[發明專利]一種掌子面在掘巖體狀態軟測量方法

有效

• 申請號: 201911384893.3
• 申請日: 2019-12-28
• 公開（公告）號: CN110990938B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 鄭贏豪;荊留杰;于太彰;武穎瑩;李鵬宇;陳帥;曹洪波;王軍;李小兵
• 申請（專利權）人: 中鐵工程裝備集團有限公司
• 主分類號: G06F30/13
• 分類號: G06F30/13;G06F18/2411;G06F17/16;G06F17/18;G06N3/044;G06Q50/08;G06F111/10
• 代理公司: 鄭州優盾知識產權代理有限公司 41125
• 代理人: 鄭園

1.一種掌子面在掘巖體狀態軟測量方法，其特征在于，包括如下步驟：

S1，通過TBM大數據監測平臺提取反映掌子面巖體狀態的巖機參數歷史數據；

S2，對獲取的巖機參數歷史數據進行預處理，獲取TBM掘進參數矩陣A與掌子面巖體狀態參數矩陣Y；

S3，根據TBM掘進參數矩陣A與掌子面巖體狀態參數矩陣Y，對掌子面巖體狀態參數與TBM掘進參數進行關聯分析，篩選強相關性的TBM掘進參數；

所述掌子面巖體狀態參數與TBM掘進參數關聯分析包括如下步驟：

S3.1根據預處理后的巖機參數，求解掌子面巖體狀態參數與TBM掘進參數之間的相關系數Cor，相關系數Cor的計算公式為：

式中，z、u分別表示TBM掘進參數矩陣A中兩個不同的TBM掘進參數；i表示第i個TBM掘進參數樣本；

S3.2按照相關系數越大、關聯性越強的準則，篩選相關系數Cor0.7的TBM掘進參數，從而篩選出強相關性的TBM掘進參數矩陣A′＝[n′,T′,p′,F_n′]；

S4，基于分步回歸、BP神經網絡和支持向量回歸分別對篩選后的TBM掘進參數及掌子面巖體狀態參數建立對應的三種掌子面巖體狀態軟測量模型，再基于改進D-S證據理論對三種掌子面巖體狀態軟測量模型所預測的巖體狀態參數初始估計值進行決策級融合，進而獲得更新后的掌子面巖體狀態軟測量模型；

S5，在線采集新的TBM掘進參數，并按照步驟S2獲取新的TBM掘進參數矩陣，將新的TBM掘進參數矩陣代入更新后的掌子面巖體狀態軟測量模型，通過更新后的掌子面巖體狀態軟測量模型預測當前地質條件下的巖體節理與單軸抗壓強度建議值。

2.根據權利要求1所述的掌子面在掘巖體狀態軟測量方法，其特征在于，在步驟S1中，所述巖機參數包括TBM掘進參數和掌子面巖體狀態參數，所述TBM掘進參數包括刀盤扭矩T、總推力F、刀盤轉速n、推進速度v、刀盤貫入度p、刀盤功率P和主機皮帶機泵電機電流I；所述掌子面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2所述的掌子面在掘巖體狀態軟測量方法，其特征在于，在步驟S2中，所述巖機參數預處理包括如下步驟：

S2.1將獲取的TBM掘進參數劃分為上升段、穩定段及停機段，剔除停機段數據；

S2.2對剔除停機段后的TBM掘進參數進行標準化；

S2.3提取TBM掘進參數矩陣與掌子面巖體狀態參數矩陣。

4.根據權利要求1或3所述的掌子面在掘巖體狀態軟測量方法，其特征在于，在步驟S4中，所述基于分步回歸的掌子面巖體狀態軟測量模型為：

Y_pre1＝A′*B；

式中，B表示線性回歸系數向量，Y_pre1表示基于分步回歸的巖體狀態參數初始估計值；

所述基于BP神經網絡的掌子面巖體狀態軟測量模型為：

式中，δ_t表示隱含層至輸出層的偏置，α_st表示隱含層至輸出層的權重，H_s表示隱含層輸出矩陣，l₂表示隱含層的節點個數，s表示第s個隱含層節點，Y_pre2表示基于BP神經網絡的巖體狀態參數初始估計值；

所述基于支持向量回歸的掌子面巖體狀態軟測量模型為：

式中，b表示隱含層至輸出層的偏置，w表示隱含層至輸出層的權重，k(·)表示核映射函數，N表示TBM掘進參數樣本總數量，Y_pre3表示基于支持向量回歸的巖體狀態參數初始估計值。