基于门控循环单元的全断面掘进机稳定段掘进性能预测

全断面隧道掘进机(tunnel boring machine, TBM)一个正常掘进循环分为空推段、上升段和稳定段3个阶段,其中稳定掘进段为主要施工阶段,稳定段掘进性能的好坏是TBM掘进的关键。为实现TBM安全高效掘进,建立一种基于门控循环单元(gated recurrent unit, GRU)神经网络的预测模型,预测TBM稳定段掘进性能。模型以新疆某供水工程Ⅱ标段TBM施工数据为依托,5种掘进循环上升段主要参数的时间序列数据作为主要输入,围岩等级作为辅助输入来考虑岩体对掘进性能的影响,输出为稳定段的总推进力和刀盘扭矩,为稳定段TBM性能预判提供参考。为显示预测效果,对比传统循环神经网络(recurrent neural network, RNN)预测模型,并分析不同长度时间序列输入对模型预测精度的影响。结果表明:GRU模型预测拟合优度均在0.9以上,平均绝对百分比误差均小于12.25%,同时能够适用不同长度时序输入。由此可见,所建模型具有较高预测精度,泛化能力较好,能够辅助预判掘进机稳定段性能。

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。

硬岩隧道掘进机性能预测模型研究进展

由于硬岩隧道掘进机(TBM)对地质条件极其敏感,且前期投资较大,准确预测特定地质条件下的TBM性能对于隧道施工方法选择、施工进度安排和成本估计至关重要,同时也是隧道行业内的热门话题。首先回顾国内外TBM性能预测模型的研究进展,对目前常用的TBM性能预测模型进行较为详细地介绍。基于对理论模型和复杂经验模型(总计17个)中使用的岩体参数和机器参数的频率统计,发现影响TBM性能的岩体参数主要包括不连续面间距、岩石单轴抗压强度、不连续面和隧道轴向之间的夹角、隧道直径和岩石脆性等;影响TBM性能的机器参数主要包括单刀推力、刀盘转速、刀具直径、刀间距、刀尖宽度和滚刀岩石接触角等。基于统计结果论述各参数对TBM性能的影响,最后根据国外TBM性能预测模型的发展历程对国内开发TBM性能预测模型提出一些建议。

基于贯入度指数的TBM围岩可掘性分级研究

隧道掘进机(TBM)前期投入巨大,合理划分TBM可掘性分级并给出施工参数建议值对预测施工工期、控制成本等有重要意义。以深圳地铁6号线6101标段大浪站石岩站区间羊台山隧道TBM施工项目为背景,首先以贯入度指数FPI为掘进性能评价指标,通过Spearman相关性分析FPI作为评价指标的合理性;在此基础上以FPI为输入参数分别建立掘进贯入度、刀盘推力和掘进速度预测公式,并基于羊台山隧道右线掘进数据进行可靠性验证;基于k-均值聚类方法,以FPI为聚类指标,划分出可掘性等级,并根据掘进参数预测公式,给出了对应可掘性等级的掘进参数建议值。结果表明:(1)FPI能够在一定程度合理反映TBM施工中的岩机关系,可作为掘进性能评价指标;(2)建立的TBM掘进参数预测公式,相关性系数R2分别为0.75、0.98和0.97,相关性良好,能够准确为TBM掘进提供预测参数;(3)根据建立的TBM可掘性分级方法将围岩划分为5级,确定了不同等级下掘进参数值。