買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜石家莊鐵道大學;昌邑市礦產(chǎn)資源服務(wù)中心申請的專利基于TBM運行參數(shù)的風險動態(tài)評估方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119337742B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-03-25發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202411878115.0，技術(shù)領(lǐng)域涉及：G06F30/27；該發(fā)明授權(quán)基于TBM運行參數(shù)的風險動態(tài)評估方法是由張騫;聶瑤奇;石龍賀;張穎;杜立杰;楊亞磊;李青蔚設(shè)計研發(fā)完成，并于2024-12-19向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于TBM運行參數(shù)的風險動態(tài)評估方法在說明書摘要公布了：本發(fā)明屬于隧道掘進機施工領(lǐng)域，提供了基于TBM運行參數(shù)的風險動態(tài)評估方法，包括：獲取TBM運行參數(shù)數(shù)據(jù)，利用TOPSIS法對每個循環(huán)的數(shù)據(jù)進行綜合評價，生成對應(yīng)的評價分數(shù)；構(gòu)建并訓練第一個神經(jīng)網(wǎng)絡(luò)模型，以TBM的掘進速度、刀盤扭矩和總推進力作為輸入，評價分數(shù)作為輸出；構(gòu)建并訓練第二個神經(jīng)網(wǎng)絡(luò)模型，三個特征的未來值作為第一神經(jīng)網(wǎng)絡(luò)模型的輸入；將第二神經(jīng)網(wǎng)絡(luò)模型預(yù)測出的未來值輸入到第一神經(jīng)網(wǎng)絡(luò)模型中，以實時動態(tài)輸出TBM的圍巖適應(yīng)性評價分數(shù)；本發(fā)明能夠?qū)BM的掘進速度、刀盤扭矩和總推進力進行實時預(yù)測，并據(jù)此輸出動態(tài)的圍巖適應(yīng)性評價分數(shù)，以實現(xiàn)施工方案的自適應(yīng)調(diào)整，確保施工的安全性和效率。

本發(fā)明授權(quán)基于TBM運行參數(shù)的風險動態(tài)評估方法在權(quán)利要求書中公布了：1.基于TBM運行參數(shù)的風險動態(tài)評估方法，其特征在于，包括以下步驟：步驟1，獲取并連續(xù)采集TBM在正常掘進過程中每個循環(huán)的運行參數(shù)數(shù)據(jù)，運行參數(shù)數(shù)據(jù)包括掘進速度、刀盤扭矩和總推進力，建立完整的數(shù)據(jù)庫；步驟2，通過變異系數(shù)法對運行參數(shù)數(shù)據(jù)進行處理，計算各個運行參數(shù)的變異系數(shù)，并利用TOPSIS法對每個循環(huán)的數(shù)據(jù)進行綜合評價，生成對應(yīng)的評價分數(shù)；步驟3，構(gòu)建并訓練第一個神經(jīng)網(wǎng)絡(luò)模型，以TBM的掘進速度、刀盤扭矩和總推進力作為輸入，評價分數(shù)作為輸出，優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)；步驟4，構(gòu)建并訓練第二個神經(jīng)網(wǎng)絡(luò)模型，利用歷史數(shù)據(jù)預(yù)測TBM的掘進速度、刀盤扭矩和總推進力三個特征的未來值，作為第一神經(jīng)網(wǎng)絡(luò)模型的輸入；步驟5，將第二神經(jīng)網(wǎng)絡(luò)模型預(yù)測出的掘進速度、刀盤扭矩、總推進力輸入到第一神經(jīng)網(wǎng)絡(luò)模型中，以實時動態(tài)輸出TBM的圍巖適應(yīng)性評價分數(shù)；步驟6，在施工過程中，通過實時輸入TBM的實際和預(yù)測的運行參數(shù)，動態(tài)調(diào)整TBM的掘進參數(shù)，實現(xiàn)圍巖適應(yīng)性的動態(tài)評估；步驟2中，變異系數(shù)的計算公式為： ； 是第i個運行參數(shù)的變異系數(shù)，是第i個運行參數(shù)的標準差，是第i個運行參數(shù)的均值；步驟2中，利用TOPSIS法對每個循環(huán)的數(shù)據(jù)進行綜合評價，生成對應(yīng)的評價分數(shù)，包括以下步驟：步驟2.1：對TBM的運行參數(shù)進行標準化處理，標準化公式為： ； 是第i個參數(shù)在第j個循環(huán)的標準化值， 是第i個參數(shù)在第j個循環(huán)的原始值；步驟2.2：計算正負理想解,公式如下： ；其中，為標準化后的最大值，為標準化后的最小值；步驟2.3：分別計算每個循環(huán)的數(shù)據(jù)到正理想解和負理想解的歐幾里得距離： ；其中，定義第i個評價對象與最大值距離為，定義第i個評價對象與最小值距離為；步驟2.4：使用以下公式計算每個循環(huán)的綜合評價分數(shù)： ；分數(shù)用于表示每個循環(huán)的圍巖適應(yīng)性分數(shù)，數(shù)值越接近1表示越理想，越接近0表示圍巖適應(yīng)性較差；步驟3中，包括以下步驟：步驟3.1：將TBM的掘進速度、刀盤扭矩和總推進力作為第一個神經(jīng)網(wǎng)絡(luò)模型的輸入，第一個神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)包括兩層隱藏層，每層包括128個神經(jīng)元；步驟3.2：第一個神經(jīng)網(wǎng)絡(luò)模型采用Adam優(yōu)化算法，初始學習率設(shè)定為0.001，損失函數(shù)選擇均方誤差，用于衡量預(yù)測值與真實值之間的差異；步驟3.3：第一個神經(jīng)網(wǎng)絡(luò)模型訓練過程中，將歷史數(shù)據(jù)集劃分為訓練集和驗證集，通過反復(fù)迭代優(yōu)化網(wǎng)絡(luò)權(quán)重和偏置，逐步提升預(yù)測性能；步驟3.4：訓練完成后，第一個神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于實時環(huán)境中，根據(jù)TBM的當前運行參數(shù)，輸出圍巖適應(yīng)性評價分數(shù)；步驟5中，包括以下步驟：步驟5.1：第二個神經(jīng)網(wǎng)絡(luò)模型的輸入為TBM在過去若干時間步內(nèi)的歷史運行參數(shù)，包括掘進速度、刀盤扭矩和總推進力；步驟5.2：第二個神經(jīng)網(wǎng)絡(luò)模型采用LSTM網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計，包括一層LSTM隱藏層，包括64個神經(jīng)元，LSTM隱藏層之后連接一層全連接層，輸出未來的運行參數(shù)，使用線性激活函數(shù)使輸出為連續(xù)值；步驟5.3：第二個神經(jīng)網(wǎng)絡(luò)模型使用Adam優(yōu)化器進行訓練，初始學習率設(shè)置為0.0005，損失函數(shù)為均方誤差，用于衡量模型預(yù)測值與實際值之間的差異，訓練過程中，數(shù)據(jù)被劃分為訓練集和驗證集，通過反復(fù)迭代優(yōu)化模型權(quán)重和偏置參數(shù)；步驟5.4：訓練完成后，第二個神經(jīng)網(wǎng)絡(luò)模型根據(jù)輸入的歷史運行數(shù)據(jù)進行未來參數(shù)的預(yù)測，提供對TBM運行的動態(tài)調(diào)整依據(jù)；步驟5.4：將預(yù)測的未來運行參數(shù)輸入到第一神經(jīng)網(wǎng)絡(luò)，實現(xiàn)TBM適應(yīng)性評價的實時動態(tài)更新。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人石家莊鐵道大學;昌邑市礦產(chǎn)資源服務(wù)中心，其通訊地址為：050043 河北省石家莊市北二環(huán)東路17號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。