[发明专利]一种基于BP神经网络的硬岩TBM掘进速率预测方法

说明书

本发明提供了一种基于BP神经网络的硬岩TBM掘进速率预测方法，包括：S1，建立TBM掘进速率主要影响因素分析模型，包括TBM掘进速率PR与岩体参数相关性分析，以及岩体参数之间的相关性分析与掘进速率关键影响因素的确定；S2，建立TBM掘进速率预测模型，包括：S2.1，建立数据的处理模型；S2.2，建立BP神经网络设计和训练模型；S3，建立TBM掘进速率预测结果对比和分析模型，以实现掘进速率预测。本发明提出了依据BP神经网络的参数学习与训练反馈，建立了硬岩TBM施工条件下的掘进速率的预测方法，能够准确预测硬岩条件下的TBM掘进速率，从而对TBM的施工过程提供一定的指导。

技术领域

本发明涉及全断面隧道掘进机施工分析技术领域，特别是涉及一种基于BP神经网络的硬岩TBM掘进速率预测方法。

背景技术

全断面隧道掘进机(Full Face Tunnel Boring Machine，以下简称TBM)较传统的钻爆法而言，具有施工速度快、掘进效率高、隧洞成型好、对周边环境影响小以及作业安全等优点。然而，TBM掘进过程中对地质条件变化更为敏感，当遭遇地质环境较差时，可能导致掘进效率低下，甚至造成严重的工期延误。由于TBM施工前期投入较大，开发适用的TBM掘进速率预测模型，以准确预测TBM掘进速率对于施工进度安排和工程成本预算至关重要。

目前较为传统的TBM掘进速率预测方法，主要包括基于理论模型的方法和基于经验模型的方法两大类。基于理论模型的方法，如科罗拉多矿业学院提出的基于CSM模型的方法，在一定程度上解释了TBM滚刀贯入荷载、贯入速率等与岩体力学参数之间的相关关系，然而其主要基于室内贯入试验、线性切割试验以及理论推导进行模型构建，很难真实而全面地考虑TBM滚刀所遇到的原位地质条件，导致预测精度难以达到要求。基于经验模型的方法主要通过现场岩体参数和掘进速率的数据搜集，并利用不同的数据分析方法构建相关关系。但上述这两种方法，其预测精度都难以达到工程要求，无法较好地运用于工程地质条件差异性大的各类项目。

发明内容

为此，本发明的目的在于提出一种基于BP神经网络的硬岩TBM掘进速率预测方法，以提升预测精度。

一种基于BP神经网络的硬岩TBM掘进速率预测方法，包括：

S1，建立TBM掘进速率主要影响因素分析模型，包括TBM掘进速率PR与岩体参数相关性分析，以及岩体参数之间的相关性分析与掘进速率关键影响因素的确定，其中，岩体参数包括平均节理间距DPW、峰值斜率指数PSI、巴西抗拉强度BTS、单轴抗压强度UCS、节理面与隧道轴向方向的夹角α；

S2，建立TBM掘进速率预测模型，包括：S2.1，建立数据的处理模型；S2.2，建立BP神经网络设计和训练模型；

S3，建立TBM掘进速率预测结果对比和分析模型，以实现掘进速率预测。

根据本发明提供的基于BP神经网络的硬岩TBM掘进速率预测方法，通过建立四个主要影响因素和TBM掘进速率之间的非线性映射关系，并采用基于BP神经网络的参数学习与训练反馈的研究方法来处理上述非线性问题，提出依据BP神经网络的参数学习与训练反馈，建立硬岩TBM施工条件下的掘进速率的预测方法，测试结果表明，全部数据的平均绝对误差为0.17m/h，平均绝对误差百分比为8.61％，预测值和实测值相关系数R为0.81，说明预测效果较好，全部数据的实测PR平均值为2.05m/h，预测PR平均值2.05m/h，说明整体预测值和实测值一致，对于预估整个工程工期和进度不会有较大偏差，这对于工程实际具有重大意义。所有数据的绝对误差最大值0.6m/h，绝对误差百分比最大值25.6％，小于30％的误差，在工程预测可接受的范围之内。说明该方法能够准确预测硬岩条件下的TBM掘进速率，从而对TBM的施工过程提供一定的指导。

另外，根据本发明上述的基于BP神经网络的硬岩TBM掘进速率预测方法，还可以具有如下附加的技术特征：