基于機器學習的TBM破巖效率預測模型研究

劉俊峰 陳杜楷 區志釗 鄒相榮 凌鈞昊 葉梓健

(東莞理工學院 生態環境與建筑工程學院廣東省城市生命線工程智慧防災與應急技術重點實驗室,廣東東莞 523808)

面隧道掘進機(Tunnel Boring Machine,TBM)因為其穩定性佳、運行速度快、操作簡便等優點被廣泛應用于隧道施工中。相對一般的鉆爆技術來說,TBM擁有操作迅速,破巖快速的優越性,所以在TBM施工過程中的破巖效率問題成了需要關注的主要問題之一。對該問題的研究,學者們主要利用理論分析、現場測試與數值模擬等方法展開了大量滾刀破巖效率分析。喬世范[1]基于比能耗理論構建了TBM比能耗預估模型,溫森[2]等人對軟硬相間巖層中滾刀旋轉切割的破巖效率開展動態分析,發現隨著刀盤貫入度的增加,滾刀法向力與滾動力均有所增加。BRULAND[3]建立了NTNU模型,以節理傾角為變量研究了TBM的破巖效率;溫森等[4]運用PFC3D與UDEC離散元模擬軟件對復合地層滾刀破巖效率、圍壓、節理等各種因素展開了深入研究。劉立鵬[5]等人運用PFC2D系統開展了TBM雙滾刀破巖模式的數值模擬。但因TBM施工環境千差萬別,對滾刀破巖效率的影響因素也錯綜復雜,而當前的理論研究、與數值模擬都無法完全真實地模擬客觀的地質現狀[6-10]。此外,當前人工智能算法在TBM領域應用主要集中在TBM滾刀磨損預測等方面,對破巖效率智能評估方面的研究和應用并不多[11-14]。基于此,本文依托重慶軌道交通十號線二期工程,運用遺傳算法(GA)優化的BP神經網絡,以項目所在地……