论文部分内容阅读
进入21世纪,隧道建设成为世界范围内基础设施建设的重要发展方向,相较于传统的钻爆法,全断面隧道掘进机(Tunnel Boring Machine,TBM)以其掘进效率高,施工扰动小,有利于环境保护等诸多优势被广泛的应用于长大隧道的建设。对TBM掘进效率的定量分析与预测关乎到TBM的高效掘进、工期排布和成本估计,对指导实际工程有重要意义。本文基于引汉济渭工程秦岭隧洞岭南TBM施工过程中的相关数据,得到深埋隧洞TBM掘进效率的主要影响因素,并针对深埋隧洞TBM掘进的特点,通过机器学习的方法,建立TBM净掘进速度预测模型,以期对类似条件下的隧洞施工提供借鉴。本文主要研究结果如下:(1)通过建立引汉济渭岭南TBM掘进效率数据库,对引汉济渭秦岭隧洞岭南TBM掘进效率影响因素进行定量分析,得到刀盘推力TF、扭矩T、转速RPM等机械参数与单轴抗压强度UCS、岩体体积节理数J_v等岩体参数是TBM净掘进速度主要影响因素。(2)利用随机森林算法对TBM净掘进速度的影响因素进行特征选择,得到刀盘推力TF、转速RPM、单轴抗压强度UCS、岩体体积节理数J_v四个影响权重较大的指标作为TBM净掘进速度预测模型的输入参数,提高模型的预测精度和收敛速度,增强预测模型的工程实用性。(3)建立基于多元回归、BP神经网络、支持向量回归三种方法的TBM净掘进速度预测模型,经过三种预测模型的对比分析,BPNN预测模型展现出相较于多元回归模型和SVR模型更好的预测性能和泛化能力,具体表现在拥有更高的预测准确度和预测稳定性。