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。

基于TBM施工的扰动程度预测模型初探

针对目前TBM施工过程中扰动程度研究的不足,通过TBM隧道施工过程中的掘进参数和地质、岩体参数的统计分析,提出了一种关于扰动程度D的定量模型。结果表明:贯入度指数FPI、掘进比能SE组合参数分别与UCS和GSI有较好的相关性;通过TBM掘进参数(ROP)和岩体参数(单轴抗压强度UCS和地质强度指数GSI),可快速量化评价不同围岩洞段的施工扰动程度D,为相关岩爆地质灾害的实时评判体系提供切实可行的思路。

基于CNN BiGRU RF模型的TBM掘进参数预测研究

作为井下巷道掘进的新工法,全断面隧道掘进机(TBM)有显著的经济效益,对TBM的掘进参数进行预测对于确保TBM的掘进效率具有重要意义。对现场获取的TBM数据进行清洗和预处理,利用皮尔逊相关系数法对模型输入特征进行筛选,并构建基于卷积神经网络(CNN)优化的双向门控循环单元(BiGRU)神经网络并通过随机森林(RF)进行集成的TBM掘进参数预测模型,实现对TBM掘进参数的预测。研究结果表明:选取与总推力和推进速率关联度最密切的刀盘转速、刀盘扭矩和贯入度作为特征参数;构建的CNN BiGRU RF模型预测掘进参数对总推力和推进速率的拟合优度R 2均值分别为0.950和0.966,均方误差MSE平均值分别为0.750和0.782,均方根误差RMSE平均值分别为0.866和0.885,平均绝对误差MAE平均值分别为1.054和1.007,并且回归评价指标MSE、RMSE、MAE相较于CNN BiGRU模型,分别降低2.497、0.966和0.386,R 2提升23.4%,证明CNN BiGRU RF模型的预测准确度和泛化性最高。该研究可为实际工程掘进参数预测提供指导,有助于推动TBM在煤矿的推广,保障TBM的施工进度。

基于集成CART算法的TBM掘进参数与围岩等级预测

全断面隧道掘进机(TBM)运行过程中将会产生大量可以反映当时地质状况的数据,旨在充分利用TBM运行数据,使用基于集成CART算法的随机森林和AdaCost,实现岩体信息实时感知与掘进参数智能优化。为建立快速、准确的TBM掘进参数与围岩等级预测模型,提出了一种掘进模式识别方法,将TBM掘进循环分为空推段、上升段与稳定段;并使用随机森林模型和上升段前30 s数据,实时预测稳定掘进时掘进推力与刀盘扭矩的取值,预测精度分别达到0.90和0.87;继而使用代价敏感的AdaCost算法预测围岩等级,解决了传统机器学习算法不适用于岩体级别数据不均衡的场景,相较于随机森林模型,对于IV级和V级岩体的预测正确率分别提升了16%与50%。此外,总推进力、刀盘功率、刀盘扭矩、推进速度等TBM运行参数被证明与TBM掘进情况密切相关;刀盘转速、撑靴压力、撑靴俯仰角、推进速度和撑靴滚动角等参数被证明能更好地反映围岩状况。这些认识与成果对TBM掘进参数优化和风险预警有着重要意义,并将为建立基于数据挖掘的TBM智能决策控制平台提供参考。

基于TBM破岩数据的岩体条件深度学习表征方法

基于TBM施工数据进行围岩感知对保障TBM施工安全、提高施工效率至关重要,其中TBM掘进参数预测的准确率是检验围岩感知效果的重要依据.为此,以吉林引松工程TBM四标段为研究对象,选取TBM上升段破岩数据为输入特征X1,选择两个施工控制参数(刀盘转速和推进速度)为输入特征X2,构建卷积神经网络机器学习模型,对TBM掘进响应参数Y(刀盘扭矩和总推力)进行预测.按照学习对象的不同,分别构建了只学习稳定段掘进响应行为的点预测模型和同时学习上升段和稳定段掘进响应行为的线预测模型,结果表明:点预测模型无法描述控制参数对掘进响应参数的影响;线预测模型虽然可以描述控制参数对掘进响应参数的影响,但是对稳定段的掘进响应预测数值偏低.考虑到上述局限性的原因是稳定段行为样本数量只占总样本数量的9%,提出了一种通过调节损失函数的方法来提高稳定段行为样本的权重,显著提高了线预测模型的预测精度.改进后的结果表明:在TBM掘进参数预测中,应对整个掘进段的行为进行学习,并提高稳定段行为的权重,以便获得高精度的掘进响应参数预测模型.获得的模型能够为进一步的围岩感知和控制参数优化提供基础.

大坡度斜井TBM溜渣试验研究及TBM优化设计

对山东文登抽蓄电站TBM渣片粒径、含水率、溜渣临界倾角等因素进行分析,对山东文登抽蓄电站TBM渣片粒径重新级配,开展利于出渣的渣片最优级配研究。基于试验结果,对斜井TBM刀盘、刀具布置、喷水及掘进参数进行优化,使斜井TBM出渣的粒径分布与含水率满足斜井自溜出渣的要求。研究结果对斜井TBM优化设计及掘进管理具有参考意义。

基于深度神经网络的围岩无侧限抗压强度预测

实时的围岩抗压强度预测能对TBM安全高效掘进有重要意义。针对现有技术难以实时获取隧道掘进机掌子面岩体参数的问题,基于青岛地铁1号线掘进过程产生的掘进参数数据,分别使用深度神经网络构建隧道围岩无侧限抗压强度实时感知模型。模型利用掘进阶段100s内总推进力、刀盘转速、刀盘扭矩、推进速度和撑靴压力等TBM运行参数数据实时预测掌子面围岩强度,平均预测精度达到72%,并系统研究模型的跨线路应用和模型跨区间应用问题。这些认识与成果对TBM掘进参数优化和风险预警有着重要意义,并将为建立基于数据挖掘的TBM智能决策控制平台提供参考。

基于机器学习的围岩无侧限抗压强度预测困境

使用随机森林,神经网络,支持向量机算法构建隧道围岩无侧限抗压强度实时感知模型。模型利用掘进阶段100s内总推进力,刀盘转速,刀盘扭矩,推进速度,撑靴压力TBM运行参数数据实时预测掌子面围岩强度,并系统研究模型的跨线路应用和模型跨区间应用问题。这些认识与成果对使用掘进参数预测围岩性质预测模型提出了新的要求。