TBM隧道不良地质段智能支护决策方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115758515A(43)申请公布日2023.03.07(21)申请号202211372982.8(51)Int.Cl.(22)申请日2022.10.31G06F30/13(2020.01)G06F30/27(2020.01)(71)申请人中铁隧道局集团有限公司E21D11/00(2006.01)地址511400广东省广州市南沙区明珠湾起步区工业四路西侧自编2号申请人盾构及掘进技术国家重点实验室中铁隧道股份有限公司(72)发明人刘永胜陈桥游金虎尹龙李志军张继超潘岳谢韬张合沛李叔敖杨聚会黄金光周毅李增(74)专利代理机构郑州浩翔专利代理事务所(特殊普通合伙)41149专利代理师边延松权利要求书2页说明书7页附图1页(54)发明名称TBM隧道不良地质段智能支护决策方法(57)摘要本发明公开了一种TBM隧道不良地质段智能支护决策方法，包括下列步骤：建立TBM施工数据库，建立预测、决策模型，应用预测、决策模型，现场应用，反馈应用效果和数据迭代。本发明通过建立TBM施工数据库、利用机器学习算法建立不良地质段识别及规模预测模型、支护方案智能决策模型，对不良地质段的出现进行预测，并给出相应的支护决策方案，支护决策方案应用后，并能够对支护方案决策的效果进行验证和数据迭代，实现支护方案智能决策模型的自主学习。CN115758515ACN115758515A权利要求书1/2页1.一种TBM隧道不良地质段智能支护决策方法，其特征在于，包括下列步骤：(1)建立TBM施工数据库：包括TBM运行数据库、隧道围岩数据库、岩渣数据库、支护方案数据库、隧道围岩收敛变形监测数据库；(2)建立预测、决策模型：利用统计分析、回归分析、支持向量、主成分分析、聚类分析的方法分析、挖掘TBM运行数据、隧道围岩数据、岩渣数据、支护结构数据、隧道围岩收敛变形监测数据的特征，利用机器学习算法建立不良地质段识别模型、不良地质段规模预测模型和支护方案智能决策模型；所述机器学习算法包括神经网络算法、多线程的极端梯度提升算法；(3)应用预测、决策模型：实时采集分析TBM在掘进过程中的数据，根据TBM运行数据、岩渣数据，利用不良地质段识别模型、不良地质段规模预测模型对当前TBM是否处于不良地质段进行识别预判；根据隧道围岩数据、支护结构数据和隧道围岩收敛变形监测数据，利用支护方案智能决策模型预测适合当前围岩状况的支护方案及相关支护参数，该支护方案及支护参数可实时显示在TBM控制端界面上；(4)现场应用：根据支护方案智能决策模型提供的支护方案施作TBM隧道初期支护结构；(5)反馈应用效果和数据迭代：采集、分析隧道围岩收敛变形数据并上传至隧道围岩收敛变形监测数据库，并利用支护方案智能决策模型评估所推荐的支护方案支护效果，实现数据迭代和支护方案智能决策模型的自主学习。2.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(1)中所述的TBM运行数据库包含的数据有：TBM掘进总推力，贯入度，掘进速度，刀盘扭矩，主皮带机正转压力，顶护盾、左侧护盾、右侧护盾压力和位移；上述参数从TBM的PLC控制系统中读取，其中TBM的贯入度、掘进速度和刀盘转速之间满足如下关系：贯入度＝掘进速度/刀盘转速。3.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(1)中所述的隧道围岩数据库包含的数据有：岩性，围岩等级S，岩体完整性系数Kv，岩体体积节理数Jv，岩体基本质量指标BQ，岩石质量指标RQD，岩石饱和单轴抗压强度Rc和不良地质段的规模。4.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(1)中所述的岩渣数据库包含的数据有：岩渣的几何尺寸，不同粒径岩渣所占比例，连续掘进周期内的出渣量/岩渣质量m1和理论出渣量m0；岩渣的几何尺寸、岩渣的粒径和不同粒径岩渣所占比例均采用岩渣图像识别系统实时采集获取，单位时间内的出渣量/岩渣质量采用岩渣称重系统实时采集；其中，岩渣图像识别系统的图像采集器安装在TBM拖车上的出渣皮带机正上方，采样区域长度不低于1.5m，宽度不低于1m且能覆盖皮带机上岩渣的宽度，采样频率不低于2Hz。岩渣称重系统安装在TBM主机皮带机上，带温度补偿装置，能实时检测温差并对称重数据进行补偿修正，确保在不同季节、不同温度下保持称重数据的准确性。5.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(1)中所述的支护方案数据库包含的数据有：钢拱架类型、间距，钢筋网铺设位置、钢筋直径、间距；锚杆类型、长度、间距；喷射混凝土施作部位、厚度；2CN115758515A权利要求书2/2页步骤(1)中所述的隧道围岩收敛变形监测数据库包含的数据有：拱顶沉降值