基于PSO-LSSVM算法的隧道掘进机掘进参数预测方法

为了规避隧道掘进机(tunnel boring machine, TBM)掘进参数人为设定的主观性,提出了一种基于粒子群-最小二乘支持向量机算法(PSO-LSSVM)的TBM掘进参数预测方法。通过从海量TBM工程掘进数据中探寻参数变化规律,降低了TBM主司机设定掘进参数的主观性,辅助其合理选择掘进参数,有利于提高掘进效率、规避工程风险,经实验和工程数据验证,PSO-LSSVM算法通过对样本粒子全局迭代寻优来优化参数,提升了预测算法泛化能力和预测精度,对推力、扭矩和推进速度参数预测数值偏差满足要求,可辅助指导主司机设定掘进参数。     

复合地层小直径隧道掘进机掘进速度区间预测

合理准确预测隧道掘进机(tunnel boring machine,TBM)的掘进速度是实现TBM智能化控制的关键问题之一,复合地层小直径TBM施工的不确定性较常规地质条件更强,而传统预测方法对施工过程的不确定性考虑不足。在此通过引入区间预测方法,提出基于4种不同Bootstrap方法结合KELM-ANN模型的TBM掘进速度区间预测模型,并以南水北调安阳输水隧洞工程为例,选取142组工程实测数据验证区间预测模型的有效性。研究结果表明:基于Rademacher分布建立的模型预测结果优于其他3种方法,不仅可以得到较好的点预测结果,还可以构造出较为清晰可靠的区间将掘进速度实测值完全包络在内;随着置信水平的提高,区间可容纳的不确定性和风险也逐渐上升,通过变化区间宽度,能较好地量化和解释TBM施工过程中的不确定性因素对掘进速度的影响。研究结果可为TBM掘进性能预测和掘进参数优化提供参考。     

地质突变条件下基于组合模型的围岩等级和TBM掘进参数预测

为了提高硬岩隧道掘进机(TBM)施工的安全性和智能化,基于TBM掘进数据,提出了一种将双向长短期记忆(BiLSTM)网络与支持向量机回归(SVR)算法相结合的可以同时进行围岩等级和TBM掘进参数预测的组合模型(BiLSTM-SVR模型)。实例验证结果表明:BiLSTM-SVR模型对围岩等级的预测准确度较高,均方根误差均小于0.026 5、平均绝对百分比误差均小于0.95%;BiLSTM-SVR掘进参数预测中,推力和扭矩的预测准确度最高,净掘进速度和开挖比能的预测准确度最低;BiLSTM-SVR模型比BiLSTM模型和SVR模型的掘进参数预测准确度有较大的提高,因此进行单一模型的组合可以有效提高模型预测的准确度和鲁棒性。     

基于门控循环单元的全断面掘进机稳定段掘进性能预测

全断面隧道掘进机（tunnel boring machine, TBM）一个正常掘进循环分为空推段、上升段和稳定段三个阶段,其中稳定掘进段为主要施工阶段,稳定段掘进性能的好坏是TBM掘进的关键。为实现TBM安全高效掘进,建立一种基于门控循环单元（gated recurrent unit,GRU）神经网络的预测模型,预测TBM稳定段掘进性能。模型以新疆某供水工程Ⅱ标段TBM施工数据为依托,5种掘进循环上升段主要参数的时间序列数据作为主要输入,围岩等级作为辅助输入来考虑岩体对掘进性能的影响,输出为稳定段的总推进力和刀盘扭矩,为稳定段TBM性能预判提供参考。为显示预测效果,对比传统循环神经网络（recurrent neural network,RNN）预测模型,并分析不同长度时间序列输入对模型预测精度的影响。结果表明：GRU模型预测拟合优度均在0.9以上,平均绝对百分比误差均小于12.25%,同时能够适用不同长度时序输入。由此可见,所建模型具有较高预测精度,泛化能力较好,能够辅助预判掘进机稳定段性能。     

一种基于CSM模型的TBM刀盘比能预测方法

为了解决全断面掘进机在掘进时刀盘比能预测的难题,以岩石断裂力学为理论基础,深入分析了TBM滚刀的受力情况和破岩机理,基于CSM预测模型提出了一种新的TBM刀盘比能预测方法.通过建立滚刀与岩石相互作用的力学模型,推导出TBM刀盘的比能预测模型,并通过实例计算对刀盘的比能水平进行了量化研究,验证了模型的正确性.该预测模型基于滚刀破岩的机理,能够实时预测刀盘的比能,为TBM的刀盘优化设计以及性能预测提供了一定的理论依据.     

TBM掘进参数与不同岩性地层相关性分析

为了研究TBM掘进参数与不同岩性地层的相关性规律,以新疆某引水工程为背景,针对典型岩性地层选取了300 m掘进参数数据,采用数理统计方法分析3项掘进参数与6种岩性地层的相关性. 通过分析6种岩性地层下刀盘转速、总推力与推进速度之间相关性,提出6种岩性地层下的掘进建议. 结果表明:各种岩性地层中推进速度、总推力的平均值差距较大,且有较大波动;刀盘转速波动不大,平均值差异较小;硅质岩、安山岩和凝灰岩地层下,总推力、刀盘转速和推进速度不相关;糜棱岩和砂岩地层下,总推力、刀盘转速和推进速度正相关;碎裂岩地层下总推力与推进速度负相关.     

基于改进信息熵值分析的TBM掘进参数研究

复杂地质条件下的TBM掘进参数的有效预测可以对TBM施工进行针对性的指导,基于深圳地铁10号线孖-雅双护盾TBM区间实际掘进参数,建立了一种基于改进信息熵值分析的TBM掘进参数预测模型,通过前序参数的熵值权系数自适应调整来预判后续TBM参数值,模型以TBM推力和扭矩样本参数进行训练并以实际工程数据进行验证,通过残差分析和相关性分析得出的预测值和实际值相符,说明该模型具有较好的非线性映射能力,基于改进信息熵值分析的TBM掘进参数预测模型能直观反映TBM装备载荷地质适应性规律,可为TBM施工掘进参数设置提供参考,提前预判规避不良地层施工风险.     

TBM掘进盘形滚刀最优切深动态模糊控制研究

基于重庆越江隧道掘进试验和模糊数学理论,对TBM掘进时盘形滚刀最优切深进行了动态模糊控制研究.对掘进时刀盘切割最低比能的实现途径进行了分析,提出了TBM掘进最优切深动态控制的理念,即根据地质条件的变化实时控制刀盘推力产生适度切深,以适应固定的刀间距,使刀间距与切深比值S/P处于最优范围内.现场采集掘进试验的数据,对其进行比能计算分析,得出泥岩和砂岩地层下刀盘的最优S/P分别为4-6和7-10.由于地层的复杂性和多变性,最优S/P只能控制在一定的范围内.因此采用模糊控制理论,设计了单输入一单输出的模糊控制系统,根据容许的ΔS/P,反馈调整刀盘推力,使之保持在最优的范围内工作,不断产生最优切深.工程应用表明,该模型能较好地指导TBM操作,将盘形滚刀切深控制在最优范围内,获得了较快的掘进速率和良好的经济效益.     

TBM刀盘与岩石相对刚度对盘形滚刀受力的影响分析

TBM掘进过程中,滚刀与岩石之间产生相互作用力.针对滚刀与刀盘受力的均衡性,提出刀盘与岩石相对刚度的概念,用刀盘厚度与岩石弹性抗力系数之比表示相对刚度,并分析其对滚刀及刀盘均衡受力的影响.建立刀盘与岩石相互作用的三维弹性支点力学模型,运用有限元方法对其进行分析.计算表明,刀盘上各滚刀分担的推力并非均匀分布,而是具有一定的差异性.刀盘与岩石相对刚度越大,地层相对较软,各滚刀推力越接近于平均值,刀盘以整体轴向位移为主,弯曲变形很小.反之,地层较硬,各滚刀分配的推力差异较大,刀盘整体轴向位移小,但产生明显的相对弯曲变形.为使滚刀受力均衡,应根据地层的软硬程度设计刀盘刚度并合理使用掘进参数.     

基于能量原理的TBM刀盘掘进参数与刀间距匹配特性分析

全断面岩石掘进机是立体化城市建设的重要隧道施工机械,其掘进参数(贯入度和刀盘转速)和刀间距的合理匹配是全断面岩石掘进机施工效能的关键因素,同时也是制约刀盘布局与拓扑结构设计的重要依据.基于能量原理,以刀盘转动产生的动能作为输入能量,以岩石破坏释放的能量与滚刀由于摩擦产生的摩擦功作为输出能量,借助CSM滚刀受力预测公式,建立包含地质参数、刀盘掘进参数、滚刀刀间距等多领域参数相匹配的TBM破岩能量守恒模型.应用此模型,以MB264-311-8030,mm TBM刀盘为工程实例,通过给定刀间距计算贯入度,最终得到最小比能约束条件下的刀盘开挖时的刀盘转速介于经文献查阅得到的刀盘驱动基本参数,说明从合理能耗考虑刀盘的掘进转速模型具有一定的工程意义,也为多参数耦合刀盘刀具布置优化设计提供了理论参考.     

基于集成Dropout-DNN模型的盾构掘进速度预测方法

为了提升土压平衡盾构机的掘进速度预测精度,提出一种集成Dropout-DNN模型的盾构掘进速度预测方法。依据济南地铁R1线盾构隧道段工况数据,将数据集划分为五份,并选取刀盘转速、刀盘扭矩、总推进力、螺机转速、土仓压力这五个参数为输入参数,分别建立了五个Dropout-DNN模型并进行集成实现了盾构掘进速度的预测,进一步对不同的预测方法进行了对比分析。研究结果表明：各Dropout-DNN模型预测精度具有一定的差异性但基本良好,其决定系数均大于0.6、平均绝对百分误差均小于10%,而集成的Dropout-DNN模型决定系数为0.695、平均绝对百分误差小于5%,可见集成模型预测精度较高；基于BP神经网络、DNN模型实现的盾构掘进速度预测模型其决定系数分别为0.502、0.566,可见提出的集成Dropout-DNN模型预测精度提升明显。     

基于改进支持向量机的作物叶水势软测量建模

在标准最小二乘支持向量机(least square supportvector machine,LS-SVM)的基础上,利用改进的粒子群算法(i mproved particle swarmopti mization,IPSO)来优化LS-SVM模型参数,提出了基于IPSO-LS-SVM的软测量建模方法,建立了作物叶水势软测量模型.仿真结果表明,该方法比基本LS-SVM和PSO-LS-SVM模型具有更高的精度,能够很好地预测作物叶水势信息.     

支持向量机近似模型的参数选取及其在结构优化中的应用

针对非线性结构响应预测的支持向量机(SVM)近似模型的参数选取问题,提出了应用粒子群算法进行参数优化,建立了具有最优参数的SVM近似模型,并与以训练集数据建立常规的SVM、二阶响应面(RSM)和径向基神经网络(RBFNN)近似模型进行对比.结果表明:以优化参数建立的SVM近似模型比常规的SVM近似模型有更好的预测能力;可以避免RSM和RBFNN近似模型中的过拟合现象,具有更优的推广能力.最后,将最优参数的SVM近似模型用于船舶结构优化中,取得了具有良好工程实用性的优化结果.     

基于支持向量机的结霜过程特性参数预测模型

为解决结霜过程中有明显的非线性和时变性特征及测试数据中受噪声干扰较大、特性参数预测效果较差的难题,引入了基于结构风险最小化的支持向量机方法,建立了以热力参数集、时间、空间等为特征向量的预测模型.应用实验数据对模型进行了验证和评估,并与基于最小二乘法的预测模型进行了对比分析.结果表明,基于支持向量机的预测模型具有良好预测性能、非线性逼近能力和抗噪声干扰能力.     

GA-SVM对上证综指走势的预测研究

将支持向量机和遗传算法结合,建立了一种智能数据挖掘技术(GA-SVM),并用于对上证综指市场走势进行了探索.在这个混合的数据挖掘方法中,GA用于RBF参数的设定以及特征集的选择,从而智能的找到SVM的最佳参数,减少SVM特征值的复杂度,提高了SVM算法速度.SVM用于判断未来股票市场的走势,并与统计模型、时间序列模型方法、神经网络进行了对比.实验证明,GA-SVM优于其他几种方法,这种方法对于股票上涨或下跌的预测研究是有效的.     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

基于粒子群优化的支持向量机用于直肠感知功能重建

针对临床上肛门失禁导致的直肠感知功能丧失,提出了一种基于粒子群优化(PSO)的支持向量机(SVM)重建患者直肠感知功能的方法.分析人体直肠压力生理特征,将典型直肠压力收缩波形中的巨大移行性收缩(HAPC)作为产生便意的主要依据,利用小波包分析对直肠压力信号进行特征提取,通过提取的特征向量对基于SVM的直肠感知预测模型进行训练,使用PSO算法对SVM的参数进行优化,并利用训练后的模型进行便意预测,同时对比分析了参数优化后的SVM和不同核函数的SVM便意预测的准确率.实验结果表明,所提出方法切实有效,能够帮助患者重建直肠感知功能.