全斷面隧道掘進機(TBM)運行過程中將會產(chǎn)生大量可以反映當時地質(zhì)狀況的數(shù)據(jù),旨在充分利用TBM運行數(shù)據(jù),使用基于集成CART算法的隨機森林和AdaCost,實現(xiàn)巖體信息實時感知與掘進參數(shù)智能優(yōu)化。為建立快速、準確的TBM掘進參數(shù)與圍巖等級預(yù)測模型,提出了一種掘進模式識別方法,將TBM掘進循環(huán)分為空推段、上升段與穩(wěn)定段;并使用隨機森林模型和上升段前30 s數(shù)據(jù),實時預(yù)測穩(wěn)定掘進時掘進推力與刀盤扭矩的取值,預(yù)測精度分別達到0.90和0.87;繼而使用代價敏感的AdaCost算法預(yù)測圍巖等級,解決了傳統(tǒng)機器學(xué)習算法不適用于巖體級別數(shù)據(jù)不均衡的場景,相較于隨機森林模型,對于IV級和V級巖體的預(yù)測正確率分別提升了16%與50%。此外,總推進力、刀盤功率、刀盤扭矩、推進速度等TBM運行參數(shù)被證明與TBM掘進情況密切相關(guān);刀盤轉(zhuǎn)速、撐靴壓力、撐靴俯仰角、推進速度和撐靴滾動角等參數(shù)被證明能更好地反映圍巖狀況。這些認識與成果對TBM掘進參數(shù)優(yōu)化和風險預(yù)警有著重要意義,并將為建立基于數(shù)據(jù)挖掘的TBM智能決策控制平臺提供參考。

【文章頁數(shù)】：12 頁


本文編號：3808287