基于数据驱动TBM掘进载荷预测与参数分析
发布时间：2021-01-26 10:53
全断面硬岩隧道掘进机（Tunnel Boring Machine,TBM）是一种系统化、智能化、工厂化的高效能隧洞开挖施工机械,适用于长距离隧洞的施工,可完成开挖掘进、岩渣运输、通风排尘、导向控制、支护衬砌、风水电及材料等供应等工序。其中掘进载荷的大小对TBM的结构设计、刀盘刀具寿命、施工成本的控制,掘进参数的选择有重要的指导意义,故在掘进过程中预测掘进载荷显得十分重要。现有的载荷预测有经验理论公式、刀具破岩理论、载荷等效建模方法,进行载荷模型的建立,以实现载荷预测。但忽略了TBM施工过程中现场所记录数据包含的价值信息,以及缺少基于数据分析建立掘进载荷模型的方法。故有必要挖掘施工数据包含的价值信息,并基于数据建立高精度的载荷预测模型。本文以单一的敞开式单对水平支撑TBM为研究对象,采用数据驱动方法建立掘进载荷预测模型,研究了不同建模区间的模型预测性能以及参与建模的参数敏感度,比较不同参数参与下的载荷预测模型精度,得到高精度载荷预测模型,并与实测结果对比验证模型预测的有效性,为降低模型输入参数的维度及提升载荷模型预测精度提供基础理论和建模思路。本文的主要研究如下:（1）利用代理模型技术和...
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：90 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 全断面硬岩隧道掘进机（TBM）技术简介
1.1.1 TBM类型及特点
1.1.2 国外TBM技术发展历史与现状
1.1.3 国内TBM技术发展历史与现状
1.2 TBM掘进载荷研究
1.2.1 TBM掘进载荷建模方法
1.2.2 TBM掘进载荷预测模型
1.3 课题研究意义
1.4 课题研究内容
1.5 本章小结
2 TBM掘进载荷模型的建立
2.1 引言
2.2 工程背景
2.3 掘进参数选择及数据预处理
2.3.1 TBM掘进过程中掘进载荷分析
2.3.2 掘进参数选择
2.4 建立代理模型
2.4.1 代理模型介绍
2.4.2 载荷模型评价标准
2.5 载荷模型选择
2.5.1 推进力模型选择和比较
2.5.2 扭矩模型选择和比较
2.6 载荷模型预测结果和分析
2.6.1 模型预测评价标准
2.6.2 推进力模型预测
2.6.3 扭矩模型预测
2.7 本章小结
3 数据驱动载荷模型的建立和分析
3.1 引言
3.2 机器学习方法
3.3 数据特征分析
3.3.1 数据清洗
3.3.2 特征选择
3.4 随机森林算法
3.4.1 回归树模型
3.4.2 随机森林模型
3.4.3 模型评价标准
3.5 掘进载荷预测模型的建立
3.5.1 回归树模型和随机森林模型参数
3.5.2 回归树模型和随机森林模型的比较
3.6 载荷模型预测分析
3.6.1 推进力模型预测分析
3.6.2 扭矩模型预测分析
3.7 参数重要性分析
3.7.1 推进力模型参数分析
3.7.2 扭矩模型参数分析
3.8 本章小结
4 掘进载荷的参数敏感度分析
4.1 引言
4.2 参数分析方法
4.2.1 推进力关键参数识别和kriging模型
4.2.2 扭矩关键参数识别和kriging模型
4.3 Sobol灵敏度分析方法
4.4 参数分析算例
4.4.1 kriging模型参数分析
4.4.2 Sobol方法参数分析
4.5 本章小结
5 结论与展望
5.1 论文总结
5.2 工作展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢
【参考文献】：
期刊论文
[1]全断面岩石掘进机在国内隧道工程中的应用与发展[J]. 张照煌,李振,高青风. 矿山机械. 2018(07)
[2]机器学习在神经精神疾病诊断及预测中的应用[J]. 文宏伟,陆菁菁,何晖光. 协和医学杂志. 2018(01)
[3]中国TBM施工技术进展、挑战及对策[J]. 杜立杰. 隧道建设. 2017(09)
[4]人工智能在智能制造领域的应用研究（英文）[J]. Bo-hu LI,Bao-cun HOU,Wen-tao YU,Xiao-bing LU,Chun-wei YANG. Frontiers of Information Technology & Electronic Engineering. 2017(01)
[5]基于力学分析的TBM掘进总推力预测模型研究[J]. 周思阳,亢一澜,苏翠侠,张茜. 机械工程学报. 2016(20)
[6]全断面硬岩隧道掘进机及其配套运输设备的选型[J]. 刘志华. 建筑机械化. 2016(07)
[7]大数据驱动的智能车间运行分析与决策方法体系[J]. 张洁,高亮,秦威,吕佑龙,李新宇. 计算机集成制造系统. 2016(05)
[8]TBM及其施工技术在中国的发展与趋势[J]. 荆留杰,张娜,杨晨. 隧道建设. 2016(03)
[9]基于代理模型的多体动力学模型修正技术[J]. 方剑光,高云凯,徐成民,张玉婷. 汽车工程. 2014(04)
[10]TBM的发展历程[J]. D.威利斯,程方权. 水利水电快报. 2013(11)
硕士论文
[1]基于机器学习的小目标检测与追踪的算法研究[D]. 林晓林.江南大学 2018
[2]SWMM排水管网模型灵敏参数识别与多目标优化率定研究[D]. 周云峰.浙江大学 2018
[3]TBM岩机映射关系及其优化决策方法研究[D]. 王超.浙江大学 2018
[4]盾构掘进载荷的力学分析与反演识别[D]. 郑峥.天津大学 2014
[5]基于代理模型的汽车碰撞安全性仿真优化研究[D]. 廖兴涛.湖南大学 2006
本文编号：3000985
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：90 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 全断面硬岩隧道掘进机（TBM）技术简介
1.1.1 TBM类型及特点
1.1.2 国外TBM技术发展历史与现状
1.1.3 国内TBM技术发展历史与现状
1.2 TBM掘进载荷研究
1.2.1 TBM掘进载荷建模方法
1.2.2 TBM掘进载荷预测模型
1.3 课题研究意义
1.4 课题研究内容
1.5 本章小结
2 TBM掘进载荷模型的建立
2.1 引言
2.2 工程背景
2.3 掘进参数选择及数据预处理
2.3.1 TBM掘进过程中掘进载荷分析
2.3.2 掘进参数选择
2.4 建立代理模型
2.4.1 代理模型介绍
2.4.2 载荷模型评价标准
2.5 载荷模型选择
2.5.1 推进力模型选择和比较
2.5.2 扭矩模型选择和比较
2.6 载荷模型预测结果和分析
2.6.1 模型预测评价标准
2.6.2 推进力模型预测
2.6.3 扭矩模型预测
2.7 本章小结
3 数据驱动载荷模型的建立和分析
3.1 引言
3.2 机器学习方法
3.3 数据特征分析
3.3.1 数据清洗
3.3.2 特征选择
3.4 随机森林算法
3.4.1 回归树模型
3.4.2 随机森林模型
3.4.3 模型评价标准
3.5 掘进载荷预测模型的建立
3.5.1 回归树模型和随机森林模型参数
3.5.2 回归树模型和随机森林模型的比较
3.6 载荷模型预测分析
3.6.1 推进力模型预测分析
3.6.2 扭矩模型预测分析
3.7 参数重要性分析
3.7.1 推进力模型参数分析
3.7.2 扭矩模型参数分析
3.8 本章小结
4 掘进载荷的参数敏感度分析
4.1 引言
4.2 参数分析方法
4.2.1 推进力关键参数识别和kriging模型
4.2.2 扭矩关键参数识别和kriging模型
4.3 Sobol灵敏度分析方法
4.4 参数分析算例
4.4.1 kriging模型参数分析
4.4.2 Sobol方法参数分析
4.5 本章小结
5 结论与展望
5.1 论文总结
5.2 工作展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢
【参考文献】：
期刊论文
[1]全断面岩石掘进机在国内隧道工程中的应用与发展[J]. 张照煌,李振,高青风. 矿山机械. 2018(07)
[2]机器学习在神经精神疾病诊断及预测中的应用[J]. 文宏伟,陆菁菁,何晖光. 协和医学杂志. 2018(01)
[3]中国TBM施工技术进展、挑战及对策[J]. 杜立杰. 隧道建设. 2017(09)
[4]人工智能在智能制造领域的应用研究（英文）[J]. Bo-hu LI,Bao-cun HOU,Wen-tao YU,Xiao-bing LU,Chun-wei YANG. Frontiers of Information Technology & Electronic Engineering. 2017(01)
[5]基于力学分析的TBM掘进总推力预测模型研究[J]. 周思阳,亢一澜,苏翠侠,张茜. 机械工程学报. 2016(20)
[6]全断面硬岩隧道掘进机及其配套运输设备的选型[J]. 刘志华. 建筑机械化. 2016(07)
[7]大数据驱动的智能车间运行分析与决策方法体系[J]. 张洁,高亮,秦威,吕佑龙,李新宇. 计算机集成制造系统. 2016(05)
[8]TBM及其施工技术在中国的发展与趋势[J]. 荆留杰,张娜,杨晨. 隧道建设. 2016(03)
[9]基于代理模型的多体动力学模型修正技术[J]. 方剑光,高云凯,徐成民,张玉婷. 汽车工程. 2014(04)
[10]TBM的发展历程[J]. D.威利斯,程方权. 水利水电快报. 2013(11)
硕士论文
[1]基于机器学习的小目标检测与追踪的算法研究[D]. 林晓林.江南大学 2018
[2]SWMM排水管网模型灵敏参数识别与多目标优化率定研究[D]. 周云峰.浙江大学 2018
[3]TBM岩机映射关系及其优化决策方法研究[D]. 王超.浙江大学 2018
[4]盾构掘进载荷的力学分析与反演识别[D]. 郑峥.天津大学 2014
[5]基于代理模型的汽车碰撞安全性仿真优化研究[D]. 廖兴涛.湖南大学 2006
本文编号：3000985
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3000985.html
