JP4094770B2

JP4094770B2 - 岩盤判定システム

Info

Publication number: JP4094770B2
Application number: JP15962599A
Authority: JP
Inventors: 隆義中山; 哲井上; 康英背野
Original assignee: Okumura Corp
Current assignee: Okumura Corp
Priority date: 1999-06-07
Filing date: 1999-06-07
Publication date: 2008-06-04
Anticipated expiration: 2019-06-07
Also published as: JP2000345793A

Description

【０００１】
【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＝Ａ_i1 and … and ｘ_m＝Ａ_im THEN ｙ＝ｗ_i（ｉ＝１,…,ｎ）
その場合、前件部の適合度μ_iは以下の式で表される。
μ_i＝Ａ_i1(ｘ₁)＊ … ＊Ａ_im(ｘ_m)
ここで、Ａ_ij：メンバーシップ関数（ｊ＝１,…,ｍ）
そして、この前件部の適合度μ_i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ｗ_i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ｙ^r _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−ｙ^r _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Ａ_ijの形状を調整するのである。ここで、メンバーシップ関数Ａ_ijの中心値をａ_ijとし、幅をｂ_ijとすると、推論誤差の評価関数Ｅはａ_ij,ｂ_ij,ｗ_iの値に依存することになる。
Ｅ＝ｆ(ａ_ij,ｂ_ij,ｗ_i)
【００４２】
そこで、ファジイモデルのチューニングパラメータをａ_ij,ｂ_ij,ｗ_i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ａ_ij,ｂ_ij,ｗ_i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ａ_ij,ｂ_ij,ｗ_i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−ｙ^r _p)²/Ｎ
そして、チューニングパラメータａ_ij,ｂ_ij,ｗ_i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Ａ_ijの中心値ａ_ijと幅ｂ_ijとを初期値に設定し、後件部の適合度ｗ_i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ａ_ij,ｂ_ij,ｗ_i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ａ_ij,ｂ_ij,ｗ_i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

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。