【技术实现步骤摘要】
一种基于PCA-KNN的TBM施工围岩综合分级预测方法
本专利技术属于围岩综合分级预测
,尤其涉及一种基于PCA-KNN的TBM施工围岩综合分级预测方法。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息,不必然构成在先技术。在采用TBM(TunnelBoringMachine)施工的隧道中,由于TBM对地质变化敏感,且前期投资较大,根据地质条件进行TBM施工的可行性判断、TBM选型、TBM施工进度安排及成本估计等显得十分重要。目前国内外传统的隧道围岩分级方法大多服务于钻爆法等传统施工方法,不能有效指导TBM隧道施工。因此,在实际TBM隧道施工过程中,必须考虑不同地质环境对TBM施工带来的影响,对TBM施工围岩综合分级预测也成为现场工程中必须考虑到的重点。目前,对TBM施工围岩综合分级预测面临着一系列难以处理的问题。具体问题如下:TBM隧道国内外暂时没有一套统一的分级标准,已有的围岩分级方法一般只使用与钻爆法施工的隧道中,没有一套统一的标准,有的只是针对钻爆法的规范,有的只是针对不同特定类型的隧道分级,不适用于TBM施工;TBM机型较大,会将掌子面挡住,很难看清掌子面前方围岩具体情况;岩体条件的不确定性、岩机相互作用的复杂性和施工过程的多变性是制约TBM性能及围岩预测的主要因素;如何选取对TBM施工性能产生影响重要的影响因素具有很大主观性;如何建立准确有效的多影响因素与TBM施工性能的关系也是一大难点。专利技术内 ...
【技术保护点】
1.一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是,包括:/n以TBM实际施工速度为指标将施工围岩分级;/n确定TBM施工围岩综合分级所有的影响因素指标;/n获取需要进行预测的工区影响因素指标数据和相应的根据施工速度分级的综合围岩等级分级数据,并对影响因素指标值进行均值方差归一化;/n采用主成分分析法对已开挖得到的影响因素进行主成分分析,得到若干主成分变量,并与根据施工速度分级的综合围岩等级相对应;/n采用k近邻算法对所得到的若干主成分变量及对应的综合围岩等级进行训练学习,建立各指标-综合围岩分级的数学模型;/n基于训练数据对检测数据提取主成分并用已建立的数学模型验证所建立模型的准确性;/n获取未开挖掌子面附近进行影响因素指标值,并基于训练数据的平均值和标准差等进行主成分分析,得到相应的主成分后用已获得的数学模型进行TBM施工围岩综合分级预测。/n
【技术特征摘要】
1.一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是,包括:
以TBM实际施工速度为指标将施工围岩分级;
确定TBM施工围岩综合分级所有的影响因素指标;
获取需要进行预测的工区影响因素指标数据和相应的根据施工速度分级的综合围岩等级分级数据,并对影响因素指标值进行均值方差归一化;
采用主成分分析法对已开挖得到的影响因素进行主成分分析,得到若干主成分变量,并与根据施工速度分级的综合围岩等级相对应;
采用k近邻算法对所得到的若干主成分变量及对应的综合围岩等级进行训练学习,建立各指标-综合围岩分级的数学模型;
基于训练数据对检测数据提取主成分并用已建立的数学模型验证所建立模型的准确性;
获取未开挖掌子面附近进行影响因素指标值,并基于训练数据的平均值和标准差等进行主成分分析,得到相应的主成分后用已获得的数学模型进行TBM施工围岩综合分级预测。
2.如权利要求1所述的一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是,根据已有的工程实例,基于TBM施工的日平均掘进速度V将TBM施工围岩分为如下表1的四个等级:
表1基于TBM日均掘进速度的施工围岩分级
其中,表中v表示大于1.2m/h的TBM日掘进速度。
3.如权利要求1所述的一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是,确定TBM施工围岩综合分级所有的影响因素指标为:场切深指数FPI,为x1;岩石强度,为x2;岩体完整性,为x3;地下水状态,为x4;初始地应力状态,为x5;隧道轴线与主要软弱结构面夹角,为x6,其中场切深指数FPI与地质参数和掘进参数都具有较好的相关性,作为联系掘进参数与地质参数的纽带。
4.如权利要求3所述的一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是,对收集到的影响因素指标的原始指标数据x1、x2、x3、x4、x5、x6进行均值方差归一化。
5.如权利要求4所述的一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是,对获得的归一化指标数据进行主成分分析时,计算指标间的Pearson相关系数矩阵;
计算相关矩阵R的特征值和特征向量;
基于特征值及累计方差贡献率确定主成分个数。
6.如权利要求5所述的一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是,利用低维度的主成分变量和相对应的围岩分级用KNN算法进行训练学习,建立数学模型;
基于训练数据获得检测数据的主成分变量,并用以对建立的KNN数学模型验证其准确性。
7.如权利要求1所述的一种基于PCA-KNN的TBM施工围岩综合分级预测方法,其特征是,获取未开挖掌子面附近进行影响因素指标值进行提取主成分并带入数学模型中进行预测适用于TBM开挖隧道的围岩级别。
8.一种基于PC...
【专利技术属性】
技术研发人员:薛翊国,李广坤,邱道宏,公惠民,张贯达,
申请(专利权)人:山东大学,
类型:发明
国别省市:山东;37
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。