详情

原文传递复杂地层中大型泥水盾构掘进地质特征的智能识别

论文题名：	复杂地层中大型泥水盾构掘进地质特征的智能识别
关键词：	盾构掘进参数;地质参数;堆叠算法;智能识别
摘要：	在盾构施工中对沿线地层地质特征的识别和预测是目前的热点问题。本研究以深圳春风泥水平衡盾构隧道为研究背景，在对现场施工条件和盾构掘进参数监测数据分析的基础上，利用相关性分析、聚类分析和堆叠算法开展研究。对两个问题进行了探索:(1)泥水平衡盾构机在掘进过程中掘进参数与地质参数间以及掘进参数间的相关性;(2)基于聚类分析和堆叠算法识别预测隧道地层地质特征。主要内容成果介绍如下: 　　(1)建立隧道掘进断面的地质参数量化方法。　　根据地质勘探钻孔确定掘进断面岩层类别及埋深，对各岩层地质参数进行面积加权得到掘进断面的地质参数。在盾构参数中选取盾构推力、刀盘扭矩和掘进速度等重要参数，与掘进断面地质参数做相关性研究。结果显示盾构推力、掘进速度与粘聚力、内摩擦角和天然密度呈正相关关系，刀盘扭矩与粘聚力、内摩擦角和天然密度呈负相关关系。　　(2)盾构掘进参数之间的相关性分析。　　由于盾构掘进参数受多个地质参数影响，对任一掘进参数与地质参数进行相关性分析，不足以找到对应相关性。所以可采用对掘进参数间做相关性分析，利用已有相关性间接验证掘进参数与地质参数的相关性，为后续预测模型选取输入参数提供理论依据。　　(3)建立了识别地层类别的k-means++聚类模型。　　使用主成分分析法提取标准化数据特征，将数据转化为前10个主成分，降低了数据复杂度。将原始数据与主成分降维数据分别输入聚类模型，结合评估指标和地质剖面图分析表明输入降维数据的聚类效果更理想且聚类模型能更好地识别软土地层、以软土为主地层、以硬岩为主地层和全断面硬岩地层。　　(4)建立了基于堆叠算法的地质特征预测模型。　　选取支持向量机、随机森林和梯度提升决策树为初级学习器，逻辑回归为次级学习器，基于堆叠算法建立地质特征预测模型。利用网格搜索和K折交叉验证对初级学习器进行参数调优和测试,利用次级学习器对最优初级学习器输出结果进行整合，实现对地质特征的预测。结合评估指标显示模型性能良好。　　(5)评估对比最优初级学习器和堆叠算法的性能。　　根据混淆矩阵和分类报告对模型性能进行评估，由于地层间的相似性和不同类型学习器的偏重差异，支持向量机对以硬岩为主地层预测效果较差，随机森林对各地层预测效果比较均衡，梯度提升决策树对以软土为主地层预测效果更准确，而基于堆叠算法的预测模型对各地层的预测性能都有大幅提升，整体精确度达0.984,验证了堆叠算法的可靠性。　　(6)评估对比极限梯度提升与堆叠算法的性能。　　极限梯度提升算法的整体准确率达到了0.952,相比于初级学习器，在各类别上的预测也取得了较好的表现，模型性能有了比较明显的提升。通过与堆叠算法对比发现，在以软土为主地层中两者表现相当且分类的侧重点有所不同，但极限梯度提升算法在软土、以硬岩为主和全断面硬岩地层的表现和模型整体性能均不如堆叠算法，进一步验证了堆叠算法的优越性。
作者：	申晓赫
专业：	土木水利
导师：	沈水龙;李云涛
授予学位：	硕士
授予学位单位：	汕头大学
学位年度：	2023