原文传递
基于PSO-SVR算法的TBM掘进效率预测及围岩分级研究
| 论文题名： | 基于PSO-SVR算法的TBM掘进效率预测及围岩分级研究 |
| 关键词： | 隧洞施工;全断面掘进;效率预测;围岩分级;粒子群;支持向量归 |
| 摘要： | 采用TBM进行隧洞施工速度快，掘进效率高，尤其在超长距离的隧洞工程中，TBM施工带来的经济效益更加显著。在实际工程中，为了进行可行性论证、经济效用评估和风险控制等，需要对TBM的掘进效率等指标进行预测，判定围岩的可掘进性。在影响掘进效率的因素中，围岩地质条件是影响TBM掘进效率的主要外部因素，TBM施工条件下的围岩分级应重点考虑岩体的可掘进性。 为了建立可靠的施工预测模型，预测施工效率，本文采用粒子群（PSO）优化的支持向量回归算法（SVR），通过分析掘进效率的影响因素，确定了三项围岩参数——单轴抗压强度（UCS）、软弱结构面平均间距（DPW）、结构面与隧洞轴线的夹角（α），和掘进效率指标——贯入度指数（FPI），分别作为模型的输入和输出参数，建立了TBM掘进效率预测模型。同时，将PSO-SVR模型和其他理论下建立的模型进行了对比分析。在此基础上，依据围岩参数和贯入度指数（FPI）之间的相关关系，提出了一种新的TBM施工条件下的围岩分级方法。主要取得以下成果： （1）借助粒子群（PSO）算法，优化了支持向量回归（SVR）算法在回归拟合过程中的关键核参数选取，使得支持向量回归算法能够取得最优的适应度，达到最优的回归拟合效果。通过本文研究，进一步验证了PSO-SVR联合算法的先进性。今后可以将该方法应用到其他回归预测问题的处理中。 （2）与线性回归、非线性回归、神经网络理论进行对比，PSO-SVR模型的预测准确度最高。表明PSO-SVR预测模型在预测准确度上相比其他理论方法有较大提高。 （3）本文依据贯入度指数（FPI）和岩石可掘进性之间的关系，在PSO-SVR预测模型的基础上建立了TBM施工条件下的围岩分级图。通过围岩参数和机器设备参数预测出FPI值，然后根据围岩分级图即可快速判定围岩的级别，评估围岩的可掘进性。 |
| 作者： | 熊帆 |
| 专业： | 岩土工程 |
| 导师： | 胡志平 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
