TBM掘进参数的辅助决策方法、装置及电子设备

tbm掘进参数的辅助决策方法、装置及电子设备
技术领域
1.本公开涉及土木工程技术领域，具体涉及一种tbm掘进参数的辅助决策方法、装置及电子设备。


背景技术：

2.随着信息化的推动和智能化设备的发展，通过隧道掘进机(tunnel boring machine，简称为tbm)进行掘进的隧道工程越来越多。tbm隧道施工中，在相同的设备和地质条件下，由于受不同的施工队伍、不同的司机影响，tbm隧道选取的掘进参数存在明显差别。然而，目前还没有一种技术方案能够对tbm隧道的掘进参数进行有效决策。
3.针对相关技术中无法对掘进参数进行有效决策的问题，目前尚未提出有效的技术解决方案。


技术实现要素：

4.本公开的主要目的在于提供一种tbm掘进参数的辅助决策方法、装置及电子设备，以解决相关技术中无法对掘进参数进行有效决策的技术问题。
5.为了实现上述目的，本公开的第一方面提供了一种tbm掘进参数的辅助决策方法，包括：
6.从多个参数中选取tbm掘进过程的设计变量；
7.基于设计变量和围岩的类别，为围岩设计对应的目标函数，并通过目标函数确定效能参数，其中，围岩的类别是根据围岩的稳定性确定的，效能参数用于表征tbm的掘进效能；
8.根据效能参数确定优化目标，并基于优化目标建立辅助决策模型，其中，辅助决策模型中包含有tbm的掘进参数；以及
9.利用多目标粒子群算法和预先设置的算法参数，辅助决策该辅助决策模型中tbm的掘进参数。
10.可选地，基于设计变量和围岩的类别，为围岩设计对应的目标函数，并通过目标函数确定效能参数，包括：
11.根据围岩的稳定性确定围岩的类别，其中，不同类别的围岩包括ii类围岩、iiia类围岩、iiib类围岩和iv类围岩；
12.基于设计变量，针对不同类别的围岩设计不同的目标函数，其中，围岩的类别与目标函数一一对应；
13.通过目标函数确定围岩的效能参数，其中，效能参数包括掘进速度和平均单刀破岩量。
14.进一步地，基于设计变量，针对不同类别的围岩设计不同的目标函数，包括：
15.基于设计变量，按照下述公式设计ii类围岩的目标函数：
[0016][0017]
基于设计变量，按照下述公式设计iiia类围岩的目标函数：
[0018][0019]
基于设计变量，按照下述公式设计iiib类围岩的目标函数：
[0020][0021]
基于设计变量，按照下述公式设计iv类围岩的目标函数：
[0022][0023]
其中，pr为掘进速度，hf为平均单刀破岩量，n为刀具数量，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。
[0024]
可选地，效能参数包括掘进速度和平均单刀破岩量；
[0025]
根据效能参数确定优化目标，并基于优化目标建立辅助决策模型，包括：
[0026]
将掘进速度的值最大和平均单刀破岩量的值最大作为优化目标；
[0027]
基于优化目标，建立辅助决策模型，按下述公式确定辅助决策模型的模型目标f：
[0028]
f＝(maxpr,maxhf)
[0029]
其中，pr为掘进速度，hf为平均单刀破岩量。
[0030]
可选地，掘进参数包括总推力和刀盘转速；
[0031]
利用多目标粒子群算法和预先设置的算法参数，辅助决策该辅助决策模型中tbm的掘进参数，包括：
[0032]
利用多目标粒子群算法和预先设置的算法参数，分别确定掘进速度最大且平均单刀破岩量最大时辅助决策模型中tbm的总推力和刀盘转速；
[0033]
其中，对于非支配排序的多目标粒子群算法，对应的预先设置的算法参数包括种群规模、最大迭代次数、外部档案规模和计算环境。
[0034]
进一步地，算法参数的设置步骤包括：
[0035]
结合多目标粒子群算法的收敛性和运算效率，设置种群规模和最大迭代次数；
[0036]
通过数据点所构成pareto前端的精细程度，设置外部档案规模，其中，外部档案规模的值和种群规模的值相等；
[0037]
基于不同外部档案规模的优化结果，得出对应的计算时间，确定计算环境。
[0038]
可选地，从多个参数中选取tbm掘进过程的设计变量包括：
[0039]
从多个围岩参数和多个掘进参数中选取tbm掘进过程的设计变量；
[0040]
其中，设计变量包括岩石单轴压缩强度、岩体完整性系数、岩石石英含量、总推力
和刀盘转速。
[0041]
本公开的第二方面提供了一种tbm掘进参数的辅助决策装置，包括：
[0042]
选取单元，用于从多个参数中选取tbm掘进过程的设计变量；
[0043]
设计单元，用于基于设计变量和围岩的类别，为围岩设计对应的目标函数，并通过目标函数确定效能参数，其中，围岩的类别是根据围岩的稳定性确定的，效能参数用于表征tbm的掘进效能；
[0044]
确定单元，用于根据效能参数确定优化目标，并基于优化目标建立辅助决策模型，其中，辅助决策模型中包含有tbm的掘进参数；以及
[0045]
辅助决策单元，用于利用多目标粒子群算法和预先设置的算法参数，辅助决策该辅助决策模型中tbm的掘进参数。
[0046]
本公开的第三方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行第一方面任意一项提供的tbm掘进参数的辅助决策方法。
[0047]
本公开的第四方面提供了一种电子设备，电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器执行第一方面任意一项提供的tbm掘进参数的辅助决策方法。
[0048]
在本公开实施例提供的tbm掘进参数的辅助决策方法中，根据优化目标建立辅助决策模型，并通过多目标粒子群算法和对应的算法参数，辅助决策该辅助决策模型中tbm的掘进参数，进而有效指导tbm的正常掘进，解决了相关技术中无法对掘进参数进行有效决策的技术问题。
附图说明
[0049]
为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0050]
图1为本公开实施例提供的tbm掘进参数的辅助决策方法流程示意图；
[0051]
图2为本公开实施例提供的不同类别围岩目标优化后掘进参数的分布图，其中，图2(a)和图2(b)分别为ii类围岩目标优化后总推力和刀盘转速的分布图，图2(c)和图2(d)分别为iiia类围岩目标优化后总推力和刀盘转速的分布图，图2(f)和图2(f)分别为iiib类围岩目标优化后总推力和刀盘转速的分布图，图2(g)和图2(h)分别为iv类围岩目标优化后总推力和刀盘转速的分布图；
[0052]
图3为本公开实施例提供的不同种群规模的计算结果图，其中，图3(a)、图3(b)、图3(c)、图3(d)、图3(e)和图3(f)分别是种群规模为100、200、500、1000、1500和2000时的计算结果图；
[0053]
图4为本公开实施例提供的不同最大迭代次数的计算结果图，其中，图4(a)、图4(b)、图4(c)和图4(d)分别是最大迭代次数为10、20、30和40时的计算结果图；
[0054]
图5为本公开实施例提供的tbm掘进参数的辅助决策装置框图；
[0055]
图6为本公开实施例提供的电子设备框图。
具体实施方式
[0056]
为了使本技术领域的人员更好地理解本公开方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。
[0057]
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0058]
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
[0059]
随着信息化的推动和智能化设备的发展，通过隧道掘进机(tunnel boring machine，简称为tbm)进行掘进的隧道工程越来越多。tbm隧道施工中，在相同的设备和地质条件下，由于受不同的施工队伍、不同的司机影响，tbm隧道选取的掘进参数存在明显差别。然而，目前还没有一种技术方案能够对tbm隧道的掘进参数进行有效决策。
[0060]
为了解决上述问题，本公开实施例提供了一种tbm掘进参数的辅助决策方法，如图1所示，该方法包括如下的步骤s101至步骤s104：
[0061]
步骤s101：从多个参数中选取tbm掘进过程的设计变量；为了综合考虑围岩参数和掘进参数对tbm掘进效能的影响，多个参数包括多个围岩参数和掘进参数；
[0062]
具体的，步骤s101包括：
[0063]
从多个围岩参数和多个掘进参数中选取tbm掘进过程的设计变量；围岩参数包括岩石单轴压缩强度、岩体完整性系数和岩石石英含量，掘进参数包括总推力和刀盘转速；
[0064]
其中，设计变量包括岩石单轴压缩强度、岩体完整性系数、岩石石英含量、总推力和刀盘转速。
[0065]
步骤s102：基于设计变量和围岩的类别，为围岩设计对应的目标函数，并通过目标函数确定效能参数，其中，围岩的类别是根据围岩的稳定性确定的，效能参数用于表征tbm的掘进效能；效能参数包括掘进速度和平均单刀破岩量，通过掘进速度和平均单刀破岩量表征tbm的掘进效能。
[0066]
具体的，步骤s102包括：
[0067]
根据围岩的稳定性确定围岩的类别，其中，不同类别的围岩包括ii类围岩、iiia类围岩、iiib类围岩和iv类围岩；即，根据围岩的稳定性将围岩分类为ii类、iiia类、iiib类和iv类；
[0068]
基于设计变量，针对不同类别的围岩设计不同的目标函数，其中，围岩的类别与目标函数一一对应；在本公开实施例中，不同类别的围岩具有不同的目标函数；
[0069]
通过目标函数确定围岩的效能参数，其中，效能参数包括掘进速度和平均单刀破岩量。
[0070]
进一步的，基于设计变量，针对不同类别的围岩设计不同的目标函数，包括：
[0071]
基于设计变量，按照下述公式设计ii类围岩的目标函数：
[0072][0073]
基于设计变量，按照下述公式设计iiia类围岩的目标函数：
[0074][0075]
基于设计变量，按照下述公式设计iiib类围岩的目标函数：
[0076][0077]
基于设计变量，按照下述公式设计iv类围岩的目标函数：
[0078][0079]
其中，pr为掘进速度，hf为平均单刀破岩量，n为刀具数量，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。n的值取决于隧道的tbm上所设有刀具的数量，根据tbm的不同情况，n可以对应取30或50。
[0080]
通过对不同类别的围岩设计不同的目标函数，进而通过多个不同的目标函数确定效能参数，可以提高辅助决策tbm掘进参数的准确性和可靠性，确保有效指导tbm的正常掘进。
[0081]
步骤s103：根据效能参数确定优化目标，并基于优化目标建立辅助决策模型，其中，辅助决策模型中包含有tbm的掘进参数。
[0082]
具体的，效能参数包括掘进速度和平均单刀破岩量；
[0083]
步骤s103包括：
[0084]
将掘进速度的值最大和平均单刀破岩量的值最大作为优化目标；依据tbm高效低耗的掘进理念，将掘进速度最快、平均单刀破岩量最高作为优化目标；
[0085]
基于优化目标，建立辅助决策模型，按下述公式确定辅助决策模型的模型目标f：
[0086]
f＝(maxpr,maxhf)
[0087]
其中，pr为掘进速度，hf为平均单刀破岩量。
[0088]
步骤s104：利用多目标粒子群算法和预先设置的算法参数，辅助决策该辅助决策模型中tbm的掘进参数。其中，非支配排序的多目标粒子群算法是一种多目标的进化算法。
[0089]
具体的，掘进参数包括总推力和刀盘转速；
[0090]
步骤s104包括：
[0091]
利用多目标粒子群算法和预先设置的算法参数，分别确定掘进速度最大且平均单刀破岩量最大时辅助决策模型中tbm的总推力和刀盘转速；
[0092]
其中，对于非支配排序的多目标粒子群算法，对应的预先设置的算法参数包括种群规模、最大迭代次数、外部档案规模和计算环境。
[0093]
利用多目标粒子群算法和预先设置的算法参数，得到如图2所示的不同类别围岩目标优化后掘进参数的分布图，其中，图2(a)和图2(b)分别为ii类围岩目标优化后总推力和刀盘转速的分布图，图2(c)和图2(d)分别为iiia类围岩目标优化后总推力和刀盘转速的分布图，图2(f)和图2(f)分别为iiib类围岩目标优化后总推力和刀盘转速的分布图，图2(g)和图2(h)分别为iv类围岩目标优化后总推力和刀盘转速的分布图。
[0094]
根据图2可以得出不同类别围岩在目标最优时，即掘进速度最大且平均单刀破岩量最大时，辅助决策模型中tbm的总推力和刀盘转速，进而可以实现辅助决策tbm掘进参数。
[0095]
通过辅助决策tbm的掘进参数，实现了对掘进参数的有效决策，在辅助决策tbm掘进参数的同时，不会影响正常施工的进行，可以有效指导tbm的正常掘进，并且降低了tbm隧道的掘进成本和施工成本。
[0096]
进一步的，步骤s104中算法参数的设置步骤包括：
[0097]
结合多目标粒子群算法的收敛性和运算效率，设置种群规模和最大迭代次数；
[0098]
通过数据点所构成pareto前端的精细程度，设置外部档案规模，其中，外部档案规模的值和种群规模的值相等；通过设置种群规模的值和外部档案规模的值相等，可以充分发挥进化算法产生解效率高的优点；
[0099]
设置外部档案规模时，在假定解分布均匀的情况下，外部档案规模越大，数据点构成的pareto前端越精细，但如果外部档案规模设置过大，则会造成运行效率低下；设置种群规模时，种群规模直接影响进化算法的收敛性和运算效率，如果种群规模过小，则会导致pareto解产生较慢，但如果种群规模过大，则会大大增加计算量，这两种情况都会影响算法的运行速度。由于地质参数的获取时间远大于算法的运算时间，因此算法的运行时间足够满足掘进参数优化的实时性需求，即设置外部档案规模时主要考虑pareto前端的精细程度。综合上述分析，将外部档案规模的值初步设置为100，种群规模和外部档案规模的取值范围可以为100～2000。
[0100]
在最大迭代次数gen固定为10时，不同种群规模的计算结果如图3所示，其中，图3(a)、图3(b)、图3(c)、图3(d)、图3(e)和图3(f)分别是种群规模为100、200、500、1000、1500和2000时的计算结果图，pop为种群规模，expop为外部档案规模，pr为掘进速度，hf为平均单刀破岩量。
[0101]
在设置最大迭代次数时，由于在多目标问题的数值计算过程中最优解是未知的，一般设置最大迭代次数gen作为算法结束的条件，最大迭代次数过小会导致算法收敛程度不够，过大会导致计算量增加；因此，最大迭代次数gen针对具体问题一般通过从小到大逐步测试，观察运行速度与收敛程度，最终找到合适的最大迭代次数。由于本公开中优化目标为掘进速度最快、平均单刀破岩量最高，目标的数量为2，相对其他领域较少，因此，将最大迭代次数初步设置为10，最大迭代次数的取值范围可以为10～40。
[0102]
在种群规模pop固定为1000时，不同最大迭代次数的计算结果如图4所示，其中，图4(a)、图4(b)、图4(c)和图4(d)分别是最大迭代次数为10、20、30和40时的计算结果图。
[0103]
基于不同外部档案规模的优化结果，得出对应的计算时间，确定计算环境。计算环境会显著影响算法的运行时间，在设置计算环境时，针对选取样本计算不同外部档案规模的优化结果，并得出相应的计算时间；由于地质参数的获取时间远大于算法的运算时间，因此算法的运行时间足够满足掘进参数优化的实时性需求。
[0104]
从以上的描述中，可以看出，本公开实现了如下技术效果：
[0105]
本公开通过辅助决策tbm的掘进参数，实现了对掘进参数的有效决策，解决了相关技术中无法对掘进参数进行有效决策的技术问题；
[0106]
通过对不同类别的围岩设计不同的目标函数，进而通过多个不同的目标函数确定效能参数，可以提高辅助决策tbm掘进参数的准确性和可靠性，确保有效指导tbm的正常掘进；
[0107]
并且，在辅助决策tbm掘进参数的同时，不会影响正常施工的进行，可以有效指导tbm的正常掘进，降低了tbm隧道的掘进成本和施工成本。
[0108]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0109]
本公开实施例还提供了一种用于实施上述tbm掘进参数的辅助决策方法的tbm掘进参数的辅助决策装置，如图5所示，该装置包括：
[0110]
选取单元51，用于从多个参数中选取tbm掘进过程的设计变量；
[0111]
设计单元52，用于基于设计变量和围岩的类别，为围岩设计对应的目标函数，并通过目标函数确定效能参数，其中，围岩的类别是根据围岩的稳定性确定的，效能参数用于表征tbm的掘进效能；
[0112]
确定单元53，用于根据效能参数确定优化目标，并基于优化目标建立辅助决策模型，其中，辅助决策模型中包含有tbm的掘进参数；以及
[0113]
辅助决策单元54，用于利用多目标粒子群算法和预先设置的算法参数，辅助决策该辅助决策模型中tbm的掘进参数。
[0114]
上述装置实施例中各单元的执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处不做详细阐述说明。
[0115]
本公开实施例还提供了一种电子设备，如图6所示，该电子设备包括一个或多个处理器61以及存储器62，图6中以一个处理器61为例。
[0116]
该控制器还可以包括：输入装置63和输出装置64。
[0117]
处理器61、存储器62、输入装置63和输出装置64可以通过总线或者其他方式连接，图6中以通过总线连接为例。
[0118]
处理器61可以为中央处理器(central processing unit，简称为cpu)，处理器61还可以为其他通用处理器、数字信号处理器(digital signal processor，简称为dsp)、专用集成电路(application specific integrated circuit，简称为asic)、现场可编程门阵列(field-programmable gate array，简称为fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合，通用处理器可以是微处理器或者任何常规的处理器。
[0119]
存储器62作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非
暂态计算机可执行程序以及模块，如本公开实施例中的控制方法对应的程序指令/模块。处理器61通过运行存储在存储器62中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的tbm掘进参数的辅助决策方法。
[0120]
存储器62可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器62可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器62可选包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0121]
输入装置63可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置64可包括显示屏等显示设备。
[0122]
一个或者多个模块存储在存储器62中，当被一个或者多个处理器61执行时，执行如图1所示的方法。
[0123]
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各电机控制方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，简称为rom)、随机存储记忆体(random access memory，简称为ram)、快闪存储器(flash memory，简称为fm)、硬盘(hard disk drive，简称为hdd)或固态硬盘(solid-state drive，简称为ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0124]
虽然结合附图描述了本公开的实施方式，但是本领域技术人员可以在不脱离本公开的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

技术特征：
1.一种tbm掘进参数的辅助决策方法，其特征在于，包括：从多个参数中选取tbm掘进过程的设计变量；基于所述设计变量和围岩的类别，为所述围岩设计对应的目标函数，并通过所述目标函数确定效能参数，其中，所述围岩的类别是根据所述围岩的稳定性确定的，所述效能参数用于表征tbm的掘进效能；根据所述效能参数确定优化目标，并基于所述优化目标建立辅助决策模型，其中，所述辅助决策模型中包含有tbm的掘进参数；以及利用多目标粒子群算法和预先设置的算法参数，辅助决策所述辅助决策模型中tbm的掘进参数。2.根据权利要求1所述的方法，其特征在于，所述基于所述设计变量和围岩的类别，为所述围岩设计对应的目标函数，并通过所述目标函数确定效能参数，包括：根据所述围岩的稳定性确定所述围岩的类别，其中，不同类别的围岩包括ii类围岩、iiia类围岩、iiib类围岩和iv类围岩；基于所述设计变量，针对不同类别的围岩设计不同的目标函数，其中，所述围岩的类别与所述目标函数一一对应；通过所述目标函数确定所述围岩的效能参数，其中，所述效能参数包括掘进速度和平均单刀破岩量。3.根据权利要求2所述的方法，其特征在于，所述基于所述设计变量，针对不同类别的围岩设计不同的目标函数，包括：基于所述设计变量，按照下述公式设计ii类围岩的目标函数：基于所述设计变量，按照下述公式设计iiia类围岩的目标函数：基于所述设计变量，按照下述公式设计iiib类围岩的目标函数：基于所述设计变量，按照下述公式设计iv类围岩的目标函数：其中，pr为掘进速度，hf为平均单刀破岩量，n为刀具数量，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。4.根据权利要求1所述的方法，其特征在于，
所述效能参数包括掘进速度和平均单刀破岩量；所述根据所述效能参数确定优化目标，并基于所述优化目标建立辅助决策模型，包括：将所述掘进速度的值最大和所述平均单刀破岩量的值最大作为优化目标；基于所述优化目标，建立辅助决策模型，按下述公式确定辅助决策模型的模型目标f：f＝(maxpr,maxh
f
)其中，pr为掘进速度，hf为平均单刀破岩量。5.根据权利要求1所述的方法，其特征在于，所述掘进参数包括总推力和刀盘转速；所述利用多目标粒子群算法和预先设置的算法参数，辅助决策所述辅助决策模型中tbm的掘进参数，包括：利用所述多目标粒子群算法和预先设置的算法参数，分别确定掘进速度最大且平均单刀破岩量最大时所述辅助决策模型中tbm的所述总推力和所述刀盘转速；其中，对于非支配排序的多目标粒子群算法，对应的所述预先设置的算法参数包括种群规模、最大迭代次数、外部档案规模和计算环境。6.根据权利要求5所述的方法，其特征在于，所述算法参数的设置步骤包括：结合所述多目标粒子群算法的收敛性和运算效率，设置所述种群规模和所述最大迭代次数；通过数据点所构成pareto前端的精细程度，设置所述外部档案规模，其中，所述外部档案规模的值和所述种群规模的值相等；基于不同外部档案规模的优化结果，得出对应的计算时间，确定所述计算环境。7.根据权利要求1所述的方法，其特征在于，所述从多个参数中选取tbm掘进过程的设计变量包括：从多个围岩参数和多个掘进参数中选取tbm掘进过程的设计变量；其中，所述设计变量包括岩石单轴压缩强度、岩体完整性系数、岩石石英含量、总推力和刀盘转速。8.一种tbm掘进参数的辅助决策装置，其特征在于，包括：选取单元，用于从多个参数中选取tbm掘进过程的设计变量；设计单元，用于基于所述设计变量和围岩的类别，为所述围岩设计对应的目标函数，并通过所述目标函数确定效能参数，其中，所述围岩的类别是根据所述围岩的稳定性确定的，所述效能参数用于表征tbm的掘进效能；确定单元，用于根据所述效能参数确定优化目标，并基于所述优化目标建立辅助决策模型，其中，所述辅助决策模型中包含有tbm的掘进参数；以及辅助决策单元，用于利用多目标粒子群算法和预先设置的算法参数，辅助决策所述辅助决策模型中tbm的掘进参数。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行权利要求1-7任意一项所述的tbm掘进参数的辅助决策方法。10.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的
计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7任意一项所述的tbm掘进参数的辅助决策方法。

技术总结
本公开提供了一种TBM掘进参数的辅助决策方法、装置及电子设备，其中方法包括：从多个参数中选取TBM掘进过程的设计变量；基于设计变量和围岩的类别，为围岩设计对应的目标函数，并通过目标函数确定效能参数，效能参数用于表征TBM的掘进效能；根据效能参数确定优化目标，并基于优化目标建立辅助决策模型，辅助决策模型中包含有TBM的掘进参数；利用多目标粒子群算法和预先设置的算法参数，辅助决策该辅助决策模型中TBM的掘进参数。本公开根据优化目标建立辅助决策模型，并通过多目标粒子群算法和对应的算法参数，辅助决策该辅助决策模型中TBM的掘进参数，进而有效指导TBM的正常掘进，解决了相关技术中无法对掘进参数进行有效决策的技术问题。策的技术问题。策的技术问题。


技术研发人员：周振梁 谭忠盛 来海祥 张立龙 郭震
受保护的技术使用者：北京交通大学
技术研发日：2023.05.10
技术公布日：2023/10/7