论文部分内容阅读
采用TBM进行隧洞施工速度快,掘进效率高,尤其在超长距离的隧洞工程中,TBM施工带来的经济效益更加显著。在实际工程中,为了进行可行性论证、经济效用评估和风险控制等,需要对TBM的掘进效率等指标进行预测,判定围岩的可掘进性。在影响掘进效率的因素中,围岩地质条件是影响TBM掘进效率的主要外部因素,TBM施工条件下的围岩分级应重点考虑岩体的可掘进性。为了建立可靠的施工预测模型,预测施工效率,本文采用粒子群(PSO)优化的支持向量回归算法(SVR),通过分析掘进效率的影响因素,确定了三项围岩参数——单轴抗压强度(UCS)、软弱结构面平均间距(DPW)、结构面与隧洞轴线的夹角(α),和掘进效率指标——贯入度指数(FPI),分别作为模型的输入和输出参数,建立了TBM掘进效率预测模型。同时,将PSO-SVR模型和其他理论下建立的模型进行了对比分析。在此基础上,依据围岩参数和贯入度指数(FPI)之间的相关关系,提出了一种新的TBM施工条件下的围岩分级方法。主要取得以下成果:(1)借助粒子群(PSO)算法,优化了支持向量回归(SVR)算法在回归拟合过程中的关键核参数选取,使得支持向量回归算法能够取得最优的适应度,达到最优的回归拟合效果。通过本文研究,进一步验证了PSO-SVR联合算法的先进性。今后可以将该方法应用到其他回归预测问题的处理中。(2)与线性回归、非线性回归、神经网络理论进行对比,PSO-SVR模型的预测准确度最高。表明PSO-SVR预测模型在预测准确度上相比其他理论方法有较大提高。(3)本文依据贯入度指数(FPI)和岩石可掘进性之间的关系,在PSO-SVR预测模型的基础上建立了TBM施工条件下的围岩分级图。通过围岩参数和机器设备参数预测出FPI值,然后根据围岩分级图即可快速判定围岩的级别,评估围岩的可掘进性。