摘要：科学预测隧道掘进机(TBM)净掘进速率,对于隧道(洞)工程施工方法选择、施工进度安排以及成本估计具有重要意义。鉴于TBM施工过程具有高度非线性、模糊性和复杂性等特征,为提高TBM净掘进速率的预测精度和计算效率,采用偏最小二乘回归(PLSR)提取影响参数主成分,再利用深度神经网络(DNN)进行训练预测,提出了一种基于PLSR-DNN耦合方法的TBM净掘进速率预测模型。基于兰州水源地建设工程输水隧洞双护盾TBM施工实测数据,选择岩石单轴抗压强度、单轴抗拉强度、刀盘推力、刀盘转速、岩体完整性系数和岩石耐磨性指数,共6个影响参数,验证了模型预测的合理性,并对不同预测方法的拟合精度和预测精度进行了对比分析。研究结果表明:(1)偏最小二乘回归可有效克服自变量之间的多重共线性问题,将提取的主成分作为深度神经网络的输入层进行训练,简化了神经网络结构;(2)PLSR-DNN耦合预测模型避免了过拟合与拟合不足问题,具有收敛速度快,求解稳定和拟合精度高等特点;(3)PLSR-DNN耦合预测模型平均相对拟合误差2.96%,平均相对预测误差3.27%,其拟合精度和预测精度均明显高于偏最小二乘回归模型、BP神经网络模型以及支持向量回归(SVR)模型。

摘要：合理评价预测施工速度关乎隧道TBM施工的成败与效益。现有的TBM施工速度预测模型多利用岩体参数和掘进参数预测瞬时/平均施工速度,对掘进过程中的不确定性和施工风险考虑不足。基于此,引入区间预测方法,提出一种基于Bootstrap-SVR-ANN算法的TBM施工速度预测模型。以兰州水源地建设工程输水隧洞双护盾TBM施工为工程依托,分析了单一性输入参数的不足,指出了选择岩体质量分级指标(RMR)、TBM工作条件等级(TWCR)两个综合性参数的合理性,并对构建的TBM施工速度区间预测模型的有效性进行了验证。研究表明,TBM施工速度区间预测模型不但具有良好的点预测效果,而且预测区间可将TBM施工速度的实测值完全包络,模型可靠性较高;模型测试集在90%,95%置信水平下的MPIW分别为9.84,11.73 m/d,随着置信水平的提高,预测区间可容纳的不确定性也不断上升;TBM掘进过程中可能的风险性与区间宽度的异常相互印证,验证了区间预测模型可以定量解释施工过程中不确定性的特点。研究成果可为TBM掘进效能预测、施工工期估算和掘进参数优化等提供科学参考。

摘要：TBM施工速度影响因素众多,具有显著的不确定性。对于地质参数的模糊性,采用岩体分级系统RMR、岩石耐磨性CAI和岩石硬度H衡量地质条件;对于施工过程中机械参数的随机性,利用TBM刀盘推力TF与转速RPM等主动控制参数进行分析;同时提出以其他因素停机时间占比来量化人为因素的不确定性。依托兰州水源地建设工程输水隧洞双护盾TBM施工实测数据,建立了考虑不确定性的TBM施工速度预测数据库和加权随机森林算法模型,并与随机森林、支持向量回归、BP神经网络等预测方法进行了对比分析。研究表明,加权随机森林模型中测试集的预测结果均方根误差和决定系数分别为1.59,0.97,预测精度及可靠性均优于其他3种模型。该模型采用不同权重赋值的方法优化超参数,具有高精度、不易过拟合等优点,表现出更好的泛化能力和鲁棒性。