.png){kind=icon}
返回
Prototype-guided learning for geological condition inference from TBM operational data
.png){kind=icon}
OA
AI
DOI：10.1016/j.undsp.2026.03.001.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
岩体围岩的准确分类对于隧道掘进机（TBMs）的安全高效运行至关重要，尤其是在复杂地质条件下。虽然传统分类方法被广泛使用，但其在非均质岩层中的可靠性受限于对主观现场判断和经验性指标的依赖。尽管利用TBMs运行数据的机器学习方法提供了一种有前景的替代方案，但其性能常因来自地质记录和工程评估不一致而产生的标签噪声而受损。为应对这一根本挑战，本研究提出了一种新颖的弱监督学习框架，通过领域感知的软监督有效缓解标签噪声，该框架利用工程知识将不确定标签转换为概率目标，并通过类别原型学习，其中代表性特征向量引导每个岩体类别的语义聚类。然而，将软监督直接应用于嘈杂、序列化的TBMs数据可能导致训练不稳定。为进一步增强鲁棒性，我们引入了教师-学生自蒸馏机制，其中自监督表示学习捕捉TBMs数据中的结构规律性，教师模型传播高置信度预测以稳定训练并抑制噪声放大。基于真实TBMs掘进数据的实验结果展示了与原始标注相比，标签不一致性降低了31.6%，并且与操作员判断的吻合度显著提高。该框架表现出强大的噪声鲁棒性，在30%的均匀或高斯标签污染下仍保持超过80%的预测一致性，从而为岩体分类提供了一种可靠的解决方案，能够同时提升TBMs掘进作业的安全性和效率。
Keyword:
Tunnel boring machine (TBM)
Rock mass classification
Weakly supervised learning
Labelnoise
Prototypelearning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8.3
论文数:
685
被引数:
2.9K
机构
引用论文
Development of correlations between various engineering rockmass classification systems using railway tunnel data in Garhwal Himalaya, India.png)
SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏TBM tunneling strata automatic identification and working conditions decision supportTBM掘进地层自动识别及工况决策支持
PREAI
分享收藏分享收藏Data-driven real-time advanced geological prediction in tunnel construction using a hybrid deep learning approach基于数据驱动的混合深度学习隧道施工实时超前地质预报
PREAI
分享收藏Soft ground tunnel lithology classification using clustering-guided light gradient boosting machineOAAI
OAAI分享收藏Classification for tunnel surrounding rock based on multiple geological methods and extension model
PREAI
分享收藏Classification and Prediction of Rock Mass Boreability Based on Daily Advancement during TBM TunnelingTBM掘进过程中基于日推进的岩体可钻孔性分类与预测BUILDINGS
OAAI
BUILDINGSIF3.1
OAAI分享收藏
查看更多内容