[發明專利]一種基于在線巖體等級分類的TBM掘進性能預測方法

有效

• 申請號: 201911198511.8
• 申請日: 2019-11-29
• 公開（公告）號: CN111079342B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 鄭贏豪;荊留杰;李建斌;王杜娟;李鵬宇;杜孟超;徐劍安;楊晨
• 申請（專利權）人: 中鐵工程裝備集團有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/048;G06F18/23213;G06F18/241;G06F119/14
• 代理公司: 鄭州優盾知識產權代理有限公司 41125
• 代理人: 鄭園

1.一種基于在線巖體等級分類的TBM掘進性能預測方法，其特征在于，包括如下步驟：

S1，采集TBM掘進狀態參數及在掘掌子面的巖體狀態參數；

S2，對獲取的TBM掘進狀態參數進行數據預處理；

S3，對預處理后的TBM掘進狀態參數與巖體狀態參數進行回歸分析，構建擬合方程，獲得由TBM掘進狀態參數預估巖體狀態參數的巖體感知模型；

S4，采用聚類分析法對巖體狀態參數進行巖體等級分類；

S5，利用人工智能算法對不同巖體等級下巖體狀態參數與TBM掘進狀態參數之間的非線性關系進行建模，構建與巖體等級相匹配的TBM性能預測模型；

在步驟S5中，所述人工智能算法包括但不限于最小二乘支持向量機、DS證據理論融合、卷積神經網絡或長短時記憶神經網絡；

所述TBM性能預測模型的公式為：

式中，i＝1,2,…,m，α_i表示第i個訓練樣本的拉格朗日乘子，b表示偏置，k(x,x_i)表示巖機特征參數矩陣x和第i個訓練樣本x_i通過核函數映射所得計算結果，y(x)表示TBM性能預測模型所需預測的總推進力F或者刀盤扭矩T；

所述TBM性能預測模型的公式y(x)根據以下步驟可得：

式中，為非線性核函數，可將輸入巖機特征參數矩陣映射到高維空間，w表示權重，b為表示支持向量回歸模型隱含層至輸出層的偏置；

目標函數可表述為：

式中，i＝1,2,…,m，ξ為誤差量，γ為懲罰系數且滿足γ0；

引入Lagrange乘數對目標函數進行最大似然估計，化簡如下：

式中，α為拉格朗日乘子；

分別對w，b，ξ，α進行求導，可得：

根據上述四個條件得到關于α和b的線性方程組：

根據Mercer條件，核函數矩陣Ω可表示為：

解上述線性方程組，可得TBM性能預測模型：

式中，k(x,x_i)表示巖機特征參數矩陣x和第i個訓練樣本x_i通過核函數映射所得計算結果，常用核函數包括高斯核函數、正弦核函數以及Sigmoid核函數，y(x)表示TBM性能預測模型所需預測的總推進力F或者刀盤扭矩T；

S6，采集新的TBM掘進狀態參數，執行步驟S2并根據步驟S3中的巖體感知模型計算新的TBM掘進狀態參數所對應的預估巖體狀態參數，執行步驟S4確定預估巖體狀態參數所對應的巖體等級，進而與所述TBM性能預測模型相匹配。

2.根據權利要求1所述的基于在線巖體等級分類的TBM掘進性能預測方法，其特征在于，在步驟S1中，所述TBM掘進狀態參數包括刀盤轉速n、推進速度v、刀盤貫入度p、刀盤扭矩T和總推力F；所述巖體狀態參數包括巖體節理Jv和單軸抗壓強度UCS。

3.根據權利要求1或2所述的基于在線巖體等級分類的TBM掘進性能預測方法，其特征在于，在步驟S2中，所述數據預處理包括如下步驟：

a，剔除TBM掘進狀態參數中的停機段數據；

b，對剔除停機段數據后的TBM掘進狀態參數進行異常值剔除；

c，選取掘進循環閾值，劃分出循環上升段及穩定段數據；

d，對劃分后的上升段和穩定段數據進行降噪、增強處理。

4.根據權利要求3所述的基于在線巖體等級分類的TBM掘進性能預測方法，其特征在于，在步驟d中，所述降噪方法包括但不限于小波變換或經驗模態分解。

5.根據權利要求4所述的基于在線巖體等級分類的TBM掘進性能預測方法，其特征在于，在步驟S3中，所述回歸分析的方法包括但不限于最小二乘分步回歸、BP神經網絡或支持向量回歸。