Тоннелепроходческие машины (ТПМК) имеют решающее значение для эффективного строительства глубоких и длинных туннелей, обеспечивая такие преимущества, как экономичность, снижение воздействия на окружающую среду и улучшенный контроль устойчивости. Однако адаптация параметров проходки тоннеля к изменяющимся геологическим условиям сопряжена со значительными трудностями. Своевременное восприятие состояния горного массива является важным, но сложным методом, что подчеркивает необходимость в передовых моделях прогнозирования в режиме реального времени.

Ограничения традиционных методов

Традиционные методы, такие как усовершенствованное бурение и георадар, хотя и точны, требуют остановки операций ТПМК для сбора данных. Это приводит к задержкам и препятствует динамической корректировке параметров туннелирования, что делает методы прогнозирования в реальном времени необходимыми.

Достижения в области интеллектуального анализа данных и машинного обучения
Последние разработки в области машинного обучения (ML) и интеллектуального анализа данных (DM) предоставляют многообещающие решения для прогнозирования в реальном времени. Эти технологии могут анализировать огромные объемы данных, собранных ТПМК в режиме реального времени, чтобы выявить взаимосвязь между параметрами проходки тоннеля и условиями горной породы. Однако многие существующие модели полагаются на предварительно размеченные категории массива горных пород, что может повлиять на точность прогнозирования.
.

Предлагаемый метод: восприятие взаимной обратной связи ТБМ-камень
Чтобы устранить эти ограничения, мы предлагаем метод восприятия взаимной обратной связи ТПМК и породы с использованием методов интеллектуального анализа данных. Этот подход сочетает в себе спектральную кластеризацию (SC) и глубокие нейронные сети (DNN) для непрерывного прогнозирования состояния массива горных пород в режиме реального времени, облегчая динамическую корректировку параметров туннелирования.

Платформа интеллектуального анализа данных

Предварительная обработка данных: выбор релевантных признаков и подготовка данных.
Обучение без учителя: использование SC для кластеризации данных туннелирования и определения классов горной массы без предварительных меток.
Контролируемое обучение: Разработка модели DNN для классификации массива горных пород с использованием меток, полученных в результате кластеризации.
Спектральная кластеризация (SC): группирует сходные условия горной породы путем анализа взаимосвязей аффинитет-несходство, эффективно обрабатывая данные многомерных нелинейных ТПМК.

Глубокая нейронная сеть (DNN): обучена на кластерных данных для точного прогнозирования состояния массива горных пород, динамически обновляется на основе данных в режиме реального времени для своевременной корректировки.

Валидация и результаты
Метод был проверен с использованием данных из водопроводного тоннеля реки Сунгари, включающих 10 807 циклов проходки. Основные выводы включают в себя:

Эффективность кластеризации: SC классифицировала условия горной массы на четыре отдельные категории на основе индекса переносимости и параметров проходки тоннеля.

Точность прогнозирования: модель DNN превзошла традиционные методы машинного обучения в прогнозировании состояния горной породы.
Динамическая настройка: Автоматическая идентификация состояния горной массы позволила регулировать параметры ТПМК в режиме реального времени, повышая эффективность и безопасность.
Метод восприятия ТПМК и породы с взаимной обратной связью знаменует собой значительный прогресс в прогнозировании состояния массива горных пород в режиме реального времени