基于隧道掘进参数的地层振动加速度预测方法及相关装置制造方法及图纸

本发明专利技术提供了一种基于隧道掘进参数的地层振动加速度预测方法及相关装置，涉及隧道机械掘进技术领域，包括确定与振动加速度预测相关的多个影响参数；采集不同现场的多个影响参数值和对应的振动加速度，构建多组样本数据集；根据多组样本数据集分别搭建对应的BP神经网络模型，并利用遗传算法确定每个BP神经网络模型的初始权重和阈值；利用样本数据集训练对应的BP神经网络模型，并计算完成后的BP神经网络模型的精度，将精度最高的BP神经网络模型作为振动加速度预测模型；本发明专利技术通过确定推进系统的参数与振动加速度的关联性，从而预测出隧道掘进时的地层振动加速度。道掘进时的地层振动加速度。道掘进时的地层振动加速度。

【技术实现步骤摘要】
基于隧道掘进参数的地层振动加速度预测方法及相关装置


[0001]本专利技术涉及隧道机械掘进
，具体而言，涉及一种基于隧道掘进参数的地层振动加速度预测方法及相关装置。

技术介绍

[0002]双护盾TBM是集机、电、气、液，以及传感器等于一体的大型全自动岩石掘进机。TBM施工时振动加速度主要发生在掘进阶段，所以掘进参数（总推力、刀盘扭矩、掘进速度、贯入度、转速）与振动加速度直接相关。在双护盾TBM施工时，总推力、刀盘转速是人工主动控制的，扭矩、贯入度和掘进速度是根据总推力、刀盘转速以及当前地质情况等因素被动获得。因此，可通过确定推进系统的参数与振动加速度的关联性，再通过关联性计算出振动加速度，从而通过人为的控制掘进参数来控制振动加速度，以减少对周边环境振动影响。因此，亟需研发一种根据掘进参数计算振动加速度的方法。

技术实现思路

[0003]本专利技术的目的在于提供一种基于隧道掘进参数的地层振动加速度预测方法及相关装置，以改善上述问题。为了实现上述目的，本专利技术采取的技术方案如下：第一方面，本申请提供了一种基于隧道掘进参数的地层振动加速度预测方法，包括：基于斯皮尔曼相关系数法确定与振动加速度预测相关的多个影响参数；采集不同现场的多个影响参数值和对应的振动加速度，将振动加速度作为输出标签、多个影响参数值分别作为多组不同的输入标签以构建多组样本数据集；根据多组样本数据集分别搭建对应的BP神经网络模型，并利用遗传算法确定每个BP神经网络模型的初始权重和阈值；利用样本数据集训练对应的BP神经网络模型，并计算完成后的BP神经网络模型的精度，将精度最高的BP神经网络模型作为振动加速度预测模型；将待预测的影响参数值输入振动加速度预测模型中得到预测的振动加速度。
[0004]第二方面，本申请还提供了一种基于隧道掘进参数的地层振动加速度预测装置，包括：确定模块：用于基于斯皮尔曼相关系数法确定与振动加速度预测相关的多个影响参数；构建模块：用于采集不同现场的多个影响参数值和对应的振动加速度，将振动加速度作为输出标签、多个影响参数值分别作为多组不同的输入标签以构建多组样本数据集；模型搭建模块：用于根据多组样本数据集分别搭建对应的BP神经网络模型，并利用遗传算法确定每个BP神经网络模型的初始权重和阈值；训练模块：用于利用样本数据集训练对应的BP神经网络模型，并计算完成后的BP
神经网络模型的精度，将精度最高的BP神经网络模型作为振动加速度预测模型；预测模块：用于将待预测的影响参数值输入振动加速度预测模型中得到预测的振动加速度。
[0005]第三方面，本申请还提供了一种基于隧道掘进参数的地层振动加速度预测设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现所述基于隧道掘进参数的地层振动加速度预测方法的步骤。
[0006]第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于隧道掘进参数的地层振动加速度预测方法的步骤。
[0007]本专利技术的有益效果为：本专利技术研究了双护盾TBM隧道施工振动加速度的影响因素，确定与振动加速度预测相关的多个影响参数，利用遗传算法的全局性和BP神经网络的梯度逼近原理，改进了遗传算法初始种群的迭代训练方式，建立了基于改进GA优化的BP神经网络预测模型，在保证误差不变的前提下，大大提高模型的计算速度。将现场实测的掘进参数与振动加速度带入模型中进行训练，最后通过对比了测试集的预测值和实际值，得到振动加速度预测的误差较小、预测精度较高的振动加速度。
[0008]本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0009]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0010]图1为本专利技术实施例中所述的基于隧道掘进参数的地层振动加速度预测方法流程示意图；图2为掘进参数与振动加速度相关性分析图；图3为本专利技术实施例中第一组BP神经网络模型的回归关系图；图4为本专利技术实施例中第一组BP神经网络模型的振动加速度预测值与实际值的对比图；图5为本专利技术实施例中第二组BP神经网络模型的回归关系图；图6为本专利技术实施例中第二组BP神经网络模型的振动加速度预测值与实际值的对比图；图7为本专利技术实施例中第三组BP神经网络模型的回归关系图；图8为本专利技术实施例中第三组BP神经网络模型的振动加速度预测值与实际值的对比图；
图9为本专利技术实施例中所述的基于隧道掘进参数的地层振动加速度预测装置结构示意图；图10为本专利技术实施例中所述的基于隧道掘进参数的地层振动加速度预测设备结构示意图。
[0011]图中标记：800、基于隧道掘进参数的地层振动加速度预测设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
[0012]为使本专利技术实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作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的范围。
[0013]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0014]实施例1：本实施例提供了一种基于隧道掘进参数的地层振动加速度预测方法。
[0015]参见图1，图中示出了本方法包括：S1.基于斯皮尔曼相关系数法确定与振动加速度预测相关的多个影响参数；具体的，所述步骤S1包括：S11.将TBM初始参数分别与振动加速度进行斯皮尔曼相关系数法分析，确定TBM初始参数与振动加速度的相关程度，所述TBM初始参数包括推力、扭矩、转速、贯入度以及掘进速度；将推力、扭矩、转速、贯入度以及掘进速度与XYZ三个方向的振动加速度进行Spearman分析，结果如图2所示，从图中可知：推力与XYZ三个方向的振动加速度有效值的相关性系数分别为0.75，0.76，0.72，均属于强相关；扭矩与X方向的振动加速度的相关性系数为0.61，属于强相关；与Y和Z方向振动加速度的相关性分别为0.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隧道掘进参数的地层振动加速度预测方法，其特征在于，包括：基于斯皮尔曼相关系数法确定与振动加速度预测相关的多个影响参数；采集不同现场的多个影响参数值和对应的振动加速度，将振动加速度作为输出标签、多个影响参数值分别作为多组不同的输入标签以构建多组样本数据集；根据多组样本数据集分别搭建对应的BP神经网络模型，并利用遗传算法确定每个BP神经网络模型的初始权重和阈值；利用样本数据集训练对应的BP神经网络模型，并计算完成后的BP神经网络模型的精度，将精度最高的BP神经网络模型作为振动加速度预测模型；将待预测的影响参数值输入振动加速度预测模型中得到预测的振动加速度。2.根据权利要求1所述的基于隧道掘进参数的地层振动加速度预测方法，其特征在于，基于斯皮尔曼相关系数法确定与振动加速度预测相关的多个影响参数，包括：将TBM初始参数分别与振动加速度进行斯皮尔曼相关系数法分析，确定TBM初始参数与振动加速度的相关程度，所述TBM初始参数包括推力、扭矩、转速、贯入度以及掘进速度；采用P值法检验TBM初始参数与振动加速度的相关程度的显著性，确定与振动加速度相关性最高的TBM初始参数，所述相关性最高的TBM初始参数为推力和扭矩；将推力、扭矩和TBM刀盘距监测面的距离作为与振动加速度预测相关的影响参数。3.根据权利要求1所述的基于隧道掘进参数的地层振动加速度预测方法，其特征在于，根据样本数据集搭建BP神经网络模型，并利用遗传算法确定BP神经网络模型的初始权重和阈值，包括：根据样本数据集的输入标签搭建包括输入层、隐含层和输出层的BP神经网络模型，并随机生成神经网络模型的权重预设值和权重阈值的预设值；将权重预设值和权重阈值的预设值代入BP神经网络模型中前馈计算,得到训练结果的误差；以误差的倒数作为适应度函数，利用遗传算法更新权重和权重的阈值，得到全局最优的权重和权重的阈值；将所述全局最优的权重和权重的阈值作为BP神经网络模型初始权重和权重的阈值。4.根据权利要求1所述的基于隧道掘进参数的地层振动加速度预测方法，其特征在于，利用样本数据集和训练对应的BP神经网络模型，包括：按照7：2：1的比例将样本数据集划分为训练集、验证集和测试集；将训练集输入对应的BP神经网络模型中进行训练；将验证集输入训练后的BP神经网络模型中得到预测振动加速度；计算所述预测的振动加速度与验证集中真实振动加速度的均方根误差，当均方根误差达到最小值时，得到训练完成的BP神经网络模型。5.一种基于隧道掘进参数的地层振动加速度预测装置，其特征在于，包括：确定模块：用于基于斯皮尔曼相关系数法确定与振动加速度预测相关的多个影响参数；构建模块：用于采集不同现场的多个影响参数值和对应的振动加速度，将振动加速度作为输出标签、多个影响参数值分别作为...

【专利技术属性】
技术研发人员：管晓明，卢泽霖，凌贤长，芦睿泉，杨林，丁灏，任思澔，于科，张拥军，许华威，苗吉军，黄运昌，王修军，
申请(专利权)人：青岛地铁集团有限公司，
类型：发明
国别省市：