原文传递
基于深度学习的TBM掘进响应参数预测模型研究
| 论文题名： | 基于深度学习的TBM掘进响应参数预测模型研究 |
| 关键词： | 全断面硬岩隧道掘进机;施工控制;掘进响应参数;深度学习 |
| 摘要： | TBM是一种先进的隧道挖掘设备，已在很多隧道工程的建设中获得了成功应用。随着传感技术的快速发展，TBM已搭载了多种多样的传感器，并在引松等工程的施工中采集到了海量的数据。目前TBM已经实现了信息化施工，正在向智能化施工的目标奋进。TBM施工参数的优化控制是TBM智能化施工的关键一环。构建TBM掘进参数预测模型，即在给定围岩条件和施工控制参数下对TBM的掘进响应行为进行准确预测，是进行TBM施工参数的优化控制和智能决策的基础。 为此，本文基于引松工程四标段数据，通过深度学习构建了TBM掘进响应参数预测模型。论文的主要研究内容及成果如下： （1）学习了TBM司机的控制决策行为，提出了一种基于卷积神经网络的岩体特征深度学习表征方法，并将其用于TBM施工控制参数（刀盘转速和推进速度）的预测。结果表明，所构建施工控制参数预测模型和TBM司机选用的控制参数基本一致：两个控制参数，即刀盘转速和推进速度的平均绝对百分比误差分别为5.61%和8.20%，均小于10%。这说明，该深度学习模型能够有效提取TBM施工数据所蕴含的岩体条件和司机决策行为，实现岩体特征和司机行为的隐式表征。 （2）构建了考虑TBM施工控制参数影响的掘进响应参数（刀盘扭矩和总推力）预测模型。结果表明，在TBM掘进响应参数预测中，只有同时学习上升段（即短暂的加速阶段）和稳定段（即长时间的恒速掘进），才能掌握施工控制参数对其掘进响应参数的影响，实现施工控制参数调节过程的模拟，为施工控制参数的优化决策提供依据。 （3）基于TBM破岩机理，提出了知识驱动的模型输入变量，并构建了“知识-数据”双驱动的掘进响应参数预测模型。结果表明，“知识-数据”双驱动模型的学习效率优于纯数据驱动的模型，能够在较少样本数量下实现刀盘扭矩和总推力的准确预测，在一定程度上弥补了岩土工程中样本数量不足、信息不完备的缺陷。 以上模型能够为TBM施工控制参数的选择和优化控制提供基础，助力TBM施工从信息化到智能化的发展，服务于我国长大隧道的TBM建设工作，具有很强的应用前景。同时，本文工作还可为深度学习在岩土工程其它问题的应用研究提供借鉴和参考，具有一定的科学意义。 |
| 作者： | 姚敏 |
| 专业： | 土木工程 |
| 导师： | 李旭 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
