论文部分内容阅读
随着全断面隧道掘进机(TBM)在我国的快速发展和广泛应用,TBM的安全高效掘进和智能控制显得越来越重要,而TBM性能的准确预测是实现安全高效掘进和智能控制的前提。但是由于地质条件多变,岩-机相互作用复杂,且TBM对地质条件极其敏感,所以,TBM性能预测一直是业内的难题,亟待解决。 为了建立指标统一且简明易得、模型形式简单、能够实时连续预测且高精度的TBM性能预测模型,本文依托吉林引松供水隧洞工程,借助中铁装备TBM云管理平台,根据大量施工现场实测数据,运用线性回归法总结出了TBM整机现场破岩掘进规律及围岩性质参数对其的影响,并在此基础上建立了一个包含岩石参数和机械参数的TBM性能预测模型。同时,为了解决TBM机械数据挖掘深度不够和传统数学分析工具能力有限的问题,引入了深度置信网络DBN,并对其进行高斯分布输入特征值优化,在此基础上提出了一种了基于历史掘进位移序列数据和DBN模型的TBM性能预测方法。本文采用实验法确定了DBN的最优网络结构,分别建立了TBM在闪长岩洞段、灰岩洞段和花岗岩洞段的贯入指数FPI和滚动指数TPI的预测模型,并对预测模型在不同岩性和不同围岩级别下的有效性进行了验证,最后对DBN模型和传统的BP网络模型进行了对比分析。本文得到的结论如下: (1)TBM刀盘破岩分为挤压、起裂和破碎三个阶段,破碎阶段刀盘贯入度增长快,为有效破岩阶段。破碎阶段刀盘贯入度随刀盘推力增大呈幂函数增长,增长率与岩石饱和单轴抗压强度、岩体完整性系数呈复杂的对数关系;刀盘贯入度随刀盘扭矩加大呈线性增长,增长率随岩石饱和单轴抗压强度、岩体完整性系数增加而线性降低;刀盘贯入度与贯入指数FPI呈幂函数关系;同一贯入度下,围岩质量越好,贯入指数FPI和滚动指数TPI越高。 (2)基于历史掘进位移序列数据的DBN模型用于TBM性能预测是有效的、高精度的,可实现实时、连续预测。DBN模型在闪长岩、灰岩和花岗岩洞段的预测结果平均相对误差均在20%以内,大部分小于15%,除少部分花岗岩洞段拟合度位于0.5~0.7之间,拟合度均高于0.8。 (3)DBN模型相对于传统的BP网络模型在TBM性能预测方面普遍更具优势,不同岩石种类,不同围岩级别和不同的性能指标,在误差、拟合度和趋势预测准确率方面优越程度不一样。 (4)TBM性能预测模型应根据掘进过程获取的岩石信息和机械信息的实际情况,合理选择建模参数和方法,在统计回归等传统方法上更多地引入神经网络等智能方法,提高模型预测精度,以更好地对地质条件进行预判和反馈,指导TBM施工。