基于改进PSO-LSSVM的TBM掘进速度预测研究

隧道掘进机（TBM）对于地质条件的高度敏感性以及TBM设备高度智能化和最终实现无人驾驶,对精准预测TBM掘进速度均提出了更高要求.为了未来实现TBM智能化控制,采用线性递减惯性权重对粒子群算法（PSO）进行改进,并把改进的粒子群算法和最小二乘支持向量机（LSSVM）相结合,建立了改进的PSO-LSSVM掘进速度预测模型.基于美国纽约Queens NO.3隧道的153组实验获得的岩体参数和现场实测掘进速度,采用SPSS软件进行了相关性分析,验证了参数的适用性,采用改进的PSO-LSSVM模型进行掘进速度预测,并通过与传统LSSVM模型和PSO-LSSVM模型进行对比发现：采用线性递减惯性权重改进的PSO-LSSVM预测模型的决定系数在训练集和测试集中均达到0.95及以上,均方误差在0.01以内,明显优于传统模型.本文所建模型在TBM掘进速度预测中有明显的精度优势,可辅助TBM智能化施工.     

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.     

基于数值仿真的复杂岩体TBM掘进性能评估模型

为了评估全断面隧道掘进机(TBM)在复杂岩体环境中的掘进性能,本文提出了基于数值仿真的全断面TBM掘进预测模型。首先,采用4D-LSM和DDA耦合模型数值重现工程尺度完整岩体和节理岩体的TBM掘进测试过程,分析全断面TBM掘进过程中刀盘的力学响应和岩体的破坏特征;其次,研究节理间距、节理方向、岩体单轴抗压强度以及脆性指数对可钻性指数的影响;最后,引入单神经元对数值仿真预测模型进行修正,并与岩体特征模型进行对比分析,验证基于数值仿真的全断面TBM掘进性能预测模型的适用性。研究结果表明：TBM在低强度、高脆性以及节理发育的岩体中掘进效率更高,当节理面与TBM掘进方向之间的夹角为60°～75°时,最有利于TBM的运行。基于数值仿真的TBM掘进性能预测模型提供了一种经济、灵活的可用于评估复杂环境中TBM施工性能的方法。     

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评估影响盾构掘进的关键参数,并基于层次分析法(analytic hierarchy process,AHP)算法建立三模盾构的土压、泥水、隧道掘进机(tunnel boring machine,TBM)3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AHP算法,并结合粒子群优化(particle swarm optimization,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7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三模式盾构地质适应性分析及掘进模式选取,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。     

考虑多源信息不确定性的TBM利用率预测

隧道掘进机(TBM)施工对地质条件非常敏感,一旦发生事故会造成严重的工期延误和巨大的经济损失。本文在对TBM利用率影响因素进行统计分析和对输入参数进行优选的基础上,以兰州水源地建设工程输水隧洞双护盾TBM施工实例为依托,将天牛须搜索优化方法与增强回归树算法进行耦合,提出一种考虑多源信息不确定性的TBM利用率预测模型(BAS-BRT);将该模型预测结果与粒子群优化-增强回归树耦合模型(PSO-BRT)预测结果进行对比分析,并通过现场实测数据验证TBM利用率预测模型BAS-BRT的有效性及其对典型地质段施工风险的适应性。研究结果表明：天牛须优化算法的自适应特点能够真实反映TBM施工中出现的不确定性问题,增强回归树算法可实现模型的全局最优化迭代,TBM利用率预测模型BAS-BRT具有较高的预测精度、较好的泛化性能,同时具有良好的并行处理能力与鲁棒性。     

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。