發(fā)布時間：2024-05-27 00:39

　　當(dāng)下階段的TBM(硬巖掘進機)工法,對于地質(zhì)條件的適應(yīng)性較差,掘進過程中易出現(xiàn)掘進速度慢、利用率低等情況。雖然現(xiàn)有的TBM大多配備數(shù)據(jù)采集系統(tǒng),可實時采集TBM機械、電液參數(shù),但是,對影響TBM掘進的因素及對應(yīng)相關(guān)性缺乏研究,導(dǎo)致操作參數(shù)與巖體條件無法良好匹配,無法完全發(fā)揮TBM高效的施工優(yōu)勢,從而導(dǎo)致工期延誤、成本劇增等問題。因此,如何了解TBM性能參數(shù)對地層條件及控制參數(shù)的響應(yīng)規(guī)律,實現(xiàn)對TBM性能參數(shù)的準(zhǔn)確預(yù)測,是減少延誤、控制成本、提高TBM施工效率、保障隧道施工工期的重要方法。為了解決上述問題,本文以基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的TBM掘進速度時序預(yù)測方法與基于神經(jīng)網(wǎng)絡(luò)-遺傳算法(BPNN-GA)的TBM利用率預(yù)測方法研究為核心。采用理論分析、算法改進、工程驗證等方法,建立了掘進速度以及利用率的預(yù)測模型,開發(fā)了基于瀏覽器/服務(wù)器模式(B/S)架構(gòu)的TBM掘進性能在線預(yù)測平臺。在此基礎(chǔ)上,在吉林引松供水工程四標(biāo)段開展了工程應(yīng)用,驗證模型的準(zhǔn)確性和合理性。本文的主要研究工作及成果如下:(1)提出了基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)和光滑約束的RNN凈掘進速度時序預(yù)測模型。通過研究RNN神經(jīng)網(wǎng)...

【文章頁數(shù)】：103 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．４試驗照片??Ｆｉｇ．?２．４?Ｔｅｘｔ?ｐｈｏｔｏ??

？讚?ｔ－?１??日钃?｜２０１６Ｘ）３＾?ｊ??圖２．３地質(zhì)素推圖??Ｆｉｇ．?２．３?Ｇｅｏｌｏｇｉｃａｌ?ｓｋｅｔｃｈ??（２）單軸抗壓強度與脆性指數(shù)獲取方法??單軸抗壓強度與抗拉強度的獲取涉及到多個步驟，首先需要從現(xiàn)場獲取巖芯，??其次將巖芯制備成可進行室內(nèi)試驗的巖芯樣本....

圖２．５加入巖體狀態(tài)兄的單元輸入情況??Ｆｉｇ．?２．５?Ｕｎｉｔ?ｉｎｐｕｔ?ｃｏｎｄｉｔｉｏｎ?ｏｆ?ｒｏｃｋ?ｓｔａｔｅ?Ｒｔ?ａｄｄｅｄ??

優(yōu)化目標(biāo)的一部分加入到損失函數(shù)中，用于限制二者的差值并不斷矯正巖體參數(shù)??傳播通道中的“狀態(tài)參數(shù)”。該通道將間斷輸入的巖體參數(shù)作為先驗信息添加到網(wǎng)??絡(luò)中，起到分段矯正網(wǎng)絡(luò)訓(xùn)練結(jié)果的作用。如圖２．５所示，在ｆ時刻，有？－１時刻??的單元狀態(tài)Ｃｍ、隱含狀態(tài)以及ｆ時刻的輸入數(shù)據(jù)（本研....

圖２．６改進的ＬＳＴＭ網(wǎng)絡(luò)單元結(jié)構(gòu)示意圖??Ｆｉｇ．?２．６?Ｉｍｐｒｏｖｅｄ?ＬＳＴＭ?ｎｅｔｗｏｒｋ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??

保證長序列數(shù)據(jù)梯度傳播穩(wěn)定性的能力的基礎(chǔ)上，進行預(yù)測模型的設(shè)計。??因此，在ＬＳＴＭ網(wǎng)絡(luò)基礎(chǔ)上，加入２．３．］中所敘述的巖體狀態(tài)通路，本研究所設(shè)??計出的改進ＬＳＴＭ網(wǎng)絡(luò)單元模型如圖２．６所示。??＃招進逨唆??＾?Ｃ，．／?＠?ＶＵ狀ｆ?Ｃ，??／１Ｈ－ｉ?ｖ．：：－?Ｋ．?１....

圖２．１０凈掘進速度預(yù)測均值百分比誤差情況??

?測值，對于由于維修或者卡機等其他原因?qū)е碌娜�天停機情況，則從測試集隨機??抽取一組掘進循環(huán)數(shù)據(jù)進行補充，其預(yù)測結(jié)果如圖２．９及圖２．１０所示：??＾?９（１?ｒ￣—?—???？Ｓ?８０?一?＊?？?１?ｆ￣ｇ－；?Ｔｆ??Ｉ?７０?卜－二爺觀，？？?；，－ｒＶＨ－?—?——令?....

本文編號：3982523