基于集成CART算法的TBM掘进参数与围岩等级预测

摘要：

全断面隧道掘进机(TBM)运行过程中将会产生大量可以反映当时地质状况的数据,旨在充分利用TBM运行数据,使用基于集成CART算法的随机森林和AdaCost,实现岩体信息实时感知与掘进参数智能优化.为建立快速、准确的TBM掘进参数与围岩等级预测模型,提出了一种掘进模式识别方法,将TBM掘进循环分为空推段、上升段与稳定段;并使用随机森林模型和上升段前30s数据,实时预测稳定掘进时掘进推力与刀盘扭矩的取值,预测精度分别达到0.90和0.87;继而使用代价敏感的AdaCost算法预测围岩等级,解决了传统机器学习算法不适用于岩体级别数据不均衡的场景,相较于随机森林模型,对于Ⅳ级和V级岩体的预测正确率分别提升了16％与50％.此外,总推进力、刀盘功率、刀盘扭矩、推进速度等TBM运行参数被证明与TBM掘进情况密切相关;刀盘转速、撑靴压力、撑靴俯仰角、推进速度和撑靴滚动角等参数被证明能更好地反映围岩状况.这些认识与成果对TBM掘进参数优化和风险预警有着重要意义,并将为建立基于数据挖掘的TBM智能决策控制平台提供参考.

关键词：岩石力学、TBM掘进参数、围岩等级、不均衡数据集、随机森林、AdaCost算法

所属期刊栏目：39

分类号：TU45(土力学、地基基础工程)

资助基金：国家自然科学基金41827807

在线出版日期：2020-10-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1860-1871