本技術(shù)涉及隧道建設(shè)，具體而言，涉及一種采用tbm設(shè)備進(jìn)行隧洞掘進(jìn)的智能控制方法。

背景技術(shù)：

1、隨著經(jīng)濟(jì)的持續(xù)發(fā)展，越來越多穿越范圍較大、環(huán)境復(fù)雜的超級(jí)隧道的出現(xiàn)，對(duì)隧道建設(shè)帶來極大的技術(shù)難題與挑戰(zhàn)。

2、在掘進(jìn)參數(shù)-圍巖映射關(guān)系研究方面，nelson等發(fā)現(xiàn)tbm現(xiàn)場掘進(jìn)指數(shù)fpi與巖石硬度正線性相關(guān)，提出采用該指標(biāo)表征某一地層的可掘性。rourke等基于變質(zhì)巖隧道數(shù)據(jù)得出了tbm現(xiàn)場掘進(jìn)指數(shù)與巖石總硬度之間的關(guān)系，與nelson結(jié)論類似。hamidi?、hassanpour?、farrokh?等分析tbm掘進(jìn)數(shù)據(jù)發(fā)現(xiàn)fpi或ln(fpi)與巖石強(qiáng)度呈線性關(guān)系，通過回歸可以得到了兩者關(guān)系模型，建立了巖體強(qiáng)度和設(shè)備性能參數(shù)相互估算的橋梁。leu等和guan等把地質(zhì)條件的變化理解為一種狀態(tài)轉(zhuǎn)移的隨機(jī)過程，采用隱式馬爾可夫方法預(yù)測地質(zhì)條件變化，可以有效克服地質(zhì)信息不足的問題，預(yù)測結(jié)果可以用于施工其他決策支持。劉斌等建議利用機(jī)器學(xué)習(xí)的方法由機(jī)器參數(shù)來預(yù)測巖體參數(shù)，提出結(jié)合超前探測等方法綜合獲取巖體參數(shù)，并利用吉林引松供水工程tbm實(shí)際數(shù)據(jù)進(jìn)行了初步探索。shi等提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的地質(zhì)預(yù)測方法，能夠根據(jù)tbm掘進(jìn)數(shù)據(jù)提供相對(duì)準(zhǔn)確的地質(zhì)預(yù)測結(jié)果，該方法驗(yàn)證了深度學(xué)習(xí)在巖體感知中的適用性和潛力。zhang等基于刀盤速度、刀盤扭矩、推力和掘進(jìn)速度四種參數(shù)，利用大數(shù)據(jù)挖掘方法和人工智能算法對(duì)吉林引松供水工程tbm掘進(jìn)狀態(tài)以及其對(duì)應(yīng)的巖體狀態(tài)進(jìn)行特征分類。

3、綜合以上研究成果，分析tbm掘進(jìn)參數(shù)和巖體力學(xué)參數(shù)相關(guān)性，采用多元回歸、模式識(shí)別或人工智能等方法進(jìn)行在掘巖體狀態(tài)的感知與評(píng)估，是當(dāng)前最主流的手段。隨著物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)的發(fā)展，更全面的采集tbm掘進(jìn)信息和巖體信息，建立tbm掘進(jìn)數(shù)據(jù)大數(shù)據(jù)樣本庫，對(duì)于實(shí)現(xiàn)在掘巖體的實(shí)時(shí)感知、評(píng)估具有重要作用。

4、巖體單軸抗壓強(qiáng)度和節(jié)理發(fā)育情況是表征開挖面在掘巖體強(qiáng)度特征及完整性的關(guān)鍵變量，但上述巖體力學(xué)參數(shù)很難直接通過現(xiàn)有的技術(shù)手段實(shí)現(xiàn)在線實(shí)時(shí)測量，只能在tbm停機(jī)期間進(jìn)行離線測量，也無法實(shí)現(xiàn)對(duì)tbm設(shè)備的智能控制。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本技術(shù)的目的在于提供一種采用tbm設(shè)備進(jìn)行隧洞掘進(jìn)的智能控制方法，能夠根據(jù)多個(gè)掘進(jìn)數(shù)據(jù)確定巖體力學(xué)參數(shù)，再根據(jù)多個(gè)模型或算法，對(duì)掘進(jìn)設(shè)備進(jìn)行智能控制，不僅能夠提高tbm設(shè)備的掘進(jìn)速度，還能夠提升tbm設(shè)備的刀具壽命。

2、本技術(shù)實(shí)施例提供了一種采用tbm設(shè)備進(jìn)行隧洞掘進(jìn)的智能控制方法，其特征在于，所述方法包括：獲取多個(gè)掘進(jìn)數(shù)據(jù)，并從所述多個(gè)掘進(jìn)數(shù)據(jù)中確定出與巖體信息相關(guān)的多個(gè)特征掘進(jìn)數(shù)據(jù)；將多個(gè)特征掘進(jìn)數(shù)據(jù)輸入至目標(biāo)tbm圍巖感知算法，得到多個(gè)巖體力學(xué)參數(shù)，所述目標(biāo)tbm圍巖感知算法為根據(jù)預(yù)先訓(xùn)練的多種tbm圍巖感知模型確定的；將多個(gè)巖體力學(xué)參數(shù)輸入至目標(biāo)掘進(jìn)參數(shù)決策模型，得到多個(gè)掘進(jìn)控制參數(shù)；根據(jù)所述多個(gè)掘進(jìn)控制參數(shù)，控制掘進(jìn)設(shè)備進(jìn)行智能控制掘進(jìn)工作。

3、可選地，通過以下步驟確定多個(gè)特征掘進(jìn)數(shù)據(jù)：根據(jù)多個(gè)歷史掘進(jìn)數(shù)據(jù)，確定巖體質(zhì)量等級(jí)與多個(gè)現(xiàn)場掘進(jìn)指數(shù)的相關(guān)性，所述現(xiàn)場掘進(jìn)指數(shù)為tbm設(shè)備單個(gè)滾刀推力與貫入度的比值；根據(jù)巖體質(zhì)量等級(jí)與多個(gè)現(xiàn)場掘進(jìn)指數(shù)的相關(guān)性，確定多個(gè)特征掘進(jìn)數(shù)據(jù)，所述特征掘進(jìn)數(shù)據(jù)包括單刀推力、刀盤扭矩、刀盤轉(zhuǎn)速和貫入度。

4、可選地，所述tbm圍巖感知算法包括最小二乘回歸子模型、bp神經(jīng)網(wǎng)絡(luò)子模型和向量機(jī)子模型，其中，通過以下公式確定目標(biāo)tbm圍巖感知算法：

5、；

6、其中，w1為最小二乘回歸子模型的權(quán)重值，w2為bp神經(jīng)網(wǎng)絡(luò)子模型的權(quán)重值，w3為向量機(jī)子模型的權(quán)重值，為最小二乘回歸子模型所計(jì)算的多個(gè)巖體力學(xué)參數(shù)，為bp?神經(jīng)網(wǎng)絡(luò)子模型計(jì)算的多個(gè)巖體力學(xué)參數(shù)，為向量機(jī)子模型計(jì)算的多個(gè)巖體力學(xué)參數(shù)。

7、可選地，通過以下步驟對(duì)所述最小二乘回歸子模型進(jìn)行訓(xùn)練：基于最小二乘法模型，根據(jù)待測的多個(gè)巖體力學(xué)參數(shù)和多個(gè)特征掘進(jìn)數(shù)據(jù)，建立最小二乘回歸子模型；將多個(gè)歷史掘進(jìn)數(shù)據(jù)輸入至初始最小二乘回歸子模型，得到初始最小二乘回歸子模型的第一損失函數(shù)值；根據(jù)所得到的第一損失函數(shù)值，對(duì)初始最小二乘回歸子模型進(jìn)行訓(xùn)練，直至所述初始最小二乘回歸子模型的第一損失函數(shù)值收斂至最小值；根據(jù)初始最小二乘回歸子模型的第一損失函數(shù)值收斂至最小值時(shí)的最小二乘回歸子模型，確定目標(biāo)最小二乘回歸子模型。

8、可選地，所述待測的多個(gè)巖體力學(xué)參數(shù)包括巖石單軸抗壓強(qiáng)度和單位體積巖體節(jié)理數(shù)，其中，所述目標(biāo)最小二乘回歸子模型包括以下公式：

9、；

10、；

11、其中，fn為單刀推力，p為貫入度，n為刀盤轉(zhuǎn)速，t為刀盤扭矩，為巖石單軸抗壓強(qiáng)度；為單位體積巖體節(jié)理數(shù)。

12、可選地，通過以下步驟確定bp神經(jīng)網(wǎng)絡(luò)子模型：利用信號(hào)正向傳播和誤差反向調(diào)節(jié)的學(xué)習(xí)機(jī)制，通過迭代學(xué)習(xí)搭建出處理非線性信息的bp網(wǎng)絡(luò)模型；利用ga算法對(duì)所述bp網(wǎng)絡(luò)模型超參數(shù)進(jìn)行尋優(yōu)，從而確定目標(biāo)bp網(wǎng)絡(luò)模型。

13、可選地，通過以下步驟確定向量機(jī)子模型：根據(jù)多個(gè)歷史掘進(jìn)數(shù)據(jù)，確定多個(gè)初始向量機(jī)子模型；根據(jù)最小二乘支持向量機(jī)函數(shù)、拉格朗日函數(shù)和核函數(shù)，確定向量機(jī)子模型；利用ga算法對(duì)所述向量機(jī)子模型超參數(shù)進(jìn)行尋優(yōu)，確定目標(biāo)向量機(jī)子模型。

14、可選地，通過以下步驟確定最小二乘回歸子模型、bp神經(jīng)網(wǎng)絡(luò)子模型的權(quán)重值和向量機(jī)子模型的權(quán)重值：根據(jù)所述多個(gè)掘進(jìn)數(shù)據(jù)，生成多個(gè)證據(jù)集；基于所述多個(gè)證據(jù)集，以最小化誤差均方差為目標(biāo)計(jì)算最小二乘回歸子模型、bp神經(jīng)網(wǎng)絡(luò)子模型的權(quán)重值和向量機(jī)子模型的第一中間權(quán)重值，并根據(jù)最小二乘回歸子模型、bp神經(jīng)網(wǎng)絡(luò)子模型的權(quán)重值和向量機(jī)子模型的第一中間權(quán)重值，構(gòu)建bpa函數(shù)；根據(jù)不同證據(jù)集間所述bpa函數(shù)的距離，確定每個(gè)證據(jù)集的可信度；根據(jù)每個(gè)證據(jù)集的可信度對(duì)是所述bpa函數(shù)進(jìn)行修正，并根據(jù)dempster合成規(guī)則對(duì)不同證據(jù)集上修正后的bpa函數(shù)進(jìn)行合成，得到最小二乘回歸子模型、bp神經(jīng)網(wǎng)絡(luò)子模型的權(quán)重值和向量機(jī)子模型的權(quán)重值。

15、可選地，通過以下步驟確定目標(biāo)掘進(jìn)參數(shù)決策模型：基于mlp神經(jīng)網(wǎng)絡(luò)巖機(jī)參數(shù)映射模型構(gòu)建基于多目標(biāo)粒子群優(yōu)化算法的tbm掘進(jìn)參數(shù)優(yōu)化模型；將預(yù)先設(shè)定的多個(gè)約束條件轉(zhuǎn)化為了決策變量的可行域，以在所述多目標(biāo)粒子群優(yōu)化算法中改變約束處理的策略；設(shè)定所述多目標(biāo)粒子群優(yōu)化算法的多個(gè)相關(guān)參數(shù)，得到目標(biāo)掘進(jìn)參數(shù)決策模型。

16、可選地，所述方法還包括：獲取多個(gè)不同圍巖類型區(qū)段的智能控制掘進(jìn)工作和人工控制掘進(jìn)工作下的掘進(jìn)設(shè)備的多個(gè)驗(yàn)證掘進(jìn)數(shù)據(jù)，所述多個(gè)驗(yàn)證掘進(jìn)數(shù)據(jù)包括多個(gè)掘進(jìn)效能數(shù)據(jù)和刀具壽命數(shù)據(jù)；根據(jù)對(duì)個(gè)多個(gè)不同圍巖類型區(qū)段的智能控制掘進(jìn)工作和人工控制掘進(jìn)工作下的掘進(jìn)設(shè)備的多個(gè)驗(yàn)證掘進(jìn)數(shù)據(jù)之間進(jìn)行對(duì)比，確定智能控制掘進(jìn)工作的在多個(gè)不同圍巖類型區(qū)段的多個(gè)效能和人工控制掘進(jìn)工作在多個(gè)不同圍巖類型區(qū)段的多個(gè)效能；根據(jù)智能控制掘進(jìn)工作的在多個(gè)不同圍巖類型區(qū)段的多個(gè)效能和人工控制掘進(jìn)工作在多個(gè)不同圍巖類型區(qū)段的多個(gè)效能，確定所述智能控制掘進(jìn)工作相對(duì)于人工控制掘進(jìn)工作的效能提升幅度。

17、本技術(shù)實(shí)施例提供的采用tbm設(shè)備進(jìn)行隧洞掘進(jìn)的智能控制方法，能夠根據(jù)多個(gè)掘進(jìn)數(shù)據(jù)確定巖體力學(xué)參數(shù)，再根據(jù)多個(gè)模型或算法，對(duì)掘進(jìn)設(shè)備進(jìn)行智能控制，不僅能夠提高tbm設(shè)備的掘進(jìn)速度，還能夠提升tbm設(shè)備的刀具壽命。

18、為使本技術(shù)的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附附圖，作詳細(xì)說明如下。