一种基于深度学习的TBM智能决策系统及方法技术方案

本发明专利技术公开一种基于深度学习的TBM智能决策系统及方法，包括：测试与采集模块，获取地震波测试数据、激发极化测试数据、超前钻孔测试数据、掘进损耗和掘进参数；数据集处理模块，根据地震波测试数据、激发极化测试数据和超前钻孔测试数据得到围岩特征向量，根据掘进损耗和掘进参数分别得到掘进损耗向量和掘进向量；智能决策模块，接收预设的掘进损耗范围、掘进参数范围和掘进模式，根据围岩特征向量及对应的掘进损耗向量和掘进向量，采用训练后的深度学习模型，得到不同掘进参数下的掘进损耗，根据掘进损耗范围和掘进模式，选择掘进参数。考虑掌子面前方围岩特征，增加盾构机对围岩特征的感知程度，在满足工程进度的同时降低资源消耗和工程成本。和工程成本。和工程成本。

【技术实现步骤摘要】
一种基于深度学习的TBM智能决策系统及方法


[0001]本专利技术涉及隧道施工
，特别是涉及一种基于深度学习的TBM智能决策系统及方法。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]TBM施工方法以硬岩掘进机为核心，使用人工操作信息化器械的方式对隧道进行挖掘。与过去传统的隧道挖掘钻爆方法相比而言，TBM的施工掘进速度快、掘进效果好，施工过程中对周边环境影响小，并且安全环保，整体而言经济、社会效益较高，优势显著。对于较难以采取同时分段、多头钻爆法掘进法、长达十公里以上的高埋深、长里程隧道，TBM施工方法有较为显著的优势。
[0004]在TBM掘进过程中，需要实时地调整掘进操作参数以适应不断变化的地质条件。传统的操作参数主要依赖于操作人员的操作经验，操作人员通过不断观察TBM掘进数据，结合当前的操作参数，不断调节下一步的操作参数，根据隧道地层与TBM相互作用下TBM参数不断调整掘进参数以确保掘进机安全高效推进。
[0005]但是，这种方式过于依赖操作人员的经验，对地质复杂区域应变不足，一旦遭遇地层变化或复杂地质条件，操作人员如果没有根据地层情况及时做出掘进参数的有效调整，则有可能会造成滚刀损伤、掘进不平稳、坍塌、卡机、工期延长等情况。
[0006]目前，已有研究人员利用TBM掘进上升段借助机器学习技术判断围岩情况，预测围岩状态参数，进而确定TBM掘进参数；但是TBM掘进上升段持续时间短，在此期间TBM掘进距离短(一般不到10cm)，这种方法依然存在对地层变化或复杂地质条件应变不足的缺陷。
[0007]同时，当前存在一些技术利用深度学习技术构建模型表征围岩状况和TBM掘进参数间的关系；但是这种方法属于向操作人员学习，学到的是操作人员的操作经验，并没有找到最适合TBM掘进的参数。

技术实现思路

[0008]为了解决上述问题，本专利技术提出了一种基于深度学习的TBM智能决策系统及方法，充分考虑掌子面前方围岩特征，增加盾构机对围岩特征的感知程度，使TBM能够适应复杂的地质条件，在满足工程进度的同时降低资源消耗和工程成本。
[0009]为了实现上述目的，本专利技术采用如下技术方案：
[0010]第一方面，本专利技术提供一种基于深度学习的TBM智能决策系统，包括：
[0011]测试与采集模块，用于对掌子面前方围岩进行掘进测试，并获取地震波测试数据、激发极化测试数据、超前钻孔测试数据、掘进损耗和掘进参数；
[0012]数据集处理模块，被配置为根据地震波测试数据、激发极化测试数据和超前钻孔测试数据得到围岩特征向量，根据掘进损耗和掘进参数分别得到掘进损耗向量和掘进向
量；
[0013]智能决策模块，接收预设的掘进损耗范围、掘进参数范围和掘进模式，并被配置为根据围岩特征向量及对应的掘进损耗向量和掘进向量，采用训练后的深度学习模型，得到不同掘进参数下的掘进损耗，根据掘进损耗范围和掘进模式，选择掘进参数。
[0014]作为可选择的实施方式，所述测试与采集模块包括地震波测试模块，所述地震波测试模块用于对掌子面前方围岩进行超前探测，得到纵波速度、横波速度、泊松比和密度，并以此得到地震波特征向量。
[0015]作为可选择的实施方式，所述测试与采集模块包括激发极化测试模块，所述激发极化测试模块用于探测围岩电阻率空间分布特征，并以此得到激发极化特征向量。
[0016]作为可选择的实施方式，所述测试与采集模块包括超前钻孔测试模块；所述超前钻孔测试模块对掌子面前方围岩进行钻孔取样，得到岩石质量指标、节理产状、节理面密度、节理面厚度、节理面充填胶结特征和节理面形态特征，并以此得到节理特征向量。
[0017]作为可选择的实施方式，所述超前钻孔测试模块还包括对掌子面前方围岩进行点荷载试验和磨擦试验，根据点荷载试验结果和耐磨性试验结果得到岩石特征矩阵。
[0018]作为可选择的实施方式，所述测试与采集模块包括掘进损耗收集模块，所述掘进损耗收集模块用于采集维持刀盘旋转耗费的资源、维持刀盘推力耗费的资源、维持油缸压力耗费的资源和滚刀磨损。
[0019]作为可选择的实施方式，所述测试与采集模块包括掘进参数收集模块，所述掘进参数收集模块用于采集掘进速度、掘进推力、刀盘转速和刀盘推力。
[0020]作为可选择的实施方式，所述掘进模式包括节能模式，所述节能模式为在确保掘进速度满足推进速度要求的情况下选择掘进损耗最小的掘进模式；在节能模式下，通过寻优算法选择最优掘进向量，设定最小掘进速度，在满足最小掘进速度要求下，最小化掘进损耗；具体包括：
[0021](1)生成初始决策方案；
[0022](2)对初始决策方案采用训练后的深度学习模型，得到掘进速度和掘进损耗的初始数组；
[0023](3)从初始数组中筛选出满足最小掘进速度要求的数组，然后再根据掘进损耗筛选出对应的掘进参数数组；
[0024](4)从掘进参数数组中随机选择任意三个数据进行差分重复多次后，得到候选决策方案；
[0025](5)对候选决策方案采用训练后的深度学习模型，得到掘进速度和掘进损耗的数组；
[0026](6)重复步骤(4)
‑
(5)，从得到的新决策方案中选择掘进损耗最小所对应的决策方案。
[0027]作为可选择的实施方式，所述掘进模式还包括快速推进模式，快速推进模式为掘进损耗在可接受范围内选择最快掘进速度的掘进模式，在快速推进模式下，通过寻优算法选择最优掘进向量；设定最大掘进损耗，在满足最大掘进损耗要求下，最大化掘进速度；具体包括：
[0028](1)生成初始决策方案；
[0029](2)对初始决策方案采用训练后的深度学习模型，得到掘进速度和掘进损耗的初始数组；
[0030](3)从初始数组中筛选满足掘进损耗要求的数组，然后再按照掘进速度筛选出对应的掘进参数数组；
[0031](4)从掘进参数数组中随机选择任意三个数据进行差分重复多次后，得到候选决策方案；
[0032](5)对候选决策方案采用训练后的深度学习模型，得到掘进速度和掘进损耗的数组；
[0033](6)重复步骤(4)
‑
(5)，从得到的新决策方案中选择掘进速度最大所对应的决策方案。
[0034]第二方面，本专利技术提供一种基于深度学习的TBM智能决策方法，包括：
[0035]对掌子面前方围岩进行掘进测试，并获取地震波测试数据、激发极化测试数据、超前钻孔测试数据、掘进损耗和掘进参数；
[0036]根据地震波测试数据、激发极化测试数据和超前钻孔测试数据得到围岩特征向量，根据掘进损耗和掘进参数分别得到掘进损耗向量和掘进向量；
[0037]接收预设的掘进损耗范围、掘进参数范围和掘进模式；
[0038]根据围岩特征向量及对应的掘进损耗向量和掘进向量，采用训练后的深度学习模型，得到不同掘进参数下的掘进损耗，根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的TBM智能决策系统，其特征在于，包括：测试与采集模块，用于对掌子面前方围岩进行掘进测试，并获取地震波测试数据、激发极化测试数据、超前钻孔测试数据、掘进损耗和掘进参数；数据集处理模块，被配置为根据地震波测试数据、激发极化测试数据和超前钻孔测试数据得到围岩特征向量，根据掘进损耗和掘进参数分别得到掘进损耗向量和掘进向量；智能决策模块，接收预设的掘进损耗范围、掘进参数范围和掘进模式，并被配置为根据围岩特征向量及对应的掘进损耗向量和掘进向量，采用训练后的深度学习模型，得到不同掘进参数下的掘进损耗，根据掘进损耗范围和掘进模式，选择掘进参数。2.如权利要求1所述的一种基于深度学习的TBM智能决策系统，其特征在于，所述测试与采集模块包括地震波测试模块，所述地震波测试模块用于对掌子面前方围岩进行超前探测，得到纵波速度、横波速度、泊松比和密度，并以此得到地震波特征向量。3.如权利要求1所述的一种基于深度学习的TBM智能决策系统，其特征在于，所述测试与采集模块包括激发极化测试模块，所述激发极化测试模块用于探测围岩电阻率空间分布特征，并以此得到激发极化特征向量。4.如权利要求1所述的一种基于深度学习的TBM智能决策系统，其特征在于，所述测试与采集模块包括超前钻孔测试模块；所述超前钻孔测试模块对掌子面前方围岩进行钻孔取样，得到岩石质量指标、节理产状、节理面密度、节理面厚度、节理面充填胶结特征和节理面形态特征，并以此得到节理特征向量。5.如权利要求4所述的一种基于深度学习的TBM智能决策系统，其特征在于，所述超前钻孔测试模块还包括对掌子面前方围岩进行点荷载试验和磨擦试验，根据点荷载试验结果和耐磨性试验结果得到岩石特征矩阵。6.如权利要求1所述的一种基于深度学习的TBM智能决策系统，其特征在于，所述测试与采集模块包括掘进损耗收集模块，所述掘进损耗收集模块用于采集维持刀盘旋转耗费的资源、维持刀盘推力耗费的资源、维持油缸压力耗费的资源和滚刀磨损。7.如权利要求1所述的一种基于深度学习的TBM智能决策系统，其特征在于，所述测试与采集模块包括掘进参数收集模块，所述掘进参数收集模块用于采集掘进速度、掘进推力、刀盘转速和刀盘推力。8.如权利要求1所述的一种基于深度学习的TBM智能决策系统，其特征在于，所述掘进模式包括节能...

【专利技术属性】
技术研发人员：石泉，许振浩，全永威，林鹏，石恒，赵向波，李珊，姚文锋，潘旭勇，刘征宇，倪志华，廖志伟，
申请(专利权)人：山东大学，
类型：发明
国别省市：