一种管片选型方法技术

技术编号:21478141 阅读:107 留言:0更新日期:2019-06-29 04:55
本发明专利技术公开了一种管片选型方法,该方法的步骤包括:收集盾构施工过程产生的预设数量的数据样本组;其中,数据样本组中包含当前环的施工参数以及相应上一环的管片的型式及点位;基于卷积神经网络对数据样本组进行训练,并生成管片选型模型;接收当前盾构施工过程实时产生的目标施工参数,并将目标施工参数输入至管片选型模型,生成选型结果。本方法通过训练得到的管片选型模型选择管片之间的拼装点位,能够相对确保管片之间拼装点位选取的合理性,进而相对保证了基于管片所构成的隧道的整体质量。

【技术实现步骤摘要】
一种管片选型方法
本专利技术涉及盾构施工领域,特别是涉及一种管片选型方法。
技术介绍
盾构施工是全断面施工中的一种全机械化施工方法,是使用盾构机在地下掘进,通过盾壳和管片支承四周围岩、土体防止发生往隧道内的坍塌。同时在开挖面前方用刀盘进行土体开挖,通过渣土车将渣土运出洞外,靠推进油缸在盾尾加压推进,并拼装预制管片,形成隧道结构的一种机械化施工方法。管片是盾构施工的主要装配构件,管片之间通连接螺栓拼装于盾构机所开辟的隧道壁,形成隧道结构,其作为隧道最外层屏障,承担着抵抗土层压力、地下水压力以及一些特殊荷载的作用。在拼装管片的过程中,所选取管片型式的不同、拼装点位的不同,都会导致管片承受不同的外力。如果管片选型不正确可能会因为管片受力不均匀导致管片破裂、漏水等情况的发生,因此在管片拼装过程中管片的选型直接影响着管片的拼装质量,影响隧道的防水性能及耐久性能。由于管片是盾构法隧道施工的永久衬砌结构,管片间拼装后无法更改,因此管片选型的正确与否显得格外重要。目前在盾构施工过程中,绝大部分是由技术人员根据盾构机的姿态及推进数据等因素进行管片的选型操作,因此管片选型受技术人员主观判断的因素影响较大,极易出现管片选型不合理的情况,难以确保隧道的整体质量。由此可见,提供一种管片选型的方法,以相对确保管片拼装过程中选型的合理性,进而相对保证基于管片所构成的隧道的整体质量,是本领域技术人员亟待解决的问题。
技术实现思路
本专利技术的目的是提供一种管片选型方法,以相对确保管片拼装过程中选型的合理性,进而相对保证基于管片所构成的隧道的整体质量。为解决上述技术问题,本专利技术提供一种管片选型方法,包括:收集盾构施工过程产生的预设数量的数据样本组;其中,数据样本组中包含当前环的施工参数以及相应上一环的管片的型式及点位;基于卷积神经网络对数据样本组进行训练,并生成管片选型模型;接收当前盾构施工过程实时产生的目标施工参数,并将目标施工参数输入至管片选型模型,生成选型结果。优选的,基于卷积神经网络对数据样本组进行训练,并生成管片选型模型包括:通过预设的卷积核分别对各数据样本组进行卷积处理,生成相应的卷积结果;依次通过激活函数及池化层对各卷积结果进行聚类操作,生成相应的特征结果;通过全连接层依照表达式q=p*w+b对各特征结果进行相应的点位分类处理,生成对应的目标点位;其中,q为目标点位,p为特征结果,w为预设的权重参数,b为偏置值;当存在有目标点位与相应的数据样本组中的点位之间的误差率超出预设范围时,调整权重参数、偏置值以及卷积核并重新训练,直至各目标点位与相应的数据样本组中的点位之间的误差率在预设范围内;将权重参数、偏置值以及卷积核设定为管片选型模型。优选的,在通过预设的卷积核分别对各数据样本组进行卷积处理之前,该方法进一步包括:对各数据样本组进行归一化处理。优选的,调整权重参数、偏置值以及卷积核并重新训练具体为:调整权重参数、偏置值以及卷积核各50%的内容并重新训练。优选的,施工参数包含盾构机的推进油缸长度、盾构机的铰接油缸长度、盾构机的盾尾间隙数值、盾构机与隧道轴线的水平偏差值以及盾构机与隧道轴线的竖直偏差值。本专利技术所提供的管片选型方法,收集并获取盾构施工过程产生的预设数量的数据样本组,数据样本组中包含有当前环的施工参数以及该当前环的上一环中管片的型式及点位,进而基于卷积神经网络对数据样本组进行训练,生成相应的管片选型模型,以此在当前实际的盾构施工场景下实时接收所产生的目标施工参数,并将该目标施工参数输入至上述的管片选型模型,进而生成与目标施工参数对应的选型结果。由于本方法是基于盾构施工过程中产生的多组数据样本组,并利用卷积神经网络对每一组数据样本组进行相对系统的分析及学习,训练出体现施工参数与管片型号之间关联性的管片选型模型,因此相比于当前人工根据经验的方式进行管片拼装过程中的选型,本方法通过训练得到的管片选型模型进行待拼装管片的选型,能够相对确保管片之间选型的合理性,进而相对保证了基于管片所构成的隧道的整体质量。附图说明为了更清楚地说明本专利技术实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本专利技术的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种管片选型方法的流程图;图2为本专利技术实施例提供的另一种管片选型方法的流程图。具体实施方式下面将结合本专利技术实施例中的附图,对本专利技术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专利技术一部分实施例,而不是全部实施例。基于本专利技术中的实施例,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,都属于本专利技术保护范围。本专利技术的核心是提供一种管片选型方法,以相对确保管片之间拼装点位选取的合理性,进而相对保证基于管片所构成的隧道的整体质量。为了使本
的人员更好地理解本专利技术方案,下面结合附图和具体实施方式对本专利技术作进一步的详细说明。实施例一图1为本专利技术实施例提供的一种管片选型方法的流程图。请参考图1,管片选型方法的具体步骤包括:步骤S10:收集盾构施工过程产生的预设数量的数据样本组。其中,数据样本组中包含当前环的施工参数以及相应上一环的管片的型式及点位。需要说明的是,在本步骤的数据样本组,是已经完成盾构施工的管片在施工过程中的所产生的一系列数据,数据样本组中主要包含的是在施工过程中当前环的施工参数以及当前环的上一环的管片的型式及点位,当前环与上一环表征的均是管片所构成的筒状结构,相邻的桶状结构之间通过环状接触面相互拼装,当前环与上一环是相对而言的,对于当前环的安装需要根据安装时盾构施工的整体参数,在上一环的环状接触面上选取符合的管片点位,并将当前环的管片拼装于该管片点位上,以达到上一环管片与当前环管片之间的稳定性。本步骤中的每一个数据样本组均为处于安装状态的当前环的施工参数,即包含前环的施工参数以及相应上一环的管片的型式及点位。本步骤的目的是将已经完成安装的管片作为待安装的管片在安装时选取型式及点位时的参考依据,并在后续步骤中进行卷积神经网络的学习,因此为了确保待安装的管片能够相对全面的参考已安装的管片的安装方式,本步骤的数据样本组的整体数量应相对较大,以此确保对已安装管片的安装方式分析相对准确。步骤S11:基于卷积神经网络对数据样本组进行训练,并生成管片选型模型。卷积神经网络是对数据进行表征学习所采用的包含卷积计算且具有深度结构的前馈神经网络。表征学习是指将完整的对象(例如一幅图像)使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等,进而依据上述一系列特定的表示方法更容易从实例对象中学习到该实例对象所具有的特征。本步骤是基于卷积神经网络对各个收集到的数据样本组进行训练,其根本的目的是将各个数据样本组中的特征进行提取以及归类,最终的目的在于获悉在进行盾构施工的过程中,安装管片时的施工参数对该管片在上一环相邻管片中的点位选取的影响以及关联性,最终生成的管片选型模型,是对所有数据样本组中施工参数与点位之间对应关系的综合衡量结果。步骤S12:接收当前盾构施工过程实时产生的目标施工参数,并将目标施工参数输入至管片选型本文档来自技高网
...

【技术保护点】
1.一种管片选型方法,其特征在于,包括:收集盾构施工过程产生的预设数量的数据样本组;其中,所述数据样本组中包含当前环的施工参数以及相应上一环的管片的型式及点位;基于卷积神经网络对所述数据样本组进行训练,并生成管片选型模型;接收当前盾构施工过程实时产生的目标施工参数,并将所述目标施工参数输入至所述管片选型模型,生成选型结果。

【技术特征摘要】
1.一种管片选型方法,其特征在于,包括:收集盾构施工过程产生的预设数量的数据样本组;其中,所述数据样本组中包含当前环的施工参数以及相应上一环的管片的型式及点位;基于卷积神经网络对所述数据样本组进行训练,并生成管片选型模型;接收当前盾构施工过程实时产生的目标施工参数,并将所述目标施工参数输入至所述管片选型模型,生成选型结果。2.根据权利要求1所述的方法,其特征在于,所述基于卷积神经网络对所述数据样本组进行训练,并生成管片选型模型包括:通过预设的卷积核分别对各所述数据样本组进行卷积处理,生成相应的卷积结果;依次通过激活函数及池化层对各所述卷积结果进行聚类操作,生成相应的特征结果;通过全连接层依照表达式q=p*w+b对各所述特征结果进行相应的点位分类处理,生成对应的目标点位;其中,q为所述目标点位,p为所述特征结果,w为预设的权重参数,b为偏置值;当存在...

【专利技术属性】
技术研发人员:刘飞香程永亮郑大桥蔡杰徐福宇叶祥莉严弛李丽娟
申请(专利权)人:中国铁建重工集团有限公司
类型:发明
国别省市:湖南,43

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1