一种隧道围岩聚类分级方法技术

本发明专利技术公开了一种隧道围岩聚类分级方法，包括如下步骤：采集TBM破岩状态数据；根据TBM破岩状态数据计算岩体可掘进性特征参数和可切削性特征参数；根据岩体可掘进性特征参数和可切削性特征参数，利用高斯混合模型对TBM破岩状态数据所对应的围岩进行聚类判别，输出聚类后的围岩类别并绘制隧道围岩聚类分布图；利用线性拟合方法根据步骤S3所得到的隧道围岩聚类分布图中各围岩类别之间的边界点确定对应的边界回归直线，修正初始围岩类别；采集新的TBM破岩状态数据，计算岩体可掘进性特征参数和可切削性特征参数，根据岩体可掘进性特征参数、可切削性特征参数以及边界回归直线，对围岩进行围岩类别和施工围岩等级的判别，具有良好的通用性。

【技术实现步骤摘要】
一种隧道围岩聚类分级方法
本专利技术属于隧道工程施工
，具体涉及一种隧道围岩聚类分级方法。
技术介绍
隧道围岩分类对于评价围岩稳定性、指导TBM主司机掘进以及选择合适的支护方式具有至关重要的意义。如果围岩分类不准确，容易导致控制参数设置不合理，进而造成掘进效率不高效。此外，支护方式选择与隧道围岩等级密切相关，且支护方式选择不当容易诱发围岩局部塌方、卡机，严重威胁现场施工人员的安全。因此，合理、准确的隧道围岩分类方法可提高TBM掘进效率、大大降低施工危险。在TBM掘进过程中，主司机常根据TBM开挖岩渣、掘进参数，结合前期地质资料以及施工过程中揭露的岩体情况，人为综合判定围岩等级。其围岩等级分类结果与人为经验密切相关，具有一定的主观性，且围岩等级分类往往滞后于TBM破岩掘进，因而不能及时指导TBM安全、高效施工。掘进参数具有高度即时性的特点，伴随掘进开挖即时生成，可有效表达地层适应性。因而，本专利通过对实时获取的掘进参数进行建模分析，以快速获取隧道围岩等级。随着大数据分析技术、人工智能方法逐渐应用于隧道智能化施工领域，围岩等级本文档来自技高网...

【技术保护点】
1.一种隧道围岩聚类分级方法，其特征在于，包括如下步骤：/nS1，采集TBM破岩状态数据；/nS2，根据步骤S1所得到的TBM破岩状态数据计算岩体可掘进性特征参数和可切削性特征参数；/nS3，根据步骤S2所得到的岩体可掘进性特征参数和可切削性特征参数，利用高斯混合模型对TBM破岩状态数据所对应的围岩进行聚类判别，输出聚类后的围岩类别并绘制隧道围岩聚类分布图；/nS4，利用线性拟合方法根据步骤S3所得到的隧道围岩聚类分布图中各围岩类别之间的边界点确定对应的边界回归直线；/nS5，采集新TBM破岩状态数据，计算新TBM破岩状态数据所对应的岩体可掘进性特征参数和可切削性特征参数，根据新破岩状态数据所...

【技术特征摘要】
1.一种隧道围岩聚类分级方法，其特征在于，包括如下步骤：
S1，采集TBM破岩状态数据；
S2，根据步骤S1所得到的TBM破岩状态数据计算岩体可掘进性特征参数和可切削性特征参数；
S3，根据步骤S2所得到的岩体可掘进性特征参数和可切削性特征参数，利用高斯混合模型对TBM破岩状态数据所对应的围岩进行聚类判别，输出聚类后的围岩类别并绘制隧道围岩聚类分布图；
S4，利用线性拟合方法根据步骤S3所得到的隧道围岩聚类分布图中各围岩类别之间的边界点确定对应的边界回归直线；
S5，采集新TBM破岩状态数据，计算新TBM破岩状态数据所对应的岩体可掘进性特征参数和可切削性特征参数，根据新破岩状态数据所对应的岩体可掘进性特征参数、可切削性特征参数以及步骤S4所得到的边界回归直线，对新TBM破岩状态数据所对应的围岩进行围岩类别和施工围岩等级的判别。


2.根据权利要求1所述的隧道围岩聚类分级方法，其特征在于，在步骤S1中，所述TBM破岩状态数据包括若干条掘进数据，每条掘进数据均包括主推力、刀盘扭矩、贯入度、推进速度和刀盘转速。


3.根据权利要求2所述的隧道围岩聚类分级方法，其特征在于，在步骤S2中，所述根据步骤S1所得到的TBM破岩状态数据计算岩体可掘进性特征参数和可切削性特征参数，包括如下步骤：
S2.1，从步骤S1所得到的TBM破岩状态数据中筛选出刀盘转速大于零的施工段掘进数据；
S2.2，根据推进速度和贯入度从步骤S2.1中所得到的施工段掘进数据中提取正常掘进数据形成掘进数据集；
S2.3，根据步骤S2.2所得到掘进数据集计算每条掘进数据所对应的岩体可掘进性特征参数和可切削性特征参数。


4.根据权利要求2或3所述的隧道围岩聚类分级方法，其特征在于，所述岩体可掘进性特征参数为：



式中，FPI0.7表示岩体可掘进性特征参数，N表示刀盘上的滚刀数量，P表示贯入度，F表示主推力；
所述可切削性特征参数为：



式中，TPI1.1表示可切削性特征参数，R表示刀盘半径，T表示刀盘扭矩。


5.根据权利要求4所述的隧道围岩聚类分级方法，其特征在于，在步骤S3中，所述聚类后的围岩类别包括第一围岩类别Cluster1、第二围岩类别Cluster2和第三围岩类别Cluster3，所述隧道围岩聚类分布图中每个坐标点的横坐标和纵坐标分别为一条掘进数据所对应的岩体可掘进性特征参数FPI0.7和可切削性特征参数TPI1.1。


6.根据权利要求5所述的隧道围岩聚类分级方法，其特征在于，在步骤S3中利用高斯混合模型对TBM破岩状态数据所对应的围岩进行聚类判别的步骤如下：
S3.1，高斯混合模型的输入数据为岩体可掘进性特征参数FPI0.7、可切削性特征参数TPI1.1组成的数据矩阵x，输出数据为聚类围岩类别Cluster1、Cluster2和Cluster3，高斯混合模型公式如下：



式中，K表示高斯分布函数的数量，即围岩类别的数量，K＝3；d表示输入数据的矩阵维度，d＝2；Σ表示协方差矩阵，描述输入数据中岩体可掘进性特征参数FPI0.7、可切削性特征参数TPI1.1之间的相关度；p(i)＝πi表示输入数据隶属于第i个围岩类别的先验概率，且满足是第i个围岩类别的概率密度函数；
S3.2，高斯混合模型通过最大期望优化算法确定各围岩类别所对应高斯分布函数的最优均值μ、协方差Σ及权重系数π值，具体包括以下步骤：
S3.2.1，根据输入数据x及各围岩类别的初始权重系数，通过以下公式计算围岩类别Ct的后验概率分布P(Ct|x)：



其中，Ct＝[C1,C2,C3]，C1表示第一围岩类别Cluster1，C2表示第二围岩类别Cluster2，C3表示第三围岩类别Cluster3；
S3.2.2，根据S3.2.1中围岩类别Ct的后验概率分布P(Ct|x)迭代计算围岩类别Ct所对应高斯分布函数的均值、协方差和权重系数：









式中，N表示输入数据的样本数量，P(j)(Ct|xn)表示第j迭代后通过第n个输入样本xn所估计围岩类别Ct的后验概率分布；P(j+1)(Ct)表示第j+1迭代后围岩类别Ct所对应高斯分布函数的权重系数，μ(j+1)(Ct)和Σ(j+1)(Ct)分别表示第j+1迭代后围岩类别Ct所对应高斯分布函数的均值、协方差；
S3.2.3，通过重复执行步骤S3.2.1和S3.2.2，围岩类别Ct所对应高斯分布函数的均值、协方差、权重系数趋于稳定不变，此时获得高斯混合模型聚类后的围岩类别，且所对应高斯分布函数的均值μ、协方差Σ及权重系数为最优解；
S3.3，根据岩体可掘进性特征参数FPI0.7、可切削性特征参数TPI1.1及其聚类围岩类别，绘制隧道围岩聚类分布图，隧道围岩...

【专利技术属性】
技术研发人员：郑赢豪，李建斌，荆留杰，李鹏宇，杨晨，武颖莹，张娜，贾正文，王祥祥，任梦祎，
申请(专利权)人：中铁工程装备集团有限公司，
类型：发明
国别省市：河南;41