基于TBM掘进大数据和特征参数的引水隧洞塌方分析

针对TBM掘进过程中缺乏对围岩质量和塌方风险快捷、精准的预测预警方法,通过对TBM掘进大数据的深入挖掘,结合对实际工程塌方数据的剖析,提出潜在塌方风险的辅助判断依据。首先,对冗杂、连续的原始采集数据进行预处理,获取高质量的分析数据;然后,基于参数的相关性分析提出围岩特征参数的计算方法,并围绕特征参数的合理性和适用性,通过理论推导、室内试验和现场原位掘进试验进行论证;最后,结合实际的TBM塌方案例分析特征参数与围岩地质情况的相关性,提出塌方风险快速判断依据。结果表明:基于TBM掘进数据获取的围岩特征参数在一定程度上反映了围岩质量,其数值与围岩质量正相关,当其数值显著降低、变幅超过69.2%时,当前的掘进循环极大可能存在塌方风险。

知识驱动和数据驱动在TBM智能施工机器学习中的应用

依托引绰济辽工程(YC)和引松供水工程(YS),从理论分析、统计检验等方面系统回顾并总结基于知识驱动方法提取的现场贯入指标FPI和扭矩贯入指标TPI在TBM智能施工机器学习中的应用。从智能预测围岩分类和掘进参数两方面出发,将基于特征参数的预测结果与通过数据驱动获得的结果进行比较。研究结果表明:通过知识驱动获取的参数FPI和TPI可以降低数据维度和噪音,提高预测效率。在围岩分类智能预测方面,知识驱动和数据驱动方法均表现出较好的精度水平;在掘进参数预测方面,知识驱动的预测精度远高于数据驱动。作者认为单独使用FPI和TPI或者将其与数据驱动参数结合,可以丰富TBM领域机器学习的输入参数,获得较好的预测成果。

基于滇中引水的TBM数据预处理与特征参数分析

TBM(全断面岩石掘进机)在掘进过程中会采集大量数据,数据类型丰富,总量庞大。但由于PLC采集数据的机制,原始数据规模庞大且包含了大量冗杂信息。本文基于标准化数据预处理,通过阈值设定,标准差划分等技术手段,以掘进段为单位对原始数据进行了初步分割,在此基础上进行了降噪和滤波,对异常数据进行了分类,基于处理后的数据对特征参数现场贯入指标(FPI)和扭矩贯入指标(TPI)进行了分析,研究了特征参数与围岩地质情况的相关性。结果表明:数据预处理程序能够较好的进行掘进段划分,经过处理的数据得到的特征参数质量高,与围岩地质情况有较好的关联度。

斜螺栓等级对盾构隧道接头受力和变形的影响

盾构隧道管片接头的性能对衬砌环的受力和变形有很大影响,尤其在软土地区,接头变形过大会造成渗水和漏泥等危害。以盾构隧道复合管片斜螺栓接头为研究对象,基于实际隧道工程,利用ABAQUS建立了复合管片及斜螺栓的三维实体模型,对管片环向斜螺栓接头在荷载作用下的受力及变形规律进行研究,分析不同等级普通螺栓和高强螺栓对接头错台量和张开量以及斜螺栓应力应变的影响。分析结果表明:斜螺栓接头承受正弯矩的能力优于负弯矩;采用高强螺栓能够有效的减小接头张开量,增大接头刚度,从而减小渗漏现象;弯矩较大时,螺栓等级越高,高强螺栓对错台量的控制越好;同样荷载条件下,高强螺栓应力大于普通螺栓,但应变较小,等级越高应变越小。

盾构隧道弯螺栓接头力学特性受预紧力影响的数值研究

利用ABAQUS有限元分析软件,通过数值模拟对盾构隧道弯螺栓接头在预紧力作用下的力学特性进行研究,为螺栓接头的设计和施工提供理论依据。采用符合混凝土受力特性的DP本构模型和符合钢材受力特性的塑性本构模型,研究预紧力对于弯螺栓接头力学特性的影响;施加不同的荷载,分析不同工况下预紧力作用效果的差异,揭示预紧力作用的机理。结果表明:预紧力改善了弯螺栓接头的力学特性,增强了螺栓约束管片的能力,减小了结构的整体变形。

基于扭矩贯入指标和神经网络的围岩质量预判方法

全断面岩石掘进机(TBM)的地质适应性较差,当遭遇不良地质条件或者围岩质量较差时,容易引发卡机、塌方等地质灾害,影响施工进度,威胁人员安全。基于此,首先通过TBM数据预处理,将原始数据分割为完整的掘进段,其次以掘进段为单位计算扭矩贯入指标(TPI),基于时间序列法和神经网络在掘进开始前对围岩质量进行预测,基于TPI的基尼不纯度,在掘进上升段对围岩质量进行判断。结果表明:TPI能够较好地反映围岩地质条件,基于时间序列法和神经网络能够较为准确地对TPI进行预测,通过TPI的基尼不纯度能够较好地对围岩质量进行判断。

基于卷积神经网络对TBM塌方段的反演分析

论文在已有研究工作的基础上,利用岩石扭剪掘进指标(TPI)和现场贯入指标(FPI),采用卷积神经网络和时间序列预测法,研究隧道掘进机(Tunnel Boring Machine,TBM)掘进塌方段分析和预测的可能性.吉林引松工程TBM大数据库中记录了199列施工期间的各项参数和18处塌方事件,数据总量大、质量高,具有很高的科研价值.基于上述数据,论文在输入功率与破岩效率相当的原理支持下,将某一循环段的现场贯入指标FPI和岩石扭剪掘进指标TPI作为机器学习的训练对象,对正常掘进段和石灰岩区域大规模塌方段K66+000-K66+350(桩号)进行了分析和预测.结果表明:塌方段实测FPI、TPI数值显著偏小,结合三项预测误差指标可判断"阳性",即TBM进入塌方段.相关研究成果为TBM领域的大数据机器学习提供了新的方法,为实现超前地质预警创造了有利条件.