[发明专利]适用于TBM掘进隧道围岩等级实时判别方法及系统

权利要求书

1.一种适用于TBM掘进隧道围岩等级实时判别方法，其特征是：包括以下步骤：

(1)对已有的TBM掘进隧道的掘进数据进行统计分析，确定影响围岩等级的主要因素；

(2)对各个等级下的TBM掘进数据进行收集，剔除不合适的数据，建立不同围岩等级下的掘进数据样品库；

(3)用样品库中的数据对BP神经网络训练得到分类器，从而建立模式识别模型；

(4)运用趋势检查法对模型中的各个指标进行趋势检查，检查合格后即得到BP神经网络模式识别模型；

(5)进行工程实例的测试，测试结果符合设定要求后，利用最终的BP神经网络模式识别模型，基于实时掘进数据的导入对围岩等级进行实时判别；

所述步骤(2)中建立的不同围岩等级下的掘进数据样品库，需要剔除明显偏离各因素取值区间的数据，并对无效数据进行剔除；

所述步骤(3)中BP神经网络选取输入层、隐含层和输出层三层的网络进行训练，包括训练和检验两部分，不断调整神经网络的训练参数直至检验数据的准确率达到目标要求，得到BP神经网络分类器，进行模式识别模型判别围岩等级的决策。

2.如权利要求1所述的一种适用于TBM掘进隧道围岩等级实时判别方法，其特征是：无效数据为掘进距离小于0.5m，掘进时间小于10min时采集的数据。

3.如权利要求1所述的一种适用于TBM掘进隧道围岩等级实时判别方法，其特征是：所述步骤(4)中需要对各个主要影响因素进行趋势检查，具体方法为将需要检查的因素进行取值区间上的归一化，其余因素选取均值，然后输入BP神经网络模式识别模型，将检查因素从0向1取值，验证围岩等级的变化趋势是否与该因素对围岩等级的影响趋势一致，如果趋势一致则满足模型可靠性的要求。

4.如权利要求1所述的一种适用于TBM掘进隧道围岩等级实时判别方法，其特征是：所述步骤(5)进行工程实例的测试中，需要选择典型的各等级围岩段作为测试数据，当各等级围岩的识别准确率都达到80％以上时才判定为训练合格；如果多次训练仍旧不合格则进行掘进数据样品库的重新筛选，将不合适的数据进行剔除，直至工程实例测试合格。

5.如权利要求1所述的一种适用于TBM掘进隧道围岩等级实时判别方法，其特征是：还包括步骤(6)，建立典型样品库和最近一段开挖周期掘进数据库，建立的典型样品库来自于典型洞段的典型掘进数据，并不断叠加开挖洞段中的典型掘进数据，以此作为训练样本对模型不断进行优化训练，并通过实时掘进数据的反馈进行模型参数的调整。

6.如权利要求1所述的一种适用于TBM掘进隧道围岩等级实时判别方法，其特征是：还包括步骤(6)，建立的典型样品库除了正常掘进过程中的各等级围岩的掘进数据库，还应包括典型的掘进异常数据库，当BP神经网络模式识别模型遇到明显偏离于各等级围岩典型样品库的掘进数据时，会自动与异常数据库进行匹配，根据具体影响因素的偏离情况进行预警。

7.一种适用于TBM掘进隧道围岩等级实时判别系统，其特征是：包括：

分析模块，被配置为对已有的TBM掘进隧道的掘进数据进行统计分析，确定影响围岩等级的主要因素；

样品库构建模块，被配置为对各个等级下的TBM掘进数据进行收集，剔除不合适的数据，建立不同围岩等级下的掘进数据样品库；建立的不同围岩等级下的掘进数据样品库，需要剔除明显偏离各因素取值区间的数据，并对无效数据进行剔除；

模式识别模型构建模块，被配置为用样品库中的数据对BP神经网络训练得到分类器，从而建立模式识别模型；BP神经网络选取输入层、隐含层和输出层三层的网络进行训练，包括训练和检验两部分，不断调整神经网络的训练参数直至检验数据的准确率达到目标要求，得到BP神经网络分类器，进行模式识别模型判别围岩等级的决策；

趋势检测模块，被配置为运用趋势检查法对模型中的各个指标进行趋势检查，检查合格后即得到BP神经网络模式识别模型，并进行测试，直到测试结果符合设定要求；

判别模块，被配置为利用最终的BP神经网络模式识别模型，基于实时掘进数据的导入对围岩等级进行实时判别。