[发明专利]一种盾构运动轨迹的智能化实时确定方法、终端和介质

说明书

本发明公开一种盾构运动轨迹的智能化实时确定方法、终端和介质，包括：收集水文地质参数；收集隧道盾构施工中盾构操作参数，并对盾构操作参数进行离散小波变换处理；将水文地质参数及盾构操作参数作为数据集，将数据集划分为训练集和测试集；建立长短期记忆神经网络，在长短期记忆神经网络中输入训练集进行训练，当测试集达到精度标准时结束训练并保存长短期记忆神经网络，用于盾构运动轨迹确定。本发明实现了盾构姿态及盾构机位置偏移情况的高精度、高效率预测，通过实时调控偏移进而实现了盾构机运动轨迹的精准控制。

技术领域

本发明属于地铁盾构施工领域，具体地，涉及一种盾构运动轨迹的智能化实时确定方法、终端和介质。

背景技术

随着城市化进程的推进，盾构施工已成为隧道及基础设施建设中最常用的施工方法之一。盾构施工是指盾构机按照隧道设计轴线在地面下开挖土体、运出渣土、拼装管片的机械化施工过程。盾构机的运动轨迹一般由盾构机姿态及位置决定，若盾构机运动轨迹偏离设计轴线，会导致开挖路线被改变，进而影响后续管片拼装操作及拼装质量，也可能造成隧道内渗水、地面过大沉降或隆起等工程问题。因此，盾构机运动轨迹的精准控制对隧道施工质量有重要影响。但是通常情况下，由于复杂的地质构成、盾构部件间的摩擦阻力以及盾构操作过程的偏差，盾构机运动轨迹难免会与设计轴线出现偏差，如何实时监控并调整偏差对运动轨迹的精准控制有着重要的意义。目前，在实际工程中，多采用反馈技术来控制盾构机运动轨迹，但基于反馈的控制是在监测出盾构机运动轨迹偏离后才开始调整的，具有一定的延时性，可能会造成意外的施工风险。因此，需要对运动轨迹进行超前预测，即时调整盾构机姿态和位置，避免出现严重的轨迹偏差和蛇形运动。现有研究大多采用神经网络、模糊逻辑等传统机器学习方法来预测并调节隧道运动轨迹。然而，当遇到动态和非线性时间序列数据时，网络的精度仍然不能令人满意。随着深度神经网络的发展，如长短期记忆(LSTM)神经网络，因其对时间序列数据的良好处理能力而表现出了优异的性能。另一方面，现有的大部分盾构运动轨迹确定方法中并未考虑盾构周围复杂的地质环境，在本发明数据处理中采用克里金插值法，一种针对区域化变量的基于概率的局部空间插值法，来确定钻孔之间的地层分布情况及地层物理力学性质，以解决钻探得到的地质参数空间不连续的问题。

经对现有的技术文献的检索发现，申请专利号为：201910364559.5，公开号为：CN110195592A，专利名称为：基于混合深度学习的盾构掘进位姿智能预测方法及系统，该专利自述为“基于混合深度学习的模型WCNN-LSTM进行训练，建立给定的输入变量与位姿输出变量的对应关系，从而能够根据各时刻获取的输入变量预测盾构机的位姿变化趋势及结果，从而有利于对盾构位姿进行早期预测及干预，提升盾构施工质量”。该专利虽然能够在一定程度上提升盾构位姿控制的精度及时效，但是对于盾头水平偏差、盾头垂直偏差、盾尾水平偏差、盾尾垂直偏差的预测精度仅有50％，并且没有对结果优化，结果不是最优化解。同时预测模型未考虑隧道水文地质参数，不能反映出地质参数对运动轨迹的影响。

发明内容

为了克服了现有技术中预测精度较低、未考虑地质参数等缺陷，本发明提供一种盾构运动轨迹的智能化实时确定方法、终端和介质。

本发明的第一方面，提供一种盾构运动轨迹的智能化实时确定方法，包括：

S100,收集水文地质参数，包括：通过隧道沿线地质勘察确定每个钻探孔地层分布以及工程地质的水文地质参数，并进一步采用克里金插值法确定钻孔之间未探测到的区域的地层分布及工程地质的水文地质参数；

S200,收集隧道盾构施工中盾构操作参数，并对盾构操作参数进行离散小波变换处理；

S300,将克里金插值后的水文地质参数及离散小波变换处理后的盾构操作参数作为数据集，将数据集划分为训练集和测试集；

S400,建立长短期记忆神经网络，在长短期记忆神经网络中输入训练集进行训练，当测试集达到精度标准时结束训练并保存长短期记忆神经网络，用于盾构运动轨迹确定。