TBMの進行に伴ってテールから出現したトンネル壁面が支保される。ステップS4で、岩盤判定システム22の判定処理部25によって、上記掘削データに基づいて、判断ロジック格納部24に格納されたファジイモデルを用いて上記ファジイ推論が行われ、推論結果としての地山等級が出力される。
【0037】
ステップS5で、上記出力された地山等級に基づいて支保パターンが選択されて、支保の準備が行われる。ステップS6で、上記判断ロジックの学習を行うか否かが判別される。その結果、行う場合にはステップS7に進み、行わない場合にはステップS1に戻って、さらにトンネル掘削が続行される。ここで、上記学習の可否の判別は、岩盤判定システム22の出力結果と人間による実際の地山等級の判定結果とのズレの度合いで判定する。あるいは、予め調査されたトンネル掘削区間の岩質に応じて、大きく岩質が変わる箇所を指定しておき、この指定箇所に到達したことによって判定してもよい。
【0038】
ステップS7で、上記岩盤判定システム22の学習処理部23によって、後に詳述するようにして学習処理が行われる。そうした後、上記ステップS1に戻って、さらにトンネル掘削が続行される。
【0039】
次に、上記トンネル掘削工事の作業手順における上記ステップS7において行われる学習処理について、詳細に説明する。本実施の形態におけるファジイモデルの学習は、以下に簡単に述べるような最急降下法によって行う。
【0040】
上述したように、上記判断ロジック格納部24には、IF〜THEN〜の形式で記述されたn個のファジイルールでなるファジイモデルが格納されている。
IF x1=Ai1 and … and xm=Aim THEN y=wi(i=1,…,n)
その場合、前件部の適合度μiは以下の式で表される。
μi=Ai1(x1)* … *Aim(xm)
ここで、Aij:メンバーシップ関数(j=1,…,m)
そして、この前件部の適合度μiをその総和が「1」になるように規格化したもの
を次式とする。
一方、後件部の適合度wiは実数値であり、推論値y*は以下のようになる。
【0041】
ここで、上記ファジイモデルによる推論結果y* pと人間が判断した結果yr pとの差(推論誤差)Eは、以下の評価関数で表される。
E=(y* p−yr p)2/2
そして、学習アルゴリズムとして、上記推論誤差Eが小さくなるようにメンバーシップ関数Aijの形状を調整するのである。ここで、メンバーシップ関数Aijの中心値をaijとし、幅をbijとすると、推論誤差の評価関数Eはaij,bij,wiの値に依存することになる。
E=f(aij,bij,wi)
【0042】
そこで、ファジイモデルのチューニングパラメータをaij,bij,wiとし、上
記評価関数Eの夫々の微分値
を用いて、評価関数Eが最小となるためのチューニングパラメータの更新方向を求める。すなわち、チューニングパラメータaij,bij,wiを、その夫々の微分値の符号と反対方向に微調整することによって評価関数Eを小さくし、これを繰り返して評価関数Eを最小化するのである。
【0043】
尚、チューニングパラメータaij,bij,wiの調整は次式によっておこなう。
ここで、Ka,Kb,Kwは定数であり、できるだけ小さな値を設定する。また、学習データ数をNとし、N個の学習データによる一回の学習を1セットとすると、1セットの学習後における学習データ当たりの推論誤差Dは次式のようになる。
D=Σ(y* p−yr p)2/N
そして、チューニングパラメータaij,bij,wiの調整はN個の学習データを用いて繰り返して行うものとし、kセット目の学習時における推論誤差をDと(k−1)セット目の学習時における推論誤差Dとの変化量ΔDが要求推論誤差εよりも小さくなるまで学習を繰り返すのである。尚、学習の終了条件を、ΔD≦εではなく所定の学習回数としても差し支えない。
【0044】
以下、図2に示すトンネル掘削工事の作業手順における学習処理動作について具体的に説明する。図3は、上記ステップS7において行われる学習処理動作のフローチャートである。上記ステップS6において学習が必要であると判別されると学習処理動作がスタートする。
【0045】
ステップS11で、上記TBMを掘進させながらテールから出現したN箇所の岩盤の地山等級が人間によって判定される。ステップS12で、上記ステップS11において判定された地山等級に対応するN箇所の岩盤の掘削データが、掘削データベース26から読み出される。ステップS13で、上記ステップS12において読み出されたN個の掘削データと上記ステップS11において判定されたN個の地山等級とが対応付けられて学習データが生成され、学習データベース27が作成される。
【0046】
このように、本実施の形態においては、上記TBMによって岩盤を掘進している際に得られた掘削データを掘削データベース26に保存するようにしている。したがって、この掘削データベース26を用いることによって、岩盤がTBMのテールから出現した時点に人間によって判定された地山等級値とこの判定時点よりも前に得られた同一岩盤の掘削データとを対応付けて学習データを作成することができる。すなわち、同一岩盤から時間差を有して得られる掘削データと地山等級値とを1つの学習データとして、後に詳述するように、ファジイモデルの学習を行うことが可能になるのである。
【0047】
ステップS14で、上記メンバーシップ関数Aijの中心値aijと幅bijとを初期値に設定し、後件部の適合度wiに「0」に設定する初期設定が行われる。ステップS15で、学習セット数kに「1」がセットされる。ステップS16で、カウント値tに「1」がセットされる。ステップS17で、学習データベース27からt番目の学習データが読み出される。ステップS18で、上記読み出された学習データの掘削データが、判断ロジック格納部24に格納されたファジイモデルを構成する各ファジイルールの前件部に代入されて、上述のようにして推論値y*が演算される。
【0048】
ステップS19で、上記ステップS17において読み出された学習データの地山等級と上記ステップS18において算出された地山等級の推論値y*とに基づいて、上述のようにして評価関数Eが演算される。そして、評価関数Eの各チューニングパラメータaij,bij,wiでの微分値
が演算される。ステップS20で、得られた各微分値の演算結果に基づいて各チューニングパラメータaij,bij,wiが微調整される。ステップS21で、学習データ番号tが学習データ数Nより小さいか否かが判別される。そして、小さい場合にはステップS22に進み、そうでない場合にはステップS23に進む。ステップS22で、学習データ番号tがインクリメントされる。そうした後、ステップS17に戻って次の学習データによる学習に移行する。
【0049】
ステップS23で、上述のようにして、上記推論誤差Dとその変化量ΔDが演算される。ステップS24で、ΔD>εが成立するか否かが判別される。その結果、成立すればステップS25に進み、成立しなければ推論誤差Dが収束したので学習処理を終了する。ステップS25で、学習セット数kがインクリメントされる。そうした後、上記ステップS16に戻って、次の学習セットに移行する。そして、上記ステップS24において、ΔD>εが成立しないと判定されると学習処理を終了する。
【0050】
上述のように、本実施の形態においては、TBMに掘削データ生成部21と岩盤判定システム22を設けている。そして、トンネル掘削時において各計測器13〜15からの測定値およびモニタカメラ16からの映像信号に基づいて、掘削データ生成部21によって各種掘削データを生成して岩盤判定システム22に入力する。そうすると、岩盤判定システム22は、判断ロジック格納部24に格納されたファジイモデルを用いて、判定処理部25によって、掘削データに基づいて地山等級の推論を行う。そして、推論結果としての地山等級を出力する。
【0051】
したがって、多数の掘削データに基づいて瞬時に地山等級を決定でき、速めに支保の準備ができ、支保の設置遅れによる事故の発生を防止できるのである。
【0052】
その際に、掘削開始時であって上記ファジイモデルが初期状態である場合や岩盤の状態が大きく変化したため上記ファジイモデルを変更する必要がある場合には、TBMのテールから出現した岩盤の人間による地山等級の判定結果と、掘削データベース26に格納された同一岩盤に関する掘削データとの対で成る学習データを生成して、学習データベース27を作成する。そして、学習処理部23によって、上記学習データを用いて最急降下法によって上記ファジイモデルの学習を行うようにしている。
【0053】
したがって、掘削作業を継続しつつ岩盤判断のロジックを構築・変更することができ、短時間に簡単に岩盤判断ロジックを作成・変更することができる。すなわち、本実施の形態によれば、上記判断ロジックの見直しを行う度に掘削作業を停止する必要が全く無く、トンネル掘削作業の迅速化を図ることができるのである。
【0054】
また、上記学習に際しては、上述のように上記掘削データベース26に保存された掘削データを用いて学習データを作成している。したがって、TBMのテールから出現した岩盤の人間による地山等級の判定値と、この判定時点よりも前に得られた同一岩盤の掘削データとを1つの学習データとして、上記ファジイモデルの学習を行うことが可能になる。
【0055】
上記実施の形態においては、上記岩盤判定システム22をTBMに適用して、TBMのテールから出現した岩盤の地山等級を人間が判断した結果と、同一岩盤に関する掘削データとの対を学習データとして、掘削対象岩盤の地山等級を判断する判断ロジックを学習させる場合を例に説明している。しかしながら、上記岩盤判定システムは、TBM以外のトンネル工事装置にも応用可能である。
【0056】
図4は、岩盤判定システムを、トンネル切羽岩盤に発破用あるいは調査用の孔を削孔する際に使用される削岩機に搭載した場合を示す。削岩機31は、台車32上におけるブーム33に取り付けられて先端が定着具35によって岩盤に固定される穿孔機36を有している。そして、一端が穿孔機36のドリフタ37に取り付けられて軸受部38で支持された回転軸をドリフタ37によって回転させ、上記回転軸の先端のビット39で岩盤に削孔するものである。
【0057】
上記ドリフタ37には計測器(図示せず)が設けられ、この計測器からの測定値が掘削データ生成部45に入力される。そして、上記TBMの場合と同様に、掘削データ生成部45によって各種掘削データ(打撃圧,回転圧,回転数,フィード圧,フィード速度)を生成して岩盤判定システム46に入力する。そして、岩盤判定システム46によって、掘削データに基づいて地山等級の推論が行われる。それと同時に、掘削データベース47が作成される。また、学習データベース48を作成し、学習データベース48から読み出された学習データに基づいて、岩盤判定システム46の判断ロジックが学習されるのである。
【0058】
尚、上記削岩機の場合においても、上記TBMの場合と同様に、現在ビット39で削孔されている個所の岩盤の地山等級は、掘削されて出現されるまで判定することはできない。したがって、学習データベース48を用いることによって、掘削されて出現した岩盤の人間による地山の判定結果と、その判定時点よりも前に得られた同一岩盤の掘削データとを1つの学習データとして、上記ファジイモデルの学習を行うことが可能になるのである。
【0059】
上記各実施の形態においては、上記岩盤判定システム22,46の出力を掘削対象地盤の地山等級としている。ところが、実際のトンネル工事においては、この地山等級に応じて支保パターンを決定するので、岩盤判定システム22,46の出力を直接支保パターンとしてもよい。その場合、通常のトンネル工事においては支保パターンも人間が判断しているので、上述の地山等級の場合と同様に判断ロジックを学習することが可能である。
【0060】
また、各実施の形態における上記岩盤判定システム22,46においは、判断ロジックとしてファジイ理論を用いている。しかしながら、この発明における岩盤の判断ロジックはこれに限定されるものではなく、ニューラルネットワークを用いることも可能である。尚、代表的なニューラルネットワークとしては多層パーセプトロンがあり、学習アルゴリズムにはバックプロパゲーションがある。
【0061】
【発明の効果】
以上より明らかなように、請求項1に係る発明の岩盤判定システムは、掘削データ生成部によって掘削データを生成し、地山等級推論部によって、当該掘削データが得られた岩盤の地山等級を人間の経験則に基づく推論ロジックを用いて推論するので、掘削機で掘削された岩盤の地山等級を、瞬時に且つ人間の経験則に即して正確に判定できる。したがって、この判定された地山等級に従って、掘削された岩盤が上記掘削機の後方に出現する前に、速めに支保の準備を行うことができる。
【0062】
すなわち、この発明によれば、支保の設置遅れによる崩落事故の発生を防止できるのである。
【0063】
さらに、上記掘削データを掘削データ格納部に格納し、学習処理部によって、人間によって判定された岩盤の地山等級の判定結果と当該判定時点よりも前に上記掘削データ格納部に格納された同一岩盤の掘削データとの対でなる学習データを用いて上記推論ロジックの学習を行うので、掘削作業を継続しつつ短時間に簡単に上記推論のロジックを構築・変更することができる。すなわち、この発明によれば、上記推論ロジックの見直しを行う度に掘削作業を停止する必要が全く無く、トンネル掘削作業の迅速化を図ることができる。
【0064】
さらに、上記得られた掘削データを掘削データ格納部に格納するので、TBMのテールから出現した岩盤の人間による地山等級の判定結果とその判定時点よりも前に得られた同一岩盤の掘削データとを1つの学習データとして、上記推論ロジックの学習を行うことができる。
【0065】
また、請求項2に係る発明の岩盤判定システムにおける上記ロジック格納部には、上記推論ロジックとして複数のファジイルールを格納しているので、人間の経験則をよく表すファジイルールを使用することによって、岩盤の地山等級をより人間の経験則に即して正確に判定できる。
【0066】
さらに、上記学習処理部は、上記学習データの掘削データを上記ファジイルールに与えた場合における推論結果が人間による地山等級判定結果に近づくように上記ファジイルールを調整するので、上記推論ロジックの学習を簡単に行うことができる。
【0067】
また、請求項3に係る発明の岩盤判定システムにおける上記掘削機はトンネル掘削機であり、上記掘削データとしてカッタ電流,カッタ電圧,カッタ回転数,カッタ振動数,ジャッキ推力,掘進速度および掘削ズリ高さのうち少なくとも2つを用いるので、上記トンネル掘削機で掘削されたトンネル岩盤の地山等級を瞬時に且つ人間の経験則に即して正確に判定することができる。
【0068】
また、請求項4に係る発明の岩盤判定システムにおける上記掘削機は削岩機であり、上記掘削データとして打撃圧,回転圧,回転数,フィード圧およびフィード速度のうち少なくとも2つを用いるので、上記削岩機で削孔された岩盤の地山等級を瞬時に且つ人間の経験則に即して正確に判定することができる。
【0069】
また、請求項5に係る発明の岩盤判定システムは、上記地山等級推論部によって推論された岩盤の地山等級に基づいて、出力部によって、用いるべき支保パターンを選択して出力するので、掘削された岩盤の補強に最適な支保パターンを得ることができる。
【図面の簡単な説明】
【図1】 この発明の岩盤判定システムが適用されたTBMの概略断面図である。
【図2】 図1に示すTBMによるトンネル掘削工事の作業手順を示すフローチャートである。
【図3】 図2に示す作業手順において行われる学習処理動作のフローチャート図である。
【図4】 この発明の岩盤判定システムを削岩機に適用した場合の説明図である。
【符号の説明】
13…モータ用センサ、
14…油圧計、 15…ストローク計、
16…モニタカメラ、 21,45…掘削データ生成部、
22,46…岩盤判定システム、 23…学習処理部、
24…判断ロジック格納部、 25…判定処理部、
26,47…掘削データベース、 27,48…学習データベース、
31…削岩機。
Claims (5)
- 掘削機を使用して掘削した岩盤の地山等級を判定する岩盤判定システムにおいて、
岩盤を掘削する際の上記掘削機の状態に基づいて掘削データを生成する掘削データ生成部と、
上記掘削データを入力として、当該掘削データが得られた岩盤の地山等級を人間の経験則に基づく推論ロジックを用いて推論する地山等級推論部と、
上記掘削データを格納する掘削データ格納部と、
上記地山等級推論部による推論時に用いられる推論ロジックが格納されたロジック格納部と、
人間によって判定された岩盤の地山等級の判定結果と当該判定時点よりも前に上記掘削データ格納部に格納された同一岩盤の掘削データとの対でなる学習データを用いて、上記推論ロジックの学習を行う学習処理部と
を備えたことを特徴とする岩盤判定システム。 - 請求項1に記載の岩盤判定システムにおいて、
上記ロジック格納部には、上記推論ロジックとして複数のファジイルールが格納されており、
上記学習処理部は、上記学習データを構成する掘削データを上記ファジイルールに与えた場合における推論結果としての地山等級が、当該学習データを構成する人間による地山等級判定結果に近づくように、上記ファジイルールを調整することによって、上記ファジイルールの学習を行うようになっている
ことを特徴とする岩盤判定システム。 - 請求項1あるいは請求項2に記載の岩盤判定システムにおいて、
上記掘削機はトンネル掘削機であり、
上記掘削データとして、カッタ電流 , カッタ電圧 , カッタ回転数 , カッタ振動数 , ジャッキ推力 , 掘進速度および掘削ズリ高さのうち少なくとも2つを用いる
ことを特徴とする岩盤判定システム。 - 請求項1あるいは請求項2に記載の岩盤判定システムにおいて、
上記掘削機は削岩機であり、
上記掘削データとして、打撃圧 , 回転圧 , 回転数 , フィード圧およびフィード速度のうち少なくとも2つを用いる
ことを特徴とする岩盤判定システム。 - 請求項1乃至請求項4の何れか一つに記載の岩盤判定システムにおいて、
上記地山等級推論部によって推論された岩盤の地山等級に基づいて、用いるべき支保パターンを選択して出力する出力部を備えた
ことを特徴とする岩盤判定システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP15962599A JP4094770B2 (ja) | 1999-06-07 | 1999-06-07 | 岩盤判定システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP15962599A JP4094770B2 (ja) | 1999-06-07 | 1999-06-07 | 岩盤判定システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2000345793A JP2000345793A (ja) | 2000-12-12 |
JP4094770B2 true JP4094770B2 (ja) | 2008-06-04 |
Family
ID=15697818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP15962599A Expired - Lifetime JP4094770B2 (ja) | 1999-06-07 | 1999-06-07 | 岩盤判定システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4094770B2 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1394814B1 (en) * | 2001-05-09 | 2010-02-17 | Kajima Corporation | Gallery monitoring system |
FI119132B (fi) * | 2005-06-15 | 2008-07-31 | Mine On Line Service Oy | Menetelmä ja laitteisto malmin käsittelyyn |
JP7049902B2 (ja) * | 2018-04-27 | 2022-04-07 | 戸田建設株式会社 | 山岳トンネルにおける発破最適化方法 |
JP7078912B2 (ja) * | 2018-06-08 | 2022-06-01 | 日本電気株式会社 | 制御装置、制御方法、及び、制御プログラム |
CN110096827B (zh) * | 2019-05-09 | 2022-08-05 | 中铁工程服务有限公司 | 一种基于深度神经网络的盾构机参数优化方法 |
JP7328144B2 (ja) | 2019-12-27 | 2023-08-16 | 五洋建設株式会社 | 切羽性状推定装置および推定方法 |
CN111709650B (zh) * | 2020-06-18 | 2023-05-30 | 中铁十一局集团第四工程有限公司 | 一种滨海复杂地层盾构掘进适应性评价方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3247032B2 (ja) * | 1995-07-10 | 2002-01-15 | 株式会社小松製作所 | 地山の圧縮強度算出方法,地山の圧縮強度算出装置,支保工選択方法および掘進機制御方法 |
JP3721459B2 (ja) * | 1995-10-23 | 2005-11-30 | 大成建設株式会社 | トンネルの岩盤強度の計測方法 |
JP3675576B2 (ja) * | 1996-07-09 | 2005-07-27 | 株式会社奥村組 | 地盤判定装置 |
JPH1151932A (ja) * | 1997-07-31 | 1999-02-26 | Ohbayashi Corp | トンネル岩盤強度の推定方法 |
JP3344561B2 (ja) * | 1998-07-16 | 2002-11-11 | 鹿島建設株式会社 | Tbm切羽及び周辺地質のリアルタイム評価方法及び装置 |
-
1999
- 1999-06-07 JP JP15962599A patent/JP4094770B2/ja not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JP2000345793A (ja) | 2000-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3135207B2 (ja) | トンネル掘進機の施工管理システム | |
CN106481344B (zh) | 一种土压平衡盾构机隧道掘进参数智能控制方法 | |
KR102211421B1 (ko) | 터널 굴진면의 전방 지질 상태 예측에 기반한 tbm 제어 파라미터 결정 방법 및 시스템 | |
JP4094770B2 (ja) | 岩盤判定システム | |
AU2338997A (en) | Method of assaying downhole occurrences and conditions | |
CN114352300B (zh) | 一种数字化钻爆开挖系统和开挖方法 | |
JPH07208060A (ja) | 削岩機の削孔エネルギー評価値による岩盤発破作業及び支保構造の適正化方法 | |
JP7219181B2 (ja) | シールド掘進機の施工管理方法 | |
JPH1181855A (ja) | 最適発破設計システム | |
Mikaeil et al. | Stability analysis of tunnel support systems using numerical and intelligent simulations (case study: Kouhin Tunnel of Qazvin-Rasht Railway) | |
CN110331987B (zh) | 用于硬岩地层的双护盾tbm掘进施工方法 | |
JP3721486B2 (ja) | トンネル掘進における地山評価方法とそれを用いたトンネル掘進方法 | |
JP2021017758A (ja) | シールド掘削機制御システム及びシールド掘削機制御方法 | |
JP6131160B2 (ja) | 岩盤探査方法および岩盤探査システム、並びに岩盤探査用穿孔データ補正装置 | |
KR102211129B1 (ko) | 굴착면 내부의 지반 상태 정보를 획득하는 스마트 선대구경 천공장치 | |
JP5258734B2 (ja) | トンネル切羽前方探査方法及び探査システム | |
JP2019144898A (ja) | 装置制御システム及び装置制御方法 | |
JP2023003193A (ja) | 施工管理システムおよび方法 | |
JP6935186B6 (ja) | 切羽面評価システムおよび切羽面評価方法 | |
JP4017781B2 (ja) | トンネル掘削地山の性状表示方法 | |
JP2021092031A (ja) | 地山予測システム | |
JP2023114687A (ja) | 発破情報処理装置、発破情報処理方法、および学習済みモデル | |
JPH11294079A (ja) | トンネル掘進方法 | |
KR102632868B1 (ko) | 막장의 암반상태 평가방법 | |
JP2024089479A (ja) | 解析装置、学習装置、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050622 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070921 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071002 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071127 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20080205 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080306 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110314 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 4094770 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140314 Year of fee payment: 6 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
EXPY | Cancellation because of completion of term |