[发明专利]半监督的盾构隧道掌子面地质类型预估方法及系统

说明书

本发明提供了一种半监督的盾构隧道掌子面地质类型预测方法及系统，包括如下步骤：从机器数据中筛选出与地质条件有关的机器参数；对筛选出的机器参数进行预处理；根据预处理后的机器参数构造无标签数据集和带标签数据集；建立预测隧道掌子面地质条件的半监督框架，得到地质特征提取器和特征分类器；利用带约束的DenseNet自编码网络与无标签数据集训练地质特征提取器；利用深度神经网络与带标签数据集训练地质特征分类器，最终实现对掌子面前方地质类型的预测。本发明具有更高的分类精度和更好的泛化性能，能更有效地指导盾构施工，提高盾构掘进效率。

技术领域

本发明涉及盾构隧道地质类型预测的技术领域，具体地，涉及一种半监督的盾构隧道掌子面地质类型预估方法及系统。

背景技术

盾构法开挖隧道具有开挖速度快、施工质量高、对周围土体扰动小等优点，因而在城市地下空间开发中获得越来越多的应用。然而，盾构施工受地质条件变化的影响很大，比如遭遇不良的地质条件无法撤退，遇到复合地层难以保持正常的位姿，设置不当的土仓压力将导致地表沉降等。因而，实时、准确地评估掌子面前方地质类型对于指导盾构施工十分关键。在实际施工中，盾构司机会在一环掘进的初始阶段逐渐调整操作参数(如掘进速度、刀盘转速、土仓压力等)，同时观察推力、扭矩的变化，凭借经验来定性判断掌子面前方的地质类型，进而设置较优的操作参数。

为了量化盾构司机的施工经验，实现对隧道掌子面前方地质条件的实时、定量判断，目前的研究主要利用机器参数基于有监督学习算法建立地质类型预测模型，如支持向量机、K最近邻、随机森林、决策树、深度神经网络和卷积神经网络等。然而，这些有监督学习方法只能利用有限的(隧道沿线钻探点有限)带地质标签的机器数据来建立模型，大量的无地质标签的机器数据被浪费，这不利于提升模型的分类精度和泛化性能。另外，还有部分研究提出采用无监督聚类算法(如k-means算法)建立地质类型识别模型，对所有的机器数据进行无监督聚类，然后对聚出的类打标签，最后用有监督学习算法训练出地质类型识别模型。然而，该方法难以保证聚类的标签能和地质类型标签精确匹配。

公开号为CN104863602A的中国发明专利公开了一种土质盾构隧道施工病害超前预报方法。在盾构机前方设置超前探测装置，利用超前探头可以探测到土层的侧阻力、端阻力及孔隙水压力，以确定土层性质，然后将结果输送到盾构施工控制中心，形成土层分布和性质三维模型，并自动生成更大范围内不断修正的土层分布和性质预测三维模型，由此判断前方土体工程性质，及时修订施工方案和采取安全措施，节省工程成本，保证施工质量、避免发生重大安全事故。该方法可预知施工环境，优化施工方案、采取安全措施，安全、方便、节省材料、可适用于不同性质的土层，是盾构施工中一种准确经济的土质盾构隧道施工病害超前预报方法。

针对上述中的现有技术，发明人认为对于指导盾构施工中，此方法较难实时、准确地评估掌子面前方地质类型，不利于提升模型的分类精度和泛化性能，且难以保证聚类的标签能和地质类型标签精确匹配。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种半监督的盾构隧道掌子面地质类型预估方法及系统。

根据本发明提供的一种半监督的盾构隧道掌子面地质类型预测方法，包括如下步骤：

步骤1：从机器数据中筛选出与地质条件有关的机器参数；

步骤2：对筛选出的机器参数进行预处理；

步骤3：根据预处理后的机器参数构造无标签数据集和带标签数据集；

步骤4：建立预测隧道掌子面地质条件的半监督框架，得到地质特征提取器和特征分类器；

步骤5：利用带约束的DenseNet自编码网络与无标签数据集训练地质特征提取器；

步骤6：利用深度神经网络与带标签数据集训练地质特征分类器，最终实现对掌子面前方地质类型的预测。