WO2020181923A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2020181923A1
WO2020181923A1 PCT/CN2020/072864 CN2020072864W WO2020181923A1 WO 2020181923 A1 WO2020181923 A1 WO 2020181923A1 CN 2020072864 W CN2020072864 W CN 2020072864W WO 2020181923 A1 WO2020181923 A1 WO 2020181923A1
Authority
WO
WIPO (PCT)
Prior art keywords
tbm
rock
parameters
tunneling
dynamic interaction
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.)
Ceased
Application number
PCT/CN2020/072864
Other languages
English (en)
French (fr)
Inventor
李术才
薛翊国
曲传奇
邱道宏
陶宇帆
李广坤
苏茂鑫
崔久华
王鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to US17/057,443 priority Critical patent/US20210209263A1/en
Publication of WO2020181923A1 publication Critical patent/WO2020181923A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
    • E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V20/00—Geomodelling in general
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Definitions

  • the present disclosure relates to the technical field of tunnel engineering, in particular to a method and system for predicting tunnel excavation based on a dynamic interaction mechanism of TBM rock-machine parameters.
  • TBM construction rock mass information such as compressive strength, completeness and other parameters are obtained through manual on-site sketching, sampling, and indoor tests.
  • the acquisition methods are relatively backward, and it is impossible to perceive and predict the state of the rock mass in real time.
  • tunneling parameters in TBM construction basically rely on human experience to make judgments and adjustments.
  • the matching of tunneling parameters and rock mass state parameters is poor. Once stratigraphic changes or complex geological conditions are encountered, it is difficult to adjust the tunneling plan and control parameters in a timely and effective manner. It is prone to accidents such as machine jams, geological disasters, and even casualties.
  • TBM intelligent tunneling classification and prediction has become a major technical challenge and frontier hot issue in the field of tunnel engineering.
  • the embodiment of the present disclosure provides a tunnel excavation prediction method based on the dynamic interaction mechanism of TBM rock-machine parameters, carries out the feasibility classification of TBM excavation, and combines the dynamic interaction mechanism of TBM rock-machine parameters to carry out TBM excavation. Efficiency is predicted.
  • the embodiment of the present disclosure discloses a tunnel excavation prediction method based on the dynamic interaction mechanism of TBM rock-machine parameters, including:
  • the optimal tunneling formula suitable for TBM tunneling is established, and the feasibility of TBM tunneling is classified according to the tunneling formula, and the TBM tunneling efficiency is predicted.
  • Implementation example of the present disclosure selects equipment excavation indicators and rock mass information indicators based on TBM construction characteristics, and collects a large amount of data to form a sample database. Compared with other subjective weighting methods, the entropy weighting method adopted by this method has higher accuracy, stronger objectivity, and more accurate results.
  • the quantum particle swarm algorithm used avoids the poor global optimization capability and slow convergence speed of the traditional particle swarm algorithm, and greatly improves the global optimization capability and optimization efficiency of the particle swarm algorithm.
  • the present invention implements the quantum particle swarm algorithm Further improvements are made to avoid falling into the local optimum in the later stage of the calculation, and greatly increase the diversity of the population, resulting in higher quality and more accurate results. Therefore, this method has very rich evaluation information, high efficiency and high accuracy of results.
  • Another embodiment of the present disclosure discloses a tunnel advancement prediction system based on a dynamic interaction mechanism of TBM rock-machine parameters, including:
  • the database establishment unit is configured to: establish an equipment information sample database and a rock mass information sample database according to the dynamic interaction law of surrounding rock parameters and machine parameters in the TBM tunneling process;
  • the rock mass information weight calculation unit is configured to analyze and calculate the rock mass information sample database of the ascending section of the TBM excavation parameter to obtain the weight of each rock mass information under different equipment conditions;
  • the optimal solution calculation unit is configured to determine the convergence conditions under different equipment information states through the rock-machine parameter dynamic interaction mechanism, and obtain the optimal TBM excavation parameters in the stable section under different rock mass information conditions according to the convergence conditions solution;
  • the prediction unit is configured to establish an optimal tunneling formula suitable for TBM tunneling through the obtained weight information and the optimal solution of the parameters of the tunneling stable section, and perform TBM tunneling feasibility classification according to the tunneling formula to predict the TBM tunneling efficiency.
  • the method of the present disclosure selects equipment parameters and rock mass parameters based on the characteristics of TBM construction, which closely meets the actual needs of the project, and selects a large number of sample data from the actual project, and selects the entropy weight method as the method for determining the indicator weight. Compared with other subjective weighting methods, the accuracy is higher, the objectivity is stronger, and the results obtained are more accurate.
  • the improved quantum particle swarm method adopted by the method of the present disclosure not only greatly improves the global optimization ability and optimization efficiency of the particle swarm algorithm, but also prevents it from falling into the local optimum in the later stage of calculation, and greatly increases the diversity of the population.
  • the results obtained are of higher quality and accuracy.
  • Fig. 1 is a flowchart of evaluation steps of a specific implementation example of the present disclosure.
  • tunneling parameters in TBM construction basically rely on human experience to make judgments and adjustments.
  • the matching of tunneling parameters and rock mass state parameters is poor. Once stratigraphic changes or complex geological conditions are encountered, it is difficult to adjust the tunneling plan and control parameters in a timely and effective manner. It is prone to accidents such as machine jams, geological disasters, and even casualties. Therefore, TBM intelligent tunneling classification and prediction has become a major technical challenge and frontier hot issue in the field of tunnel engineering.
  • a classification and prediction method suitable for TBM intelligent tunneling is provided.
  • the present disclosure establishes a comprehensive evaluation index system of TBM excavation efficiency considering TBM machine parameters and surrounding rock index parameters through the study of the dynamic interaction mechanism of TBM rock-machine parameters, and obtains the machine parameter decision criterion with the optimal excavation efficiency as the decision objective.
  • the index evaluation system includes TBM equipment parameters and rock mass index parameters.
  • the equipment parameters mainly include cutter head thrust (F), cutter head torque (T), penetration (P), advance speed (R); rock mass parameter information includes rock mass uniaxial compressive strength, rock mass integrity, Rock hardness, rock wear resistance, rock quartz content, fault fracture zone, in-situ stress state, special rock-soil combination, groundwater, the angle between the direction of the dominant structural plane of the rock mass and the tunnel line ⁇ .
  • the existing TBM tunneling rock machine information is collected and summarized and a sample database is established.
  • the TBM tunneling parameters are divided into TBM tunneling parameter rising section and TBM tunneling Parameter stable section; use entropy weight method to analyze and calculate the rock mass information sample database for the rising section of TBM tunneling parameters to obtain the weight of each rock mass information under different equipment status conditions; determine the information status of different equipment through the dynamic interaction mechanism of rock-machine parameters
  • the improved quantum particle swarm method is used to obtain the optimal solution of the TBM tunneling parameter stable section under different rock mass information conditions; through the obtained weight information and the optimal solution of the tunneling stable section parameter, the applicable The best tunneling formula for TBM tunneling.
  • This method selects equipment driving indicators and rock mass information indicators based on the characteristics of TBM construction, and collects a large amount of data to form a sample database. Compared with other subjective weighting methods, the entropy weighting method adopted by this method has higher accuracy, stronger objectivity, and more accurate results.
  • the quantum particle swarm algorithm used avoids the poor global optimization capability and slow convergence speed of the traditional particle swarm algorithm, and greatly improves the global optimization capability and optimization efficiency of the particle swarm algorithm.
  • the present invention implements the quantum particle swarm algorithm Further improvements are made to avoid falling into the local optimum in the later stage of the calculation, and greatly increase the diversity of the population, resulting in higher quality and more accurate results. Therefore, this method has very rich evaluation information, high efficiency and high accuracy of results.
  • the TBM rock-machine dynamic interaction mechanism is explained below.
  • the TBM rock-machine dynamic interaction mechanism is the dynamic interaction law of surrounding rock parameters-machine parameters in the TBM tunneling process, and the tunnel surrounding rock parameters-TBM machine parameters are established according to this rule. Feedback model.
  • the TBM tunneling process of different formations, different rocks, and different machine parameters is simulated, and the correlation between the surrounding rock parameters and machine parameters during the TBM tunneling process is obtained, and the output torque, rotation speed, tunneling speed, and propulsion during the TBM tunneling process are obtained.
  • the correlation between mechanical parameters such as force and rock's uniaxial compressive strength, rock tensile strength, rock hardness, structural plane spacing, the angle between the hole axis and the main structural plane and other surrounding rock parameters.
  • TBM will automatically record various machine parameters and surrounding rock parameters during the tunneling process.
  • Obtain TBM machine parameters torque, rotation speed, tunneling speed, propulsion, etc.
  • surrounding rock parameters rock uniaxial compressive strength, rock tensile strength, rock hardness, structural plane spacing, hole axis and main structural plane angle
  • Establish the tunneling model of TBM surrounding rock parameters-machine parameters calculate the tunneling speed of TBM under different combinations of TBM working conditions and surrounding rock parameters, and analyze the correlation between TBM machine parameters and surrounding rock parameters, among which TBM working conditions Including different TBM output torque and propulsion force, surrounding rock parameter conditions include different rock compressive strength, tensile strength, elastic model, joint spacing, dip angle and ground stress combination.
  • the penetration, thrust, and torque TBM tunneling parameters gradually increase to a stable value. This stage is called the TBM tunneling parameter rising section; the TBM tunneling parameters remain stable The stage with slight fluctuation is called TBM tunneling stable section.
  • the mechanism in this example reflects the dynamic interaction law of TBM rock-machine, and is the basis for establishing a comprehensive evaluation index system for TBM excavation efficiency and obtaining machine parameter decision criteria with optimal excavation efficiency as the decision objective.
  • the evaluation index system is established by a comprehensive evaluation method based on the dynamic interaction mechanism of TBM rock-machine parameters.
  • the comprehensive evaluation methods used in the examples of the present disclosure include entropy weight method and quantum particle swarm method.
  • the weights of different rock mass parameters are calculated by the entropy weight method, and the calculation process is the conventional calculation process of the entropy weight method.
  • the equipment parameters mainly include cutter head thrust (F), cutter head torque (T), penetration (P), advance speed (R); rock mass parameter information includes rock mass uniaxial compressive strength , Rock integrity, rock hardness, rock wear resistance, rock quartz content, fault fracture zone, in-situ stress state, special rock-soil combination, groundwater, the angle between the direction of the dominant structural plane of the rock and the tunnel line ⁇ .
  • the integrity of the rock is measured by the RQD value
  • the hardness of the rock is measured by the specific work z
  • the wear resistance of the rock is measured by the rock wear resistance index CAI
  • the width of the fault fracture zone is measured by the width w to reflect the degree of influence
  • the state of ground stress Measured by the stress index d the special rock-soil combination includes the granite alteration zone and the upper and lower soft and hard rocks.
  • the strength difference ⁇ of the two rocks is used to measure the degree of influence
  • the groundwater is expressed by the unit water influx q.
  • a sample database of TBM excavation cycle equipment information and rock mass information is established, and the rock mass information sample database of the rising section of TBM excavation parameters is analyzed and calculated by the entropy method, and the weight of each rock mass information under different equipment conditions is obtained.
  • the TBM tunneling cycle is divided into a parameter rising section and a parameter stable section.
  • the weight of different rock mass information in the parameter rising section is calculated by the entropy weight method, and the rock-machine response law of the TBM parameter rising section is combined with the TBM rock-machine interaction mechanism.
  • the optimal tunneling solution of the stable segment of TBM parameters is obtained.
  • the entropy method is a method of assigning weights to indicators, and entropy can represent the effective amount of information displayed by the data. If the value of a certain index of the thing to be evaluated changes slightly, the entropy value is relatively high, which means that the amount of effective information given by this index is relatively small, and the weight is relatively low; otherwise, the opposite is true.
  • the superiority of the entropy method is that it is an objective and objective weighting method, which greatly reduces the influence of human factors on the index weight; for the weighting of multiple evaluation objects, the entropy method can be applied only by one calculation
  • the index weight for each evaluation object greatly simplifies the calculation process; the entropy method is used to weight the evaluation index to connect multiple evaluation objects, which reduces the impact of accidental situations and makes the evaluation results more reasonable.
  • TBM related data study the dynamic interaction law of surrounding rock parameters-machine parameters during the TBM tunneling process, and establish a feedback model of tunnel surrounding rock parameters-TBM machine parameters. According to the obtained feedback model, it can be known that under certain surrounding rock conditions, The optimal tunneling speed of TBM.
  • the dynamic interaction mechanism of rock-machine parameters is used to determine the convergence conditions under different equipment information states, and according to the convergence conditions, the improved quantum particle swarm method is used to obtain the optimal solution of the tunneling parameters of the TBM tunneling parameter stable section under different rock mass information conditions.
  • the quantum particle swarm algorithm is a global optimization algorithm, that is, after mastering different rock mass information, through the TBM rock-machine interaction mechanism and the weight obtained by the entropy weight method, the quantum particle swarm algorithm can obtain the information in this kind of rock mass. Under the circumstances, the optimal tunneling speed of TBM.
  • the quantum particle swarm algorithm is improved, which combines chaotic search, weighted update population optimal position center and neighborhood mutation.
  • the use of chaos to initialize the population can effectively improve the initial population diversity and distribution balance.
  • Improve the convergence speed and search accuracy of the algorithm use the weighted update of the optimal position center of the population to improve the population evolution method, which can effectively reduce the interference of lagging particles, enhance the guiding role of elite individuals in the population evolution, and improve the population search ability to accelerate convergence;
  • the optimal individuals of the population mutate randomly within the narrow neighborhood range from generation to generation, and carry out a local refined search. If the fitness of the new individuals obtained by the mutation is improved, the global optimal individuals of the population before the mutation are directly replaced, otherwise random with a certain probability Replace individuals in the population.
  • the optimal tunneling formula suitable for TBM tunneling is established. According to the tunneling formula, the feasibility of TBM tunneling is classified, and the TBM tunneling efficiency is predicted by combining the dynamic interaction mechanism of TBM rock-machine parameters.
  • the optimal tunneling formula is mainly to have an overall grasp of the tunneling problem under a certain working condition, make an overall score, and then carry out the tunneling classification, according to different surrounding rock parameters in different regions, its tunneling feasibility Carry out classification, so as to give the best construction method and supporting structure design according to the feasibility of tunneling. And the basis for scientific management and correct evaluation of economic benefits, formulation of labor quotas, material consumption standards, etc., is of great significance.
  • E is the total score of TBM's best tunneling. According to engineering practice and expert experience, the scores are classified to determine the tunneling grade of TBM tunnel. among them, For various equipment parameters, including cutter head thrust (F), cutter head torque (T), penetration (P), propulsion speed (R) score.
  • F cutter head thrust
  • T cutter head torque
  • P penetration
  • R propulsion speed
  • the scoring formula for each equipment parameter is as follows:
  • w i, w j, w k, w m for the right to use the rock parameter Entropy Method weight obtained under different parameters devices, e i, e j, e k, e m for the various parameters of rock
  • n is the number of rock mass parameters.
  • the embodiment of the present disclosure uses the TBM rock-machine parameter dynamic interaction mechanism as the theoretical basis to obtain TBM tunneling parameters, and collects and arranges the TBM machine parameters of the typical poor geological section (faults, sudden changes in lithology, water-rich rock mass, etc.) relying on the project. Including the data before, during and after TBM traverses the bad geological section, study the change law of the machine parameters of TBM traversing the bad geology.
  • TBM machine parameter characterization method for bad geological tunnels with the best excavation efficiency as the criterion
  • use entropy weight method and quantum particle swarm algorithm to establish a discriminant index system for different bad geological bodies, and analyze the bad geological discriminating index when the TBM passes through the bad geological section Change the law and characteristics, establish the advanced identification criterion of the bad geological body near the TBM, and realize the real-time advance identification and early warning of the bad geological body in the TBM tunneling process.
  • This implementation example discloses a tunnel advancement prediction system based on the dynamic interaction mechanism of TBM rock-machine parameters, including:
  • the database establishment unit is configured to: establish an equipment information sample database and a rock mass information sample database according to the dynamic interaction law of surrounding rock parameters and machine parameters in the TBM tunneling process;
  • the rock mass information weight calculation unit is configured to analyze and calculate the rock mass information sample database of the ascending section of the TBM excavation parameters to obtain the weight of each rock mass information under different equipment conditions;
  • the optimal solution calculation unit is configured to determine the convergence conditions under different equipment information states through the rock-machine parameter dynamic interaction mechanism, and obtain the optimal TBM excavation parameters in the stable section under different rock mass information conditions according to the convergence conditions solution;
  • the prediction unit is configured to establish an optimal tunneling formula suitable for TBM tunneling through the obtained weight information and the optimal solution of the parameters of the tunneling stable section, and perform TBM tunneling feasibility classification according to the tunneling formula to predict the TBM tunneling efficiency.
  • This embodiment example discloses a computer device, including a memory, a processor, and a computer program stored in the memory and capable of running on the processor.
  • the feature is that the processor implements the above-mentioned The steps of the tunnel excavation prediction method based on the dynamic interaction mechanism of TBM rock-machine parameters.
  • This embodiment example discloses a computer-readable storage medium on which a computer program is stored, which is characterized in that, when the program is executed by a processor, it realizes the aforementioned tunneling prediction based on the dynamic interaction mechanism of TBM rock-machine parameters. Method steps.
  • the computer program product may include a computer-readable storage medium, which carries computer-readable program instructions for executing various aspects of the present disclosure.
  • the computer-readable storage medium may be a tangible device that can hold and store instructions used by the instruction execution device.
  • the computer-readable storage medium may be, for example, but not limited to, an electrical storage device, a magnetic storage device, an optical storage device, an electromagnetic storage device, a semiconductor storage device, or any suitable combination of the foregoing.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Structural Engineering (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Geology (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法及系统，包括：建立设备信息样本数据库及岩体信息样本数据库；对TBM掘进参数上升段的岩体信息样本数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重；通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件得到不同岩体信息条件下TBM掘进参数稳定段掘进参数的最优解；通过得到的权重信息和掘进稳定段参数最优解，建立适用于TBM掘进的最佳掘进公式，根据该掘进公式进行TBM掘进可行性分级，对TBM掘进效率进行预测。该方法结合TBM施工特点选取设备参数和岩体参数指标，精确度更高，客观性更强，得到的结果也更精确。

Description

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 技术领域
本公开涉及隧道工程技术领域，特别是涉及基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法及系统。
背景技术
近年来，TBM法已成为我国长大隧道特别是山岭隧道的首选工法。目前，TBM施工岩体信息如抗压强度、完整性等参数是通过人工现场素描、取样并进行室内试验得到，获取手段比较落后，无法实时感知和预测岩体状态。
TBM施工中掘进参数的选择和控制基本上完全依靠人为经验作出判断和调整，掘进参数与岩体状态参数匹配性差，一旦遭遇地层变化或复杂地质条件，难以及时有效地调整掘进方案和控制参数，容易发生卡机、地质灾害，甚至人员伤亡等事故。
因此，TBM智能掘进分级及预测已成为隧道工程领域的重大技术挑战和前沿热点问题。
发明内容
为了解决现有技术的不足，本公开实施例子提供了基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法，进行TBM掘进可行性分级，并结合TBM岩-机参数动态交互机制对TBM掘进效率进行预测。
为了实现上述目的，本申请采用以下技术方案：
本公开实施例子公开了基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法，包括：
根据TBM掘进过程中的围岩参数-机器参数动态交互规律，建立设备信息样本数据库及岩体信息样本数据库；
对TBM掘进参数上升段的岩体信息样本数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重；
通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件得到不同岩体信息条件下TBM掘进参数稳定段掘进参数的最优解；
通过得到的权重信息和掘进稳定段参数最优解，建立适用于TBM掘进的最佳掘进公式，根据该掘进公式进行TBM掘进可行性分级，对TBM掘进效率进行预测。
本公开实施例子该方法结合TBM施工特点选取设备掘进指标和岩体信息指标，并收集大量数据组成样本数据库。该方法所采用的熵权法相对其他主观赋权重方法来说，精确度更高，客观性更强，得到的结果也更精确。所采用的量子粒子群算法避免了传统粒子群算法全局寻优能力差、收敛速度慢等现象，极大地提高了粒子群算法的全局寻优能力和优化效率，本发明对量子粒子群算法进行了进一步改进，使其在计算后期避免陷入局部最优，且极大地增加了种群多样性，得到的结果质量更高、更准确。因此，本方法评价信息非常丰富，效率高，结果准确率高。
本公开另一实施例子公开了基于TBM岩-机参数动态交互机制的隧洞可掘进预测系统，包括：
数据库建立单元，被配置为：根据TBM掘进过程中的围岩参数-机器参数动态交互规律，建立设备信息样本数据库及岩体信息样本数据库；
岩体信息权重计算单元，被配置为：对TBM掘进参数上升段的岩体信息样本 数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重；
最优解计算单元，被配置为：通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件得到不同岩体信息条件下TBM掘进参数稳定段掘进参数的最优解；
预测单元，被配置为：通过得到的权重信息和掘进稳定段参数最优解，建立适用于TBM掘进的最佳掘进公式，根据该掘进公式进行TBM掘进可行性分级，对TBM掘进效率进行预测。
与现有技术相比，本公开的有益效果是：
1、本公开该方法结合TBM施工特点选取设备参数和岩体参数指标，紧密切合工程实际需求，并从实际工程中选取大量的样本数据，选用熵权法作为指标权重的确定方法，熵权法相对其他主观赋权重方法来说，精确度更高，客观性更强，得到的结果也更精确。
2、本公开该方法采用的改进量子粒子群方法，不仅极大地提高了粒子群算法的全局寻优能力和优化效率，还避免其计算后期陷入局部最优，且极大地增加了种群多样性，得到的结果质量更高、更准确。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开具体实施例子的评价步骤流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的 普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
TBM施工中掘进参数的选择和控制基本上完全依靠人为经验作出判断和调整，掘进参数与岩体状态参数匹配性差，一旦遭遇地层变化或复杂地质条件，难以及时有效地调整掘进方案和控制参数，容易发生卡机、地质灾害，甚至人员伤亡等事故。因此，TBM智能掘进分级及预测已成为隧道工程领域的重大技术挑战和前沿热点问题。
实施例子一
本公开的一种典型的实施方式中，参见附图1所示，提供了一种适用于TBM智能掘进分级及预测方法。本公开通过TBM岩-机参数动态交互机制研究，建立考虑TBM机器参数、围岩指标参数的TBM掘进效率综合评价指标体系，获取以掘进效率最优为决策目标的机器参数决策准则。
该指标评价体系包括了TBM设备参数、岩体指标参数。设备参数主要包括刀盘推力(F)、刀盘转矩(T)、贯入度(P)、推进速度(R)；岩体参数信息包括岩体单轴抗压强度、岩体完整性、岩石硬度、岩石耐磨性、岩石石英含量、断层破碎带、地应力状态、特殊岩土组合、地下水、岩体优势结构面走向与隧道线夹角θ。
该评价指标体系建立后，就可以进行TBM掘进效率的综合评价，继而可以 得到TBM在某一岩层的掘进最优解以及可掘进预测。
在该实施例子中，对已有的TBM掘进岩机信息进行搜集总结并建立样本数据库，通过对TBM正常掘进过程中的掘进循环进行分析，得到TBM掘进参数分为TBM掘进参数上升段和TBM掘进参数稳定段；对TBM掘进参数上升段使用熵权法对岩体信息样本数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重；通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件利用改进的量子粒子群方法得到不同岩体信息条件下TBM掘进参数稳定段的最优解；通过得到的权重信息和掘进稳定段参数最优解，建立适用于TBM掘进的最佳掘进公式。
该方法结合TBM施工特点选取设备掘进指标和岩体信息指标，并收集大量数据组成样本数据库。该方法所采用的熵权法相对其他主观赋权重方法来说，精确度更高，客观性更强，得到的结果也更精确。所采用的量子粒子群算法避免了传统粒子群算法全局寻优能力差、收敛速度慢等现象，极大地提高了粒子群算法的全局寻优能力和优化效率，本发明对量子粒子群算法进行了进一步改进，使其在计算后期避免陷入局部最优，且极大地增加了种群多样性，得到的结果质量更高、更准确。因此，本方法评价信息非常丰富，效率高，结果准确率高。
下面对TBM岩-机动态交互机制进行解释说明，TBM岩-机动态交互机制即为TBM掘进过程中的围岩参数-机器参数动态交互规律，根据该规律建立隧道围岩参数-TBM机器参数反馈模型。
在具体实施例子中，模拟不同地层，不同岩石，不同机器参数的TBM掘进过程，获得TBM掘进过程中围岩参数和机器参数的相关关系，得到TBM掘进过 程中输出扭矩、转速、掘进速度、推进力等机器参数和岩石的单轴抗压强度、岩石抗拉强度、岩石硬度、结构面间距、洞轴线与主要结构面夹角等围岩参数之间的相关性。
TBM在掘进过程中会自动记录其在掘进过程中的各项机器参数以及围岩参数。获取TBM机器参数(扭矩、转速、掘进速度、推进力等)和围岩参数(岩石单轴抗压强度、岩石抗拉强度、岩石硬度、结构面间距、洞轴线与主要结构面夹角)之间的相关关系，建立TBM围岩参数-机器参数的掘进模型，计算在不同TBM工况和围岩参数组合下TBM的掘进速度，分析TBM机器参数和围岩参数的相关关系，其中TBM工况包括不同的TBM输出扭矩和推进力，围岩参数条件包括不同的岩石抗压强度、抗拉强度、弹性模型、节理间距、倾角及地应力组合。
利用已得到的岩-机参数动态交互机制，建立隧道围岩参数-TBM机器参数反馈模型，以此来确定不同设备信息状态下的收敛条件。
其中，在TBM掘进循环中，从滚刀接触岩石开始，贯入度、推力、转矩TBM掘进参数均逐渐增大至稳定值，该阶段称为TBM掘进参数上升段；TBM各掘进参数保持平稳略有小波动的阶段称为TBM掘进稳定段。
该实施例子中的该机制反应了TBM岩-机动态交互规律，是建立TBM掘进效率综合评价指标体系，获取以掘进效率最优为决策目标的机器参数决策准则的基础。
该评价指标体系是在TBM岩-机参数动态交互机制的基础上，通过综合评价方法建立的，本公开实施例子所采用的综合评价方法包括熵权法和量子粒子群法。
在具体实施例子中，通过熵权法计算不同岩体参数的权重，计算过程为熵权法的常规计算过程。
在具体实施例子中，设备参数主要包括刀盘推力(F)、刀盘转矩(T)、贯入度(P)、推进速度(R)；岩体参数信息包括岩体单轴抗压强度、岩体完整性、岩石硬度、岩石耐磨性、岩石石英含量、断层破碎带、地应力状态、特殊岩土组合、地下水、岩体优势结构面走向与隧道线夹角θ。
其中，岩石完整性用RQD值来衡量，岩石硬度用凿碎比功z来衡量，岩石耐磨性用岩石耐磨指数CAI来衡量，断层破碎带用宽度w来反映其影响程度，地应力状态用应力指数d来衡量，特殊岩土组合包括花岗岩蚀变带和上下软硬岩石不同两种情况，采用两种岩石强度差值σ来衡量其影响程度，地下水用单位涌水量q来表示。
建立TBM掘进循环设备信息和岩体信息样本数据库，通过熵权法对TBM掘进参数上升段的岩体信息样本数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重。
TBM掘进循环分为参数上升段和参数稳定段，通过熵权法计算参数上升段不同岩体信息的权重，即可通过TBM参数上升段岩-机响应规律，并结合TBM岩-机交互机制，得到TBM参数稳定段的最优掘进解。
关于熵权法，熵权法是一种为指标进行赋权的办法，熵能够表示数据显示的有效信息量。若待评事物某个指标量值变化轻微时，熵值比较高，表示这个指标给出的有效信息量比较少，所占权重相对较低；反之则相反。熵权法优越性在于它是一种客观客观赋权办法，大大降低了人为因素对指标权重的影响；对于多个评价对象的赋权问题，采用熵权法只需要进行一次计算就能得到适用于 各评价对象的指标权重极大的简化了计算过程；通过熵权法对评价指标进行赋权将多个评价对象联系起来，降低了出现偶然情况的影响，让评价结果更为合理。
具体的计算步骤：(1)原始数据归一化处理。根据得到的数据资料，构建原始数据矩阵，然后将该矩阵原始数据无量纲化操作。(2)计算信息熵。(3)计算熵权，根据得出的信息熵，可计算出对应指标的权重。
根据得到的TBM相关数据，研究TBM掘进过程中围岩参数-机器参数动态交互规律，建立隧道围岩参数-TBM机器参数反馈模型，根据得到的反馈模型，可以知道在一定的围岩条件下，TBM的最佳掘进速度。
通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件利用改进的量子粒子群方法得到不同岩体信息条件下TBM掘进参数稳定段掘进参数的最优解。
量子粒子群算法为全局寻优算法，即掌握了不同的岩体信息以后，通过TBM岩-机交互机制和利用熵权法求得的权重，量子粒子群算法可以得到在此种岩体信息工况下，TBM的最佳掘进速度。
采用概率福作为量子粒子群算法的编码方式，避免了直接采用二进制编码带来的繁琐解码方式。在量子计算中，采用|0>和|1>表示微观粒子的两种基本状态，称为量子比特。符号“|>”为狄拉克符号，在量子粒子群算法(QPSO)中，最小单元是量子位，量子位具有两个基本态，|0>态和|1>态，任意时刻量子位的状态可以使基本态的线性组合，称为叠加态。
本公开实施例子中，对量子粒子群算法进行改进，结合混沌搜索、加权更新种群最优位置中心和邻域变异3个方面进行，利用混沌思想初始化种群，可 有效提高初始种群多样性与分布均衡性，增强算法收敛速度和搜索精度；采用加权更新种群最优位置中心改进种群进化方式，可有效降低落后粒子干扰，增强精英个体在种群进化中的导向作用，提高种群搜索能力以加速收敛；对种群最优个体在逐代缩小的邻域范围内随机变异，开展局部精细化搜索，若变异得到的新个体适应度有所提升，则直接替换变异前种群全局最优个体，否则以一定概率随机替换种群中个体。
通过得到的权重信息和掘进稳定段参数最优解，建立适用于TBM掘进的最佳掘进公式。根据该掘进公式进行TBM掘进可行性分级，并结合TBM岩-机参数动态交互机制对TBM掘进效率进行预测。
具体的，最佳掘进公式主要是对某一工况条件下的可掘进问题有一个整体的把握，进行总体评分，其次进行可掘进分级，根据不同地区的不同围岩参数，对其掘进可行性进行分级，从而根据掘进可行性分级给出最佳的施工方法和支护结构设计。并进行科学管理及正确评价经济效益、制定劳动定额、材料消耗标准等的基础，具有重大意义。
建立TBM最佳掘进公式，公式为
Figure PCTCN2020072864-appb-000001
其中E为TBM最佳掘进总得分，依据工程实际和专家经验，对得分进行等级划分，确定TBM隧洞可掘进分级。其中，
Figure PCTCN2020072864-appb-000002
为各项设备参数包括刀盘推力(F)、刀盘转矩(T)、贯入度(P)、推进速度(R)得分。各项设备参数得分公式如下：
Figure PCTCN2020072864-appb-000003
其中，w i、w j、w k、w m为各项岩体参数在不同设备参数条件下利用熵权法得到的权重，e i、e j、e k、e m为各项岩体参数在不同设备参数条件下根据岩-机交互关系得到的分数，n为岩体参数的个数。
本公开实施例子以TBM岩-机参数动态交互机制为理论基础获取TBM掘进参数，对依托工程穿越典型不良地质段(断层、岩性突变、富水岩体等)的TBM机器参数进行收集整理，包括TBM穿越不良地质段的前、中、后数据，研究TBM穿越不良地质机器参数的变化规律。建立以掘进效率最佳为评判标准的隧道不良地质TBM机器参数表征方法，采用熵权法、量子粒子群算法建立不同不良地质体的判别指标体系，分析不良地质判别指标在TBM穿越不良地质段的变化规律和特征，建立TBM临近不良地质体的超前判识准则，实现TBM掘进过程中不良地质实时超前判识及预警。
实施例子二
该实施例子公开了基于TBM岩-机参数动态交互机制的隧洞可掘进预测系统，包括：
数据库建立单元，被配置为：根据TBM掘进过程中的围岩参数-机器参数动态交互规律，建立设备信息样本数据库及岩体信息样本数据库；
岩体信息权重计算单元，被配置为：对TBM掘进参数上升段的岩体信息样本数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重；
最优解计算单元，被配置为：通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件得到不同岩体信息条件下TBM掘进参数稳定段掘进参数的最优解；
预测单元，被配置为：通过得到的权重信息和掘进稳定段参数最优解，建立适用于TBM掘进的最佳掘进公式，根据该掘进公式进行TBM掘进可行性分级，对TBM掘进效率进行预测。
应当注意，尽管在上文的详细描述中提及了设备的若干模块或子模块，但是这种划分仅仅是示例性而非强制性的。实际上，根据本公开的实施例，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
实施例子三
该实施例子公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述所述的基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法的步骤。
实施例子四
该实施例子公开了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述所述的基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法的步骤。
在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有 用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

  1. 基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法，其特征是，包括：
    根据TBM掘进过程中的围岩参数-机器参数动态交互规律，建立设备信息样本数据库及岩体信息样本数据库；
    对TBM掘进参数上升段的岩体信息样本数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重；
    通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件得到不同岩体信息条件下TBM掘进参数稳定段掘进参数的最优解；
    通过得到的权重信息和掘进稳定段参数最优解，建立适用于TBM掘进的最佳掘进公式，根据该掘进公式进行TBM掘进可行性分级，对TBM掘进效率进行预测。
  2. 如权利要求1所述的基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法，其特征是，根据适用于TBM掘进的最佳掘进公式计算TBM最佳掘进总得分，依据工程实际和专家经验，对得分进行等级划分，确定TBM隧洞可掘进分级；
    TBM最佳掘进总得分，具体为：
    Figure PCTCN2020072864-appb-100001
    其中E为TBM最佳掘进总得分，其中，
    Figure PCTCN2020072864-appb-100002
    为各项设备参数包括刀盘推力F、刀盘转矩T、贯入度P、推进速度R得分。
  3. 如权利要求2所述的基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法，其特征是，各项设备参数得分公式如下：
    Figure PCTCN2020072864-appb-100003
    其中，w i、w j、w k、w m为各项岩体参数在不同设备参数条件下利用熵权法得到的权重，e i、e j、e k、e m为各项岩体参数在不同设备参数条件下根据岩-机交互关系得到的分数，n为岩体参数的个数。
  4. 如权利要求1所述的基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法，其特征是，TBM岩-机参数动态交互机制为TBM掘进过程中输出扭矩、转速、掘进速度、推进力机器参数和岩石的单轴抗压强度、岩石抗拉强度、岩石硬度、结构面间距、洞轴线与主要结构面夹角围岩参数之间的相关性。
  5. 如权利要求2所述的基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法，其特征是，对TBM掘进参数上升段的岩体信息样本数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重，所述各岩体信息权重通过熵权法计算获得。
  6. 如权利要求2所述的基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法，其特征是，通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件利用改进的量子粒子群方法得到不同岩体信息条件下TBM掘进参数稳定段掘进参数的最优解。
  7. 如权利要求6所述的基于TBM岩-机参数动态交互机制的隧洞可掘进预 测方法，其特征是，对量子粒子群算法进行改进，结合混沌搜索、加权更新种群最优位置中心和邻域变异3个方面进行，利用混沌思想初始化种群；采用加权更新种群最优位置中心改进种群进化方式；对种群最优个体在逐代缩小的邻域范围内随机变异，开展局部精细化搜索，若变异得到的新个体适应度有所提升，则直接替换变异前种群全局最优个体，否则以一定概率随机替换种群中个体。
  8. 基于TBM岩-机参数动态交互机制的隧洞可掘进预测系统，其特征是，包括：
    数据库建立单元，被配置为：根据TBM掘进过程中的围岩参数-机器参数动态交互规律，建立设备信息样本数据库及岩体信息样本数据库；
    岩体信息权重计算单元，被配置为：对TBM掘进参数上升段的岩体信息样本数据库进行分析计算，得到不同设备状态条件下的各岩体信息权重；
    最优解计算单元，被配置为：通过岩-机参数动态交互机制确定不同设备信息状态下的收敛条件，并根据此收敛条件得到不同岩体信息条件下TBM掘进参数稳定段掘进参数的最优解；
    预测单元，被配置为：通过得到的权重信息和掘进稳定段参数最优解，建立适用于TBM掘进的最佳掘进公式，根据该掘进公式进行TBM掘进可行性分级，对TBM掘进效率进行预测。
  9. 一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一所述的基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法的步骤。
  10. 一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该 程序被处理器执行时实现权利要求1-7任一所述的基于TBM岩-机参数动态交互机制的隧洞可掘进预测方法的步骤。
PCT/CN2020/072864 2019-03-08 2020-01-17 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 Ceased WO2020181923A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/057,443 US20210209263A1 (en) 2019-03-08 2020-01-17 Tunnel tunneling feasibility prediction method and system based on tbm rock-machine parameter dynamic interaction mechanism

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910176393.4 2019-03-08
CN201910176393.4A CN109933577B (zh) 2019-03-08 2019-03-08 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

Publications (1)

Publication Number Publication Date
WO2020181923A1 true WO2020181923A1 (zh) 2020-09-17

Family

ID=66986495

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/072864 Ceased WO2020181923A1 (zh) 2019-03-08 2020-01-17 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

Country Status (3)

Country Link
US (1) US20210209263A1 (zh)
CN (1) CN109933577B (zh)
WO (1) WO2020181923A1 (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435022A (zh) * 2021-06-18 2021-09-24 中国电建集团华东勘测设计研究院有限公司 基于多道面波勘探的岩土体参数二维空间变异性表征方法
CN113988113A (zh) * 2021-09-17 2022-01-28 济南轨道交通集团有限公司 盾构掘进过程各阶段数据自动分离方法及计算机可读介质
CN114065362A (zh) * 2021-11-30 2022-02-18 中铁十九局集团第二工程有限公司 一种基于隧道预测涌水量的排水系统动态设计方法
CN114124456A (zh) * 2021-10-22 2022-03-01 石河子大学 综合能源系统安全检测方法、装置、电子设备及存储介质
CN114443637A (zh) * 2022-01-30 2022-05-06 南京市公共工程建设中心 一种盾构掘进参数预警标准动态更新方法及存储介质
CN114580048A (zh) * 2021-12-06 2022-06-03 山东大学 隧道围岩压力拱计算方法及系统
CN114818493A (zh) * 2022-04-24 2022-07-29 广西路桥工程集团有限公司 一种隧道岩体完整程度定量评价的方法
CN115408929A (zh) * 2022-07-22 2022-11-29 北京交通大学 用于隧道掘进施工预测的数据处理方法和装置
CN115659744A (zh) * 2022-10-26 2023-01-31 中国铁建重工集团股份有限公司 一种基于地质与装备耦合仿真的地质参数实时感知方法
CN115795998A (zh) * 2022-10-25 2023-03-14 中国地质大学（北京） 软岩隧道围岩参数联合智能反演方法及装置
CN115983333A (zh) * 2022-10-28 2023-04-18 同济大学 基于混合神经网络的盾构掘进速度智能预测方法
CN116187007A (zh) * 2022-12-28 2023-05-30 山东大学 基于钻进机械参数实现隧道地质信息判识的方法
CN116306268A (zh) * 2023-02-28 2023-06-23 华中科技大学 基于联邦强化学习的盾构掘进仿真模型参数辨识方法系统
CN116446896A (zh) * 2023-04-03 2023-07-18 盾构及掘进技术国家重点实验室 一种tbm刀盘转速自适应控制方法
CN116778146A (zh) * 2023-06-02 2023-09-19 中国地质大学（武汉） 基于多模态数据的道路信息提取方法及装置
CN116911911A (zh) * 2023-09-12 2023-10-20 杭州慧泰数据科技有限公司 一种公共产品投放预测方法及系统
CN117404099A (zh) * 2023-11-15 2024-01-16 盾构及掘进技术国家重点实验室 一种基于XGBoost算法的TBM掘进速度智能控制方法
CN118568667A (zh) * 2024-07-24 2024-08-30 山东大学 基于多模型融合的隧道围岩识别方法、系统、设备及介质
CN118965982A (zh) * 2024-07-29 2024-11-15 北京工业大学 一种隧道爆破施工对既有建筑影响的预测方法和系统
CN119272177A (zh) * 2024-12-10 2025-01-07 山东工商学院 一种tbm掘进过程中围岩等级预测方法
CN120028881A (zh) * 2025-04-22 2025-05-23 福建省融旗建设工程有限公司 岩土体破裂的前置预警方法及系统
CN120579445A (zh) * 2025-05-28 2025-09-02 安徽科技学院 基于数据驱动的软岩隧道围岩参数动态辨识方法及系统
CN120724739A (zh) * 2025-06-09 2025-09-30 广东省水利电力勘测设计研究院有限公司 一种大直径长距离穿越水库的岩石顶管设计方法

Families Citing this family (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109933577B (zh) * 2019-03-08 2020-12-18 山东大学 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
CN110331987B (zh) * 2019-07-11 2021-08-03 中国电建集团成都勘测设计研究院有限公司 用于硬岩地层的双护盾tbm掘进施工方法
CN110675092B (zh) * 2019-10-18 2022-04-05 中铁隧道局集团有限公司 一种基于扭推比的破碎地层tbm卡机风险预警方法
CN110987155B (zh) * 2019-12-17 2021-07-06 山东大学 一种tbm滚刀损耗状态实时监测装置及方法
CN111594198B (zh) * 2020-04-30 2021-03-30 东北大学 一种开敞式tbm施工数据掘进循环的划分方法
CN112926267B (zh) * 2021-03-10 2023-06-06 山东大学 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
CN113222273B (zh) * 2021-05-26 2022-06-07 中铁十八局集团有限公司 一种基于gwo-fw-mkl-svr算法的tbm掘进速率预测方法
CN114202686B (zh) * 2021-06-22 2026-01-20 重庆交通建设(集团)有限责任公司 一种基于岩渣尺寸的tbm破岩效率智能预测方法
CN113685188B (zh) * 2021-08-16 2023-01-31 中铁十八局集团有限公司 一种基于岩渣物理特征的tbm掘进优化方法
CN114119508B (zh) * 2021-11-10 2025-05-02 广东粤海珠三角供水有限公司 一种基于监控视频的盾构隧道围岩质量判断方法
CN114429563B (zh) * 2021-12-16 2024-10-15 山东大学 基于随钻测试与tbm岩渣图像的围岩完整性识别方法及系统
CN114483043A (zh) * 2021-12-29 2022-05-13 淮北矿业股份有限公司 一种用于隧道掘进的探测控制系统及其探测方法
CN114386265B (zh) * 2021-12-31 2025-05-23 中铁十五局集团有限公司 一种大坡度tbm施工导致围岩侧向位移的预测方法
CN114547740B (zh) * 2022-02-15 2024-07-16 石家庄铁道大学 用于估算tbm在掘岩体强度并分级预警的方法
CN114492206B (zh) * 2022-02-18 2024-12-10 大连海事大学 一种基于破碎岩体节理模型确定隧道开挖进尺量的计算方法
CN114969897B (zh) * 2022-04-28 2024-03-26 中国水利水电第六工程局有限公司 Tbm施工中周边环境探测方法
CN114969900B (zh) * 2022-05-07 2024-12-03 中铁建云南投资有限公司 一种隧道施工参数优化方法、装置、设备及可读存储介质
CN114607392B (zh) * 2022-05-11 2022-08-19 北京城建集团有限责任公司 一种基于盾构工程特征的砂卵石地层分类方法
CN115618222B (zh) * 2022-06-21 2023-05-05 北京交通大学 一种隧道掘进响应参数的预测方法
CN115097798A (zh) * 2022-07-19 2022-09-23 西南交通大学 一种基于岩石构成的tbm自适应加工参数的调整系统及方法
CN115408925B (zh) * 2022-07-22 2025-01-07 北京交通大学 用于隧道施工的岩体参数预测方法和装置
CN115438568B (zh) * 2022-07-28 2025-08-22 新疆额尔齐斯河投资开发(集团)有限公司 一种基于深度学习的tbm智能决策系统及方法
CN115130930B (zh) * 2022-08-30 2022-11-25 矿冶科技集团有限公司 一种非煤矿山掘进机设备选型方法
CN115495826B (zh) * 2022-10-13 2023-06-06 西安理工大学 基于隔离墙的主动引导型地裂缝减灾方法
CN115620161B (zh) * 2022-10-26 2025-08-29 中南大学 基于专家评分系统的地灾样本ai识别标注方法及系统
CN115950947A (zh) * 2022-11-02 2023-04-11 中铁十八局集团有限公司 一种tbm隧洞基于振动信号实时的地质参数预测方法
CN115730453B (zh) * 2022-11-28 2025-07-04 武汉大学 一种基于掘进阻力的tbm卡机风险预警方法及系统
CN116086647B (zh) * 2022-12-29 2025-07-25 内蒙古自治区交通运输科学发展研究院 一种寒区隧道施工温度确定方法及相关设备
CN116066121A (zh) * 2023-02-20 2023-05-05 中铁工程装备集团有限公司 一种tbm掘进隧道围岩实时分级方法、盾构机
CN116341370A (zh) * 2023-02-28 2023-06-27 东北大学 一种tbm掘进岩体质量快速确定方法
CN116291735A (zh) * 2023-03-30 2023-06-23 新疆维吾尔自治区交通运输综合行政执法局工程质量监督执法支队 一种高地应力隧道岩爆灾害预警装置及方法
CN116682010B (zh) * 2023-06-01 2024-01-23 北京交通大学 一种基于tbm岩渣图像的围岩分类实时预测方法
CN116720246B (zh) * 2023-06-09 2023-12-05 北京城建设计发展集团股份有限公司 基于面向工程的围岩性态判别与隧道支护参数选取方法
CN116777083B (zh) * 2023-08-17 2024-04-26 交通运输部公路科学研究所 一种基于灰关联投影的隧道衬砌崩落预测方法
CN117168419B (zh) * 2023-11-02 2024-02-02 中国电建集团西北勘测设计研究院有限公司 一种基于机器视觉系统的岩体结构与质量自动化识别方法
CN117910112A (zh) * 2024-01-24 2024-04-19 东北大学 一种tbm隧道岩爆段支护方案智能设计方法
CN117952196B (zh) * 2024-01-30 2024-08-13 江河安澜工程咨询有限公司 基于数据-知识双驱动的tbm掘进参数智慧辅助决策系统及方法
CN117706068B (zh) * 2024-02-06 2024-04-19 湖南省通盛工程有限公司 一种桥梁基底岩石rqd测定方法、系统和存储介质
CN119475006B (zh) * 2024-09-18 2025-11-25 武汉大学 Tbm隧道掌子面围岩等级随掘实时智能感知方法及系统
CN119513517B (zh) * 2024-09-30 2025-10-17 河海大学 基于tbm多模态数据融合的隧道围岩稳定性诊断方法
CN118965814B (zh) * 2024-10-12 2025-03-14 中铁北京工程局集团(天津)工程有限公司 盾构隧道在线监测系统
CN118965124B (zh) * 2024-10-15 2024-12-31 中国水利水电第十四工程局有限公司 隧道掘进机tbm卡机风险的识别方法及装置
CN119005005A (zh) * 2024-10-21 2024-11-22 山东大学 基于地质、物探与钻探多参数的围岩等级预测方法及系统
CN119065009B (zh) * 2024-11-01 2024-12-27 山东大学 基于物理规律驱动网络的隧道岩体属性评价方法及系统
CN119090313B (zh) * 2024-11-01 2024-12-27 山东大学 Tbm施工扰动诱发地质灾害的防控智能决策方法及系统
CN119885610B (zh) * 2024-12-27 2025-12-30 大连理工大学 基于tbm法的隧道岩爆传感器布设优化方法
CN119918160B (zh) * 2025-04-02 2025-07-04 贵州大学 基于数据驱动的姿态自动纠偏方法及系统
CN120494449B (zh) * 2025-07-16 2025-09-12 中国水利水电第七工程局有限公司 基于tbm连续掘进的水电站地下厂房施工通道监督方法
CN120968649A (zh) * 2025-07-18 2025-11-18 武汉大学 基于深度迁移学习的tbm掘进控制参数智能优化决策方法
CN120633487B (zh) * 2025-08-15 2025-11-11 长江勘测规划设计研究有限责任公司 一种基于数值机理引导的软岩tbm卡机风险智能预测方法
CN120739533B (zh) * 2025-08-18 2025-12-09 中交一公局第五工程有限公司 一种硬岩tbm盾构机辅助掘进参数动态适配调控系统
CN120873935A (zh) * 2025-09-28 2025-10-31 甘肃省水利水电勘测设计研究院有限责任公司 基于大数据分析的水工隧洞tbm掘进稳定性评估方法
CN121434746B (zh) * 2025-12-26 2026-03-27 中铁十九局集团有限公司 隧道-边坡系统状态信息关联互馈模型构建方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106481344A (zh) * 2016-10-25 2017-03-08 华中科技大学 一种土压平衡盾构机隧道掘进参数智能控制方法
CN107632523A (zh) * 2017-09-30 2018-01-26 中铁工程装备集团有限公司 一种硬岩tbm掘进控制参数智能决策方法及系统
CN109345029A (zh) * 2018-10-26 2019-02-15 石家庄铁道大学 一种基于改进Topsis法的隧道施工优选方法
CN109933577A (zh) * 2019-03-08 2019-06-25 山东大学 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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060122786A1 (en) * 2004-10-26 2006-06-08 University Of Utah Research Foundation Prediction model of cadaveric graft survival
US9989671B2 (en) * 2014-01-07 2018-06-05 Shandong University Tunnel construction large-scale integrated geophysical advanced detection model test device
CN107423524B (zh) * 2017-08-16 2021-02-12 西安理工大学 一种长埋深隧洞突涌水灾害危险性等级预判的方法
CN108253938B (zh) * 2017-12-29 2020-01-24 武汉大学 Tbm破岩矿渣数字近景摄影测量识别及反演方法
CN108470095B (zh) * 2018-03-07 2021-04-02 大连理工大学 基于数据驱动径向基函数模型的tbm推进力预测方法
CN109408649A (zh) * 2018-09-27 2019-03-01 中铁工程装备集团有限公司 基于纹理特征与机器学习的渣片智能化分析方法及系统
CN109213810B (zh) * 2018-09-30 2021-09-24 盾构及掘进技术国家重点实验室 一种盾构tbm掘进参数的数据挖掘方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106481344A (zh) * 2016-10-25 2017-03-08 华中科技大学 一种土压平衡盾构机隧道掘进参数智能控制方法
CN107632523A (zh) * 2017-09-30 2018-01-26 中铁工程装备集团有限公司 一种硬岩tbm掘进控制参数智能决策方法及系统
CN109345029A (zh) * 2018-10-26 2019-02-15 石家庄铁道大学 一种基于改进Topsis法的隧道施工优选方法
CN109933577A (zh) * 2019-03-08 2019-06-25 山东大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FENG, ZHONGKAI ET AL.: "Non-official translation: Improved Quantum-Behaved Particle Swarm Optimization and its Application in Optimal Operation of Hydropower Stations", ADVANCES IN WATER SCIENCE, vol. 26, no. 3, 31 May 2015 (2015-05-31), DOI: 20200319172334Y *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435022A (zh) * 2021-06-18 2021-09-24 中国电建集团华东勘测设计研究院有限公司 基于多道面波勘探的岩土体参数二维空间变异性表征方法
CN113988113A (zh) * 2021-09-17 2022-01-28 济南轨道交通集团有限公司 盾构掘进过程各阶段数据自动分离方法及计算机可读介质
CN113988113B (zh) * 2021-09-17 2025-01-17 济南轨道交通集团有限公司 盾构掘进过程各阶段数据自动分离方法及计算机可读介质
CN114124456A (zh) * 2021-10-22 2022-03-01 石河子大学 综合能源系统安全检测方法、装置、电子设备及存储介质
CN114065362A (zh) * 2021-11-30 2022-02-18 中铁十九局集团第二工程有限公司 一种基于隧道预测涌水量的排水系统动态设计方法
CN114580048A (zh) * 2021-12-06 2022-06-03 山东大学 隧道围岩压力拱计算方法及系统
CN114443637A (zh) * 2022-01-30 2022-05-06 南京市公共工程建设中心 一种盾构掘进参数预警标准动态更新方法及存储介质
CN114818493A (zh) * 2022-04-24 2022-07-29 广西路桥工程集团有限公司 一种隧道岩体完整程度定量评价的方法
CN115408929A (zh) * 2022-07-22 2022-11-29 北京交通大学 用于隧道掘进施工预测的数据处理方法和装置
CN115795998A (zh) * 2022-10-25 2023-03-14 中国地质大学（北京） 软岩隧道围岩参数联合智能反演方法及装置
CN115659744A (zh) * 2022-10-26 2023-01-31 中国铁建重工集团股份有限公司 一种基于地质与装备耦合仿真的地质参数实时感知方法
CN115983333A (zh) * 2022-10-28 2023-04-18 同济大学 基于混合神经网络的盾构掘进速度智能预测方法
CN116187007A (zh) * 2022-12-28 2023-05-30 山东大学 基于钻进机械参数实现隧道地质信息判识的方法
CN116306268A (zh) * 2023-02-28 2023-06-23 华中科技大学 基于联邦强化学习的盾构掘进仿真模型参数辨识方法系统
CN116446896A (zh) * 2023-04-03 2023-07-18 盾构及掘进技术国家重点实验室 一种tbm刀盘转速自适应控制方法
CN116778146A (zh) * 2023-06-02 2023-09-19 中国地质大学（武汉） 基于多模态数据的道路信息提取方法及装置
CN116911911A (zh) * 2023-09-12 2023-10-20 杭州慧泰数据科技有限公司 一种公共产品投放预测方法及系统
CN116911911B (zh) * 2023-09-12 2024-05-28 杭州慧泰数据科技有限公司 一种公共产品投放预测方法及系统
CN117404099A (zh) * 2023-11-15 2024-01-16 盾构及掘进技术国家重点实验室 一种基于XGBoost算法的TBM掘进速度智能控制方法
CN118568667A (zh) * 2024-07-24 2024-08-30 山东大学 基于多模型融合的隧道围岩识别方法、系统、设备及介质
CN118965982A (zh) * 2024-07-29 2024-11-15 北京工业大学 一种隧道爆破施工对既有建筑影响的预测方法和系统
CN119272177A (zh) * 2024-12-10 2025-01-07 山东工商学院 一种tbm掘进过程中围岩等级预测方法
CN120028881A (zh) * 2025-04-22 2025-05-23 福建省融旗建设工程有限公司 岩土体破裂的前置预警方法及系统
CN120579445A (zh) * 2025-05-28 2025-09-02 安徽科技学院 基于数据驱动的软岩隧道围岩参数动态辨识方法及系统
CN120579445B (zh) * 2025-05-28 2026-01-09 安徽科技学院 基于数据驱动的软岩隧道围岩参数动态辨识方法及系统
CN120724739A (zh) * 2025-06-09 2025-09-30 广东省水利电力勘测设计研究院有限公司 一种大直径长距离穿越水库的岩石顶管设计方法

Also Published As

Publication number Publication date
US20210209263A1 (en) 2021-07-08
CN109933577A (zh) 2019-06-25
CN109933577B (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
WO2020181923A1 (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
Adoko et al. Bayesian prediction of TBM penetration rate in rock mass
CN106407493B (zh) 一种基于多维高斯云模型的岩爆等级评价方法
CN111222683B (zh) 一种基于pca-knn的tbm施工围岩综合分级预测方法
CN109271755B (zh) 一种应用随钻数据计算岩石强度的方法和系统
CN109740119B (zh) 一种tbm掘进隧洞围岩单轴抗压强度快速估算方法
CN106778010B (zh) 基于数据驱动支持向量回归机的tbm刀具寿命预测方法
CN109934398A (zh) 一种钻爆法施工隧道瓦斯危险等级预测方法和装置
Liu et al. Optimized ANN model for predicting rock mass quality ahead of tunnel face using measure-while-drilling data.
CN110610285A (zh) 一种地下金属矿采空区危险度分级评价方法
WO2021147554A1 (zh) 基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法
CN113657515B (zh) 一种基于岩机敏感参量判识和改进fmc模型隧道围岩等级的分类方法
CN109165664A (zh) 一种基于生成对抗网络的属性缺失数据集补全与预测方法
CN110378574A (zh) 水下隧道盾构施工开挖面稳定性评价方法、系统及设备
CN114372319A (zh) 一种基于随采参数和/或随钻参数的岩石可切割性评价方法、破岩设备及破岩系统
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
CN110410027A (zh) 一种利用钻孔岩芯进行岩体质量连续评价方法及系统
CN103984788A (zh) 一种煤巷锚杆支护自动智能设计与优化系统
Ji et al. Modified Q-index for prediction of rock mass quality around a tunnel excavated with a tunnel boring machine (TBM)
CN111666624A (zh) 一种无支护条件下巨跨地下洞室围岩稳定性评价方法
CN118013344A (zh) 基于掘进性能围岩分级的掘进参数分类优化方法及系统
CN109345119A (zh) 一种基于层次分析法的煤层顶板动力分区评价方法
AU2024203735B1 (en) An intelligent prediction method of geomechanical parameters of surrounding rock based on deep learning
Adoko et al. Estimation of convergence of a high-speed railway tunnel in weak rocks using an adaptive neuro-fuzzy inference system (ANFIS) approach
CN115341954A (zh) 一种隧道掌子面稳定性精细化评价方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20769275

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20769275

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 31/01/2022)

122 Ep: pct application non-entry in european phase

Ref document number: 20769275

Country of ref document: EP

Kind code of ref document: A1