基于局部线性嵌入和支持向量机回归的TBM施工参数预测

依托吉林引松工程开展隧道掘进机（TBM）施工参数预测研究,提出TBM施工数据分段提取算法,提取上升段前30 s的总推进力、刀盘转速、推进速度、刀盘扭矩、刀盘转速电位器设定值、推进速度电位器设定值、贯入度、贯入度指数(FPI)、扭矩切深指数(TPI)9个参数作为输入;通过局部线性嵌入（LLE）完成对上升段数据特征的降维;基于支持向量机回归（SVR）建立TBM施工控制参数（推进速度、刀盘转速）和负载参数（总推进力、刀盘扭矩）预测模型. 分析是否结合前一掘进循环的FPI、TPI指数进行预测对预测效果的影响. 结果表明,上述方法在推进速度、刀盘转速、总推进力、刀盘扭矩的预测中均取得了较好的预测效果,平均预测绝对百分比误差均小于15%,验证了该预测方法的有效性,该方法可以为TBM现场施工提供指导.     

基于现场数据的TBM掘进速率研究

为了研究TBM掘进速率在不同地质条件下的变化规律,基于吉林引松供水隧道工程开敞式TBM现场掘进数据,将TBM刀盘破岩过程分为3个阶段：挤压阶段、起裂阶段和破碎阶段,并对破碎阶段应用统计回归方法,分析在不同岩石饱和单轴抗压强度、完整性系数的条件下,TBM刀盘贯入度与刀盘推力、刀盘扭矩的关系.研究表明,在特定施工条件下,刀盘贯入度随刀盘推力增大呈幂函数曲线增长,随刀盘扭矩增大呈线性关系增长,增长率与岩石饱和单轴抗压强度、完整性系数密切相关.进一步建立对于不同强度、完整性岩石的掘进机掘进速率模型,进行实际工程施工预测,预测结果的平均相对误差都低于16%,表明模型预测精度较高,可以为实际工程施工中操作参数的优化和不良地质条件的捕捉提供帮助.     

重载冲击激励下TBM刀盘振动特性的影响因素分析

刀盘是TBM的关键部件,刀盘的性能对TBM掘进性能影响很大。刀盘在掘进时承受的重载冲击扭矩和推力将导致剧烈振动,引起刀盘寿命下降甚至破坏以致影响掘进效率。基于ADAMS多体系统动力学仿真平台,建立了复杂因素影响下"辽西北"引水工程TBM主机系统的动力学模型,探讨了刀盘转速、刀盘拓扑形式和小齿轮速度波动与不同步等因素对刀盘振动性能的影响规律。仿真结果表明:为了减小刀盘振动,在设计TBM主机时应采取"铜钱"型拓扑形式,在控制TBM时应尽量避免驱动齿轮转速波动和不同步,在较低的刀盘转速下进行掘进。     

基于盾构掘进参数的BP神经网络地层识别

分析3种典型地层中盾构推进力、推进速度、刀盘扭矩、刀盘转速4个掘进参数的变化规律.应用BP神经网络建立一个以相邻2个采样时刻的盾构推进力、推进速度、刀盘扭矩、刀盘转速共8个掘进参数为输入,地层编码为输出的地层识别模型.通过60组训练样本数据对模型进行训练,训练误差控制在8×10-7以内,并用30组预测样本数据对该模型加以预测检验,预测成功率达到93%左右.结果表明,基于盾构掘进参数的BP神经网络地层识别模型能够实现盾构掘进参数与地层之间的良好非线性映射,可以在盾构掘进施工中利用掘进参数实现对地层的在线识别.     

某供水工程TBM刀盘破岩过程动静态响应特性

刀盘是硬岩掘进机(TBM)的关键部件,为了研究刀盘刀具与掘进面耦合作用下载荷分布与变化规律,建立了某供水工程TBM刀盘-岩石相互作用的三维分析模型,基于显式动力学方法模拟TBM刀盘掘进过程,研究掌子面岩体的损伤失效状态以及刀盘刀具的动态掘进载荷。研究得到了全盘刀具三向力载荷及刀盘总载荷(总推力、总扭矩),其中刀盘扭矩平均值1 560 k N·m,最大值5 880 k N·m,推力平均值3 444 k N,最大值7 296 k N;通过工程实例验证,得到实测载荷值稍大于仿真值,总推力误差为15.74%,总扭矩误差为15.38%,验证了仿真结果的有效性。在此基础上,对刀盘的动静态响应特性进行研究,得到刀盘在极限工况下最大应力100 MPa,最大变形0.695 mm,确定刀盘有足够的刚度强度。     

隧道掘进机支撑推进系统振动特性

为了研究全断面隧道掘进机（tunnel boring machine,TBM）支撑推进系统掘进过程中的振动问题,基于多体系统动力学仿真平台,对TBM掘进过程进行动力学仿真研究,得到TBM支撑推进系统各部件的振动加速度,进行时域和频域分析.对比不同方向的加速度有效值和不同部件的加速度有效值,分析TBM支撑推进系统掘进方向的载荷传递规律.结果表明：TBM支撑推进系统的振动以低频为主,其中主梁二振动频率集中在20~30 Hz和46~56 Hz.TBM支撑推进系统的振动集中在掘进方向,主梁二掘进方向加速度最大值达到11.80 m/s².部件距离刀盘质心越远,振动加速度有效值越小.掘进方向载荷从刀盘传递到主梁一均值减小了42.7%,变化幅度减小了58.3%.对吉林引松工程的TBM进行了振动测试,测试结果一定程度上验证了仿真结果.     

软土地层盾构掘进参数分析及掘进速度预测

依托佛山地铁3号线逢沙站—创意园站区间隧道工程,通过现场实测数据,详细分析了土压平衡盾构穿越软土地层时盾构掘进参数内在变化规律,并建立了掘进速度预测模型。首先,对盾构掘进参数进行数理统计分析,对各掘进参数的分布进行正态性检验;其次,进行Pearson相关性分析,找出线性相关性较强参数间变化规律;再次,利用基于互信息的特征选择算法,筛选与掘进速度非线性相关性较高的参数变量;最后,分别建立随机森林回归预测模型和基于遗传算法优化BP神经网络预测模型,对掘进速度进行预测。研究结果表明：在软弱地层盾构隧道工程中,通常采用较低的刀盘转速、刀盘扭矩及较高的掘进速度、贯入度、盾构总推力、土仓压力;掘进速度等参数均通过了采用K-S检验法的正态性检验;掘进速度与贯入度存在极强相关性关系;基于遗传算法优化BP神经网络预测模型的预测精度略优于随机森林回归预测模型,随机森林回归预测模型在测试集中的平均绝对误差、均方根误差、拟合优度分别为4.055、5.038、0.871,而基于遗传算法优化BP神经网络预测模型分别为0.822、1.244、0.991。     

基于优化BP神经网络的TBM性能预测

由于隧道掘进机(tunnel boring machine,TBM)掘进速度与机器参数、岩体参数之间的非线性关系复杂,难以准确预测,为了构建可靠的TBM性能预测模型,分析TBM掘进速度的主要影响因素,提出应用模拟退火算法(SA)和遗传算法(GA)优化BP神经网络的TBM性能预测模型,并使用吉林引松供水工程的TBM数据库对GA-BP模型和SA-BP模型进行训练测试。结果表明,与传统BP神经网络方法相比,优化后的模型预测泛化性更好,且精度明显提高。优化后的BP神经网络能在一定程度上克服易陷入局部最优的缺陷,应用于TBM性能预测具有良好表现。     

刀盘掘进过程动态仿真

刀盘是岩石隧道掘进机(TBM)开挖岩石的关键部件,通过试验或者现场施工数据得到其与围岩的相互作用规律极为困难。利用数值模拟方法,在ABAQUS/Explicit环境下建立了模拟刀盘掘进的三维分析模型。采用扩展的DruckerPrager非线性弹塑性模型作为岩体的本构模型;应用包含单元删除功能的损伤失效准则模拟切屑的形成及分离,并基于显式积分算法实现了TBM刀盘掘进全物理过程的直接数值模拟,得到了刀盘的动态掘进载荷以及掌子面岩体的损伤失效状态。仿真结果表明:对于所选定的岩石力学参数,当推进距离达到8.5 mm时,掌子面岩体全面损伤,刀盘进入稳定掘进阶段;在掘进过程中,刀盘载荷波动剧烈,其第1阶主频约为刀盘转动频率的2倍。上述模拟方法可以为TBM掘进过程的分析提供有效的工具。     

盾构掘进土层识别及刀盘转速控制策略研究

利用模拟盾构试验平台,研究了土压平衡盾构(EPB)掘进过程的土层识别方法,在此基础上提出了刀盘驱动功率效能评价方法,盾构刀盘转速适应土层变化专家控制策略,并对盾构刀盘驱动系统节能给出了新的途径.通过统计分类的模式识别方法分析了1.8 m EPB试验盾构在模拟土箱不同土层中的掘进试验数据,划分土层的类别,并使用贴近度的计算方法得到样本所属地层的量化参数,建立了土层识别方法.研究表明,以盾构掘进的场切深指数(FPI)、扭矩切深指数(TPI)构成的掘进土层状况的特征空间,具有很好的土层识别性,能够用于刀盘转速的闭环控制.     

基于XGBoost的隧道掘进机操作参数智能决策系统设计

为了实现隧道施工的同质化,提出基于极端梯度提升算法（XGBoost）预测模型的隧道掘进机（TBM）操作参数的智能决策方法. 定义场操作系数指数（FOI）作为替代传统场切深指数（FPI）的围岩级别特征参数,使用XGBoost算法建立预测模型以实现对FOI的预测,对围岩级别进行预测、判断. 通过对优秀司机在特定FOI下TBM操作参数的选择,建立专家模型实现FOI与特定TBM操作参数的关联,实现TBM操作参数的智能决策. 使用引松工程的现场数据进行对比实验,结果表明,设计的TBM操作参数的智能决策系统能够实现对优秀的TBM司机操作参数决策的复现,相比于以FPI为特征参数的传统智能决策系统,新系统的推进速度和刀盘转速两部分的平均相对误差分别下降8.84 %和7.97 %.     

土压平衡盾构刀盘扭矩计算模型

针对目前刀盘扭矩计算模型不统一、考虑施工动态参数欠缺的问题,提出一种考虑刀具贯入度、土仓压力的刀盘扭矩计算模型.通过现场试验及理论计算结果的对比,分析刀盘摩擦扭矩的组成,在此基础上,提出土压平衡盾构在掘进过程中刀盘扭矩不断变化的关键因素,选取3处712组现场实测数据进行回归分析,探讨刀具贯入度、土仓压力2个因素对刀盘扭矩的影响,并应用力学推导、数值模拟方法对2个因素影响刀盘扭矩的机理进行解释,给出考虑施工需求的刀盘极限扭矩的计算公式.结果表明: 刀盘背面摩擦扭矩不能忽略;当刀盘贯入度增大时,刀盘扭矩明显增大的原因主要是刀盘对开挖面土体挤压的增大,而不是刀具切削扭矩的增加;土仓压力对刀盘扭矩的影响主要是增大了刀盘背面摩擦扭矩.     

反作用飞轮非理想电磁力矩对卫星姿态的影响

针对反作用飞轮中存在的力矩波动和力矩跳动这2种非理想电磁力矩,分析其产生机理,建立了轮控微小卫星姿态稳定控制系统的仿真模型.分析了力矩波动系数和力矩波动频率、力矩跳动幅值和跳动持续时间对卫星姿态的影响,最后给出抑制非理想电磁力矩的措施.分析和仿真表明:当卫星姿态控制精度要求较高时,非理想电磁力矩的影响不容忽视.力矩波动...     

融合互信息估计和对抗自编码器的异常检测

无监督深度学习网络的训练目标从信息论的角度可解释为最大化训练样本及其表示之间的互信息.对抗自编码器（AAE）通过生成对抗的方式学习训练样本集的分布,据此可以由AAE建立基于正常样本集的半监督异常检测模型,但是AAE无法显式最大化正常样本及其表示间的互信息.为此,提出了一种互信息估计网络和AAE相融合（IAAE）的异常检测方法,该方法首先以重构误差最小化为目标,训练编码器和解码器;其次,在对抗正则化阶段将正常样本低维表示的聚集后验分布约束为先验分布,并最大化正常样本与其表示之间的互信息;最后由全连接神经网络估计正常样本与其表示之间的互信息.由待测样本的重构误差及其表示在隐空间中的众数散度计算其异常得分值.公开数据集上的实验结果表明,与已有典型相关的深度异常检测模型相比,IAAE模型在F1取值上具有更好的表现.     

Fast determination of meso-level mechanical parameters of PFC models

To solve the problems of blindness and inefficiency existing in the determination of meso-level mechanical parameters of particle flow code (PFC) models, we firstly designed and numerically carried out orthogonal tests on rock samples to investigate the correlations between macro- and meso-level mechanical parameters of rock-like bonded granular materials. Then based on the artificial intelligent technology, the intelligent prediction systems for nine meso-level mechanical parameters of PFC models were obtained by creating, training and testing the prediction models with the set of data got from the orthogonal tests. Lastly the prediction systems were used to predict the meso-level mechanical parameters of one kind of sandy mudstone, and according to the predicted results the macroscopic properties of the rock were obtained by numerical tests. The maximum relative error between the numerical test results and real rock properties is 3.28% which satisfies the precision requirement in engineering. It shows that this paper provides a fast and accurate method for the determination of meso-level mechanical parameters of PFC models.     

GA-LSTM模型在高速公路交通流预测中的应用

为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.     

4WS、4WH 和6WI转子密炼机流固耦合特性对比分析

以4WS、4WH 和6WI型转子为研究对象,依据流固耦合理论,建立密炼机流固耦合有限元分析模型,求解密炼机内部物料流体与转子固体的耦合方程,研究不恒定功率情况下,转速对转子的应力与变形以及混合效果的影响规律。结果表明,转子的变形与应力是扭矩与流体载荷耦合作用引起的,其中扭矩是产生变形与应力的主要因素;随着转速的提高,物料的混合效率有明显提高;随着转速变化引起的扭矩与流体载荷的变化导致转子间隙的变化,转子间隙对混合效率有显著影响,6WI转子有更高的混合效率。研究结果为密炼机转子的合理设计与性能预测提供了理论依据。