發(fā)布時間：2017-10-31 03:31

  本文關(guān)鍵詞：基于PSO-SVR算法的TBM掘進效率預(yù)測及圍巖分級研究

  更多相關(guān)文章： 粒子群 支持向量歸 TBM 施工預(yù)測 圍巖分級

【摘要】：采用TBM進行隧洞施工速度快,掘進效率高,尤其在超長距離的隧洞工程中,TBM施工帶來的經(jīng)濟效益更加顯著。在實際工程中,為了進行可行性論證、經(jīng)濟效用評估和風(fēng)險控制等,需要對TBM的掘進效率等指標進行預(yù)測,判定圍巖的可掘進性。在影響掘進效率的因素中,圍巖地質(zhì)條件是影響TBM掘進效率的主要外部因素,TBM施工條件下的圍巖分級應(yīng)重點考慮巖體的可掘進性。為了建立可靠的施工預(yù)測模型,預(yù)測施工效率,本文采用粒子群(PSO)優(yōu)化的支持向量回歸算法(SVR),通過分析掘進效率的影響因素,確定了三項圍巖參數(shù)——單軸抗壓強度(UCS)、軟弱結(jié)構(gòu)面平均間距(DPW)、結(jié)構(gòu)面與隧洞軸線的夾角(α),和掘進效率指標——貫入度指數(shù)(FPI),分別作為模型的輸入和輸出參數(shù),建立了TBM掘進效率預(yù)測模型。同時,將PSO-SVR模型和其他理論下建立的模型進行了對比分析。在此基礎(chǔ)上,依據(jù)圍巖參數(shù)和貫入度指數(shù)(FPI)之間的相關(guān)關(guān)系,提出了一種新的TBM施工條件下的圍巖分級方法。主要取得以下成果:(1)借助粒子群(PSO)算法,優(yōu)化了支持向量回歸(SVR)算法在回歸擬合過程中的關(guān)鍵核參數(shù)選取,使得支持向量回歸算法能夠取得最優(yōu)的適應(yīng)度,達到最優(yōu)的回歸擬合效果。通過本文研究,進一步驗證了PSO-SVR聯(lián)合算法的先進性。今后可以將該方法應(yīng)用到其他回歸預(yù)測問題的處理中。(2)與線性回歸、非線性回歸、神經(jīng)網(wǎng)絡(luò)理論進行對比,PSO-SVR模型的預(yù)測準確度最高。表明PSO-SVR預(yù)測模型在預(yù)測準確度上相比其他理論方法有較大提高。(3)本文依據(jù)貫入度指數(shù)(FPI)和巖石可掘進性之間的關(guān)系,在PSO-SVR預(yù)測模型的基礎(chǔ)上建立了TBM施工條件下的圍巖分級圖。通過圍巖參數(shù)和機器設(shè)備參數(shù)預(yù)測出FPI值,然后根據(jù)圍巖分級圖即可快速判定圍巖的級別,評估圍巖的可掘進性。
【關(guān)鍵詞】：粒子群 支持向量歸 TBM 施工預(yù)測 圍巖分級
【學(xué)位授予單位】：長安大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U452.12;U455.4
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-19
• 1.1 研究背景和研究意義9-10
• 1.2 研究現(xiàn)狀10-16
• 1.2.1 TBM施工預(yù)測研究現(xiàn)狀10-12
• 1.2.2 TBM施工圍巖分級研究現(xiàn)狀12-16
• 1.3 研究內(nèi)容16-17
• 1.4 研究方法17-19
• 1.4.1 研究方法17-18
• 1.4.2 技術(shù)路線18-19
• 第二章 TBM掘進效率影響因素和評價指標19-26
• 2.1 前言19-20
• 2.2 TBM掘進影響因素20-22
• 2.2.1 圍巖條件20-21
• 2.2.2 設(shè)備性能21-22
• 2.3 TBM掘進效率指標22-25
• 2.4 本章小結(jié)25-26
• 第三章 基于PSO-SVR的TBM掘進效率預(yù)測模型26-62
• 3.1 前言26
• 3.2 粒子群-支持向量回歸（PSO-SVR）算法理論26-32
• 3.2.1 統(tǒng)計學(xué)習(xí)理論26-27
• 3.2.2 SVR算法理論27-30
• 3.2.3 PSO算法理論30-31
• 3.2.4 基于PSO的SVR參數(shù)優(yōu)化選擇31-32
• 3.3 PSO-SVR模型32-52
• 3.3.1 模型的訓(xùn)練數(shù)據(jù)32-42
• 3.3.2 PSO-SVR模型的訓(xùn)練及測試42-47
• 3.3.3 預(yù)測結(jié)果分析47-52
• 3.4 常規(guī)理論模型預(yù)測52-59
• 3.4.1 線性回歸52-54
• 3.4.2 非線性回歸54-56
• 3.4.3 BP神經(jīng)網(wǎng)絡(luò)模型56-59
• 3.5 不同理論模型對比分析59-61
• 3.6 本章小結(jié)61-62
• 第四章 TBM施工圍巖分級方法62-71
• 4.1 前言62
• 4.2 TBM施工圍巖分級理論62-63
• 4.3 基于掘進效率的TBM施工圍巖分級63-69
• 4.4 圍巖分級方法對比分析69-70
• 4.5 本章小結(jié)70-71
• 結(jié)論71-72
• 結(jié)論71
• 展望71-72
• 參考文獻72-79
• 攻讀學(xué)位期間取得的研究成果79-80
• 致謝80

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 杜立杰;齊志沖;韓小亮;周建鋒;陳忠偉;杜彥良;;基于現(xiàn)場數(shù)據(jù)的TBM可掘性和掘進性能預(yù)測方法[J];煤炭學(xué)報;2015年06期

2 王攀;郭偉;朱殿華;;基于模糊聚類理論的TBM施工圍巖可掘進性分級預(yù)測模型[J];現(xiàn)代隧道技術(shù);2014年06期

3 閆長斌;閆思泉;劉振紅;;南水北調(diào)西線工程巖石中石英含量變化及其對TBM施工的影響[J];工程地質(zhì)學(xué)報;2013年04期

4 閆長斌;路新景;;基于改進的距離判別分析法的南水北調(diào)西線工程TBM施工圍巖分級[J];巖石力學(xué)與工程學(xué)報;2012年07期

5 祁生文;伍法權(quán);;基于模糊數(shù)學(xué)的TBM施工巖體質(zhì)量分級研究[J];巖石力學(xué)與工程學(xué)報;2011年06期

6 顏七笙;王士同;;基于PSO-SVR的巖質(zhì)邊坡穩(wěn)定性評價模型[J];計算機工程與應(yīng)用;2011年16期

7 丁世飛;齊丙娟;譚紅艷;;支持向量機理論與算法研究綜述[J];電子科技大學(xué)學(xué)報;2011年01期

8 李蒼松;谷婷;丁建芳;陳俊棟;于維剛;;TBM施工隧洞圍巖級別劃分探討[J];工程地質(zhì)學(xué)報;2010年05期

9 吳繼敏;盧瑾;;節(jié)理走向?qū)BM掘進速率的影響分析[J];水電能源科學(xué);2010年08期

10 溫森;趙延喜;楊圣奇;;基于Monte Carlo-BP神經(jīng)網(wǎng)絡(luò)TBM掘進速度預(yù)測[J];巖土力學(xué);2009年10期

，

本文編號：1120636