發(fā)布時間：2020-04-02 04:08

【摘要】：隨著全斷面隧道掘進機(TBM)在我國的快速發(fā)展和廣泛應用,TBM的安全高效掘進和智能控制顯得越來越重要,而TBM性能的準確預測是實現安全高效掘進和智能控制的前提。但是由于地質條件多變,巖-機相互作用復雜,且TBM對地質條件極其敏感,所以,TBM性能預測一直是業(yè)內的難題,亟待解決。為了建立指標統一且簡明易得、模型形式簡單、能夠實時連續(xù)預測且高精度的TBM性能預測模型,本文依托吉林引松供水隧洞工程,借助中鐵裝備TBM云管理平臺,根據大量施工現場實測數據,運用線性回歸法總結出了 TBM整機現場破巖掘進規(guī)律及圍巖性質參數對其的影響,并在此基礎上建立了一個包含巖石參數和機械參數的TBM性能預測模型。同時,為了解決TBM機械數據挖掘深度不夠和傳統數學分析工具能力有限的問題,引入了深度置信網絡DBN,并對其進行高斯分布輸入特征值優(yōu)化,在此基礎上提出了一種了基于歷史掘進位移序列數據和DBN模型的TBM性能預測方法。本文采用實驗法確定了 DBN的最優(yōu)網絡結構,分別建立了 TBM在閃長巖洞段、灰?guī)r洞段和花崗巖洞段的貫入指數FPI和滾動指數TPI的預測模型,并對預測模型在不同巖性和不同圍巖級別下的有效性進行了驗證,最后對DBN模型和傳統的BP網絡模型進行了對比分析。本文得到的結論如下:(1)TBM刀盤破巖分為擠壓、起裂和破碎三個階段,破碎階段刀盤貫入度增長快,為有效破巖階段。破碎階段刀盤貫入度隨刀盤推力增大呈冪函數增長,增長率與巖石飽和單軸抗壓強度、巖體完整性系數呈復雜的對數關系;刀盤貫入度隨刀盤扭矩加大呈線性增長,增長率隨巖石飽和單軸抗壓強度、巖體完整性系數增加而線性降低;刀盤貫入度與貫入指數FPI呈冪函數關系;同一貫入度下,圍巖質量越好,貫入指數FPI和滾動指數TPI越高。(2)基于歷史掘進位移序列數據的DBN模型用于TBM性能預測是有效的、高精度的,可實現實時、連續(xù)預測。DBN模型在閃長巖、灰?guī)r和花崗巖洞段的預測結果平均相對誤差均在20%以內,大部分小于15%,除少部分花崗巖洞段擬合度位于0.5～0.7之間,擬合度均高于0.8。(3)DBN模型相對于傳統的BP網絡模型在TBM性能預測方面普遍更具優(yōu)勢,不同巖石種類,不同圍巖級別和不同的性能指標,在誤差、擬合度和趨勢預測準確率方面優(yōu)越程度不一樣。(4)TBM性能預測模型應根據掘進過程獲取的巖石信息和機械信息的實際情況,合理選擇建模參數和方法,在統計回歸等傳統方法上更多地引入神經網絡等智能方法,提高模型預測精度,以更好地對地質條件進行預判和反饋,指導TBM施工。
【圖文】：

單護盾ＴＢＭ邋—般用于軟弱圍巖為主、巖體抗壓強度較低的地層，雙護盾ＴＢＭ在軟巖、逡逑硬巖及軟硬交互地層均能適用。ＴＢＭ系統包括主機系統和后配套系統，總長度一般位于逡逑１５０？４００ｒａ，圖１．１為典型的ＴＢＭ構造示意圖。主機系統用于破碎巖石和輸出渣料，以及逡逑超前鉆探、掛網錨固等，由刀盤系統、超前鉆探系統、導向系統、驅動系統、傳動系統、逡逑支撐和推進系統組成，？后配套用于運輸渣料和建材、襯砌支護、灌漿加固、通風照明等，逡逑由司機操作室、支護系統、變配電系統、渣料和建材運輸系統、隧道照明和通風系統、通逡逑訊系統等組成。ＴＢＭ綜合了土木工程、計算機科學、新材料技術、自動化技術、信息化逡逑技術、系統科學、管理科學等高新技術，具有開挖迅速、連續(xù)操作、較少的巖石破壞和支逡逑護、巖渣均勻、施工安全、自動控制以及環(huán)保等優(yōu)點。據統計，與傳統鉆爆法相比，ＴＢＭ逡逑掘進效率是前者的３？１０倍，在長、大、深埋隧道工程施工中，顯示出明顯的技術和經濟逡逑優(yōu)勢，因此，越來越多的ＴＢＭ被應用到交通、水利、礦山等重大工程（王夢恕等，２００４）。逡逑圖１．１邋ＴＢＭ示意圖逡逑１．１．１邋ＴＢＭ的發(fā)展與應用逡逑１８５１年，世界上第一臺ＴＢＭ誕生于美國，，由Ｃｈａｒｌｅｓ邋Ｗｉｌｓｏｎ設計完成，但由于當時逡逑Ｉ逡逑

第Ｉ章緒論逡逑深度置信網絡，建立ＴＢＭ性能預測智能模型。在實際施工過程中，可根據獲取的圍巖和逡逑機械信息，合理選擇兩種模型，實現良好互補。具體技術路線如圖１．２所示。逡逑吉林引松供水逡逑工程ＴＢＭ３標段逡逑邐｜ＴＢＭ混合云管理平臺逡逑巖石參數邋邐逡逑＾￣機《參數邐機滕數￣｜逡逑多元線性回歸｜邐｜深度置＾網絡｜邐＋邋｜￣￣ＢＰ網絡逡逑１邐Ｉ逡逑整機現場￣［歷史掘進位移逡逑掘進規(guī)律邋＼邐＋邐序列數據逡逑
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TV554

【參考文獻】

相關期刊論文 前10條

1 潘志剛;劉三明;李瑩;朱曉偉;楊陽;;基于深度學習網絡的風電場功率短期預測研究[J];科技與創(chuàng)新;2015年19期

2 杜立杰;齊志沖;韓小亮;周建鋒;陳忠偉;杜彥良;;基于現場數據的TBM可掘性和掘進性能預測方法[J];煤炭學報;2015年06期

3 孫偉;張旭;趙奎山;;基于密實核理論的單滾刀多階段受力預測模型[J];機械設計與制造;2015年06期

4 龔秋明;何冠文;趙曉豹;馬洪素;李曉昭;張浩;苗崇通;;掘進機刀盤滾刀間距對北山花崗巖破巖效率的影響實驗研究[J];巖土工程學報;2015年01期

5 姚羲和;趙曉豹;龔秋明;馬洪素;李曉昭;唐偉;盧廣亮;何冠文;;滾刀線性侵入試驗中巖石破裂模式研究[J];巖土工程學報;2014年09期

6 劉泉聲;時凱;朱元廣;黃興;;TBM盤形滾刀破巖力計算模型研究[J];煤炭學報;2013年07期

7 李剛;于天彪;費學婷;王宛山;;一種基于CSM模型的TBM刀盤比能預測方法[J];東北大學學報(自然科學版);2012年12期

8 莫振澤;李海波;周青春;鄒飛;朱小明;王長柏;郝亞飛;;楔刀作用下巖石微觀劣化的試驗研究[J];巖土力學;2012年05期

9 莫振澤;李海波;周青春;何恩光;鄒飛;朱小明;趙羽;;基于UDEC的隧道掘進機滾刀破巖數值模擬研究[J];巖土力學;2012年04期

10 滿林濤;李守巨;;盤形滾刀破巖過程有限元數值模擬[J];工程建設;2011年04期

相關碩士學位論文 前5條

1 張國輝;基于深度置信網絡的時間序列預測方法及其應用研究[D];哈爾濱工業(yè)大學;2017年

2 朱常寶;基于深度玻爾茲曼機的特征學習算法研究[D];北京化工大學;2016年

3 崔東東;基于深度信念網絡的股票價格預測研究[D];華中科技大學;2016年

4 張艷霞;基于受限玻爾茲曼機的深度學習模型及其應用[D];電子科技大學;2016年

5 潘曉;基于神經網絡的相機標定[D];西安科技大學;2010年

本文編號：2611429