一种超大直径TBM掘进控制参数实时预测方法与流程

本发明涉及隧道掘进机施工，具体为一种超大直径tbm掘进控制参数实时预测方法。

背景技术：

1、超大直径tbm在掘进过程中需根据围岩条件实时调整刀盘扭矩、推力和贯入度等控制参数，以保障掘进效率和设备安全。现有的掘进控制参数预测方法多依赖操作人员经验或基于固定地质条件下的经验模型，难以在围岩强度、完整性动态变化的长距离隧道中保持准确预测。部分数据驱动方法利用历史掘进数据训练深度神经网络，但仅以掘进机运行参数作为输入，忽略了对前方岩体特性的利用，导致在围岩过渡段或异常地质体附近预测偏差急剧增大。

2、现有技术方案存在两方面缺陷。一方面，超前地质预报获取的岩体完整性系数和单轴抗压强度信息，通常仅作为辅助参考，未能在预测模型中与掘进状态参数深度融合，模型无法根据不同的围岩等级自适应地调节内部特征表达。当围岩条件发生较大变化时，单一固定的网络参数难以表征不同围岩等级下掘进参数之间的差异化映射关系，造成预测结果滞后或失准。另一方面，为实现模型在掘进过程中的持续优化，常规的在线更新方式需对网络全部连接权重进行完整反向传播，计算开销大，难以在tbm实时控制周期内完成。同时，将所有参数不加区分地更新易引入与当前地质条件无关的历史模式扰动，降低模型的稳定性和泛化能力。如何使预测模型动态适应变化的围岩条件，并以轻量化方式完成模型在线进化，是亟待解决的问题。

技术实现思路

1、本发明提供一种超大直径tbm掘进控制参数实时预测方法，旨在实现掘进控制参数对前方围岩条件的自适应预测，并在获取实际参数后以低计算代价完成模型增量式更新，使预测模型在复杂多变地质环境中保持高精度和实时性。

2、为了实现上述目的，本发明提供如下技术方案：本发明提供一种超大直径tbm掘进控制参数实时预测方法，所述方法包括以下内容。

3、获取当前掘进循环的刀盘扭矩、推力、贯入度、转速以及通过超前地质预报获得的前方岩体完整性系数和单轴抗压强度，构建实时掘进状态向量。优选的，对超前地质预报获得的岩体完整性系数和单轴抗压强度序列进行卡尔曼滤波，融合当前实测随钻参数，输出滤波后的岩体完整性系数和单轴抗压强度，与刀盘扭矩、推力、贯入度、转速共同构成实时掘进状态向量，从而剔除地质预报中的观测噪声，提高状态向量的可靠性。

4、将所述实时掘进状态向量输入时序特征提取网络，生成包含历史掘进模式的特征编码。作为本发明的一个技术方案，所述时序特征提取网络由时域卷积模块和双向门控循环单元串联构成。时域卷积模块采用多尺度一维卷积核提取不同时间跨度的局部掘进模式，多尺度一维卷积核包括长度为三、五、七的一维卷积核，各卷积核并行处理输入序列，输出经批归一化和激活函数后通过拼接操作融合，形成多尺度局部特征表示，由此捕获掘进参数在不同时间尺度上的变化规律。双向门控循环单元对卷积输出序列进行编码，生成同时包含前向和后向时序依赖关系的特征编码，使网络充分理解掘进过程的动态演化特性。

5、依据所述实时掘进状态向量中的岩体完整性系数和单轴抗压强度，通过门控分级单元生成对应围岩等级的权重向量，利用所述权重向量对所述特征编码加权，获得围岩自适应特征。门控分级单元内部包含围岩等级推理层和权重生成层，围岩等级推理层将岩体完整性系数和单轴抗压强度分别输入各自的隶属度函数，得到对每个预设围岩等级的隶属度，通过模糊与算子计算各规则的激活强度，再经加权平均去模糊化生成围岩等级置信度向量；权重生成层以所述围岩等级置信度向量为输入，通过可学习的多层感知机产生对应围岩等级的权重向量。该方式利用地质信息动态调节时序特征的重要性，使模型能够根据围岩条件自主聚焦关键历史模式。

6、将所述围岩自适应特征输入多输出预测头，同步输出下一时间步的刀盘扭矩预测值、推力预测值和贯入度预测值。多输出预测头包含共享全连接层和三个并行的分支全连接层，共享全连接层对围岩自适应特征进行非线性变换得到共享特征，三个分支全连接层分别以共享特征为输入，输出刀盘扭矩预测值、推力预测值和贯入度预测值。这种共享与分支结合的结构能够同时预测多个掘进参数，既保留参数间的耦合关系，又兼顾各自的特异性。

7、当获取到当前循环的实际掘进参数后，基于预测残差，采用增量式参数更新规则，仅更新所述时序特征提取网络和所述门控分级单元中与残差传播相关的部分连接权重。具体为，计算刀盘扭矩预测值、推力预测值和贯入度预测值与对应实际值之间的残差向量，利用该残差向量对时序特征提取网络和门控分级单元进行反向传播，计算各层连接权重的梯度；根据预设的梯度阈值，将梯度幅值低于梯度阈值的连接权重置零，仅保留并更新梯度幅值高于梯度阈值的连接权重。优选的，在每次反向传播后计算每个连接权重的梯度绝对值，将梯度绝对值小于自适应阈值的权重标记为冻结，不参与本次参数更新，其中所述自适应阈值取当前层梯度绝对值的标准差。该更新策略只对误差传播路径上贡献较大的关键连接进行修正，在保持模型对历史数据记忆能力的同时，显著降低在线学习的计算开销，实现模型在复杂地质条件下的快速自适应调整。

8、作为本发明的一个技术方案，所述时序特征提取网络的参数通过以下方式获得：利用历史掘进循环数据，以自监督对比学习方式进行预训练，其中正样本对为相邻掘进循环的特征编码，负样本对为时间间隔大于预设阈值的掘进循环的特征编码，采用对比损失函数更新时域卷积模块和双向门控循环单元的参数。通过对比学习预训练，模型能够从大量无标签掘进数据中抽取具有时序一致性的掘进状态表征，为后续的实时预测和增量更新提供良好的初始化基础。

9、上述方法将围岩条件推理、多尺度时序编码、多任务同步预测以及稀疏增量更新有机融合，能够随着掘进进程持续、可靠地预测超大直径tbm的关键控制参数，对岩体变化响应及时，且具备较低的计算资源消耗，有利于在隧道现场环境下的在线部署。

10、在上述技术方案中，本发明提供的技术效果和优点：

11、通过门控分级单元依据前方岩体完整性系数和单轴抗压强度生成对应围岩等级的权重向量，并利用该权重向量对时序特征提取网络输出的特征编码进行加权，得到围岩自适应特征。门控分级单元内部包含围岩等级推理层和权重生成层，围岩等级推理层采用模糊推理规则将岩体参数映射为围岩等级置信度向量，再由可学习的多层感知机产生权重向量。这一结构使得同一时序特征编码在不同围岩条件下能够产生不同的特征激活模式，扭矩、推力和贯入度的预测函数随围岩等级动态变化，在软硬岩交替或破碎带区域仍能保持较低的预测误差。

12、采用基于预测残差的增量式参数更新规则，仅更新时序特征提取网络和门控分级单元中与残差传播相关的部分连接权重。在获取当前循环的实际掘进参数后，计算各预测值的残差向量并进行反向传播，根据预设的梯度阈值将低于阈值的权重梯度置零，仅对高于阈值的连接权重执行更新。通过以当前层梯度绝对值的标准差作为自适应阈值，可自动识别出对降低预测残差贡献显著的连接，冻结其余无关权重。该方式无需完整遍历全部网络参数，单次更新计算量大幅降低，能够在两个掘进循环之间的时间间隔内完成，且未引入与当前地质环境无关的梯度噪声，模型在连续掘进过程中参数演变平稳，长期预测稳定性得到改善。多输出预测头同步给出扭矩、推力和贯入度三个参数的预测值，共享围岩自适应特征表示，进一步减少了冗余计算。