[發明專利]基于深度學習的TBM操作參數決策方法及系統

有效

• 申請號: 201911330197.4
• 申請日: 2019-12-20
• 公開（公告）號: CN111144635B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 劉斌;朱顏;王亞旭;王瑞睿;高博洋;趙光祖;王濱
• 申請（專利權）人: 山東大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/08;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李琳

本公開提供了一種基于深度學習的TBM操作參數決策方法及系統，接收TBM掘進實時機械參數信息；利用深度學習神經網絡構建出總推進力和刀盤總扭矩與推進速度和刀盤轉速的實時映射關系；基于獲取的映射關系，根據施工現場需求，設定相適配的掘進速度設定值和刀盤轉速給定值，構成TBM操作參數決策方案。克服了當前由司機駕駛TBM時，無法量化了解隨著TBM向前掘進而變化的巖體和TBM力學上相互作用的關系，而對TBM操作參數進行盲目決策導致的各種效率和安全的問題。本公開在不需要對隧道中巖體進行取芯實驗的情況下，僅依據TBM記錄的機器數據高效及時的計算出掘進的最佳策略，對TBM的高效安全掘進做出了貢獻。

技術領域

本公開屬于TBM實時智能決策技術領域，涉及一種基于深度學習的TBM操作參數決策方法及系統。

背景技術

本部分的陳述僅僅是提供了與本公開相關的背景技術信息，不必然構成在先技術。

與傳統的鉆爆法施工相比，隧道掘進機施工具有“掘進速度快、成洞質量高、綜合經濟效益高、施工安全文明”等顯著優勢，日本、美國、歐洲等發達國家采用掘進機施工的隧道比例超過80％，而隨著我國隧道建設的不斷發展，隧道掘進機也將得到越來越多的應用。

與此同時，眾多工程實踐表明，隧道掘進機對地質條件的適應性較差，突水突泥、塌方等地質災害以及由此誘發的卡機甚至機毀人亡等重大事故給隧道掘進機安全施工帶來了重大挑戰。另一方面，TBM的掘進過程中，司機由于對地質條件不明，巖體信息無法及時了解，對TBM的駕駛參數的選擇具有盲目性和經驗性，沒有量化的掘進，因此會造成掘進緩慢，TBM刀盤磨損快導致工期延誤，能源消耗大，同時也是導致卡機的重要原因。

發明內容

本公開為了解決上述問題，提出了一種基于深度學習的TBM操作參數決策方法及系統，本公開將TBM掘進時實時記錄下來的機械參數信息通過深度學習神經網絡構建出總推進力和刀盤總扭矩與推進速度和刀盤轉速的實時映射關系，利用通過深度學習獲取的映射關系，根據施工現場需求，來對參數掘進速度設定值和刀盤轉速給定值根據不同的施工需求做出高速、高效和安全的智能決策方案。

根據一些實施例，本公開采用如下技術方案：

一種基于深度學習的TBM操作參數決策方法，包括以下步驟：

接收TBM掘進實時機械參數信息；

利用深度學習神經網絡構建出總推進力和刀盤總扭矩與推進速度和刀盤轉速的實時映射關系；

基于獲取的映射關系，根據施工現場需求，設定相適配的掘進速度設定值和刀盤轉速給定值，構成TBM操作參數決策方案。

作為可選擇的實施方式，利用深度學習神經網絡構建出總推進力和刀盤總扭矩與推進速度和刀盤轉速的實時映射關系的具體過程包括：利用卷積神經網絡，以當前時間之前設定時間內記錄的機器狀態參數為輸入，計算出當前狀態下，總推進力和刀盤扭矩與推進速度和轉速的對應關系。

作為可選擇的實施方式，所述卷積神經網絡以一定時間間隔連續的時序機械狀態數據矩陣作為輸入，其卷積方式為在時間長度方向上和機械參數方向上以寬度為一的卷積核交替進行全卷積，并且最后有兩層全連接層，且第一層全連接層上拼接有當前的總推進值力和刀盤扭矩值。

作為可選擇的實施方式，所述卷積神經網絡經過訓練，且訓練數據來自TBM掘進過程中以一定連續時間段的所有機器參數形成的矩陣和該時間段之后一定時間內的總推進力和刀盤扭矩作為輸入，該刀盤扭矩和總推進力取值時間點對應的刀盤轉速和推進速度作為和輸入對應的標簽形成的訓練數據訓練成的卷積神經網絡。