基于掘进速度与刀具消耗最优的TBM操作参数优化方法

摘要

本公开提供了一种基于掘进速度与刀具消耗最优的TBM操作参数优化方法，属于隧道掘进机施工技术领域，包括以下步骤：获取岩体参数数据；以获取的岩体参数数据为预设施工成本计算模型的输入，通过插值拟合得到施工成本最小时的刀盘推力和刀盘扭矩；其中，预设施工成本计算模型包括TBM掘进速度预测模型和TBM滚刀寿命预测模型；本公开结合TBM掘进速度预测模型以及滚刀寿命预测模型，建立了TBM主要操作参数与施工成本的关系，从而获得了施工成本最优的主要操作参数。

说明书

技术领域

本公开涉及隧道掘进机施工技术领域，特别涉及一种基于掘进速度与刀具消耗最优的TBM操作参数优化方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

隧道建设在我国公路、铁路、水利水电以及市政基础设施建设中占据重要的地位。隧道全断面岩石掘进机(TBM，Tunnel Boring Machine)因其具有掘进效率高、对围岩扰动小、成洞质量高、安全性好、机械自动化和信息化程度高等特点，在深埋长大隧道建设方面得到了较为广泛的应用。在实际施工中，当TBM遇到软硬交替、高磨蚀性硬岩以及不良地质发育的地层时，常常出现TBM滚刀磨损严重、掘进效率低等问题，导致施工成本剧增甚至发生机器异常损毁等事故。而导致这些问题的主要原因之一在于TBM推力、扭矩等主要操作参数难以及时优化调整以适应掘进面前方的岩体条件变化。而掘进速度和滚刀寿命等参数决定着TBM设备的运行成本及施工效率，是隧道施工效率和效益的重要指标。因此，开展基于掘进速度和刀具消耗最优的TBM主要操作参数的合理优化方法研究，对于破解TBM掘进效率和施工成本难控的关键问题、保障TBM安全高效掘进具有重要的意义。

然而，本公开发明人发现，对于目前TBM主要操作参数的优化方面的研究，具体来说具有以下不足：

(1)岩渣作为TBM岩机相互作用的产物，其对于TBM掘进的具有很重要的指导价值，但岩渣所包含的信息在当前的TBM主要操作参数优化中却没有得到充分的重视和利用；

(2)在刀具消耗研究方面，现有研究更多的是考虑岩体参数对滚刀寿命的影响，很少考虑到TBM是主要操作参数对其的影响；

(3)现有研究中主要以单一TBM主控参数作为优化目标，很少将多个目标参数相结合进行优化，且没有将掘进速度与刀具消耗同时作为约束条件来对TBM主要操作参数进行优化。

发明内容

为了解决现有技术的不足，本公开提供了一种基于掘进速度与刀具消耗最优的TBM操作参数优化方法，结合TBM掘进速度预测模型以及滚刀寿命预测模型，建立了TBM主要操作参数与施工成本的关系，从而获得了施工成本最优的主要操作参数。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种基于掘进速度与刀具消耗最优的TBM操作参数优化方法。

一种基于掘进速度与刀具消耗最优的TBM操作参数优化方法，包括以下步骤：

获取岩体参数数据；

以获取的岩体参数数据为预设施工成本计算模型的输入，通过插值拟合得到施工成本最小时的刀盘推力和刀盘扭矩；

其中，预设施工成本计算模型包括TBM掘进速度预测模型和TBM滚刀寿命预测模型。

作为可能的一些实现方式，所述岩体参数数据包括围岩等级、单轴抗压强度、岩石质量指标、磨蚀性指数、石英含量和岩渣形态。

作为进一步的限定，所述岩渣形态包括岩块、岩片和岩粒，通过四个类别进行标定，具体为：岩粒；岩粒和岩片；岩粒和岩块；岩粒、岩片和岩块。

作为可能的一些实现方式，TBM掘进速度预测模型根据TBM参数数据和岩体参数数据构建，以刀盘推力、刀盘扭矩、单轴抗压强度、围岩等级、岩石质量指标和岩渣形态为输入变量，以TBM掘进速度为输出变量。

作为可能的一些实现方式，TBM滚刀寿命预测模型根据TBM参数数据、滚刀磨损数据和岩体参数数据构建，以刀盘推力、刀盘扭矩、单轴抗压强度、磨蚀性指数、石英含量和岩渣形态为输入变量，以TBM滚刀使用寿命为输出变量。

作为可能的一些实现方式，TBM滚刀使用寿命为TBM的刀盘直径的平方、掘进距离和π三者的乘积与四倍的全部滚刀总磨损量的比值。

作为可能的一些实现方式，预设施工成本计算模型为设备人工物料成本同施工工期的乘积与刀具成本同更换的滚刀总个数的乘积的加和。

其中，施工工期为掘进距离同100的乘积与掘进速度同TBM利用率的乘积的比值，更换的滚刀总个数为TBM的刀盘直径的平方、掘进距离和π三者的乘积与四倍的滚刀寿命同滚刀磨损极限值乘积的比值。

作为可能的一些实现方式，采用模拟退火改进的BP神经网络算法构建TBM掘进速度预测模型和TBM滚刀寿命预测模型，包括以下步骤：

输入数据集并做归一化处理；

由BP神经网络的权值和阈值组成模拟退火算法的一个解，经模拟退火算法搜索后得到一个接近全局最优的权值和阈值组合；

将得到的最优值赋予BP神经网络作为其权值和阈值的初始值；

利用BP神经网络迭代训练，获得全局最优解。

作为可能的一些实现方式，通过插值拟合得到施工成本最小时的刀盘推力和刀盘扭矩，包括以下步骤：

通过对TBM掘进速度预测模型和TBM滚刀寿命预测模型得到的模拟数据进行连续均匀插值，获得足够多的数据散点，建立目标操作参数与施工成本间的非线性关系；

通过使用非线性最小二乘算法，对数据散点进行多项式拟合，得到施工成本与TBM操作参数的显示方程；

通过梯度下降法进行目标操作参数预设区间内的全局搜索，得到优化后的目标操作参数的具体数值。

本公开第二方面提供了一种基于掘进速度与刀具消耗最优的TBM操作参数优化系统。

一种基于掘进速度与刀具消耗最优的TBM操作参数优化系统，包括：

数据获取模块，被配置为：获取岩体参数数据；

参数优化模块，被配置为：以获取的岩体参数数据为预设施工成本计算模型的输入，通过插值拟合得到施工成本最小时的刀盘推力和刀盘扭矩；

其中，预设施工成本计算模型包括TBM掘进速度预测模型和TBM滚刀寿命预测模型。

本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于掘进速度与刀具消耗最优的TBM操作参数优化方法中的步骤。

本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于掘进速度与刀具消耗最优的TBM操作参数优化方法中的步骤。

本公开第五方面提供了一种隧道全断面岩石掘进机，包括本公开第二方面所述的基于掘进速度与刀具消耗最优的TBM操作参数优化系统。

本公开第六方面提供了一种隧道全断面岩石掘进机，包括本公开第三方面所述的计算机可读存储介质。

本公开第七方面提供了一种隧道全断面岩石掘进机，包括本公开第四方面所述的电子设备。

与现有技术相比，本公开的有益效果是：

1、本公开建立了基于掘进速度和滚刀消耗的施工成本计算模型，并结合掘进速度与滚刀寿命预测模型建立了TBM主要操作参数与施工成本的关系，从而获得了基于最优施工成本下的TBM主要操作参数。

2、本公开对岩渣形态进行分类，将其引入掘进速度预测模型和滚刀寿命预测模型的输入变量，综合考虑了岩渣信息、岩体信息和TBM参数信息，提高了模型的精度。

3、滚刀寿命不仅与滚刀置换维修的成本有关，同时影响着TBM有效掘进时间，掘进速度与滚刀寿命共同影响TBM的施工效率，本公开通过分析TBM施工成本组成，提出一种基于工期和刀具磨损的施工成本计算模型，科学合理，考虑全面。

4、本公开在主要操作参数优化时，将离散数据通过拟合表示为显式方程关系，解决了“黑箱”模型难以寻优的问题，可以通过线性搜索方法快速获得最优的主要操作参数；主要操作参数预设区间的设置参考TBM司机在安全掘进下的机器数据，优化得到的参数值将在TBM的功耗允许范围内，且优化后可以提高掘进速度并改善滚刀的磨损，提高总体的施工效率进而降低施工成本。

5、本公开针对TBM施工过程中滚刀消耗严重、掘进效率低下、施工成本难控的问题，提出的TBM主要操作参数优化方法具有提高施工效率、节约施工成本并保障了施工安全的有益效果。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例1提供的基于掘进速度与刀具消耗最优的TBM主要操作参数优化方法的整体流程图。

图2为本公开实施例1提供的基于掘进速度与刀具消耗最优的TBM主要操作参数优化方法的模拟退火改进的BP神经网络算法流程图。

图3为本公开实施例1提供的基于掘进速度与刀具消耗最优的TBM主要操作参数优化方法的主要操作参数优化思路图。

图4为本公开实施例1提供的基于掘进速度与刀具消耗最优的TBM主要操作参数优化方法的实现流程图。

图5为本公开实施例1提供的基于掘进速度与刀具消耗最优的TBM主要操作参数优化方法的推力、扭矩和施工成本的趋势示意图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例1：

正如背景技术所介绍的现有技术中存在的不足，为了解决如上的技术问题，本公开提出了一种基于掘进速度与刀具消耗最优的TBM主要操作参数优化方法，下面结合说明书附图，对本公开做进一步的阐述。

如图1所示，本公开实施例1提供了基于掘进速度与刀具消耗最优的TBM主要操作参数优化方法，包括如下步骤：

获取岩体参数数据；

以获取的岩体参数数据为预设施工成本计算模型的输入，通过插值拟合得到施工成本最小时的刀盘推力和刀盘扭矩；

其中，预设施工成本计算模型包括TBM掘进速度预测模型和TBM滚刀寿命预测模型。

本实施例中，主要的操作参数为刀盘推力和刀盘扭矩。

详细的，包括以下内容：

(1)参数获取。

所需要的相关参数包括TBM参数、岩体参数和滚刀磨损数据。

TBM参数原始数据由掘进机数据平台获得，包括刀盘推力、刀盘扭矩和掘进速度等；

岩体参数原始数据由工程现场和室内实验获得，包括围岩等级、单轴抗压强度、岩石质量指标、磨蚀性指数、石英含量和岩渣形态；

滚刀磨损数据原始数据由工程现场的滚刀磨损记录的日进尺和日磨损量获得，从而得到滚刀寿命。

所述的TBM参数是在施工过程中通过TBM监测系统所采集到的每秒1条组的数据，一天可产生约8万组数据。

所述的围岩等级时通过现场地质勘测报告对每个桩号段围岩情况做出分类，分别为I～V类。

所述的单轴抗压强度，通过在现场钻孔取芯，加工成标准试件后由单轴压缩试验得到，或者通过点荷载实验获得。

所述的岩石质量指标(RQD)计算公式为：

式中，λ为岩芯的节理频数；L为岩芯长度；t为长度阈值。

所述的磨蚀性指数(CAI)计算公式为：

式中，N为测试钢针磨损的直径。

所述的测定石英含量的方法包括但不限于重量法、光度法以及X射线光谱法等，常用的测试方法为重量法。

所述的岩渣形态获取，通过调取TBM尾盾后配套皮带处的监控录像，结合施工日志对岩渣的记录，根据岩渣几何比例将其形态分为岩块、岩片和岩粒，体积大且厚度大的为岩块，体积较大且厚度小的为岩片，其余碎屑状的为岩粒。将其分为4个类别进行标定，分别为：①岩粒；②岩粒和岩片；③岩粒和岩块；④岩粒、岩片和岩块。

所述的滚刀寿命，根据获得的滚刀磨损量数据可以得到，计算公式如下：

式中，E

(2)数据处理。

由掘进机数据平台获得的TBM参数原始数据有100多种属性，数据量大，因此需要对原始数据筛选得到建模所需要的刀盘推力、刀盘扭矩和掘进速度这三个属性参数的有效数据，并筛选TBM参数、岩体参数和滚刀磨损数据相对应的有效数据，建立TBM岩机参数数据库。之后，将数据进行归一化处理，消除量纲和数量级不同带来的影响。将处理后的数据集划分为训练集、验证集和测试集，三部分数据不重叠，可按照常用的比例划分为8:1:1。

(3)TBM掘进速度预测模型和滚刀寿命预测模型的建立。

(3-1)TBM掘进速度预测模型建立。

利用模拟退火改进的BP神经网络算法建立掘进速度预测模型，输入变量为刀盘推力、刀盘扭矩、单轴抗压强度、围岩等级、岩石质量指标、岩渣形态，输出变量为掘进速度。基于训练集对所建立的掘进速度预测模型进行训练学习，之后分别输入验证集和测试集对掘进速度预测模型进行验证和测试。

(3-2)滚刀寿命预测模型的建立。

利用模拟退火改进的BP神经网络算法建立滚刀寿命模型，输入变量为刀盘推力、刀盘扭矩、单轴抗压强度、磨蚀性指数、石英含量、岩渣形态，输出变量为TBM滚刀使用寿命。基于训练集对所建立的滚刀寿命预测模型进行训练学习，之后分别输入验证集和测试集对滚刀寿命预测模型进行验证和测试。

(4)建立基于掘进速度和滚刀消耗的施工成本计算模型。

该施工成本主要考虑施工工期相关成本以及更换磨损滚刀费用。

所述的施工成本计算模型为：

C＝c

式中，C为施工成本；TL为施工工期；n为更换的滚刀总个数；c

所述更换的滚刀总个数n的计算公式为：

式中E

(5)TBM主要操作参数的优化。

结合上述的TBM掘进速度预测模型和滚刀寿命预测模型，以岩体参数作为固定约束的输入，在实际工程中，已建立的施工成本计算模型可由与掘进速度和滚刀寿命的关系转变为与刀盘推力、扭矩的关系。利用插值拟合方法，得到施工成本最小时所对应的TBM推力和扭矩，即为基于掘进速度和刀具消耗最优的TBM主要操作参数优化结果。

所述的模拟退火(SA)改进的BP神经网络算法，如图2所示，传统BP神经网络对权重初始化敏感且容易陷入局部极值，将模拟退火引入后可有效避免权重和阈值在迭代过程中陷入局部极值。

首先输入数据集并做归一化处理；

然后由BP神经网络的权值和阈值组成模拟退火算法的一个解，经模拟退火算法搜索后得到一个接近全局最优的权值和阈值组合；

之后将该最优值赋予BP神经网络作为其权值和阈值的初始值；

最后利用BP神经网络迭代训练，获得全局最优解。从而得到上述的掘进速度和滚刀寿命预测值。

所述的主要操作参数优化思路，如图3所示。

首先，建立了掘进速度与滚刀寿命预测模型；

然后，分析掘进速度与滚刀寿命对施工成本的影响，以二者作为变量，得到施工成本计算模型；

其次，两个预测模型均以TBM参数和相关岩体参数作为输入变量，因此以岩体参数作为固定约束的输入，当输入不同的推力、扭矩值后模型将得到对应的掘进速度和滚刀寿命。

在岩体参数条件一定的情况下，施工成本计算模型可由与掘进速度和滚刀寿命的关系转变为与刀盘推力、扭矩的关系。

所述的一种基于掘进速度与刀具消耗最优的TBM主要操作参数优化方法的实现流程，如图4所示，由于TBM主要操作参数与施工成本间的复杂非线性关系难以使用显性方程来表达，可通过上述所建立的掘进速度预测模型和滚刀寿命预测模型来表征实际数据，则通过这两个模型得到的模拟数据并且连续均匀插值，获得足够多的数据散点，来建立主要操作参数与施工成本间的非线性关系。通过使用非线性最小二乘算法，例如Levenberg-Marquardt、牛顿法、高斯迭代等算法，对数据散点进行多项式拟合，得到施工成本与TBM主要操作参数(推力、扭矩)的显示方程。最后再通过梯度下降法进行主要操作参数预设区间内的全局搜索，从而得到优化的重要操作参数的具体数值。

下面结合某一具体工况进行分析：

以某一实际工况为例，该工程段落长L为30m，围岩等级为III级，单轴抗压强度为76.22MPa，CAI为3.585，RQD为38.82％，石英含量为73.1％，岩渣形态：岩粒和岩片。设备人工物料成本c

通过回归获得III级围岩下的滚刀寿命与利用率的关系式如下：

U(E

得到了利用率之后即可计算得到施工成本C。

该施工段TBM推力范围为[2105.19,9127.08](KN)，扭矩的范围为[222.49,1327.25](KN·m)，在主要操作参数优化模型中将推力的区间预设为[2000,10000]，插值步长为100KN；扭矩区间预设为[200,1500]，插值步长为50KN·m。在预设范围内以指定的步长构造了2187组推力、扭矩参数和对应的施工成本数据，随后需要在预设区间上对推力(Th)、扭矩(Tor)全局进行搜索。

通过Levenberg-Marquardt算法进行拟合实现，将离散的数据点进行显式方程化表示如下：

施工成本离散数据拟合方程系数如表1所示。

表1：施工成本离散数据拟合方程系数。

主要操作参数的具体值可以通过梯度下降法进行全局搜索，推力、扭矩的更新迭代方式为：

α为迭代步长，这里将其设置为0.05。在搜索过程中，推力、扭矩和施工成本的趋势如图5所示。

在该工况下，主要操作参数的优化结果为：最优推力为5837.76KN，最优扭矩为1266.72KN·m，对应的施工成本为9788.65万元。

实施例2：

本公开实施例2提供了一种基于掘进速度与刀具消耗最优的TBM操作参数优化系统，包括：

数据获取模块，被配置为：获取岩体参数数据；

参数优化模块，被配置为：以获取的岩体参数数据为预设施工成本计算模型的输入，通过插值拟合得到施工成本最小时的刀盘推力和刀盘扭矩；

其中，预设施工成本计算模型包括TBM掘进速度预测模型和TBM滚刀寿命预测模型。

所述系统的工作方法与实施例1提供的基于掘进速度与刀具消耗最优的TBM操作参数优化方法相同，这里不再赘述。

实施例3：

本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于掘进速度与刀具消耗最优的TBM操作参数优化方法中的步骤，所述步骤为：

获取岩体参数数据；

以获取的岩体参数数据为预设施工成本计算模型的输入，通过插值拟合得到施工成本最小时的刀盘推力和刀盘扭矩；

其中，预设施工成本计算模型包括TBM掘进速度预测模型和TBM滚刀寿命预测模型。

详细步骤与实施例1提供的基于掘进速度与刀具消耗最优的TBM操作参数优化方法相同，这里不再赘述。

实施例4：

本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于掘进速度与刀具消耗最优的TBM操作参数优化方法中的步骤，所述步骤为：

获取岩体参数数据；

以获取的岩体参数数据为预设施工成本计算模型的输入，通过插值拟合得到施工成本最小时的刀盘推力和刀盘扭矩；

其中，预设施工成本计算模型包括TBM掘进速度预测模型和TBM滚刀寿命预测模型。

详细步骤与实施例1提供的基于掘进速度与刀具消耗最优的TBM操作参数优化方法相同，这里不再赘述。

实施例5：

本公开实施例5提供了一种隧道全断面岩石掘进机，包括本公开实施例2所述的基于掘进速度与刀具消耗最优的TBM操作参数优化系统。

实施例6：

本公开实施例6提供了一种隧道全断面岩石掘进机，包括本公开实施例3所述的计算机可读存储介质。

实施例7：

本公开实施例7提供了一种隧道全断面岩石掘进机，包括本公开实施例4所述的电子设备。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。