一种基于掘进参数反演的TBM隧道岩爆等级预测方法及系统

一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统
技术领域
1.本发明涉及岩爆预测技术领域，尤其涉及一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统。


背景技术：

2.岩爆是指地下开采的深部或构造应力很高的区域，在临空岩体中发生突发式破坏的现象。随着国内外岩土工程埋深的不断增加，开挖诱发的岩爆灾害也越发频繁和严重，岩爆已成为国际岩石力学领域亟待解决的世界性难题。
3.tbm是tunnel boring machine(隧道掘进机)的简称，是利用回转刀具开挖，同时破碎洞内围岩及掘进，形成整个隧道断面的一种新型、先进的隧道施工机械。它具有速度快、质量优、费用低、施工安全等优点，具有很好的生态、经济和社会效益，现已广泛应用于铁路、公路、水利、水电、城市地铁、越江和海底等隧道工程，也正成为我国今后隧道设计施工最主要的施工方法。
4.发明人发现，相较于传统爆破法，tbm具有施工快速、安全、自动化程度高等优点，但由于其掘进过程中占据了整个断面，传统的地质预报手段受到限制，传统应用于钻爆法施工的地质预报系统在tbm工法中适应性差、预报周期长、搭载困难，且在获取岩爆预测指标方面较为乏力。


技术实现要素：

5.针对现有技术存在的不足，本发明的目的是提供一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统，采用机器学习方法建立从tbm实时掘进参数到岩爆预测指标的反演模型，之后进行组合赋权，并运用lightgbm算法得到岩爆预测指标与岩爆等级的映射关系，从而达到预测岩爆等级的目的。
6.为了实现上述目的，本发明是通过如下的技术方案来实现：
7.第一方面，本发明的实施例提供了一种基于掘进参数反演的tbm隧道岩爆等级预测方法，包括：
8.获取掘进数据，确定岩爆预测指标，建立掘进参数与岩爆预测指标的样本库；
9.通过机器学习手段，建立掘进参数与岩爆预测指标之间的非线性关系；
10.采用多属性决策的组合赋权法对岩爆预测指标进行权重分析；
11.采用lightgbm算法建立从岩爆预测指标到岩爆等级的映射关系，以预测岩爆等级。
12.作为进一步的实现方式，所述岩爆预测指标包括弹性模量、抗压强度与最大初始应力的比值、切向应力与岩石抗压强度之比、岩体完整性指数、岩体弹性波速度平方与同种岩石试件弹性波速度的平方的比值、岩体脆性程度、弹性应变能指数。
13.作为进一步的实现方式，通过岩爆预测指标将岩爆等级分为四级：无岩爆、弱岩爆、中岩爆、强岩爆。
14.作为进一步的实现方式，对岩爆预测指标进行标准化处理。
15.作为进一步的实现方式，通过gru手段建立掘进参数与岩爆预测指标之间的非线性关系，完成从掘进参数到岩爆预测指标的反演工作。
16.作为进一步的实现方式，采用组合赋权法确定预测指标权重值的包括：
17.数据标准化之后，确定主观权重、客观权重和集成主客观权重。
18.作为进一步的实现方式，lightgbm算法利用弱分类器迭代训练以得到最优模型，同时采用单边梯度算法，在训练过程中过滤掉梯度小的样本，以训练最为关键的其余样本，实现从岩爆预测指标到岩爆等级的映射关系，预测岩爆等级。
19.第二方面，本发明实施例还提供了一种基于掘进参数反演的tbm隧道岩爆等级预测系统，包括：
20.样本库建立模型，被配置为：获取掘进数据，确定岩爆预测指标，建立掘进参数与岩爆预测指标的样本库；
21.关系建立模块，被配置为：通过机器学习手段，建立掘进参数与岩爆预测指标之间的非线性关系；
22.权重分析模块，被配置为：采用多属性决策的组合赋权法对岩爆预测指标进行权重分析；
23.岩爆等级预测模块，被配置为：采用lightgbm算法建立从岩爆预测指标到岩爆等级的映射关系，以预测岩爆等级。
24.第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于掘进参数反演的tbm隧道岩爆等级预测方法。
25.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于掘进参数反演的tbm隧道岩爆等级预测方法。
26.上述本发明的实施例的有益效果如下：
27.(1)本发明的一个或多个实施方式充分考虑了tbm隧道难以实时获取岩爆预测指标的局限性，根据实时掘进参数反演岩爆预测指标，保证了掘进过程分析的即时性和准确性。
28.(2)本发明的一个或多个实施方式运用gru(门控循环单元)算法，通过重置门捕捉时序数据中短期的依赖关系，通过更新门捕捉时序数据中长期的依赖关系，实现实时数据和历史数据的灵活调用，大大降低了梯度下降的风险。
29.(3)本发明的一个或多个实施方式在进行权重分析时采用了多属性决策的组合赋权法，既考虑到了决策者对不同指标的重视程度，又兼顾了初始数据的客观性，结果更具合理性。
30.(4)本发明的一个或多个实施方式运用lightgbm算法，在保证计算精度的前提下提高了计算效率，实时计算得到保障。
附图说明
31.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示
意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
32.图1是本发明根据一个或多个实施方式的流程图。
具体实施方式
33.应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
34.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
35.实施例一：
36.本实施例提供了一种基于掘进参数反演的tbm隧道岩爆等级预测方法，如图1所示，包括：
37.获取掘进数据，确定岩爆预测指标，建立掘进参数与岩爆预测指标的样本库；
38.通过机器学习手段，建立掘进参数与岩爆预测指标之间的非线性关系；
39.对预测指标数据进行组合赋权，针对不同指标的离散程度，采用多属性决策的组合赋权法对岩爆预测指标进行权重分析；
40.采用lightgbm算法建立从岩爆预测指标到岩爆等级的映射关系，以预测岩爆等级。
41.具体的，
42.步骤一：建立tbm掘进数据样本库，并通过机器学习手段建立掘进参数与岩爆预测指标之间的非线性关系，完成从掘进参数到岩爆预测指标的反演工作。
43.所述tbm掘进数据样本库包括各个里程的历史掘进数据以及对应里程所采集的岩爆预测指标，故库内数据具有时序性。
44.步骤二：反演所选的相关岩爆预测指标如下：
45.根据地下洞室围岩特点及已有理论的基础上，将以下6个参数作为评价岩爆风险的相关指标：
46.①
弹性模量e，记为x1；
47.②
抗压强度与最大初始应力的比值r
c
/σ1，记为x2；
48.③
切向应力与岩石抗压强度之比σ
θ
/r
c
，记为x3；
49.④
岩体完整性指数k
v
，记为x4；现场测定的岩体弹性波速度平方与同种岩石试件弹性波速度的平方的比值，岩体越完整，岩爆等级越高；
50.⑤
岩体脆性程度σ
c
/σ
t
，记为x5；岩体脆性越大，储存能量越多，越易发生岩爆；
51.⑥
弹性应变能指数w
et
，记为x6；为储存在岩石中的弹性能与变形过程中耗散的塑性能量之比，弹性应变能指数越大，岩爆的破坏后果越大。
52.步骤三：通过gru(门控循环单元)手段建立掘进参数(推力、扭矩、刀盘转速、净掘进速度、贯入度)与岩爆预测指标之间的非线性关系，完成从掘进参数到岩爆预测指标的反演工作。
53.使用门控机制控制输入、记忆等信息，通过重置门捕捉时序数据中短期的依赖关系，通过更新门捕捉时序数据中长期的依赖关系。
54.进一步的，原理如下：
55.重置门：r
t
＝σ(x
t
w
xr
+h
t
‑1w
hr
+b
r
)
56.更新门：z
t
＝σ(x
t
w
xz
+h
t
‑1w
hz
+b
z
)
57.其中，x
t
∈r
n
×
x
为时刻t的输入，如推力，扭矩，刀盘转速等掘进参数，h
t
‑1∈r
n
×
h
为t
‑
1时刻(上一时刻)的隐含状态，包含t
‑
1时刻及之前的数据信息，重置门r
t
∈r
n
×
h
和更新门z
t
∈r
n
×
h
，w
xr
，w
xz
∈r
x
×
h
，w
hr
，w
hz
∈r
h
×
h
是可学习的权重参数，b
r
，b
z
∈r1×
h
是可学习的偏移参数，σ为sigmoid函数，值域为[0，1]。
[0058]
候补隐含状态h
t1
＝tanh(x
t
w
xh
+r
t
⊙
h
t
‑1w
hh
+b
h
)，通过该状态来完成对过去信息的舍弃，只保留当前输入信息，实现“重置”功能，即捕捉时序数据中短期的依赖关系。
[0059]
隐含状态h
t
＝z
t
⊙
h
t
‑1+(1
‑
z
t
)
⊙
h
t1
，通过该状态可完成对上一时刻隐含状态数据的保留，若存在迭代关系h
t
＝h
t
‑1＝h
e
‑2＝
…
(当z
t
非常接近于1时可实现)，则继承过去的数据信息从而实现“更新”功能，即捕捉时序数据中长期的依赖关系。
[0060]
步骤四：对预测指标进行标准化处理。比对相关规范、惯例和标准，根据现场实际工程，通过上述六个预测指标将岩爆划分为4个等级，即无岩爆，弱岩爆，中岩爆，强岩爆，并分别记为1，2，3，4。为方便分析，需对预测指标数据进行标准化处理。
[0061]
①
对于极小型指标f
j
，采用如下变换：
[0062]
其中：m
j
是第i个方案第j个指标的所有取值的最大值，x
ij
表示第i个方案第j个指标的值，z
ij
表示原始值xij变化后用于计算的指标值。
[0063]
②
对于极大型指标f
j
，令
[0064]
步骤五：采用多属性决策的组合赋权法确定预测指标权重值，在对不同量纲不同类型的岩爆预测数据进行标准化处理之后，集成主客观权重，引入离差函数并构造目标规划模型，通过偏好因子使得总体离差和最小，输出权重。
[0065]
进一步的，包括以下步骤：
[0066]
(1)数据标准化。(此步已在步骤四完成)
[0067]
(2)主观权重的确定。根据需要选用p种主观赋权法，其权重分别为：
[0068]
u
k
＝(u
k1
，u
k2
，
…
u
km
)k＝1，2，
…
，p
[0069]
式中表示用第k种主观法对指标f
j
确定的权重。
[0070]
(3)客观权重的确定。选取q
‑
p种客观赋权法，其权重分别为：
[0071]
u
k
＝(u
k1
，u
k2
，
…
u
km
)k＝p+1，p+2，
…
，q
[0072]
式中表示用第k种客观法对指标f
j
确定的权重。
[0073]
(3)集成主客观权重
[0074]
设集成后指标的权重可表示为：
[0075]
w＝(ω1，ω2，
…
ω
m
)
t
[0076]
式中则主客观的综合评价值为：
[0077][0078]
步骤五：lightgbm利用弱分类器(决策树)迭代训练以得到最优模型，同时采用单边梯度算法，在训练过程中过滤掉梯度小的样本，以训练最为关键的其余样本，实现从岩爆预测指标到岩爆等级的映射关系，预测岩爆等级。
[0079]
进一步的，lightgbm构建树的过程如下：
[0080]
1、假设数据集为s，对s中的特征进行归一化，并计算初始梯度值。
[0081]
2、构建树：
[0082]
(1)计算直方图；
[0083]
(2)基于直方图计算分裂收益，并选取最佳分裂特征g，得到分裂阈值i；
[0084]
(3)建立根节点；
[0085]
(4)重复上述步骤(1)到(3)，直到达到叶子数目限制或者所有叶子节点不能继续分割为止，最后更新树的梯度值，完成所有树的构建。
[0086]
实施例二：
[0087]
本实施例提供了一种基于掘进参数反演的tbm隧道岩爆等级预测系统，包括：
[0088]
样本库建立模型，被配置为：获取掘进数据，确定岩爆预测指标，建立掘进参数与岩爆预测指标的样本库；
[0089]
关系建立模块，被配置为：通过机器学习手段，建立掘进参数与岩爆预测指标之间的非线性关系；
[0090]
权重分析模块，被配置为：采用多属性决策的组合赋权法对岩爆预测指标进行权重分析；
[0091]
岩爆等级预测模块，被配置为：采用lightgbm算法建立从岩爆预测指标到岩爆等级的映射关系，以预测岩爆等级。
[0092]
实施例三：
[0093]
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一所述的一种基于掘进参数反演的tbm隧道岩爆等级预测方法。
[0094]
实施例四：
[0095]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一所述的一种基于掘进参数反演的tbm隧道岩爆等级预测方法。
[0096]
以上实施例二
‑
四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
[0097]
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
[0098]
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技
术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。