原文传递
基于机器学习的土压盾构土仓压力智能预测及掘进参数优化研究
| 论文题名： | 基于机器学习的土压盾构土仓压力智能预测及掘进参数优化研究 |
| 关键词： | 地铁隧道;盾构施工;工艺优化;土仓压力;机器学习 |
| 摘要： | 随着我国城市化进程的不断推进，我国的地铁建设如火如荼。地铁的建设多位于城市核心区的地下，在隧道开挖时对地表沉降的控制较为严格，稍有不慎就可能给城市道路甚至是市民的安全造成重大损害，控制地表沉降最重要的就是要将土仓压力维持在合理的范围之内，故而土仓压力的预测与控制是盾构安全高效掘进所要解决的核心问题。但目前的土仓压力预测与控制多依赖技术人员经验，难以科学决策和广泛应用。因此，建立科学的土仓压力预测模型与调节机制有重要的意义和应用价值。 本文从地铁隧道的盾构掘进参数监测数据中选取了螺旋机转速、刀盘扭矩、推进速度、刀盘转速、加泥流量、总推进力和土仓压力作为分析对象，利用聚类分析和神经网络建立了土体可掘性分类和土仓压力智能预测模型，并以此为基础建立了掘进参数优化机制，实现了土仓压力的预测与控制，具体研究成果如下: (1)选用场切深系数(FPI)和扭矩切深系数(TPI)作为评价指标，评价盾构前方土体的可掘性。采用系统聚类分析的方式实现了土体可掘性的识别，成功识别出隧道头尾处的加固部分。土体可掘性分类的实现也为建立更为精确的土仓压力预测模型奠定了基础。 (2)依据本文提出的土体可掘性分类方法，排除隧道头尾加固段的盾构掘进参数样本后，基于神经网络预测方法建立了土仓压力预测模型，利用粒子群算法(PSO)和遗传算法(GA)对神经网络进行优化，尽可能寻找神经网络预测权值和阈值的最优解，提高了模型的预测精确性。同时对模型进行了全局敏感性分析，发现除了螺旋机速度和推进速度以外，调节总推进力也可较快的调节土仓压力，且不同掘进参数之间的耦合作用明显。 (3)基于本文中建立的土仓压力预测模型，提出了掘进参数优化机制。将本文中提出的土体可掘性识别、土仓压力智能预测、掘进参数优化三个部分整合后，基于matlab平台的GUI功能开发了土仓压力智能预测与调节系统，人机交互功能良好。 (4)采用盾构掘进参数监测数据，以数值模拟得到的极限支护力作为土仓压力的期望值，对本文提出的掘进参数优化机制进行了验证，结果表明可以较好地实现掘进参数的调节和土仓压力的控制。 |
| 作者： | 杨晓达 |
| 专业： | 建筑与土木工程 |
| 导师： | 林春金;丁万涛 |
| 授予学位： | 硕士 |
| 授予学位单位： | 山东大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
