一种基于制造技术

本发明专利技术涉及一种基于

【技术实现步骤摘要】
一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法


[0001]本专利技术涉及盾构
TBM
装备运行状态评估方法
，更具体地说，它涉及一种基于
CAE
仿真与机器学习耦合的盾构
TBM
装备运行状态数字孪生方法
。

技术介绍

[0002]在盾构
TBM
施工中，装备结构的应力
、
应变状态对运行状态的评估十分重要
。
采用传统的
CAE
仿真分析时，由于装备模型复杂，有限元计算耗费较多的计算资源并且计算耗时较长，在输入运行工况载荷后无法在低延时条件下展示装备应力
、
应变等状态
。
[0003]为了提高盾构
TBM
运行状态数字孪生的及时性和准确性，发挥数字孪生技术对盾构运行的指导作用，尤其是解决复杂工况下盾构
TBM
装备运行评估及施工参数选取问题，提出了一种基于
CAE
仿真与机器学习耦合的盾构
TBM
装备运行状态数字孪生方法
。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术的目的在于提出一种基于
CAE
仿真与机器学习耦合的盾构
TBM
装备运行状态数字孪生方法
。
[0005]本专利技术提供了如下技术方案：一种基于
CAE
仿真与机器学习耦合的盾构
TBM/>装备运行状态数字孪生方法，包括以下步骤：
[0006]S1
：建立盾构
TBM
装备数字化模型；通过三维建模软件构建盾构
TBM
装备三维模型，采用网格划分工具对盾构
TBM
装备三维模型进行网格划分，形成盾构
TBM
装备数字化模型；
[0007]S2
：施加约束边界条件；根据盾构
TBM
装备结构特点和载荷传递路径
、
在盾构
TBM
装备数字化模型上施加装备运行过程约束边界条件；
[0008]S3
：建立装备载荷集；分析盾构
TBM
装备运行过程中多种载荷的组合形式
、
各载荷的方向及载荷大小的数值范围，形成盾构
TBM
装备载荷集合；
[0009]S4
：抽取载荷样本并在模型中施加载荷；从盾构
TBM
装备载荷集合中对载荷可能的组合
、
方向及大小进行抽样，形成载荷样本数据集，将抽样形成的载荷样本数据集的每组载荷分别添加至盾构
TBM
装备数字化模型中，形成具有完整约束边界条件和载荷边界条件的有限元模型；
[0010]S5
：有限元模型求解；调用
CAE
求解器，对
S4
步骤产生的不同约束边界条件或载荷边界条件的有限元模型进行求解；
[0011]S6
：获取装备结构应力
、
变形结果等数据，形成数据集；建立专门的数据文件，数据文件中包括约束边界条件
、
载荷边界条件
、
应力
、
应变结果等数据；
[0012]S7
：机器学习模型训练；将获取的约束边界条件
、
载荷边界条件等组成的数据集分为训练集和测试集，采用不同的机器学习算法来训练模型，选取预测输入与输出关系准确性较高的机器学习算法模型确定为目标模型；
[0013]S8
：输出盾构
TBM
装备运行应力
、
变形等数据；在通过机器学习获得目标模型的基
础上，将装备运行过程中载荷数据
、
约束边界条件作为输入，载入目标模型中计算输出，获得盾构
TBM
装备运行状态应力
、
变形等数据，储存为结果输出文件；
[0014]S9
：数据孪生模型可视化；将获取的盾构
TBM
装备运行状态应力
、
变形等数据进行三维可视化，以便直观获取装备运行中应力
、
应变状态
。
[0015]进一步的，步骤
S1
中，采用盾构
TBM
装备图纸进行三维模型构建，条件允许时从设备制造商处获取三维模型直接使用；当无法直接从设备制造商处直接获取三维模型文件时，采用三维激光扫描等逆向工程手段获取盾构
TBM
的装备的零部件或装配体三维模型；对盾构
TBM
装备三维模型进行有限元网格离散，获得有限元网格模型
。
[0016]进一步的，步骤
S2
中，根据数字孪生对象的结构特点分析约束边界条件的种类及约束的位置，并将约束边界条件施加到有限网格模型中
。
[0017]进一步的，步骤
S3
中，基于大数据平台和机理等专业知识建立装备盾构
TBM
装备载荷集合；具体是通过机理知识确定特定载荷的方向或理论值，通过查询大数据平台采集的数据获取同类装备特定载荷的大小范围
。
[0018]进一步的，步骤
S4
中，采用正交数组
、
蒙特卡洛抽样
、
拉丁方抽样等对载荷可能的组合
、
方向及大小进行抽样，形成载荷样本数据集，通过编程方法将抽样获得的载荷依次添加至有限元网格模型中
。
[0019]进一步的，步骤
S5
中，采用
CAE
云平台开展运算对有限元模型进行求解
。
[0020]进一步的，步骤
S7
中，机器学习模型训练时，确定训练集占据数据集的比例
P1
，按照比例
P1
从数据集种随机选取训练集，数据集中其余的数据作为测试集；
[0021]将训练集中包含约束边界条件，载荷边界条件数据的部分归为测试集数据输入部分，其余部分数据作为测试集数据输出部分；将测试集数据输入部分和测试集数据输出部分各自分别进行数据归一化，根据数据所处的范围选择映射到
[0,1]或
[
‑
1,1]区间上，将获取的约束边界条件
、
载荷边界条件等组成的数据集分为训练集和测试集，采用不同的机器学习算法来训练模型，选取预测输入与输出关系准确性较高的模型确定为目标模型；
[0022]选取卷积神经网络
、RNN
神经网络
、BP
神经网络算法进行模型训练，并用测试集数据进行验证，最后用实际值同预测值的相对标准偏差来对模型进行评价，选择预测精度高的模型作为最终目标模型
。
[0023]进一步的，
S8
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
CAE
仿真与机器学习耦合的盾构
TBM
装备运行状态数字孪生方法，其特征是，包括以下步骤：
S1
：建立盾构
TBM
装备数字化模型；通过三维建模软件构建盾构
TBM
装备三维模型，采用网格划分工具对盾构
TBM
装备三维模型进行网格划分，形成盾构
TBM
装备数字化模型；
S2
：施加约束边界条件；根据盾构
TBM
装备结构特点和载荷传递路径
、
在盾构
TBM
装备数字化模型上施加装备运行过程约束边界条件；
S3
：建立装备载荷集；分析盾构
TBM
装备运行过程中多种载荷的组合形式
、
各载荷的方向及载荷大小的数值范围，形成盾构
TBM
装备载荷集合；
S4
：抽取载荷样本并在模型中施加载荷；从盾构
TBM
装备载荷集合中对载荷可能的组合
、
方向及大小进行抽样，形成载荷样本数据集，将抽样形成的载荷样本数据集的每组载荷分别添加至盾构
TBM
装备数字化模型中，形成具有完整约束边界条件和载荷边界条件的有限元模型；
S5
：有限元模型求解；调用
CAE
求解器，对
S4
步骤产生的不同约束边界条件或载荷边界条件的有限元模型进行求解；
S6
：获取装备结构应力
、
变形结果等数据，形成数据集；建立专门的数据文件，数据文件中包括约束边界条件
、
载荷边界条件
、
应力
、
应变结果等数据；
S7
：机器学习模型训练；将获取的约束边界条件
、
载荷边界条件等组成的数据集分为训练集和测试集，采用不同的机器学习算法来训练模型，选取预测输入与输出关系准确性较高的机器学习算法模型确定为目标模型；
S8
：输出盾构
TBM
装备运行应力
、
变形等数据；在通过机器学习获得目标模型的基础上，将装备运行过程中载荷数据
、
约束边界条件作为输入，载入目标模型中计算输出，获得盾构
TBM
装备运行状态应力
、
变形等数据，储存为结果输出文件；
S9
：数据孪生模型可视化；将获取的盾构
TBM
装备运行状态应力
、
变形等数据进行三维可视化，以便直观获取装备运行中应力
、
应变状态
。2.
如权利要求1所述的一种基于
CAE
仿真与机器学习耦合的盾构
TBM
装备运行状态数字孪生方法，其特征是，步骤
S1
中，采用盾构
TBM
装备图纸进行三维模型构建，条件允许时从设备制造商处获取三维模型直接使用；当无法直接从设备制造商处直接获取三维模型文件时，采用三维激光扫描等逆向工程手段获取盾构
TBM
的装备的零部件或装配体三维模型；对盾构
TBM
装备三维模型进行有限元网格离散，获得有限元网格模型
。3.
如权利要求1所述的一种基于
CAE
仿真与机器学习耦合的盾构
TBM
装备运行状态数字孪生方法，其特征是，步骤
S2
中，根据数字孪生对象的结构特点分析约束边界条件的种类及约束的位置，并将约束边界条件...

【专利技术属性】
技术研发人员：王凯，李凤远，秦银平，周建军，陈瑞祥，陈桥，杨延栋，李梦雨，谷田鑫，任颖莹，江南，周振建，
申请(专利权)人：盾构及掘进技术国家重点实验室，
类型：发明
国别省市：