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。     

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。     

TBM掘进速度预测模型研究

随着机械制造技术的进步,全断面岩石隧道掘进机被广泛应用于深、长、大隧洞的开挖,鉴于全断面岩石隧道掘进机(TBM)对地质条件十分敏感,且其前期投入巨大,采用合适的方法、准确地预测TBM掘进速度对TBM施工的进度安排和成本估计十分重要.基于纽约皇后NO.3隧道153组实测岩体参数(UCS、PSI、DWP、BTS、α)和TBM掘进速度(PR),分别采用BP神经网络和CART算法建立TBM掘进速度预测模型,与已有预测模型对比发现,CART预测模型预测精度更高更易于不同工程相互借鉴,且在部分岩体参数缺失的情况下也能对TBM掘进速度进行有效预测.     

基于改进AHP-PSO的三模盾构掘进模式地质适应性研究

为提出一种可靠的复合盾构各掘进模式地质适应性分析方法，根据地质条件、地质风险、设计参数和工程需求四方面评估了影响盾构掘进的关键参数，并基于AHP算法建立了三模盾构的土压、泥水、TBM三种掘进模式的地质适应性评价模型。同时，通过混合逻辑结构改进了AHP算法，并结合PSO算法提高了其一致性检验和权重求解的能力。最后，以广州地铁七号线二期工程萝岗~水西区间三模式盾构施工工程为例进行了三模式盾构地质适应性分析及掘进模式选取，研究得到的掘进模式选取方案在实际工程应用中取得了较好的掘进质量和掘进效率。该工程证实本文研究成果能对相关工程施工提供可靠的掘进模式选取方法。     

不确定性地质参数下硬岩掘进机动态特性与评价

针对硬岩掘进装备(Tunnel Boring Machine,TBM)作业地质条件变参数的特点,采用区间不确定理论来描述地层参数的不确定性.在此基础上,根据混合地层硬软岩的混合比例和地层分界面的倾斜角度分4种典型地质条件研究TBM的动态特性.通过对刀盘在掘进过程的受力分析,结合动力学模型,选取直线掘进和曲线掘进下的速度和角速度特性作为评价指标,最终评价TBM在复合地层中不确定参数条件下的动态特性.结果表明,随着地层中软岩比例的增加和地层分界面由竖直变为水平,TBM的动态特性变差.评价结果与TBM实际作业时情况相符,验证了该指标的可靠性和适用性.     

不同岩体质量隧道TBM施工性能评价方法

为了预测、评价、提升不同围岩质量隧道TBM施工能力,通过对国内外多个隧道工程TBM施工数据回归分析,建立了设备利用率、掘进速率等TBM施工性能指标随岩体质量的变化规律。统计结果表明TBM设备利用率与岩体质量指标RMR呈线性函数或二次函数关系、TBM掘进速率与岩体质量指标RMR呈二次函数关系;TBM设备利用率随岩体质量参数的增大而递增;TBM掘进速率随岩体质量参数的增大先升高再降低,在III级围岩时达到峰值;TBM施工速度随岩体质量参数的增大先升高再降低,在II级围岩时达到峰值。基于此,提出了不同岩体质量隧道TBM施工性能评价方法,并利用滇中引水工程香炉山隧洞TBM施工数据对该方法进行了验证。研究成果可用于预测拟建隧道TBM施工工期和评价在建隧道TBM施工性能。     

基于LS-SVM的TBM掘进参数预测模型

针对目前TBM数据挖掘能力和掘进参数优化预测分析的不足以及对未来TBM实现无人驾驶的展望,将最小二乘支持向量机（LS SVM）机器学习应用到TBM掘进参数预测中,从吉林引松工程TBM掘进数据中提取掘进上升段的刀盘扭矩、刀盘推力、总推力、推进速度这4个重要参数建立LS SVM预测模型,预测4个参数在稳定段的均值,并讨论了模型训练集大小、参数选取等对预测性能的影响。结果表明,以原始数据中均匀提取的样本、RBF核函数和10折交叉验证建立的LS SVM模型可以较为准确地预测稳定段中上述4个参数,验证了LS SVM机器学习预测TBM掘进参数的可行性。     

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。     

单护盾TBM通过不良地质洞段应对措施探讨

单护盾TBM掘进施工在不良地质段,特别是在无自稳能力、地基承载力较差的软弱含水砂岩地层时,极易出现刀盘及盾体被卡、栽头等事故,影响TBM的正常掘进。本文以甘肃省引洮供水一期工程总干渠7#隧洞单护盾TBM在不良地质段掘进发生的停机故障进行分析,重点介绍该工程TBM在通过不良地质洞段时存在的部分问题及应对措施,为类似工程提供经验参考。     

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.