【技术实现步骤摘要】
本专利技术属于tbm隧道开挖，尤其涉及一种基于掘进性能围岩分级的掘进参数分类优化方法及系统。
技术介绍
1、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。
2、隧道掘进机(tbm)施工方法与钻爆法等传统施工方法相比，tbm具有开挖速度快、安全性高、环保、经济、劳动强度低等优点。目前，它已成为长隧道和大型隧道的首选施工方法。随着tbm的快速发展和广泛应用，tbm的安全高效掘进和智能控制变得越来越重要。作为tbm智能掘进的关键技术，实现掘进参数的智能决策，对于保证tbm掘进的安全性、提高掘进效率具有重要意义。
3、在实际隧道掘进中，围岩地质复杂多变，tbm施工中掘进参数的选择和控制主要依靠人类经验进行判断和调整。而且目前大多数tbm施工的隧道、隧洞仍旧以围岩稳定性分级(如bq围岩分类、hc围岩分类)作为主要围岩分类方法，这些围岩分类方法主要考虑了围岩自身的稳定性，对于tbm设备与围岩的交互作用没有进行考虑，由于未考虑tbm的施工动力参数对围岩稳定性的影响，这样导致掘进参数与岩体状态参数匹配性差，一旦遇到地质变化等复杂地质条件，难以及时有效地调整掘进方案和参数，容易发生卡机、地质灾害等事故，甚至造成人员伤亡。
技术实现思路
1、为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于掘进性能围岩分级的掘进参数分类优化方法及系统，其考虑tbm掘进性能及岩机交互作用对tbm掘进参数分类进行优化，能够对不同围岩等级条件下的tbm掘进参数
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一个方面提供一种基于掘进性能围岩分级的掘进参数分类优化方法。
4、一种基于掘进性能围岩分级的掘进参数分类优化方法，包括：
5、获取穿越不同地层条件下的时序掘进数据并进行预处理，构建出动态更新的掘进数据样本数据库；其中每条时序掘进数据均有若干维度构成；
6、选定时序掘进数据的若干个维度作为掘进性能聚类维度，对掘进数据样本数据库内的掘进数据样本进行聚类，构建出掘进性能围岩分级体系；
7、基于时序掘进数据的维度确定输入指标体系，再根据输入指标体系及掘进性能围岩分级体系标签对应的数据样本，构建出输入指标体系到掘进性能围岩分级体系的映射模型；
8、根据时序掘进数据每个维度的权重大小来确定主控指标体系，构建不同掘进性能围岩等级下的主控指标体系到掘进性能的时间序列回归预测模型；
9、以主控指标体系到掘进性能的时间序列回归预测模型为适应度函数，构建出不同围岩等级掘进参数多目标优化函数，确定出约束条件下的不同等级围岩等级对应的最优掘进参数。
10、本专利技术的第二个方面提供一种基于掘进性能围岩分级的掘进参数分类优化系统。
11、一种基于掘进性能围岩分级的掘进参数分类优化系统，包括：
12、掘进数据预处理模块，其用于获取穿越不同地层条件下的时序掘进数据并进行预处理，构建出动态更新的掘进数据样本数据库；其中每条时序掘进数据均有若干维度构成；
13、掘进性能围岩分级模块，其用于选定时序掘进数据的若干个维度作为掘进性能聚类维度，对掘进数据样本数据库内的掘进数据样本进行聚类，构建出掘进性能围岩分级体系；
14、掘进地层实时识别模块，其用于基于时序掘进数据的维度确定输入指标体系，再根据输入指标体系及掘进性能围岩分级体系标签对应的数据样本，构建出输入指标体系到掘进性能围岩分级体系的映射模型；
15、掘进性能时序预测模块，其用于根据时序掘进数据每个维度的权重大小来确定主控指标体系，构建不同掘进性能围岩等级下的主控指标体系到掘进性能的时间序列回归预测模型；
16、掘进参数分类优化模块，其用于以主控指标体系到掘进性能的时间序列回归预测模型为适应度函数，构建出不同围岩等级掘进参数多目标优化函数，确定出约束条件下的不同等级围岩等级对应的最优掘进参数。
17、本专利技术的第三个方面提供一种计算机可读存储介质。
18、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于掘进性能围岩分级的掘进参数分类优化方法中的步骤。
19、本专利技术的第四个方面提供一种电子设备。
20、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于掘进性能围岩分级的掘进参数分类优化方法中的步骤。
21、与现有技术相比，本专利技术的有益效果是：
22、(1)本专利技术的基于掘进性能围岩分级的掘进参数分类优化方法包括tbm掘进数据预处理、围岩掘进性能分级、地层实时识别、掘进性能时序预测以及掘进参数分类优化这五个连续步骤，实现了为复杂地质条件下tbm隧道开挖提供一套掘进性能分级技术，并在此基础上构建tbm掘进参数分类优化体系，实现了五位一体智慧决策施工，有力推进了tbm智慧掘进技术的发展。
23、(2)本专利技术通过构建掘进性能围岩分级体系、输入指标体系到掘进性能围岩分级体系的映射模型、不同掘进性能围岩等级下的主控指标体系到tbm掘进性能的时间序列回归预测模型以及不同围岩等级掘进参数多目标优化函数，可为不同地层条件下tbm主司机的施工决策提供量化指导，避免主司机单纯依靠主观经验进行tbm的操控而引发的掘进低效、岩机参数失配甚至是围岩失稳事故。
24、(3)本专利技术通过动态更新的tbm掘进数据样本的数据库，采用即时跟进的动态学习策略，学习样本的实时变化不断优化模型，实现对地层条件变化的快速响应，为tbm主司机提供即时、准确的决策方案。
25、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于掘进性能围岩分级的掘进参数分类优化方法，其特征在于，包括：
2.如权利要求1所述的基于掘进性能围岩分级的掘进参数分类优化方法，其特征在于，每条时序掘进数据的维度包括刀盘推力、刀盘扭矩、刀盘转速、刀盘贯入度、净掘进速度、施工速度、利用率、开挖比能、刀盘磨损、现场贯入指标、岩石扭剪掘进指标和TBM开挖步距。
3.如权利要求1所述的基于掘进性能围岩分级的掘进参数分类优化方法，其特征在于，对获取的穿越不同地层条件下的时序掘进数据进行预处理步骤包括：数据清洗处理和数据均衡处理。
4.如权利要求3所述的基于掘进性能围岩分级的掘进参数分类优化方法，其特征在于，在数据清洗处理过程中，采用孤立森林算法计算每个时序掘进数据样本的离群分数，离群分数越接近于0，则是正常样本的概率越大；离群分数越接近于1，则是异常样本的概率越大；当离群分数＝0.5时采用Z-Score函数进行计算判定是否属于异常样本，如此完成对所有时序掘进数据样本的数据清洗；
5.如权利要求1所述的基于掘进性能围岩分级的掘进参数分类优化方法，其特征在于，采用Calinski-Ha
6.如权利要求1所述的基于掘进性能围岩分级的掘进参数分类优化方法，其特征在于，在确定输入指标体系的过程中，采用t-SNE算法对时序掘进数据的维度进行降维处理，得到输入指标体系；
7.一种基于掘进性能围岩分级的掘进参数分类优化系统，其特征在于，包括：
8.如权利要求7所述的基于掘进性能围岩分级的掘进参数分类优化系统，其特征在于，在所述掘进数据预处理模块中，每条时序掘进数据的维度包括刀盘推力、刀盘扭矩、刀盘转速、刀盘贯入度、净掘进速度、施工速度、利用率、开挖比能、刀盘磨损、现场贯入指标、岩石扭剪掘进指标和开挖步距；
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的基于掘进性能围岩分级的掘进参数分类优化方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的基于掘进性能围岩分级的掘进参数分类优化方法中的步骤。
...【技术特征摘要】
1.一种基于掘进性能围岩分级的掘进参数分类优化方法，其特征在于，包括：
2.如权利要求1所述的基于掘进性能围岩分级的掘进参数分类优化方法，其特征在于，每条时序掘进数据的维度包括刀盘推力、刀盘扭矩、刀盘转速、刀盘贯入度、净掘进速度、施工速度、利用率、开挖比能、刀盘磨损、现场贯入指标、岩石扭剪掘进指标和tbm开挖步距。
3.如权利要求1所述的基于掘进性能围岩分级的掘进参数分类优化方法，其特征在于，对获取的穿越不同地层条件下的时序掘进数据进行预处理步骤包括：数据清洗处理和数据均衡处理。
4.如权利要求3所述的基于掘进性能围岩分级的掘进参数分类优化方法，其特征在于，在数据清洗处理过程中，采用孤立森林算法计算每个时序掘进数据样本的离群分数，离群分数越接近于0，则是正常样本的概率越大；离群分数越接近于1，则是异常样本的概率越大；当离群分数＝0.5时采用z-score函数进行计算判定是否属于异常样本，如此完成对所有时序掘进数据样本的数据清洗；
5.如权利要求1所述的基于掘进性能围岩分级的掘进参数分类优化方法，其特征在于，采用calinski-harabasz指数对掘...
【专利技术属性】
技术研发人员：薛翊国，傅康，张微梦，邱道宏，公惠民，孔凡猛，
申请(专利权)人：山东大学，
类型：发明
国别省市：
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。