买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京交通大学

摘要：本公开提供了一种适用于TBM掘进效能的预测方法、装置及电子设备，其中方法包括：分别获取围岩样本的围岩参数、TBM的掘进参数和TBM的效能参数，得到数据集，其中，TBM的效能参数用于表征TBM掘进效能；将数据集按照预设比例分为训练集和测试集，并将训练集按照围岩参数和掘进参数进行分组，确定各组所对应效能参数的算术平均值；基于Hassanpour模型，通过岭回归算法对各组所对应效能参数的算术平均值进行回归，建立掘进效能预测模型，其中，掘进效能预测模型用于预测TBM掘进效能；将测试集中的围岩参数和掘进参数输入掘进效能预测模型，得到对应的效能参数，以实现对TBM掘进效能的准确预测，并通过TBM掘进效能的准确预测有效指导TBM的正常掘进。

主权项：1.一种适用于TBM掘进效能的预测方法，其特征在于，包括：分别获取围岩样本的围岩参数、TBM的掘进参数和TBM的效能参数，得到数据集，其中，所述TBM的效能参数用于表征TBM掘进效能；将所述数据集按照预设比例分为训练集和测试集，并将所述训练集按照所述围岩参数和所述掘进参数进行分组，确定各组所对应效能参数的算术平均值；基于Hassanpour模型，通过岭回归算法对各组所对应效能参数的所述算术平均值进行回归，建立掘进效能预测模型，其中，所述掘进效能预测模型用于预测所述TBM掘进效能；以及将所述测试集中的围岩参数和掘进参数输入所述掘进效能预测模型，得到对应的效能参数，以实现对所述TBM掘进效能的预测；其中，所述效能参数包括掘进速度和平均单刀破岩量，所述掘进效能预测模型包括掘进速度预测模型和平均单刀破岩量预测模型；所述基于Hassanpour模型，通过岭回归算法对各组所对应效能参数的所述算术平均值进行回归，建立掘进效能预测模型，包括：基于Hassanpour模型，通过岭回归算法对各组所对应掘进速度的所述算术平均值进行回归，建立所述掘进速度预测模型；基于Hassanpour模型，通过岭回归算法对各组所对应平均单刀破岩量的所述算术平均值进行回归，建立所述平均单刀破岩量预测模型；其中，所述岭回归算法的公式为： 其中，为校正决定系数，R2为相关性系数，m为样本总数，p为特征数量；其中，所述基于Hassanpour模型，通过岭回归算法对各组所对应掘进速度的所述算术平均值进行回归，建立所述掘进速度预测模型，包括：针对不同类别围岩的围岩参数，分别采用岭回归算法进行回归，其中，所述不同类别围岩的围岩参数不同；按照下述公式建立基于围岩分类的掘进速度预测模型，预测掘进速度PR： 将上述公式中的RQD替换为Kv，得到下述回归基础公式： 通过移项变换，将上述回归基础公式转换为下述线性公式： 其中，PR为掘进速度，Th为总推力，RPM为刀盘转速，n为刀具数量，k为盘面积因子，D为刀盘直径，s为刀间距，UCS为岩石单轴压缩强度，RQD为岩石质量指标，Kv为岩体完整性系数，QC为岩石石英含量，α0、α1、α2和α3分别为第一回归系数、第二回归系数、第三回归系数和第四回归系数，回归边界条件为：α1、α2和α3均大于0；其中，所述基于Hassanpour模型，通过岭回归算法对各组所对应平均单刀破岩量的所述算术平均值进行回归，建立所述平均单刀破岩量预测模型，包括：选用幂函数进行多元函数拟合，按照下述幂多元函数建立基于围岩分类的平均单刀破岩量预测模型，预测平均单刀破岩量Hf： 通过等式两边取对数，将上述幂多元函数转化为下述线性函数：lnHf＝lnβ0+β1·lnUCS+β2·lnKv+β3·lnQC+β4·lnTh+β5·lnRPM其中，Hf为平均单刀破岩量，UCS为岩石单轴压缩强度，Kv为岩体完整性系数，QC为岩石石英含量，Th为总推力，RPM为刀盘转速，β0、β1、β2、β3、β4和β5分别为第五回归系数、第六回归系数、第七回归系数、第八回归系数、第九回归系数和第十回归系数，回归边界条件为：β1、β2、β3、β4和β5均小于0。

全文数据：

权利要求：

百度查询： 北京交通大学 适用于TBM掘进效能的预测方法、装置及电子设备