一种基于多源数据智能分级评估的TBM卡机预测方法

摘要: 本发明涉及隧道掘进机施工安全预警,具体涉及一种对掌子面图像、岩碴图像和掘进参数分别进行物理机制驱动的智能评估,再基于注意力机制融合三者结果进行tbm卡机风险分级...
一种基于多源数据智能分级评估的TBM卡机预测方法

本发明涉及隧道掘进机施工安全预警,具体涉及一种对掌子面图像、岩碴图像和掘进参数分别进行物理机制驱动的智能评估,再基于注意力机制融合三者结果进行tbm卡机风险分级预测的方法。

背景技术:

1、全断面隧道掘进机(tbm)因其高效、安全、环保等优势,已成为深埋长隧道施工的核心装备。然而,在穿越断层破碎带、软岩大变形、高地应力等复杂地质条件时,tbm频繁发生刀盘卡机或护盾卡机事故,导致工期延误、成本剧增,甚至引发安全事故。因此,准确、超前地预测卡机风险,对保障施工安全与进度具有重要意义。

2、目前,tbm卡机风险预警方法主要分为三类。第一类是数值模拟方法,其通过建立岩-机相互作用模型,分析围岩变形、护盾摩擦等力学过程,进而预测卡机可能性。该方法计算复杂、参数获取困难,且难以实时响应施工过程中的动态变化。第二类是基于监测数据的机器学习方法,该方法利用tbm掘进过程中实时采集的推力、扭矩、速度、贯入度等参数,结合分类或回归模型进行卡机风险判别。此方法仅依赖单一的掘进参数,信息源不完整,预警准确率低。第三类是根据专家经验与历史案例的定性评估方法,此方法通过总结以往卡机案例,形成经验规则指导现场。这类方法的知识表达多为非结构化形式,主观性强,难以适应复杂多变的地质条件。

3、此外,现有方法普遍存在三个共性问题:数据源单一,无法有效关联“前方围岩状态、岩碴破碎产物、机械响应异常”三者之间的因果链条;预警缺乏超前性,多数方法在参数超限或图像出现明显异常时才触发警报;输出缺乏可解释性,无法说明预警是由围岩失稳主导还是掘进参数异常主导,难以指导现场采取针对性处置措施。现有技术中虽有部分方法融合了图像与参数数据,但其融合方式多为早期的直接拼接或后期分数融合,中间过程缺乏物理锚点,输出有待验证。

4、因此,亟需发展一种能够融合多源数据、具备可解释性、实现实时分级预警的tbm卡机风险智能预测方法,以弥补现有技术的不足。

技术实现思路

1、为解决上述问题,本技术提供一种基于多源数据智能分级评估的tbm卡机预测方法,通过构建分级解耦的智能评估网络,将掌子面图像、岩碴图像、掘进参数等多源异构数据转化为统一的风险指数,再利用多头自注意力融合网络进行综合评判,显著提升tbm卡机预测的准确性、超前性和可解释性。

2、本发明实施例第一方面提供了一种基于多源数据智能分级评估的tbm卡机预测方法,包括:

3、获取掌子面图像、岩碴图像和掘进参数序列数据并进行数据预处理,得到预处理后的掌子面图像、预处理后的岩碴图像和预处理后的掘进参数序列数据;将所述预处理后的掌子面图像送入围岩结构智能评估网络,得到掌子面稳定性指数及掌子面信息融合特征向量;将所述预处理后的岩碴图像送入岩碴特征智能评估网络,得到岩碴劣化指数及岩碴信息融合特征向量;将所述预处理后的掘进参数序列数据送入掘进状态智能评估网络,得到掘进异常指数及掘进状态信息融合特征向量;将所述掌子面稳定性指数与所述掌子面信息融合特征向量拼接并投影至指定维度得到第一投影向量,所述岩碴劣化指数与所述岩碴信息融合特征向量拼接并投影至指定维度得到第二投影向量,所述掘进异常指数与所述掘进状态信息融合特征向量拼接并投影至指定维度第得到投影向量,将所述第一投影向量、所述第二投影向量和所述第三投影向量送入基于多头自注意力机制的编码器模块,生成融合判别特征向量;将所述融合判别特征向量输入至多任务预测输出层,得到预测卡机概率与卡机剩余距离;基于所述卡机概率并结合所述掌子面稳定性指数、所述岩碴劣化指数和所述掘进异常指数,进行卡机概率分级预警,得出预警信息并展示三个指数对卡机概率的贡献,并通过上述数据,分析导致卡机的实际原因。

4、进一步地,所述围岩结构智能评估网络包含:

5、语义分割子网络:对所述掌子面图像的节理和破碎区进行像素级分割,得到掌子面特征向量和掌子面图像分割掩膜;物理指标计算模块:基于所述掌子面图像分割掩膜统计掌子面物理指标;多层感知机:融合所述掌子面特征向量与所述掌子面物理指标,输出掌子面稳定性指数。

6、进一步地,所述掌子面物理指标为节理密度、掩体破碎度指数和完整性系数。

7、进一步地,所述岩碴特征智能评估网络包括:

8、多任务卷积神经网络:对所述岩碴图像进行特征提取,得到岩碴图像特征图像;粒径回归任务头:获取所述岩碴图像特征图像的粒径级配特征,得到岩碴粒径信息;形状分类任务头:对所述岩碴图像特征图像进行分类,得到岩碴形状信息;纹理特征任务头:获取所述岩碴图像特征图像的纹理特征,得到岩碴纹理特征信息;多层感知机,用于将三个任务头得到的特征信息进行特征融合,输出岩碴劣化指数。

9、进一步地,所述岩碴粒径信息为有效粒径d10、中值粒径d30、限定粒径d60、不均匀系数和曲率系数;所述形状信息为块状、片状、针状。

10、进一步地,所述掘进状态智能评估网络包括:

11、长短期记忆网络和注意力机制的时序预测模型:利用所述掘进参数序列进行预测,得到对应的预测掘进参数;特征提取模块,对所述掘进参数序列提取特征,得到对应复合指标特征;多层感知机,用于融合所述预测掘进参数和所述复合指标特征,输出掘进异常指数。

12、进一步地,所述复合指标特征为扭矩波动指数、贯入度变异系数和比能变化率。

13、进一步地,所述预测卡机概率损失函数为focal loss,所述卡机剩余距离损失函数为huber loss,总损失为两者加权和;

14、其中focal loss公式为:

15、

16、其中为focal loss损失值,为模型对真实类别的预测概率,为聚焦参数;

17、其中huber loss公式为:

18、

19、其中为huber loss损失值,为真实卡机剩余距离,为预测的卡机剩余距离,为可接受误差阈值。

20、其中总损失函数为:

21、

22、

23、其中和为两个损失函数的系数。

24、进一步地,在所述第一投影向量、所述第二投影向量和所述第三投影向量送入基于多头自注意力机制的编码器模块,生成融合判别特征向量的步骤中,

25、所述多头自注意力机制的编码器模块,用于将所述第一投影向量、所述第二投影向量和所述第三投影向量进行特征拼接并重塑为三个头特征及对应的特征向量;

26、每个所述头特征及对应的特征向量进行缩放点积后经softmax归一化后作为权重进行加权求和,得到每个特征头对应的加权向量;

27、将所述每个特征头对应的加权向量通过多头拼接和线性投影,生成融合判别特征向量。

28、所述归一化还被配置得出所述掌子面稳定性指数、所述岩碴劣化指数和所述掘进异常指数在卡机概率上的贡献百分比,其公式为:

29、

30、其中为模态m的三个所述指数的贡献百分比,为第k个注意力头中模态m的注意力权重,为掌子面稳定性指数,为岩碴劣化指数,为掘进异常指数。

31、进一步地,在卡机事件发生时,还被配置为提供在线增量学习环节,截取发生卡机事件时的所述掌子面图像、岩碴图像和掘进参数序列数据,采用分层微调策略,对所述多头自注意力机制的编码器模块和多任务预测输出层内参数进行微调;

32、所述分层微调策略为冻结所述围岩结构智能评估网络、所述岩碴特征智能评估网络和所述掘进状态智能评估网络参数,对所述多头自注意力机制的编码器模块和所述多任务预测输出层进行小批量梯度更新,并将新事件数据和历史采样数据按指定比例混合训练,防止灾难性遗忘。

33、本技术中提出了一种基于多源数据智能分级评估的tbm卡机预测方法。具体而言,其有益效果为:

34、1、通过构建分级解耦的智能评估网络,将掌子面图像、岩碴图像和掘进参数三类多源异构数据分别转化为具有明确工程物理意义的中间指数:掌子面稳定性指数、岩碴劣化指数和掘进异常指数。三项指数各自对应tbm卡机事故演化链条中的一个独立环节,可在融合预测之前独立输出、独立验证、独立指导工程实践,从根本上克服了现有端到端黑箱模型中间过程不可追溯、不可解释的缺陷,使预警结果具备工程可验证性和操作指导性。

35、2、能够以百分比形式量化展示三项指数对最终卡机概率的贡献,生成包含“主因+辅因”的完整预警信息。同时,当单项指数异常但卡机概率尚低时,系统仍输出独立预警提示,使预警输出具备完整的可解释性和精准的处置指导性,显著提升了现场决策效率和资源利用率。

36、3、预警超前性强,结合图像的前瞻性和参数的趋势预测能力,实现了对卡机风险的超前识别,而非仅能在发生卡机时发出警报,为现场预留了充足的处置时间。能够保证预测的准确率,有较强的泛化能力。其采用基于多头自注意力的多模态融合,能自动学习不同地质条件下各数据源的最优权重,相比单一数据源方法,其融合预测准确率显著提升,且对不同地质条件的适应性更强。