基于钻进参数的隧道围岩级别精细化超前预测方法

1.基于钻进参数的隧道围岩级别精细化超前预测方法，其特征在于：包括以下步骤：步骤1、利用凿岩台车采集连续循环的钻进参数；步骤2、提取钻进参数统计特征；步骤2中，具体为：选取均值、标准差、3个四分位数、变异系数作为钻进参数统计特征进行提取；均值是数据集中所有数据的总和除以数据的数量得到的，计算公式如式(1)所示：式中，μ表示当前循环的钻进参数的均值，x i 表示当前循环中每一个炮孔点的钻进参数，n表示当前循环中所有炮孔点的数量；标准差是数据集中各数据与均值之差的平方和的平均数的平方根；标准差反映数据集的离散程度，标准差越大，表示数据分布越分散，标准差越小，表示数据分布越集中；计算公式如式(2)所示：式中，σ表示当前循环的钻进参数的标准差，μ表示当前循环的钻进参数的均值，x i 表示当前循环中每一个炮孔点的钻进参数，n表示当前循环中所有炮孔点的数量；四分位数是将数据集中所有数据由小到大排列后，划分成四等份，处于三个分割点位置的数值即为四分位数；这3个四分位数分别是第1四分位数Q1、第2四分位数Q2和第3四分位数Q3，其中，第1四分位数Q1等于数据集中所有数据由小到大排列后第25％的数字；第2四分位数Q2等于数据集中所有数据由小到大排列后第50％的数字；第3四分位数Q3等于数据集中所有数据由小到大排列后第75％的数字；变异系数是标准差与平均数的比值，变异系数能够消除数据集均值大小的影响，只反映数据集相对其均值的离散程度，是一个用于衡量数据集离散程度的相对指标，适用于比较不同数据集的离散程度；计算公式如式(3)所示：式中，c v 表示当前循环的钻进参数的变异系数，σ表示当前循环的钻进参数的标准差，μ表示当前循环的钻进参数的均值；步骤3、采用长短时记忆网络模型，训练出基于钻进参数的隧道围岩级别超前预测模型；步骤3的基于钻进参数的隧道围岩级别超前预测模型中，通过四个已开挖循环的钻进参数统计特征，加一个已钻孔暂未爆破循环的钻进参数统计特征，组成1组步长为5的循环序列数据，去超前预测下一未开挖循环的围岩级别；步骤4、通过围岩三维空间单元体划分方法将整个循环在横向上划分成多个分块，进行围岩级别精细化超前预测。 2.根据权利要求1所述的基于钻进参数的隧道围岩级别精细化超前预测方法，其特征在于：步骤1中，凿岩台车采用冲击—回转耦合方式钻孔，钻孔过程包括推进、冲击、回转、冲洗四个动作，在此过程中共采集进给速度、推进压力、冲击压力、回转压力、水压力、水流量6项钻进参数，以及对应的钻孔深度、间隔时间和钻孔坐标，其中进给速度和推进压力对应推进钻孔动作，冲击压力对应冲击钻孔动作，回转压力对应回转钻孔动作，水压力和水流量对应冲洗钻孔动作。 3.根据权利要求2所述的基于钻进参数的隧道围岩级别精细化超前预测方法，其特征在于：步骤1中，钻孔过程中，采用循环方式进行隧道开挖，每一循环采集2～7万组钻进参数，当每一循环钻孔完成后，凿岩台车以循环为单位将每一循环所有组钻进参数共同组合，形成一份钻进参数文件，作为该循环的钻进参数。 4.根据权利要求3所述的基于钻进参数的隧道围岩级别精细化超前预测方法，其特征在于：基于钻进参数的隧道围岩级别超前预测模型的训练过程具体为：3.1)数据集划分；按照4：1的比例将数据集划分为训练集和测试集，训练集用于训练模型，测试集用于评价模型；其中，数据集是由一份份样本组成的，而一份样本由两部分组成，分别是样本特征和样本标签；将样本特征作为模型输入传递给模型，得到模型输出，再将模型输出与样本标签进行对比，以达到训练或测试模型的目的；一份样本包括六个按开挖先后顺序排列的连续循环，取前五个循环的钻进参数统计特征构成样本特征，取最后一个循环的围岩级别构成样本标签；3.2)训练集SMOTE过采样；SMOTE过采样是通过在少数类样本之间插值来创建新的样本；3.3)训练集标准化；选择Z-score标准化对训练集进行标准化处理，将每个特征值减去其均值并除以其标准差，使得处理后的数据的均值为0、标准差为1，并保持着原始数据的分布形态，从而消除不同量纲对模型训练的影响；同时，为了保持数据处理的一致性和模型评价的公正性，采用与训练集相同的Z-score标准化参数来对测试集进行相同的标准化处理；3.4)K折交叉验证训练模型；K取为5，首先，5折交叉验证将训练集分成5个子集，选择1个子集作为交叉验证验证集，另外4个子集作为交叉验证训练集；然后，进行模型训练，并得到本次训练的模型在交叉验证验证集上的模型评价指标；最后，重复上述步骤，直到每一个子集都充当过一次交叉验证验证集，并得到5次训练的模型在交叉验证验证集上的模型评价指标，选择最优模型作为围岩级别超前预测模型。 5.根据权利要求4所述的基于钻进参数的隧道围岩级别精细化超前预测方法，其特征在于：步骤4中，围岩三维空间单元体划分方法为：根据循环的非均一性特征，将整个循环以横向分块的方式在横向上划分成多个分块；在横向分块的过程中，以隧道中线为垂直参考线，向其左或右偏移，直至隧道轮廓左右边界，以轨底面附近为水平参考线，向其上或下偏移，直至隧道轮廓上下边界，最终将整个循环在横向上划分为多个分块；按照上述横向分块规则，将凿岩台车所采集到的每一循环的钻进参数同步进行划分，最终每一循环得到多个分块以及每一分块范围内的钻进参数。 6.根据权利要求5所述的基于钻进参数的隧道围岩级别精细化超前预测方法，其特征在于：步骤4中，选取最新开挖的四个已开挖循环和一个已钻孔暂未爆破循环，按照开挖先后顺序排列，并选择这五个循环中相同位置分块的钻进参数统计特征，组成循环分块层级的序列数据，输入给上述训练好的围岩级别超前预测模型，得到下一未开挖循环的多个分块的围岩级别，实现围岩级别精细化超前预测。