System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及隧道工程,具体是指一种暗挖工程数据处理和隧道施工质量控制系统。
技术介绍
1、隧道施工质量控制是确保隧道工程建设过程中质量符合规范要求的重要工作,旨在提高隧道施工的效率和质量,减少施工风险,保障工程安全。传统施工质量控制主要依赖于工程师和监理人员的经验和判断,容易受主观因素影响,造成质量控制不够客观和一致,且效率较低,耗时耗力;传统施工质量控制往往无法实现对隧道盾构机掘进速度和工作压力的实时调整,造成施工参数调整不及时、不精准,影响施工效率;传统施工质量控制无法全面考虑影响掘进速度和工作压力的各种因素,容易造成推荐控制参数偏离最佳状态,影响施工质量的提升。
技术实现思路
1、针对上述情况,为克服现有技术的缺陷,本专利技术提供了一种暗挖工程数据处理和隧道施工质量控制系统,针对传统施工质量控制主要依赖于工程师和监理人员的经验和判断,容易受主观因素影响,造成质量控制不够客观和一致,且效率较低,耗时耗力的问题,本专利技术能够根据实时采集的地质数据信息,自动调整隧道盾构机的掘进速度和工作压力,可以使盾构机在整个施工过程中保持最佳的掘进速度和工作压力,提高施工效率,缩短工期,同时降低了人为干预的可能性和误判,增加了隧道施工的稳定性和可靠性;针对传统施工质量控制往往无法实现对隧道盾构机掘进速度和工作压力的实时调整,造成施工参数调整不及时、不精准,影响施工效率的问题,本专利技术使用深度q网络能够根据实时的地质数据和地质类型对隧道盾构机的控制参数进行快速有效的预测,并得到预测的掘进速度
2、本专利技术采取的技术方案如下:本专利技术提供了一种暗挖工程数据处理和隧道施工质量控制系统,所述一种暗挖工程数据处理和隧道施工质量控制系统包括地质数据实时采集模块、地质类型判断模块、控制参数计算模块和控制参数推荐模块;
3、所述地质数据实时采集模块由隧道盾构机的传感器采集地质实时数据;
4、所述地质类型判断模块由卷积神经网络对地质实时数据进行分析,获取施工隧道的地质实时类型;
5、所述控制参数计算模块使用深度q网络根据地质实时数据和地质实时类型实时预测隧道盾构机的掘进速度和工作压力,并计算预测掘进速度和工作压力的优化得分;
6、所述控制参数推荐模块根据预测掘进速度和工作压力的优化得分计算预测掘进速度和工作压力的最终推荐度,将最终推荐度最高的预测掘进速度和工作压力作为隧道盾构机的控制参数。
7、所述一种暗挖工程数据处理和隧道施工质量控制系统采用隧道盾构机参数控制方法对隧道施工质量进行控制;
8、所述隧道盾构机参数控制方法包括以下步骤:
9、步骤s1:地质数据实时采集,隧道进行暗挖时,隧道盾构机的传感器采集地质实时数据;
10、步骤s2:判断地质类型,采集现有的地质数据集,所述地质数据集包括地质特征数据和对应的地质类型,建立并初始化卷积神经网络,使用地质数据集对卷积神经网络进行训练,将地质实时数据输入到训练完成的卷积神经网络中,输出施工隧道的地质实时类型;
11、步骤s3:计算控制参数,采集隧道施工参数集,并使用隧道施工参数集对深度q网络进行训练,使用训练完成的深度q网络对地质实时数据进行分析,输出预测掘进速度和工作压力,并计算预测掘进速度和工作压力的优化得分;
12、步骤s4:推荐控制参数,计算预测掘进速度和工作压力的最终推荐度,将最终推荐度最高的预测掘进速度和工作压力的优化得分作为隧道盾构机的控制参数。
13、进一步地,在步骤s3,计算控制参数,具体包括以下步骤:
14、步骤s31:采集隧道施工参数集,所述隧道施工参数集包括隧道特征集和对应的隧道盾构机的掘进速度和工作压力,所述隧道特征集包括密度、孔隙度、泊松比、抗拉强度和施工地质类型;
15、步骤s32:计算隧道特征集中每个隧道特征的平均值和标准差,对于隧道特征集中的每个特征值,减去对应的隧道特征的平均值,对去除平均值后的特征值除以对应的隧道特征的标准差进行缩放,将缩放后的特征值和对应的真实掘进速度和工作压力作为训练集;
16、步骤s33:定义最优参数函数,所用公式如下:
17、;
18、式中,是第个地质类型在时间下的最优参数函数,是隧道盾构机在时间下的掘进速度,是隧道盾构机在时间下的工作压力,是预设工作压力上限,是第个地质类型的工作压力边界,被定义为训练集中的工作压力的第90个百分位数,是训练集中第个地质类型的最大掘进速度,是隧道盾构机的工作压力低于时对工作压力的负惩罚权重,是隧道盾构机的工作压力高于时对工作压力的负惩罚权重,;
19、步骤s34:建立并初始化深度q网络,将训练集输入到深度q网络中进行训练,深度q网络输出隧道盾构机最优状态的预测掘进速度和工作压力,根据最优参数函数估计对应的优化得分;
20、步骤s35:将地质实时数据和地质实时类型输入到训练完成的深度q网络中,深度q网络输出预测掘进速度和工作压力,并根据最优参数函数估计对应的优化得分。
21、进一步地,在步骤s4,推荐控制参数,具体包括以下步骤:
22、步骤s41:计算地质实时数据与训练集中其他所有样本之间的欧氏距离,并选择距离最小的n个样本作为地质实时数据的最近邻;
23、步骤s42:计算地质实时数据的第j个最近邻的掘进速度和工作压力的优化得分与预测掘进速度和工作压力的优化得分之间的差的l2范数,作为最优性差;
24、步骤s43:计算地质实时数据和第j个最近邻关于最优参数函数的一阶导数,作为优化梯度;
25、步骤s44:计算地质实时数据和第j个最近邻的优化梯度与最优性差之间的差的l2范数;
26、步骤s45:计算地质实时数据的预测掘进速度和工作压力的推荐度分量,所用公式如下:
27、;
28、式中,是推荐度分量,是将限制在[0,1]范围内的剪切函数,是地质实时数据的第j个最近邻,,当时,是最优性差,当时,是优化梯度与最优性差之间的差的l2范数,和分别是训练集上关于的第5个和第95个百分位数;
29、步骤s46:计算地质实时数据的最终推荐度,所用公式如下:
30、;
31、式中,是地质实时数据的最终推荐度,是地质实时数据的所有最近邻的总数,是地质实时数据的所有最近邻的集合,是以自然常数e为底的指数函数,和分别是地质实时数据和第j个最近邻的上下文参数,是高斯核宽带参数,是l2范数;
32、步骤s47:将地质实时数据的本文档来自技高网...
【技术保护点】
1.一种暗挖工程数据处理和隧道施工质量控制系统,其特征在于,包括地质数据实时采集模块、地质类型判断模块、控制参数计算模块和控制参数推荐模块;
2.根据权利要求1所述的一种暗挖工程数据处理和隧道施工质量控制系统,其特征在于,所述一种暗挖工程数据处理和隧道施工质量控制系统采用隧道盾构机参数控制方法对隧道施工质量进行控制;
3.根据权利要求2所述的一种暗挖工程数据处理和隧道施工质量控制系统,其特征在于,步骤S3中,所述计算控制参数,具体包括以下步骤:
4.根据权利要求3所述的一种暗挖工程数据处理和隧道施工质量控制系统,其特征在于,步骤S4中,所述推荐控制参数,具体包括以下步骤:
【技术特征摘要】
1.一种暗挖工程数据处理和隧道施工质量控制系统,其特征在于,包括地质数据实时采集模块、地质类型判断模块、控制参数计算模块和控制参数推荐模块;
2.根据权利要求1所述的一种暗挖工程数据处理和隧道施工质量控制系统,其特征在于,所述一种暗挖工程数据处理和隧道施工质量控制系统采用隧道盾构机参数控制方法对...
【专利技术属性】
技术研发人员:宗朝阳,孟炜航,肖恒,朱浩,宁强军,王溪源,张梦迪,张合涛,王欣,
申请(专利权)人:中建铁路投资建设集团有限公司,
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。