一种TBM隧道开挖面状态快速辨识方法与流程

本发明涉及隧道工程，尤其涉及一种基于掘进参数和岩渣识别的tbm隧道开挖面状态快速辨识方法，尤其适用于硬岩隧道施工中的围岩质量评估和掘进优化。

背景技术：

1、隧道掘进机（tbm）在现代隧道工程中广泛应用，其掘进效率和安全取决于对开挖面状态的准确辨识。传统方法主要依赖地质勘探、钻探或人工观察，这些方法耗时长、成本高，且无法实时响应复杂地质变化。现有技术中，一些方法利用tbm掘进参数（如推力、扭矩、转速）或岩渣特征进行围岩评估，但往往忽略多源数据的时空融合，导致辨识精度不足。例如，在高地应力区，围岩不稳定可能引发卡机风险，而单一参数分析难以捕捉动态交互。近年来，研究显示整合掘进参数和岩渣识别可提升预测准确性，但缺乏高效的时空对齐机制来处理时间序列和空间特征的异构性。本发明旨在解决这些问题，提供一种快速、实时的辨识方法。

2、tbm作为一种高效的机械化掘进设备，已在全球众多大型项目中证明其价值，如中国秦岭隧道和瑞士圣哥达隧道。根据国际隧道协会（ita）的数据，tbm可将掘进速度提升至传统方法的5-10倍，但其性能高度依赖于对隧道开挖面的地质状态评估。如果开挖面围岩等级识别不准，可能导致设备卡阻、岩爆或坍塌，造成经济损失和安全隐患。传统地质勘探依赖钻孔取样和人工判别，通常需要几天时间，且在施工中断时进行，无法适应tbm的连续作业模式。在复杂地质如断层带或高水压区，这些方法的风险更高，成本可占项目总费用的10%-20%。

3、现有技术尝试通过tbm掘进参数进行围岩评估。例如，推力（f）和扭矩（t）可反映岩体强度，贯入度（p）和推进速度（r）则指示掘进阻力。一些模型如csm模型基于这些参数预测岩体质量，但忽略了岩渣的直接证据。岩渣分析系统通过机器视觉提取粒径分布（d）、形状因子（s）和颜色（c），可间接推断岩体不连续面和强度。根据研究，在融合掘进参数和岩渣特征后，岩体分类准确率可从单一方法的75%提升至90%以上。然而，这些方法常忽略时空融合：掘进参数是时间序列数据，而岩渣特征是空间分布的，异构性导致数据对齐困难。在高地应力区，围岩应力释放可能引发动态不稳定，单一分析无法捕捉如振动信号或应力变化的交互效应，导致卡机风险增加。文献指出，在此类区域，tbm卡机事件占事故的30%，往往因缺乏实时融合机制。

4、近年来，深度学习和数据融合技术为改进提供了机遇。例如，时空特征融合模型使用卷积神经网络（cnn）提取空间特征，长短时记忆网络（lstm）处理时间序列，通过动态时间规整（dtw）实现对齐。该方法在实测中将预测时间缩短至分钟级，支持tbm参数的自适应调整。但当前研究仍面临挑战：数据噪声、权重主观性和复杂地质下的泛化问题。缺乏高效时空对齐机制，无法处理时间延迟和空间异质性，导致精度不足。

技术实现思路

1、鉴于以上技术问题，本公开提供了一种tbm隧道开挖面状态快速辨识方法，解决了现有技术中数据噪声、权重主观性和复杂地质下的泛化问题。缺乏高效时空对齐机制，无法处理时间延迟和空间异质性，导致精度不足的技术问题。本发明通过建立多源数据库、采用熵权法计算参数权重，并引入时空对齐算法，解决这些问题。该方法不仅提升辨识准确性，还可预测围岩等级，支持掘进效率优化。在实际应用中，如硬岩隧道，可减少施工中断，提升整体效率。

2、根据本公开的一个方面，提供一种tbm隧道开挖面状态快速辨识方法，包括以下步骤：

3、（1）数据采集与数据库建立：建立设备信息样本数据库和岩体信息样本数据库，采集tbm掘进过程中的掘进参数和岩渣特征，掘进参数包括刀盘推力、扭矩、贯入度、推进速度，岩渣特征包括粒径分布、形状、颜色特征，通过图像处理算法提取；

4、（2）上升段岩体参数权重分析：对掘进参数上升段的岩体信息进行分析，使用熵权法计算不同状态下的岩体参数权重，岩体参数权重包括单轴抗压强度、岩体完整性、硬度；

5、（3）稳定段掘进参数优化求解：通过岩-机参数动态交互机制确定收敛条件，利用改进的量子粒子群优化算法求解稳定段掘进参数的最优解；所述收敛条件包括设备结构强度设计、安全设计、质量设计；

6、所述量子粒子群优化算法引入logistic映射公式：

7、；

8、其中，表示第n次迭代的状态值，取值范围在[0,1]之间；是可调函数，通常取值范围在[0,4],用于控制系统的动态行为。

9、（4）多源数据融合与状态辨识预测：采用时空对齐方法融合多源数据，使用动态时间规整算法对齐时间序列数据，并结合空间特征进行特征融合，空间特征包括岩渣图像的几何分布，实现开挖面状态的实时辨识。

10、在本公开的一些实施例中，步骤（2）中所述的熵权法包括如下步骤：

11、（2.1）数据标准化，

12、按下式计算标准化值：；

13、其中，表示第i个样本在第j个指标上的标准化值，表示第i个样本在第j个指标上的原始值，和分别为第j个指标上的最大值和最小值；

14、（2.2）计算比重矩阵，

15、计算每个指标下各样本的比重：

16、；

17、（2.3）计算指标熵值，

18、；

19、若=0，定义为0；

20、（2.4）计算差异系数，

21、差异系数表示指标的信息量：

22、；

23、（2.5）计算第j项指标的熵权，

24、；

25、其中，为最终权重，满足=1。

26、在本公开的一些实施例中，步骤（1）中所述采集tbm掘进过程中的掘进参数和岩渣特征具体包括：通过传感器实时采集刀盘推力f、扭矩t、贯入度p和推进速度r等掘进参数；通过摄像设备捕获岩渣图像，利用图像识别算法提取平均粒径d、形状因子s和颜色分布c；并将数据按掘进循环分为上升段和稳定段进行存储。

27、在本公开的一些实施例中，步骤（2）中所述使用熵权法计算不同设备状态下的岩体参数权重的具体过程包括：对上升段的岩体参数进行标准化处理，计算各参数的信息熵，进而确定单轴抗压强度σc、岩体完整系数kv和硬度的客观权重；

28、；

29、其中，表示单轴抗压强度，为岩体破坏时的最大轴向荷载，a为岩体原始横截面积；

30、；

31、其中，表示岩体完整性系数，表示岩体纵波波速，为同种岩石的岩块纵波波速。

32、在本公开的一些实施例中，步骤（4）中时空对齐与特征融合具体包括如下步骤：时空对齐采用dtw算法对齐掘进参数的时间序列和岩渣特征的空间序列：定义距离矩阵，寻找最小路径累积距离，实现时间对齐；同时，空间对齐通过卷积神经网络cnn提取岩渣图像的空间特征，并与参数序列融合，形成时空特征向量，融合后输入长短时记忆网络lstm模型进行预测。

33、在本公开的一些实施例中，步骤（4）中状态辨识具体包括如下步骤：基于融合特征，使用bp神经网络识别围岩等级i-v级；同时，应用改进qpso算法优化稳定段参数：初始化粒子群，引入混沌搜索和邻域变异，提升全局搜索能力；最终输出开挖面状态，包括岩体质量指标，并预测掘进效率。

34、本发明的有益效果在于：

35、方法的核心创新在于时空对齐的引入，可处理数据的时间延迟和空间异质性，提高辨识速度和准确性。相比现有方法，本发明可将辨识时间缩短至分钟级，并支持tbm参数的自适应优化。

36、多源数据融合，辨识精度高：本发明融合了掘进参数与岩渣特征，并采用dtw算法和cnn网络实现时空对齐，充分利用了tbm掘进过程中的多源信息，显著提高了开挖面状态辨识的准确率。实际测试表明，该方法在长距离硬岩隧洞工程中的辨识准确率可达90%以上，优于传统单一参数辨识方法。

37、分阶段分析，机理清晰：将掘进循环划分为上升段和稳定段分别处理。上升段采用熵权法客观确定岩体参数权重，为后续优化提供可靠的岩体信息基础；稳定段则通过改进的量子粒子群算法寻优，使优化过程更符合tbm掘进的实际物理过程。

38、算法创新，寻优能力强：在量子粒子群优化算法中引入混沌搜索和邻域变异机制，有效避免了传统算法易陷入局部最优的缺陷，增强了全局搜索能力和收敛速度，能够快速求解出稳定段的最优掘进参数。

39、实时性与实用性兼具：通过时空对齐与融合，结合lstm/b p神经网络模型，实现了对开挖面状态的实时辨识与围岩等级快速分级，并能够预测掘进效率。最终建立的最佳掘进公式可直接用于现场施工指导，具有重要的工程应用价值。

40、鲁棒性好：针对实际工程中数据噪声问题，可引入滤波算法进行预处理，增强了方法的鲁棒性和适应性，适用于复杂地质条件下的tbm施工。