[发明专利]掘进速度的预测模型建立方法、预测方法及装置

说明书

本发明提供一种掘进速度的预测模型建立方法、预测方法及装置，包括：获取不同围岩的属性参数，对多个围岩的属性参数进行聚类处理得到多个聚类结果；基于所述多个聚类结果建立经验公式，基于围岩的属性参数对所述经验公式进行训练，得到回归公式；对所述回归公式进行处理，得到标准的线性回归模型。能够在保障隧道正常施工的前提下，通过人工智能技术进行TBM掘进速度的预测，得到更加贴合实际施工地质条件的掘进速度，进而有效指导TBM的正常掘进，缩短施工工期。

技术领域

本发明涉及土木工程及人工智能技术领域，尤其涉及一种基于数据挖掘的掘进速度预测模型建立方法、预测方法及装置。

背景技术

随着信息化的推动和智能化设备的发展，TBM隧道掘进施工的机械化施工效率较高，使得施工成本也较高。虽然成本较高，但为提高TBM隧道施工技术的高度应用性而被广泛采用，为了有效降低施工成本，TBM的综合性能亟需得到提高。

其中TBM隧道的施工效率和建设成本受岩石参数、掘进参数和TBM设计等因素的影响，尤其是TBM掘进速度是施工工期主要影响因素，其对TBM隧道开挖效率的影响不容忽视，因此亟需一种技术，能够根据地质条件的不同来较为准确预测掘进速度。

发明内容

本发明实施例提供一种掘进速度的预测模型建立方法、预测方法及装置，能够较为准确的预测掘进速度，降低施工成本，提高TBM的综合性能。

本发明实施例的第一方面，提供一种掘进速度预测模型建立方法，包括：

获取不同围岩的属性参数，对多个围岩的属性参数进行聚类处理得到多个聚类结果；

基于所述多个聚类结果建立经验公式，基于围岩的属性参数对所述经验公式进行训练，得到回归公式；

对所述回归公式进行处理，得到标准的线性回归模型。

可选地，在第一方面的一种可能实现方式中，所述聚类结果包括多个数据簇；

所述对多个围岩的属性参数进行聚类处理得到多个聚类结果包括：

基于k-means算法对不同围岩的属性参数进行分类，其中属性参数包括围岩单轴抗压强度信息、地层破碎程度信息以及石英含量信息中的任意一种或多种。

可选地，在第一方面的一种可能实现方式中，还包括：

预先建立样本集D＝{x₁,x₂,…,x_m}，x_m为一个样本点；

从围岩的属性参数中随机选择k个样本作为初始的k个质心向量{μ₁,μ₂,…,μ_k}；

对于i＝1,2,…,m，通过以下公式计算样本点与各质心向量间的距离：

d_ik＝‖x_i–μ_k‖2 2

其中，d_ik为各样本点与相应质心向量间的距离，x_i为样本i坐标向量，μ_k为各数据簇的质心向量；

记录各样本点x_i与各质心向量计算间距的d_ik，取其中最小值所对应的质心向量序数记为λ_i，通过前述过程划分得到初始化的数据簇分配：

y_λi＝{x_d1kmin,x_d2kmin,x_d3kmin,…,x_dkkmin}