基于VMD与加权RF的TBM掘进速度预测SHAP解释模型

为较准确地实现TBM掘进速度(PR)的预测,构建一套基于加权随机森林(RF)结合变分模态分解(VMD)的集成学习预测模型。模型建立过程中,通过收集来自KS隧洞与兰州水源地输水隧洞中涵盖不同岩性下的数据,利用VMD对数据进行4次模态分解,在保留数据特性的同时去除最高频噪音;采用SHAP对未加权传统RF从模型贡献角度进行特征度量,以此实现未加权传统RF加权,并使用RFECV与网格搜索对加权RF进行特征遴选、超参数优化;通过实际工程对模型的性能进行验证,基于SHAP理论对模型从全局与局部进行解释。结果表明:1)所建模型预测精度较高,其在测试集上的均方根误差(MSE)、平均绝对误差(MAE)与决定系数(R^(2))分别为0.0649(m/h)^(2)、0.1875 m/h、0.9254。2)在实际工程的验证中,模型取得了MSE=0.0503(m/h)^(2)、MAE=0.1613 m/h、R^(2)=0.9505的性能表现,精度理想,且性能均高于常用的深度神经网络、支持向量回归、未加权传统RF。3)经过VMD处理可有效提升PR的预测精度,处理后的模型在测试集上MSE、MAE、R^(2)分别提升了82.50%、59.00%、33.25%。4)岩石单轴抗压强度是精准预测PR时最重要的因素,地质参数在预测中的交互性明显优于掘进参数。预测分析重要洞段的PR时,需结合全局与局部2个角度进行综合分析。

不同工况下的TBM掘进性能预测方法

隧道掘进机(Tunnel Boring Machine,TBM)的掘进速度经常被用于掘进性能评价和工期成本预测,但大多数掘进速度预测模型是基于单一特定工程得出的,致使模型的普适性差。另外,在勘察规划阶段,预测工期时,刀盘转速的选择依赖人工经验,缺少理论指导。所以,研究了基于多个不同直径和不同围岩的TBM工程数据,统计分析了刀盘转速的分布规律及现场贯入度指数(Field Penetration Index,FPI)与地质参数和贯入度(Penetration,P)的相互关系。结果表明:FPI与地质参数和P显著相关。地质参数与掘进参数是影响掘进速度的主要因素。基于此,建立了FPI预测模型、P预测模型和刀盘转速选择的计算模型,进而得出了掘进速度预测模型。该模型的准确性和可靠性经新疆YE(YinEr)工程的现场验证分析,平均预测误差为15.15%,效果良好,能够为勘察规划阶段工期成本预测提供理论支撑。

悬臂掘进机性能预测模型研究进展

悬臂掘进机性能预测是一个至关重要的问题,对其性能的准确评估可以显著降低工作成本,提高项目的生产率。回顾了悬臂掘进机性能预测模型的研究进展,对国内外常用的悬臂掘进机性能预测模型进行了详细介绍,并对其使用的岩体参数和机器参数的频率进行了统计,发现影响悬臂掘进机性能的岩体参数主要包括岩石单轴抗压强度、岩石质量指标、隧道轴线与软弱平面之间的夹角、巴西抗拉强度等;影响悬臂掘进机性能的主要机器参数主要包括截割功率、机器自重、钻进深度、切削厚度等。基于统计结果论述了各参数对悬臂掘进机性能的影响。最后,根据国内外悬臂掘进机性能预测模型的发展历程提出了一些新的开发建议。

考虑不确定性的TBM施工速度加权随机森林预测模型

TBM施工速度影响因素众多,具有显著的不确定性。对于地质参数的模糊性,采用岩体分级系统RMR、岩石耐磨性CAI和岩石硬度H衡量地质条件;对于施工过程中机械参数的随机性,利用TBM刀盘推力TF与转速RPM等主动控制参数进行分析;同时提出以其他因素停机时间占比来量化人为因素的不确定性。依托兰州水源地建设工程输水隧洞双护盾TBM施工实测数据,建立了考虑不确定性的TBM施工速度预测数据库和加权随机森林算法模型,并与随机森林、支持向量回归、BP神经网络等预测方法进行了对比分析。研究表明,加权随机森林模型中测试集的预测结果均方根误差和决定系数分别为1.59,0.97,预测精度及可靠性均优于其他3种模型。该模型采用不同权重赋值的方法优化超参数,具有高精度、不易过拟合等优点,表现出更好的泛化能力和鲁棒性。

TBM掘进速率区间预测Bootstrap-IHHO-BiLSTM模型

针对现有隧道掘进机(TBM)掘进速率预测模型多采用点预测模型,缺乏考虑因模型结构主观选择、模型参数随机设置和数据随机噪声等导致的不确定性问题,本文提出基于Bootstrap方法和改进哈里斯鹰优化双向长短时记忆网络(BiLSTM)的TBM掘进速率区间预测模型。首先,建立基于改进哈里斯鹰(IHHO)优化BiLSTM网络的TBM掘进速率点预测模型,揭示稳定段掘进速率与上升段刀盘推力、扭矩、转速等掘进参数之间的相关性和时间依赖性;其中,采用基于混沌映射、参数非线性化和混沌搜索策略改进的哈里斯鹰算法对BiLSTM网络超参数进行优化,提高建模效率和精度。进一步地,采用Bootstrap方法对模型不确定性和数据中的随机不确定性进行量化,获得清晰可靠的预测区间。将所提模型应用于引汉济渭秦岭隧洞工程中,开展I~III类围岩条件下的TBM掘进速率区间预测,并将结果与BiLSTM-HHO模型、BiLSTM模型、BP神经网络模型对比,证明了本文模型的优越性。

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。

基于LSTM-GRU模型的TBM掘进参数时序预测研究

隧道掘进机(TBM)施工效率对于地质条件的高度敏感性,以及TBM设备智能控制并最终实现无人驾驶,都对在复杂地质条件中精准预测TBM掘进参数提出了更高要求。为精准预测不同等级围岩下TBM的掘进速度、总推力、刀盘转速和刀盘扭矩,基于向原始数据学习和向误差学习的双学习机制,建立了掘进参数时序预测模型LSTM-GRU,并对某引水工程隧洞TBM施工实例进行了计算分析,验证了模型的有效性。最后选用决定系数R 2、均方根误差、平均绝对误差、平均相对误差等4个参数,分别与广义回归神经网络GRNN、长短时记忆网络LSTM以及门控循环网络GRU的预测结果进行比较分析,结果表明,Ⅱ级围岩和Ⅲ级围岩下,LSTM-GRU模型的预测精度更高。研究结论可为隧洞工程TBM施工控制提供参考。

复合地层小直径隧道掘进机掘进速度区间预测

合理准确预测隧道掘进机(tunnel boring machine,TBM)的掘进速度是实现TBM智能化控制的关键问题之一,复合地层小直径TBM施工的不确定性较常规地质条件更强,而传统预测方法对施工过程的不确定性考虑不足。在此通过引入区间预测方法,提出基于4种不同Bootstrap方法结合KELM-ANN模型的TBM掘进速度区间预测模型,并以南水北调安阳输水隧洞工程为例,选取142组工程实测数据验证区间预测模型的有效性。研究结果表明:基于Rademacher分布建立的模型预测结果优于其他3种方法,不仅可以得到较好的点预测结果,还可以构造出较为清晰可靠的区间将掘进速度实测值完全包络在内;随着置信水平的提高,区间可容纳的不确定性和风险也逐渐上升,通过变化区间宽度,能较好地量化和解释TBM施工过程中的不确定性因素对掘进速度的影响。研究结果可为TBM掘进性能预测和掘进参数优化提供参考。

深埋隧道TBM掘进参数LSTM时序预测模型及应用研究

基于直径为7.8 m的深埋硬岩隧道掘进机(TBM)隧道现场掘进数据与地质数据,提出一种基于长短期记忆(LSTM)神经网络的TBM掘进参数时序预测模型,选择转速、扭矩、推力、净掘进速度、施工速度和开挖比能作为模型的输入变量和输出变量。为了评估地层条件对LSTM模型预测精度的影响,分别建立不同围岩等级下的掘进参数预测模型,对预测结果进行误差分析,并将LSTM模型与传统回归模型的预测结果进行对比。研究结果表明:围岩等级越高模型预测精度越高,施工速度在各级围岩中的预测效果最差,推力和净掘进速度的预测效果最好;LSTM模型的相对误差率、拟合优度、平均绝对百分比误差、均方根误差均明显比传统回归模型的更优。

岩石隧道掘进机的施工预测模型

分析了岩石隧道掘进机的破岩机理,介绍了自上世纪70年代以来发展的一系列施工预测模型,包括单因素预测模型、综合预测模型(CSM模型和NTNU模型)、岩体分类预测模型(QTBM模型)、概率模型、模糊神经网络模型。单因素预测模型中包括的主要岩石材料参数有岩石单轴抗压强度、抗拉强度及岩石的总硬度;CSM模型主要是基于线性切割试验机岩石试验数据,其初始预测模型中包括岩石单轴抗压强度及抗拉强度;NTNU模型是一套完整的预测模型,包括掘进速度、进度预测、刀具的磨损预测及经济分析,在它的施工进度预测模型中,考虑到了岩石的可钻性、孔隙度及岩体节理的密度及方向;QTBM模型源自于Q系统,加入了一些与隧道掘进机及与掘进速度相关的参数;概率模型是基于一个庞大数据库的类比模拟模型;模糊神经网络模型是一种黑箱模型,克服了输入与输出之间的不确定性关系。

基于模糊推理的悬臂式隧道掘进机工作性能预测方法

悬臂式隧道掘进机的工作性能一般采用其进行隧道铣挖的瞬时切割速率来综合度量,它是其进行隧道铣挖施工的适应性及其设备选型的重要依据。为了预测悬臂式隧道掘进机铣挖瞬时切割速率,结合其主要受隧道围岩岩性与施工设备条件控制的特点,本文首先选取岩石单轴抗压强度、岩石质量指标和悬臂式隧道掘进机截割功率作为预测指标,建立出铣挖瞬时切割速率预测模型;然后,考虑影响因素的模糊不确定性特点,提出基于模糊推理理论(包括模糊化、模糊规则库、模糊推理机和去模糊化)的铣挖瞬时切割速率预测方法。该方法不仅可全面反映隧道围岩岩性及施工设备条件的影响,还可反映相应各影响因素的模糊不确定性。最后,通过与现有方法分析和实测结果的比较分析,表明了本文模型与方法的合理与可行性。

基于PSO-LSSVM算法的隧道掘进机掘进参数预测方法

为了规避隧道掘进机(tunnel boring machine,TBM)掘进参数人为设定的主观性,提出了一种基于粒子群-最小二乘支持向量机算法(PSO-LSSVM)的TBM掘进参数预测方法。通过从海量TBM工程掘进数据中探寻参数变化规律,降低了TBM主司机设定掘进参数的主观性,辅助其合理选择掘进参数,有利于提高掘进效率、规避工程风险,经实验和工程数据验证,PSO-LSSVM算法通过对样本粒子全局迭代寻优来优化参数,提升了预测算法泛化能力和预测精度,对推力、扭矩和推进速度参数预测数值偏差满足要求,可辅助指导主司机设定掘进参数。

掘进机性能预测模型研究

掘进机对开挖软岩到中等强度的岩层具有独特的能力和灵活性,因此广泛应用于地下采矿和隧道作业中,对设备的生产能力准确预测是掘进机成功应用的关键问题之一。从试验法、经验法和人工神经网络方法 3个方面,介绍现有的掘进机性能预测模型及其建立背景。通过掘进机瞬时生产率的主要影响因素和统计数据,可进一步完善性能预测模型,并为设备选型和成本估算提供一定的依据。

TBM隧道岩石可掘性评价指标及其应用研究综述

TBM(Tunnel Boring Machine)掘进施工成本中,刀具的磨损占比很高,这通常是由于TBM的刀具设计与岩石强度及硬度不匹配。因此需要对TBM隧道岩石进行可掘性评估,为刀具设计及施工参数确定提供依据。岩石可掘性评价在TBM围岩分级、掘进效率预测等方面十分重要,是评估TBM施工效率与成本的关键,但隧道TBM开挖过程中岩石可掘性的评价通常相当复杂,需要考虑许多参数,且至今国内外对可掘性这一指标尚未有标准化定义。通过文献检索,本文针对可掘性指标的定义,可掘性的研究应用等方面研究进展进行综述。结合已有的研究成果,对TBM可掘性未来的研究方向进行了展望。

TBM净掘进速度预测模型发展现状及参数分析

TBM净掘进速度预测模型能为隧道施工方法选择、施工进度安排和成本估算提供科学依据。本文对国内外32个典型模型开展参数定性和定量分析。根据各模型建模原理可将参数输入过程划分为按逻辑和组合关系输入、作为修正参数输入、直接输入参数三种类型。评价TBM掘进速度的岩体参数以单轴抗压强度、岩石质量指标、隧道与结构面夹角和岩石脆性指数居多,机械参数主要是单刀推力和刀盘转速。通过调整岩体工程特性关键参数影响区间以及引入机械参数,可将钻爆法岩体分类(RMR、RSR、Qsystem)应用到TBM净掘进速度预测。模型参数选取需要权衡简易性和准确性,参数太少虽然简易但影响预测精度,参数过多会导致实际操作繁琐而不利于工程广泛应用。参数选取合理、组合恰当以及权重分配符合实际是净预测模型准确可靠的关键,随着对掘进过程和破岩机理的深入理解,开展与岩-机作用相关的新评价参数研究将是未来发展趋势。

利用PLSR-DNN耦合模型预测TBM净掘进速率

科学预测隧道掘进机(TBM)净掘进速率,对于隧道(洞)工程施工方法选择、施工进度安排以及成本估计具有重要意义。鉴于TBM施工过程具有高度非线性、模糊性和复杂性等特征,为提高TBM净掘进速率的预测精度和计算效率,采用偏最小二乘回归(PLSR)提取影响参数主成分,再利用深度神经网络(DNN)进行训练预测,提出了一种基于PLSR-DNN耦合方法的TBM净掘进速率预测模型。基于兰州水源地建设工程输水隧洞双护盾TBM施工实测数据,选择岩石单轴抗压强度、单轴抗拉强度、刀盘推力、刀盘转速、岩体完整性系数和岩石耐磨性指数,共6个影响参数,验证了模型预测的合理性,并对不同预测方法的拟合精度和预测精度进行了对比分析。研究结果表明:(1)偏最小二乘回归可有效克服自变量之间的多重共线性问题,将提取的主成分作为深度神经网络的输入层进行训练,简化了神经网络结构;(2)PLSR-DNN耦合预测模型避免了过拟合与拟合不足问题,具有收敛速度快,求解稳定和拟合精度高等特点;(3)PLSR-DNN耦合预测模型平均相对拟合误差2.96%,平均相对预测误差3.27%,其拟合精度和预测精度均明显高于偏最小二乘回归模型、BP神经网络模型以及支持向量回归(SVR)模型。

基于现场数据的TBM可掘性和掘进性能预测方法

以东北某特长隧道TBM工程为背景,基于直径8.5 m开敞式TBM现场实际掘进数据,在进行贯入度指数FPI与主要地质因素间相关性分析的基础上,建立了贯入度指数FPI与关键地质因素岩石单轴抗压强度USC和岩体完整性系数Kv之间的多元回归关系式;进一步建立了TBM掘进贯入度P与FPI之间的拟合关系式,以及推进力F与FPI之间的拟合关系式。按照上述关系式对给出岩石抗压强度USC和岩体完整性系数Kv的TBM工程就可进行可掘性分析,并计算出贯入度、掘进速度和所需推进力。

基于岩体指标和掘进参数的TBM净掘进速率预测模型

净掘进速率是TBM施工速度的主要评价指标,与围岩物理力学性质、TBM掘进参数之间存在一定相关性。文章以兰州水源地建设工程输水隧洞双护盾TBM施工为背景,基于现场实测数据,选择岩石单轴抗压强度、抗拉强度、变形模量、泊松比、岩石耐磨性CAI值等岩体指标,以及刀盘推力和刀盘转速等掘进参数,进行TBM净掘进速率与有关影响参数之间的单因素相关性分析,得到相应拟合公式;基于TBM净掘进速率与岩体指标、掘进参数之间的相关性,利用多元非线性回归方法建立了TBM净掘进速率预测模型。通过将兰州水源地建设工程输水隧洞实测TBM净掘进速率和预测结果进行对比,验证了TBM净掘进速率预测模型的合理性。研究结果表明:(1)在复杂的多种地质条件下,TBM净掘进速率与岩石单轴抗压强度、抗拉强度、变形模量、岩石耐磨性CAI值、刀盘推力以及刀盘转速呈负相关关系,与泊松比呈正相关关系;(2)干湿状态对岩石耐磨性CAI值有一定影响,饱和状态下岩石耐磨性CAI值与TBM净掘进速率之间的相关性更显著;(3)建立的多元非线性回归预测模型,预测精度较高,可为相似地质条件下TBM净掘进速率估算提供参考。

岩石隧道掘进机可掘性评价方法研究

为了解决岩石隧道掘进机可掘性预估不准导致隧道施工工期和成本失控的问题,针对国内外5个TBM法隧道工程267组数据,统计分析了TBM可掘性指标与岩体质量参数的回归关系.统计结果表明:贯入度指数与准岩体单轴抗压强度的关系建议采用线性回归关系,岩体基本质量指标与准岩体单轴抗压强度呈对数函数关系,贯入度指数与岩体基本质量指标呈二次函数关系.基于岩体基本指标、准岩体单轴抗压强度、TBM贯入度指数三个指标,建立了不同级别围岩TBM可掘性评价方法,并给出了不同级别围岩条件下TBM掘进参数的控制策略.研究结果可指导不同围岩条件下TBM掘进参数调控和高效掘进.