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。     

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.     

基于鲸鱼算法的巷道掘进爆破参数优化与应用

合理的巷道掘进爆破参数组合是提高生产效率和改善掘进生产环境的重要因素。建立巷道爆破掘进经济数学模型,对在综合成本最少的前提下优化巷道掘进爆破参数。以钻孔、爆破、铲装、运输等工程技术环节为基础,建立巷道爆破掘进的综合成本为目的经济数学模型,形成目标函数。鲸鱼算法较传统的智能优化算法有着收敛速度快、稳定性好和操作简单的优势。利用鲸鱼算法对目标函数进行优化,最终得到最佳的爆破参数组合,即周边孔抵抗线为0.78 m,周边孔间距为0.64 m,崩落孔抵抗线0.95 m,崩落孔孔间距为0.90 m,炸药单耗1.21 kg/m3,并得到了矿山的爆破掘进最佳综合成本在29.9元/m3左右,可以为矿山爆破掘进的爆破成本控制提供参考。     

关于国内外使用TBM掘进隧洞的现状分析

本文介绍并分析了国内外使用TBM机的现状,为以后类似的隧洞工程TBM施工积累经验和提供技术参考。     

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。     

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。     

信息熵基本性质的研究

介绍了信息熵的基本概念及其在教学系统分析中的应用，并证明了信息熵的几个主要性质。     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,成功地运用于广泛的数值优化问题.PSO算法在求解高维复杂函数优化问题时容易陷入局部最优.有鉴于此,提出了一种基于信息熵的粒子优化算法.该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性.实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度.     

基于信息熵的局部二值模式手指静脉识别

为进一步提升手指静脉识别算法的识别率与识别速度,在图像处理阶段,提取出手指图像的感兴趣区域(region of Interest, ROI),减少手指周围区域的干扰。为提升识别率,在局部二值模式 (local binary patterns, LBP)的基础上,引入像素邻域之间的关系,增强LBP的识别性能;然后将信息熵与改进型LBP结合得到新的ELBP特征,最后采用主成分分析(principal component analysis,PCA)降维,以减少识别时间,去除冗余特征。通过对比欧氏距离与曼哈顿距离构建的分类器,与其他主流特征比较,验证算法的识别性能。在SDUMLA数据库与天津市智能实验室采集指静脉图像数据库上,保证了算法的识别速度前提下,分别取得了99.53%、99.84%的识别率,与其他识别算法相比识别率有明显的提高。     

基于熵权灰色关联分析的车辆行驶安全性评价

为客观评价车辆行驶安全性,系统分析了影响道路交通安全的人、车、路、环境等因素,运用层次分析法构建车辆行驶安全性评价指标体系;运用熵值法确定各指标权重,建立基于熵权和灰色关联分析的车辆行驶安全性评价模型。案例分析表明,影响车辆行驶安全性因素的重要程度为驾驶员因素车辆因素道路因素环境因素,模型评价结果与实际情况相符。     

基于信息熵的诊断过程认知信息流分析

从认识论和广义信息论的角度，认为故障诊断过程是一个认知主体借助多种认知工具进行状态辨识的过程，围绕故障认知的有关基本问题，可以从信息熵的传递过程加以解释。运用信息熵进行了数学推导，并阐明了诊断过程的认知信息流的流动过程。最后提出了建立多征兆域综合特征知识体的思路，以解决诊断信息先天获取不足和认知能力随复杂性降低的诊断知识获取问题。     

一种基于改进信息增益特征选择的最大熵模型文本分类方法

针对传统信息增益(IG)特征选择算法忽略词频分布的缺陷,该文提出一种新的IG特征选择算法.该算法通过引入均衡比和类内词频位置参数,解决了传统IG算法忽略词频分布对分类的弱化问题,修正传统类内词频位置参数,提高特征选择算法的文本分类精度,并将该改进IG特征选择算法用于最大熵模型(ME)对文本进行分类.实验结果表明:该文所提方法在进行文本分类时F1值高于传统IG算法.该文方法的ME分类精度高于K最近邻KNN(K-Nearest Neighbor)算法,说明本文方法是可行的、有效的.     

基于改进认知可靠性与失误分析方法的隧道驾驶人因可靠性分析模型

为有效预测驾驶人通过隧道时的人因失误概率,减少人为差错,提出一种基于改进认知可靠性与失误分析方法（cognitive reliability and error analysis, CREAM）的隧道驾驶人因可靠性分析模型。结合隧道驾驶任务的特点,调整共用绩效条件（common performance condition,CPC）,给出评估细则。使用模糊数将CPC因子的绩效效应值从确定值转换为概率值,以降低主观因素对评价结果的影响。考虑CPC因子间的相互影响关系,给出调整规则。最后建立基于贝叶斯网络的改进CREAM模型,确定控制模式。对隧道驾驶实例进行分析,计算驾驶人完成隧道驾驶任务的人因失误概率。结果表明,该模型可以准确计算隧道驾驶任务中的人误概率,且灵敏性比CREAM基本法更高,可为隧道交通人因可靠性分析提供支持。     

基于信息熵的自适应高斯金字塔的 LSD 算法改进

针对 LSD(Line Segment Detector)算法在对图像中连续的边缘进行提取时, 结果中常常呈现线段不连续的问题, 提出一种基于信息熵的自适应高斯金字塔的 LSD 改进算法。 该算法首先通过计算处理后的图像与原图之间的互信息熵, 确定高斯金字塔的层数与层内图像数量, 构建出自适应高斯金字塔; 其次使用改进的大津阈值, 根据图像的梯度峰值将图像分割成不同区域并计算相应梯度阈值, 分离出图像背景; 最后根据梯度角度寻找线段, 并通过赫尔姆霍兹准则验证线段。 仿真结果表明, 该算法解决了 LSD 算法提取线段不连续的问题;与其他流行算法 Hough 变换(Hough Transform)、 PPHT(Progressive Probabilistic Hough Transform)、 LSWMS(Line Segment detection using Weighted Mean Shift)、 LSD、 EDLines 比较, 能提取出更多有意义的线段。     

基于信息熵理论的综合评价方法

运用熵权赋值法求得评价体系各指标的客观权重,然后结合相应的主观因素,得出体系的综合权重,以体现主客观相结合的思想,使得评价体系更科学合理.以大学生综合素质评价体系为例说明这一评价方法的实用价值和意义.评价结果最大程度地贴近实际,更加合理规范.     

基于信息熵的证据融合方法

通过引入信息熵和确定性指数概念,利用证据的确定性指数对原始证据进行修正,并对不确定性概率指派重新分配.利用修正后的证据提出了新的融合方法,算例表明此方法能有效处理证据高冲突的融合问题,得出合理的融合结果.     

基于二维直方图信息熵的图像检索方法

针对传统颜色直方图完全丢失颜色的空间分布信息的缺点,提出了基于二维直方图信息熵的图像检索方法。该方法不仅利用了图像象素的颜色统计信息,还用到了相邻像素之间的相关性及颜色在图像内的空间分布特征,充分考虑到了图像的颜色统计、空间信息等特征。首先提取出图像的二维直方图特征;接着,为降低特征的维度,计算出二维直方图相应的信息熵并用其进行相似性度量。实验表明该方法实现简单,而且能够较准确地描述出图像的颜色统计、空间分布等信息,从而有效地提高了检索的精度。