(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210573395.9 (22)申请日 2022.05.25 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 朱梦琦　周龙　朱合华　沈奕　 蒋曦　 (74)专利代理 机构 上海德昭知识产权代理有限 公司 31204 专利代理师 陈龙梅 (51)Int.Cl. G06Q 10/04(2012.01) G06N 20/00(2019.01) G06Q 10/06(2012.01) G06F 16/2458(2019.01) G01D 21/02(2006.01)E21D 9/00(2006.01) E21D 9/11(2006.01) (54)发明名称 一种基于TBM运行数据的不良地质条件识别 与预测方法 (57)摘要 本发明公开了一种基于TBM运行数据的不良 地质条件识别与预测方法， 具有这样的特征， 包 括以下步骤： 步骤1， 获取TBM运行数据与地勘资 料数据； 步骤2， 将TBM运行数据与地勘资料进行 预处理， 得到预处理后的数据； 步骤3， 基于预处 理后的数据进行特征变量设计， 筛选出与目标相 关的变量； 步骤4， 基于与目标相关的变量， 建立 基于遗传编程的不良地质条件识别模 型， 并求得 良好地质与不良地质的划分函数H(X)； 步骤5， 根 据H(X)判断TBM当前位置的地质情况。 本发明可 高效处理大量运行数据， 并对TBM当前位置的地 质条件进行在线识别， 克服了传统识别、 检测方 法的高不确定性、 高延迟性、 高成本等问题， 为 TBM安全施工增添保障。 权利要求书3页 说明书7页 附图4页 CN 115034446 A 2022.09.09 CN 115034446 A 1.一种基于TBM运行数据的不良地质条件识别与预测方法， 其特征在于， 包括以下步 骤： 步骤1， 获取TBM运行 数据与地勘资料 数据； 步骤2， 将所述TBM运行 数据与所述 地勘资料进行 预处理， 得到预处 理后的数据； 步骤3， 基于所述预处 理后的数据进行 特征变量设计， 筛 选出与目标相关的变量； 步骤4， 基于与目标相关的变量， 建立基于遗传编程的不良地质条件识别模型， 并求得 良好地质与不良地质的划分函数H(X)； 步骤5， 根据所述H(X)判断TBM当前位置的地质情况。 2.根据权利要求1所述的基于TBM运行数据的不良地质条件识别与预测方法， 其特征在 于： 其中， 步骤1的具体过程为： 通过可编程逻辑控制器以固定频率采集TBM上所有传感器 数据， 获得 所述TBM运行 数据， 所述TBM运行 数据至少包括总推力、 刀盘扭矩、 刀盘转速、 贯入度以及掘进速度， 基于施工前地质勘探资料获得 所述地勘资料 数据， 所述地勘资料 数据至少包括岩性、 围岩分级。 3.根据权利要求1所述的基于TBM运行数据的不良地质条件识别与预测方法， 其特征在 于： 其中， 步骤2中， 所述预处 理的具体步骤为： 步骤2‑1， 使用缺失值所在数据列的均值 填补缺失的所述TBM运行 数据； 步骤2‑2， 使用3σ 准则和盖帽法删除所述TBM运行 数据中的异常值； 步骤2‑3， TBM掘进不同阶段划分， 并取各个变量在稳定段内的均 值构成TBM运行参数数 据集； 步骤2‑4， 使用最近邻插值法处 理所述地勘资料 数据， 并扩充所述TBM运行参数 数据集； 步骤2‑5， 分别使用0 ‑1标准化与独热编码分别处 理连续变量与离 散变量。 4.根据权利要求3所述的基于TBM运行数据的不良地质条件识别与预测方法， 其特征在 于： 其中， 步骤2 ‑1的具体过程 为： 假设输入数据为 的矩阵， 满足： 式中， xij表示矩阵中第i行第j列元素， 若xij元素缺失数据， 且第j列共有p个 元素缺失数 据(p<m)， 则 步骤2‑2的具体过程 为： 验证连续变量的偏度S与峰度K：权　利　要　求　书 1/3 页 2 CN 115034446 A 2式中， μj是第j个变量的均值， σj是第j个变量的标准差， 对于满足 ‑3≤S≤3， ‑7≤K≤7的变量， 使用3σ 准则删除取值在( μj‑3σj, μj+3σj)区间外的 异常值， 对于其 他情况， 使用盖帽法整行删除数据框里9 9％以上和1％以下的数据点， 步骤2‑4的具体过程 为： 若已知xi‑1， xi+1处对应的地勘数据分别为f(xi‑1)， f(xi+1)， 且存在xi满足 则令f(xi)＝f(xi+1)， 步骤2‑5的具体过程 为： 利用0‑1标准化将连续变量缩放到[0,1]区间内： 利用独热编码， 为离散 变量的每 个状态创建一个二进制表示。 5.根据权利要求3所述的基于TBM运行数据的不良地质条件识别与预测方法， 其特征在 于： 其中， 步骤2 ‑3的具体过程 为： 步骤2‑3‑1， 将TBM掘进循环分为掘进段和停机段组成， 将所述掘进段按照数据整体趋 势分为上升段和稳定段； 步骤2‑3‑2， 定义G(X)＝g(推力)g(扭矩)g(掘进速度)， 当G(X)＝0时， 认为掘进处于所 述停机段， 从数据集中删除对应数据行； 步骤2‑3‑3， 使用累积和变点识别法识别上升段与稳定段分界点： Skj达到最大值时对应的xij即为所述上升段与所述稳定段的分界点； 步骤2‑3‑4， 取各个变量在稳定段内的均值构成TBM运行参数 数据集D。 6.根据权利要求1所述的基于TBM运行数据的不良地质条件识别与预测方法， 其特征在 于： 其中， 步骤3的具体步骤为： 步骤3‑1， 根据皮尔逊相关性过 滤出与目标相关但是不冗余的变量： 式中， cov(X,Y)表示X和Y的协方差， σX和σY分别表示X和Y的标准差； 步骤3‑2， 基于排序 特征重要性进一步筛选与目标相关的变量， 该步骤依赖于机器学习 算法的选择， 可采用的机器学习算法至少包括支持向量机、 k 最邻近法、 随机森林。 7.根据权利要求6所述的基于TBM运行数据的不良地质条件识别与预测方法， 其特征在权　利　要　求　书 2/3 页 3 CN 115034446 A 3