整个系统的技术概要如下:
1)共选择了187项作为AI方向预测模型的学习数据,排除了掘进数据中对方向预测没有作用的数据。主要掘进数据分类如下表所示。
学习对象的掘进数据
2)从收集到的数据中去除(清洗)噪声数据等;根据传感器数据的性质对特征量进行转换或整合。
数据清洗过程
特征量处理方法
3)AI方向预测模型学习了在一定区间内的测量数据后,再输入最近5环的测量数据,就可以输出后6环的方向(水平偏差、垂直偏差、方位偏差)的预测值。 机器学习采用支持向量回归算法( Support Vector Regression,简称“SVR” )。
工程概况如下表所示。
工程概况
该系统在东京千代田干线工程中进行了验证应用:
1)施工中,将掘进数据和方向预测AI储存在云平台中,创建的数据会在云中被自动获取以预测方向;
2)以AI的方向预测取代原有的人工测量+管理分析,采用系统计算出要挖掘的0~5环中每一个要到达的位置(与计划轴线的偏差)并将其作为预测值。然后,预测值会实时显示到掘进管理室的屏幕上。
3)系统具有模拟功能,使用方向预测AI并虚拟输入盾构的操作后,系统会根据最近的掘进数据和操作输入数据预测1~5环的到达位置。
1)取3环进行模拟及实际偏差对比。在试验区间,预测结果与实际结果的差的平均值为水平5.08mm,垂直6.01mm。
水平偏差(3环处)
垂直偏差(3环处)
(图表的纵轴表示盾构机前端中心点与计划轴线的距离(偏差),横轴表示环数。)
2)在试验区间实施盾构司机人工判断和系统模拟判断的对比试验,其结果如下表所示。施工结果显示,每10环平均可以降低水平6.0mm、垂直2.5mm的成型偏差,能够提高隧道的成型精度。
试验区间的成型隧道对比试验
(以①盾构司机人工判断的掘进区间和②操作模拟判断的掘进区间的隧道轴线质量为评价标准,每10环的平均变形偏差作为比较对象。)
结语:
0人已收藏
0人已打赏
免费0人已点赞
分享
隧道工程
返回版块2.95 万条内容 · 267 人订阅
回帖成功
经验值 +10
全部回复(0 )
只看楼主 我来说两句抢沙发