[发明专利]一种基于TBM运行数据的不良地质条件识别与预测方法

说明书

本发明公开了一种基于TBM运行数据的不良地质条件识别与预测方法，具有这样的特征，包括以下步骤：步骤1，获取TBM运行数据与地勘资料数据；步骤2，将TBM运行数据与地勘资料进行预处理，得到预处理后的数据；步骤3，基于预处理后的数据进行特征变量设计，筛选出与目标相关的变量；步骤4，基于与目标相关的变量，建立基于遗传编程的不良地质条件识别模型，并求得良好地质与不良地质的划分函数H(X)；步骤5，根据H(X)判断TBM当前位置的地质情况。本发明可高效处理大量运行数据，并对TBM当前位置的地质条件进行在线识别，克服了传统识别、检测方法的高不确定性、高延迟性、高成本等问题，为TBM安全施工增添保障。

技术领域

本发明涉及隧道工程TBM施工领域，具体涉及一种基于TBM运行数据的不良地质条件识别与预测方法。

背景技术

全断面隧道掘进机(Tunnel boring machine,TBM)由于其高效性、低施工影响以及长距离施工经济性，被越来越多得应用于长隧道建设。然而TBM法对地质条件敏感，极易在节理发育或存在大面积破碎带的岩层中发生塌方、卡机等事故。因此，不良地质条件识别对于保障TBM安全掘进至关重要。

目前，不良地质条件识别一方面依靠地勘资料以及TBM操作员自身经验，因此科学性与可靠性不高；另一方面依赖于无损检测方法，如微震法、地质雷达法，但这些方法仅可在TBM停机后开展故数据获取不连续，且成本较高难以全线开展。

TBM运行数据由分布于掘进机周身的传感器获得，每秒可以返回百余个监测参数，其具体数值体现了人-机-岩的相互作用。因此通过数据挖掘、机器学习等技术，可以建立基于TBM运行数据的不良地质条件识别方法。但相关研究尚处于初级阶段，缺乏一套适用于TBM运行数据处理的标准化流程和方法；且基于机器学习的识别模型往往可解释性差，不利于在实际施工中采用。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种TBM运行数据的不良地质条件识别与预测方法。

本发明提供了一种基于TBM运行数据的不良地质条件识别与预测方法，具有这样的特征，包括以下步骤：步骤1，获取TBM运行数据与地勘资料数据；步骤2，将TBM运行数据与地勘资料进行预处理，得到预处理后的数据；步骤3，基于预处理后的数据进行特征变量设计，筛选出与目标相关的变量；步骤4，基于与目标相关的变量，建立基于遗传编程的不良地质条件识别模型，并求得良好地质与不良地质的划分函数H(X)；步骤5，根据H(X)判断TBM当前位置的地质情况。

在本发明提供的基于TBM运行数据的不良地质条件识别与预测方法中，还可以具有这样的特征：其中，步骤1的具体过程为：通过可编程逻辑控制器以固定频率采集TBM上所有传感器数据，获得TBM运行数据，TBM运行数据至少包括总推力、刀盘扭矩、刀盘转速、贯入度以及掘进速度，基于施工前地质勘探资料获得地勘资料数据，地勘资料数据至少包括岩性、围岩分级。

在本发明提供的基于TBM运行数据的不良地质条件识别与预测方法中，还可以具有这样的特征：其中，步骤2中，预处理的具体步骤为：步骤2-1，使用缺失值所在数据列的均值填补缺失的TBM运行数据；步骤2-2，使用3σ准则和盖帽法删除TBM运行数据中的异常值；步骤2-3，TBM掘进不同阶段划分，并取各个变量在稳定段内的均值构成TBM运行参数数据集；步骤2-4，使用最近邻插值法处理地勘资料数据，并扩充TBM运行参数数据集；步骤2-5，分别使用0-1标准化与独热编码处理连续变量与离散变量。

在本发明提供的基于TBM运行数据的不良地质条件识别与预测方法中，还可以具有这样的特征：其中，步骤2-1的具体过程为：假设输入数据为的矩阵，满足：

式中，x_ij表示矩阵中第i行第j列元素，若x_ij元素缺失数据，且第j列共有，个元素缺失数据(p＜m)，则步骤2-2的具体过程为：验证连续变量的偏度S与峰度K：