基于Monte Carlo-BP神经网络TBM掘进速度预测

预测隧道工程中TBM掘进速度,主要有完全经验的、半理论半经验的模型和人工智能等方法,所用参数均为确定性的,未考虑参数存在的随机性,故导致预测结果的不准确性。基于此,提出了Monte Carlo-BP神经网络TBM掘进速度预测模型,着重考虑了一些重要输入参数的随机性,其中输入参数重要性的大小通过粗糙集进行计算排序。采用Monte Carlo产生随机数时,由于参量的样本数据的有限,分布函数均采用阶梯形经验分布函数。如果采用的数据是来自不同类型的TBM,则应当考虑机器性能参数,并重新对参数重要性进行排序。实例计算表明,Monte Carlo-BP神经网络模型预测结果和实测值总体趋势和均值比较一致。

基于Matlab的BP神经网络在预测TBM掘进速度中的应用

TBM的掘进效率受围岩特征和机器设备性能的影响,预测TBM的掘进速度需要考虑这两方面因素。由于地质环境具有不确定性,文章分别采用正态分布和指数分布模拟岩石单轴抗压强度UCS和岩石质量指标RQD的统计分布规律,利用Monte Carlo算法生成相应的随机输入参数;在考虑机器设备性能因素时,通过净推力和刀盘直径的比值,消除了不同机器设备之间性能因素的影响差异;基于围岩和机器性能两方面输入参数,在Matlab软件中建立了预测TBM掘进贯入度的BP神经网络模型。通过工程实例验证,模型的预测结果和实际情况比较接近。

TBM掘进速度预测模型研究

随着机械制造技术的进步,全断面岩石隧道掘进机被广泛应用于深、长、大隧洞的开挖,鉴于全断面岩石隧道掘进机(TBM)对地质条件十分敏感,且其前期投入巨大,采用合适的方法、准确地预测TBM掘进速度对TBM施工的进度安排和成本估计十分重要.基于纽约皇后NO.3隧道153组实测岩体参数(UCS、PSI、DWP、BTS、α)和TBM掘进速度(PR),分别采用BP神经网络和CART算法建立TBM掘进速度预测模型,与已有预测模型对比发现,CART预测模型预测精度更高更易于不同工程相互借鉴,且在部分岩体参数缺失的情况下也能对TBM掘进速度进行有效预测.

基于相关向量机的TBM掘进速度预测模型

TBM具有安全性强、施工效率高等优点,在隧道施工尤其是长距离隧道施工中得到广泛应用。TBM掘进速度受多个因素影响,各因素本身除了具有较强的不确定性以外,还存在着复杂的关联关系,难以建立精准的速度预测模型。文章提出一种基于相关向量机的TBM掘进速度预测模型,该模型通过对样本的学习,可以建立各因素与掘进速度的非线性映射关系,精准预测仅知道影响因素的预测样本。将该模型应用于TBM掘进速度预测,结果表明,该方法具有精度高、容易实现和离散性小等优点,为TBM掘进速度预测提供了一条新途径。

TBM掘进速度及影响因素浅析

TBM隧洞施工是以掘进作业为核心,以掘进、支护、出渣运输为主要作业,通风、供电、供水、排水等为辅助作业进行的。TBM的掘进速度直接制约着整个隧洞施工的直线工期。本文总结了TBM隧洞施工中的经验,对TBM掘进速度及影响因素作了简要分析。

基于4种超参数优化算法及随机森林模型预测TBM掘进速度

为控制项目成本及规划施工流程,需对隧道掘进机(Tunnel boring machine, TBM)的掘进速度(Rate of penetration, ROP)提供可靠的预测模型.为解决这一问题,大量经验公式或者数值模型已被广泛应用于理论研究和实际工程.虽然其中一些方法具有一定的实用性,但其适用范围限制了相关研究的进一步发展.基于纽约Queens区输水隧道收集的数据,本文提出了一种基于随机森林(Random forest, RF)的预测模型,并结合4种常见的超参数优化算法,即粒子群优化算法(Particle swarm optimization, PSO)、遗传算法(Genetic algorithm, GA)、差分算法(Differential evolution, DE)、贝叶斯优化(Bayesian optimization, BO),在模型开发过程中对超参数进行调整.此外,本文还进行了敏感性分析,以调查每个输入变量的相对重要性.结果表明:BO-RF模型能以最短的耗时及最高的精度完成对ROP的预测;PSO-RF及GA-RF模型性能基本一致,前者耗时更少;DE-RF模型耗时最多,但没有显著改善模型的性能.敏感性分析结果表明,各输入参数对TBM掘进速度的影响不同,岩石的强度特性是影响最大的因素.

大伙房水库引水工程TBM 1标段施工影响因素分析

根据辽宁大伙房引水隧洞的TBM1-1标段的施工经验进行总结并分析了影响TBM掘进的主要因素,对后期以及其它标段的TBM施工有一定的指导意义和实际应用价值。