一种基于盾构掘进参数的地质识别方法与流程

1.本发明涉及盾构施工技术领域，特别是一种基于盾构掘进参数的地质识别方法。


背景技术：

2.盾构机在单一地层掘进时，掘进参数相对稳定，技术比较成熟。但随着盾构法在各城市地铁建设中的应用，在复合地层施工中经常遇到上软下硬、孤石、硬岩等不良地质，土压平衡盾构机组并不完全适应这种复合地层施工，主要面临掘进速度慢、工效低、主传动系统主要零部件强度损坏等问题，严重情况下还会造成大的地表沉降，这些情况的出现与盾构施工中无法准确判别前方地质情况有关。
3.地铁隧道超前地质预报方法主要有地质分析法、超前钻探法和物理勘探法，不同地层需要的方法也不相同。在复合地层中，上述方法较难准确获得掘进时的地质情况。因此，如果可以准确识别掘进时的地质情况，对于隧道工程的施工有着重要的意义。
4.盾构掘进参数是盾构法施工过程中收集到的关于盾构机工作状态的数据。由于盾构施工有着封闭性高、边掘进边衬砌、高效掘进的优点。在采用盾构机施工前，通常需要先对施工线路上的地质水文情况进行勘探了解，通常采用的方法是间断打孔取样分析。了解地质信息以便于在盾构施工过程中作为控制盾构机的参考依据资料。但是施工前的土地勘测并不能完全掌握地下的地质特征，也就意味着间断取样是不够精确的。
5.盾构施工环境多样，因此盾构掘进的地质类型多种多样，这也为盾构施工带来了一些不确定因素。而地质类别的信息与盾构掘进参数的波动趋势之间具有某种对应关系，分析找出其中存在的规律或关联，能够为盾构施工提供良好的控制方案或者优化相关的参数设置，有利于保障施工的效率以及安全性。避免因对地质信息把握不准而导致一些施工事故的发生，或者影响工程质量。


技术实现要素：

6.为了解决上述技术问题，本发明提供一种基于盾构掘进参数的地质识别方法，通过k-means聚类方法，将相同地质条件下的掘进参数聚为一类，进而达到地质识别的目的。
7.具体采用以下技术方案。
8.设计一种基于盾构掘进参数的地质识别方法，包括以下步骤：
9.s1：采集盾构机的掘进参数；
10.s2：将采集到的盾构机的掘进参数进行统计分析及相关性分析；
11.s3：采集到的盾构掘进参数与地质类别进行相关性分析,选出与地质类别最相关的参数作为特征参数；
12.s4：采用k-means聚类算法对盾构掘进参数构成的数据样本渥进行聚类分析；
13.s5：分析盾构掘进参数构成的样本点在不同地质中的分布情况，根据k-means聚类算法的结果，匹配识别出正确的地质类别。
14.优选的，在步骤s1中，盾构机的掘进参数主要包括：盾构总推力、刀盘扭矩、掘进速
度、刀盘转速、土仓压力、螺旋输送机转速。
15.优选的，在步骤s2中，利用掘进过程中不同参数的变化曲线以及分布特征图进行统计分析；采用pearson相关系数对各个掘进参数之间进行相关性分析，相关性分析算式为：
[0016][0017][0018][0019]
式中，r-pearson相关系数，xi,yi‑‑
n次独立观测值，n为样本总体数量。
[0020]
优选的，在步骤s3中，利用spss统计软件对盾构掘进参数与地质类别进行相关性分析，分析时采用person系数进行计算判断。
[0021]
优选的，在步骤s4中，k-means算法的主要过程为：
[0022]
(1)确定初始的质心，生成k个不同质心，k值自行指定；
[0023]
(2)派送样本，计算每一个样本到各质心，也就是簇的中心距离，并把它划分给距离最小的那个簇；
[0024]
(3)更新迭代质心，根据每个簇当前所拥有的样本数据，重新计算每个簇的质心；
[0025]
(4)检查是否满足以下两个暂停准则之一，若满足，则停止算法；否则重复第(2)步和第(3)步；
[0026]
暂停准则为：
[0027]
a.第3步结束时，更新前后质心之间的区别小于预定义的差异容忍度；
[0028]
b.迭代次数超过预定义的次数。
[0029]
本发明的有益效果在于：
[0030]
本发明所提供的基于盾构掘进参数的地质识别方法，通过k-means聚类方法，可以对盾构掘进数据与地质类型的内在联系进行深入挖掘，从而将相同地质条件下的掘进参数聚为一类，进而达到地质识别的目的；并且可以有效呈现不同地质情况下掘进参数的分布，为盾构机掘进过程中，参数的准确调控提供一定的参考价值，避免因对地质信息把握不准而导致一些施工事故的发生，或者影响工程进度和质量，提高掘进效率。
附图说明
[0031]
图1是本发明地质识别方法的流程图；
[0032]
图2是地质类别分布图；
具体实施方式
[0033]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0034]
实施例1
[0035]
一种基于盾构掘进参数的地质识别方法，如图1所示，包括以下步骤：
[0036]
s1：采集盾构机的掘进参数，在盾构施工中，一些盾构掘进参数至关重要，掘进参数的合理选取对于掘进效率、刀具的磨损等方面有一定影响，针对不同的地质所对应的掘进参数也有所不同，主要的掘进参数包含：盾构总推力、刀盘扭矩、掘进速度、刀盘转速、土仓压力、螺旋输送机转速等；
[0037]
s2：由于在盾构机施工过程中会产生大量数据，选择有效的掘进参数是实现地质识别的一个前提，此外在选择样本数据的过程中，为的得到较好的分析结果，要尽可能降低样本数据的维度，同时考虑到不同地质某一掘进参数的差异性与关联性，将采集到的盾构机的掘进参数进行统计分析及相关性分析，利用掘进过程中不同参数的变化曲线以及分布特征图进行统计分析；采用pearson相关系数对各个掘进参数之间进行相关性分析，相关性分析算式为：
[0038][0039][0040][0041]
式中，r-pearson相关系数，xi,yi‑‑
n次独立观测值，n为样本总体数量。
[0042]
相关系数r的判定如下：r在[-1,1]之间，r绝对值越大，则两个变量的相关性关系越强；r在(0,1]之间，表明两者存在正相关性，r＝1表明两者存在完全正相关性关系；r在[-1,0)之间，表明两者存在负相关性，r＝-1表明两者存在完全负相关性关系；r＝0表明两者无线性关系。
[0043]
s3：采集到的盾构掘进参数与地质类别进行相关性分析,选出与地质类别最相关的参数作为特征参数；利用spss统计软件对盾构掘进参数与地质类别进行相关性分析，分析时采用person系数进行计算判断，相关系数r大于0.7说明两个变量之间关系非常紧密，r在0.4和0.7之间说明两个变量之间关系紧密，r小于0.4说明两个变量之间关系一般，根据相关系数最终选择出与地质类别最相关的掘进参数作为地质识别的特征参数；
[0044]
s4：采用k-means聚类算法对盾构掘进参数构成的数据样本进行聚类分析；
[0045]
k-means算法是迭代计算“质心”并且根据该样本与质心距离把各个样本指派到各簇的过程；主要过程如下：
[0046]
(1)确定初始的质心，生成k个不同质心，k值自行指定；
[0047]
(2)派送样本，计算每一个样本到各质心，也就是簇的中心距离，并把它划分给距离最小的那个簇；
[0048]
(3)更新迭代质心，根据每个簇当前所拥有的样本数据，重新计算每个簇的质心；
[0049]
(4)检查是否满足以下两个暂停准则之一，若满足，则停止算法；否则重复第(2)步和第(3)步；
[0050]
暂停准则为：
[0051]
a.第3步结束时，更新前后质心之间的区别小于预定义的差异容忍度；
[0052]
b.迭代次数超过预定义的次数；一个簇由它的质心来代表；质心是一个向量；向量的值是由指派给该簇那些样本属性的平均值来确定的。
[0053]
s5：分析盾构掘进参数构成的样本点在不同地质中的分布情况，根据k-means聚类算法的结果，匹配识别出正确的地质类别。
[0054]
下面根据s2、s3统计分析以及相关性分析，以“盾构总推力和掘进速度”作为地质识别的特征参数为例，即每个数据样本中包括盾构掘进参数总推力、掘进速度这两个特征。并同时定义三种地质类别：粉质黏土、砂砾以及砾砂粘土。进行地质类别判断识别，具体分析如下：
[0055]
(1)随机在数据中抽取3个样本，当做3个类别的中心点(k1,k2,k3)；
[0056]
(2)计算其余的点分别到这三个中心点的距离，每一个样本有3个距离(a,b,c)从中选出举例最近的一个点作为自己的标记，形成3个族群；
[0057]
(3)分别计算这3个族群的平均值，把3个平均值与之前的3个旧中心点进行比较；
[0058]
(4)如果相同，结束聚类；如果不同，把这3个平均值当做新的中心点重复第2步；
[0059]
(5)反复执行第3,4步骤直到簇中心点不再改变，样本所属簇为样本最终类别；(最终根据k-means的聚类结果，匹配出正确的地质类别，其中五角星代表粉质黏土，圆形代表砂砾，正方形代表砾砂粘土，如图2所示)。
[0060]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于盾构掘进参数的地质识别方法，其特征在于，包括以下步骤：s1：采集盾构机的掘进参数；s2：将采集到的盾构机的掘进参数进行统计分析及相关性分析；s3：采集到的盾构掘进参数与地质类别进行相关性分析,选出与地质类别最相关的参数作为特征参数；s4：采用k-means聚类算法对盾构掘进参数构成的数据样本渥进行聚类分析；s5：分析盾构掘进参数构成的样本点在不同地质中的分布情况，根据k-means聚类算法的结果，匹配识别出正确的地质类别。2.如权利要求1所述的基于盾构掘进参数的地质识别方法，其特征在于：在步骤s1中，盾构机的掘进参数主要包括：盾构总推力、刀盘扭矩、掘进速度、刀盘转速、土仓压力、螺旋输送机转速。3.如权利要求1所述的基于盾构掘进参数的地质识别方法，其特征在于：在步骤s2中，利用掘进过程中不同参数的变化曲线以及分布特征图进行统计分析；采用pearson相关系数对各个掘进参数之间进行相关性分析，相关性分析算式为：数对各个掘进参数之间进行相关性分析，相关性分析算式为：数对各个掘进参数之间进行相关性分析，相关性分析算式为：式中，r-pearson相关系数，x
i
,y
i
‑‑
n次独立观测值，n为样本总体数量。4.如权利要求1所述的基于盾构掘进参数的地质识别方法，其特征在于：在步骤s3中，利用spss统计软件对盾构掘进参数与地质类别进行相关性分析，分析时采用person系数进行计算判断。5.如权利要求1所述的基于盾构掘进参数的地质识别方法，其特征在于：在步骤s4中，k-means算法的主要过程为：(1)确定初始的质心，生成k个不同质心，k值自行指定；(2)派送样本，计算每一个样本到各质心，也就是簇的中心距离，并把它划分给距离最小的那个簇；(3)更新迭代质心，根据每个簇当前所拥有的样本数据，重新计算每个簇的质心；(4)检查是否满足以下两个暂停准则之一，若满足，则停止算法；否则重复第(2)步和第(3)步；暂停准则为：a.第(3)步结束时，更新前后质心之间的区别小于预定义的差异容忍度；b.迭代次数超过预定义的次数。

技术总结
本发明涉及盾构施工技术领域，特别是一种基于盾构掘进参数的地质识别方法，包括以下步骤：采集盾构机的掘进参数；对采集到的掘进参数进行统计分析以及相关性分析；使用K-Means聚类算法对盾构掘进参数与地质类别进行无监督的学习；根据聚类结果最终实现基于盾构掘进参数的地质识别。可以对盾构机当前地质类型进行确认，为盾构机掘进参数的准确调控提供一定的参考。通过将盾构掘进参数与地质信息相结合，准确识别当前地质、预防安全事故、同时辅助施工人员判断有着重大研究意义；并且能够有效呈现不同地质情况下掘进参数的分布，能够为盾构机掘进参数的准确调控提供参考。构机掘进参数的准确调控提供参考。构机掘进参数的准确调控提供参考。


技术研发人员：万雪钰 阳成 叶忠 杨聚会 李增 周毅 江南 张合沛 谷田鑫 李梦雨 郁凯旋 张斌 夏明 史志慧 羊天利 黄威 陈乐乐 梁荣章
受保护的技术使用者：中铁隧道局集团有限公司
技术研发日：2023.04.03
技术公布日：2023/8/22