[发明专利]一种基于机器学习的盾构施工过程地质特征确定方法

说明书

本发明公开了一种基于机器学习的盾构施工过程地质特征确定方法，通过对盾构机实时参数的处理与变换，经过K－means++算法标签化后输入到堆叠分类算法中，优化后得到地质特征确定方法。本方法将盾构实时掘进参数进行剔除空白值和异常值处理、光滑性处理、二次变换及数据标准化处理，得到反映地质特征的FPI与TPI指数；通过肘部算法和轮廓系数确定地质特征最终的类别数K，对地质特征类型进行标签化。将FPI与TPI指数和标签化的地质特征输入到堆叠算法中，通过网格搜索和k折交叉验证得到地质特征确定方法。利用地质特征确定方法确定盾构机穿越地层的地质特征。本发明方法操作简单易行，成本低，能够显著地提高盾构的施工效率，保证了盾构掘进的安全性。

技术领域

本发明涉及盾构隧道技术领域，尤其涉及一种基于机器学习的盾构施工过程地质特征确定方法。

背景技术

随着城市化的快速发展，城市交通压力日益增加，越来越多的城际铁路和地铁等公共交通设施得到了快速发展。盾构法由于安全、环保的特点，在城市地下公共交通的施工中得到了广泛地应用。土压平衡盾构机由千斤顶推进，驱动电机驱动刀盘转动，使得到盘上的刀具贯入并切削土壤和岩石，通过土仓和螺旋输送机将岩石和土体运输到外部。地质特征是影响盾构参数设置和刀具磨损的关键因素之一，盾构机在不同特征的地质条件施工时，需设置不同的掘进参数。盾构掘进前需要进行地质勘察了解地质特征，而地质勘察孔往往不连续且间隔一定距离，无法为盾构掘进提供实时准确的地质特征信息。为了保证盾构机安全、高效地掘进，确定盾构掘进过程中的地质特征至关重要。

根据不同的地质特征，选择合适的盾构机类型、设置良好的盾构参数能够极大地提升盾构施工效率。刘允刚等于2013年在《施工技术》上发表的《复杂地质条件盾构设备选型及关键参数选择》中强调了不同地质特征对盾构机选型、刀具配置和盾构参数设置有着极其重大的影响。目前，施工区间地质特征往往由两勘察孔的地质特征采用线性连接推测获得，而无法实时获得盾构机前方地质特征类型。因此，为了实时获取盾构机前方地质特征，并利用地层特征指导盾构参数的设置和盾构刀具的更换，有必要提出一种基于机器学习的盾构施工过程地质特征确定方法。

经过对现有技术文献检索发现，申请号为201810649269.0，专利名称为：基于Xgboost的盾构施工不良地质类型预测方法，该方法利用随机森林提取地质特征，并采用Xgboost算法对施工过程中的不良地质类型进行预测，可用于盾构施工过程中实时监测和分析开挖面围岩的地质情况。但是，该方法仅针对不良地质情况进行预测，无法对正常掘进状态下的地质特征进行预测。此外，该方法仅通过一种算法进行不良地质预测，容错率较低。本发明专利提出了一种基于机器学习的盾构施工过程地质特征确定方法，根据盾构机实时掘进参数动态确定盾构施工过程的地质特征并进行标签化，通过机器学习中的堆叠算法对盾构机前方地质特征进行精准确定，从而更好地指导盾构机参数设置和刀具的更换。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于机器学习的盾构施工过程地质特征确定方法，该方法能够有效地对盾构机穿越的地质特征进行分类并确定，从而更好地指导盾构机掘进参数的设置和盾构刀具的更换。

为了解决上述技术问题，本发明实施例提供了一种基于机器学习的盾构施工过程地质特征确定方法，包括以下步骤：

S1：收集地质勘察报告资料和盾构掘进参数，并进行地质特征预分类；

S2：对所述盾构掘进参数进行预处理，所述预处理包括对收集的盾构机参数数据进行剔除处理、数据光滑性处理、数据二次变换和数据标准化处理，得到标准化的FPI与TPI指数；

S3：将所述标准化的FPI与TPI指数输入K-means++算法，将地质特征类别从2~9开始划分，在所有划分类别中采用肘部算法和轮廓系数确定地质特征最终的类别数；

S4：构建地质特征确定方法的数据集，将所述标准化的FPI与TPI指数作为输入数据集，标签化后地质特征作为输出集；