[发明专利]TBM利用率预测的A-CNN方法及系统

说明书

本发明提供了一种TBM利用率预测的A‑CNN方法及系统，包括如下步骤：数据集构建步骤：构建数据集；网络架构步骤：建立A‑CNN神经网络架构；模型建立步骤：利用A‑CNN神经网络架构与数据集建立TBM利用率预测模型，利用建立的TBM利用率预测模型预测TBM在掘进环的利用率，为所述掘进环的后续施工提供指导。本发明针对TBM每环利用率实时预测设计新的A‑CNN神经网络架构，它能实现在较小的输入维度下利用卷积神经网络模块提取输入中更深层次的特征，并最终利用全连接网络建立提取的特征与利用率之间的回归模型，相比于目前该领域建模常用的多元回归方法或者传统的机器学习算法，具有更高的预测精度。

技术领域

本发明涉及TBM隧道利用率预测的技术领域，具体地，涉及一种TBM利用率预测的A-CNN方法及系统。

背景技术

TBM法开挖隧道具有开挖速度快、施工质量高、劳动力成本低、对周围环境影响小等优点，因而在城市地铁修建、铁/公路隧道开挖、矿山开采等中获得越来越多的应用。TBM有四个性能参数，分别是净掘进速度(PR)、利用率(U)、施工进度(AR)和刀具寿命。净掘进速度表示机器处于掘进状态时的推进速度，利用率表示盾构掘进时间与总当班时间的百分比，施工进度为净掘进速度与利用率的乘积，滚刀寿命表示单把刀开挖的岩土体积或开挖距离。当前，对TBM性能参数预测的研究主要集中在净掘进速度预测和刀具磨损评估上，对利用率的关注相对较少。实际上，如果利用率评估不够准确，哪怕净掘进速度预测的再准确，我们也无法得到一个准确的施工进度预测值。因此，准确预测TBM的利用率具有十分重要的意义。

TBM利用率的影响因素众多，包括地质条件、司机操作、现场施工管理水平、备件供应、渣土输送、设备维修保养等，这给准确预测带来很大的挑战，其中地质条件和操作参数是两个重要的影响因素。国内外研究人员一般通过将TBM的停机时间分配成不同的活动来评估利用率，经典的模型有CSM模型和NTNU模型，主要是建立各种活动的影响因素与利用率之间的映射模型或者图、表等。然而，现有的研究一般在隧道开挖前对整个隧道的利用率进行预测或估算，为机械选型、工期评估和施工管理优化提供指导。另外，它们常用的建模方法一般是简单的多元回归或者传统的机器学习方法，预测精度往往不高。

公开号为CN111582564A的中国专利文献公开了一种TBM岩体条件相关利用率的预测方法，该预测方法包括以下步骤：确定TBM岩体条件相关利用率的概念及计算模型；构建TBM预测分析数据库；分析不同岩性岩石在不同干湿状态下CAI值的影响机制；确定岩体分级系统RMR值、岩石耐磨性CAI与TBM岩体条件相关利用率之间的相关关系；建立TBM岩体条件相关利用率的预测模型；通过TBM岩体条件相关利用率预测值与实测值对比分析，寻求掘进过程中参数最优化安排。

针对上述中的相关技术，发明人认为上述常用的建模方法一般是简单的多元回归或者传统的机器学习方法，预测精度往往不高。

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TBM利用率预测的A-CNN方法及系统。

根据本发明提供的一种TBM利用率预测的A-CNN方法，包括如下步骤：

数据集构建步骤：构建数据集；

网络架构步骤：建立A-CNN神经网络架构；

模型建立步骤：利用A-CNN神经网络架构与数据集建立TBM利用率预测模型；利用建立的TBM利用率预测模型预测TBM在掘进环的利用率，为所述掘进环的后续施工提供指导。

优选的，该方法还包括预处理步骤和利用率获取步骤；

所述预处理步骤：采集机器运行数据，从机器运行数据中筛选出载荷参数和操作参数，并对筛选出的载荷参数和操作参数进行预处理；

所述利用率获取步骤：统计并计算各掘进环净掘进时间与总掘进时间的比值，得到每个掘进环的利用率；