[發明專利]一種基于數值樣本和隨機森林的TBM卡機風險預測方法

有效

• 申請號: 202110002906.7
• 申請日: 2021-01-04
• 公開（公告）號: CN112765791B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 劉耀儒;侯少康;莊文宇;張凱
• 申請（專利權）人: 清華大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/00
• 代理公司: 北京律譜知識產權代理有限公司 11457
• 代理人: 孫紅穎

1.一種基于數值樣本和隨機森林的TBM卡機風險預測方法，其特征在于，所述的TBM卡機風險預測方法包括：

步驟S1，建立精細化數值仿真模型，基于蠕變損傷模型模擬圍巖的時效變形，實現對TBM施工過程的模擬；具體包括：

基于三維連續介質的快速拉格朗日分析FLAC^3D軟件建立TBM精細化數值仿真模型，在所述數值仿真模型中構建TBM部件，包括：刀盤(1)、前護盾(2)、后護盾(3)、襯砌管片(4)、回填灌漿層(5)的部件；

采用逐步開挖的方式對圍巖(6)的開挖、雙護盾TBM掘進、襯砌管片(4)的安裝和回填灌漿層(5)的回填施工過程進行模擬；

在所述數值仿真模型中采用蠕變損傷模型模擬圍巖的時效變形特性；通過設置每個開挖步距的蠕變時間模擬TBM的掘進速度；

每個開挖步距的巖體開挖后，在所述數值仿真模型中的護盾外表面設置FLAC^3D的接觸面單元(7)，實現對圍巖-護盾相互作用的模擬；

步驟S2，在數值仿真模型中設置不同卡機影響因素的取值，計算對應不同工況的數值樣本；

步驟S3，建立卡機風險判別指標，標定所述數值樣本的卡機風險等級；

步驟S4，建立隨機森林模型，利用標定有卡機風險等級的數值樣本對所述隨機森林模型進行訓練，利用訓練好的隨機森林模型快速預測實際施工段的卡機風險等級。

2.根據權利要求1所述的基于數值樣本和隨機森林的TBM卡機風險預測方法，其特征在于，所述卡機影響因素包括：

掘進速度、超挖量、圍巖彈性模量、單軸抗拉強度、地應力、圍巖與護盾間摩擦系數和TBM最大推進力。

3.根據權利要求2所述的基于數值樣本和隨機森林的TBM卡機風險預測方法，其特征在于，所述步驟S2包括：

根據工程經驗，設置所述卡機影響因素的取值及不同組合，計算不同工況下的數值樣本；

通過設置不同的TBM最大推進力和圍巖與護盾間摩擦系數，對所計算的數值樣本進行擴充，得到擴充后的對應不同工況的數值樣本。

4.根據權利要求1所述的基于數值樣本和隨機森林的TBM卡機風險預測方法，其特征在于，

所述步驟S2包括：根據在數值仿真模型中設置所述卡機影響因素的取值及不同組合，利用在護盾外表面設置的接觸面單元計算得到不同工況下的圍巖與護盾間的法向接觸壓力；

所述步驟S3包括：

根據護盾上所受的總摩擦力與除TBM掘進破巖所需推進力外所能提供的最大推進力的比值，構建卡機風險判別指標Ratio，并根據所述Ratio的值標定步驟S2中數值樣本的卡機風險等級；所述卡機風險判別指標Ratio通過如下公式計算得到：

其中，Ratio為卡機風險判別指標，F_f為護盾上所受的總摩擦力，F_I是TBM的最大推進力，F_e是TBM連續掘進破巖所需的推進力，μ為圍巖與護盾間的摩擦系數，為第i個接觸面節點所測得的法向接觸壓力，q為接觸面節點的個數，k_n為接觸面的法向剛度，u_n為接觸面節點貫入目標面的絕對法向位移，σ_n為接觸面應力初始化導致的附加法向應力，A為接觸面節點的代表面積。

5.根據權利要求1所述的基于數值樣本和隨機森林的TBM卡機風險預測方法，其特征在于，所述步驟S4包括：

將標定有卡機風險等級的數值樣本作為訓練樣本集；

基于所述訓練樣本集，選擇包括掘進速度、超挖量、彈性模量、單軸抗拉強度、地應力、TBM最大推進力以及圍巖與護盾間摩擦系數的卡機影響因素作為隨機森林模型的輸入特征，選擇TBM的卡機風險等級作為隨機森林模型的輸出結果，采用控制變量的方式逐個對隨機森林模型的關鍵超參數進行尋優，得到最優超參數取值；

基于最優超參數取值和訓練樣本集對隨機森林模型進行訓練，得到訓練好的隨機森林模型；

基于訓練好的隨機森林分類模型，輸入所述卡機影響因素取值，得到實際工程中不同施工段的TBM卡機風險等級預測結果。

6.根據權利要求1所述的基于數值樣本和隨機森林的TBM卡機風險預測方法，其特征在于，所述步驟S4包括：

將標定有卡機風險等級的數值樣本劃分為訓練樣本集和測試樣本集；

基于所述訓練樣本集，選擇包括掘進速度、超挖量、彈性模量、單軸抗拉強度、地應力、TBM最大推進力以及圍巖與護盾間摩擦系數的卡機影響因素作為隨機森林模型的輸入特征，選擇TBM的卡機風險等級作為隨機森林模型的輸出結果，采用控制變量的方式逐個對隨機森林模型的關鍵超參數進行尋優，得到最優超參數取值；

基于最優超參數取值和訓練樣本集對隨機森林模型進行訓練，并利用所述測試樣本集驗證該訓練好的隨機森林模型的預測效果，得到訓練好的且預測效果滿足要求的隨機森林模型；

基于訓練好的且滿足預測效果要求的隨機森林分類模型，輸入所述卡機影響因素取值，得到實際工程中不同施工段的TBM卡機風險等級預測結果。