CN108491590A - 基于灰色系统模型的盾构掘进参数预测方法 - Google Patents
基于灰色系统模型的盾构掘进参数预测方法 Download PDFInfo
- Publication number
- CN108491590A CN108491590A CN201810179834.1A CN201810179834A CN108491590A CN 108491590 A CN108491590 A CN 108491590A CN 201810179834 A CN201810179834 A CN 201810179834A CN 108491590 A CN108491590 A CN 108491590A
- Authority
- CN
- China
- Prior art keywords
- boring parameter
- parameter
- boring
- grey
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明提供了一种基于灰色系统模型的盾构掘进参数预测方法。选取盾构机的连续掘进设定数量环的掘进参数作为样本数据;将样本数据转化为呈现某种规律的生成数列,基于生成数列建立基于灰色系统理论的掘进参数灰色预测模型:在掘进参数灰色预测模型中输入取样数据,掘进参数灰色预测模型经过计算得到后续掘进段的掘进参数预测值。将掘进参数预测值反馈给盾构操作手指导盾构机掘进参数控制;实时更新掘进参数样本,实现掘进参数预测的动态循环。本发明的方法通过运用弱化原始数据的随机性,突出其内在规律性,只需少量原始数据,同时,通过模型拟合值与实际值之差对模型做适当修正,可使预测精度得以提高,预测结果更接近实际。
Description
技术领域
本发明涉及地下建筑工程技术领域,尤其涉及一种基于灰色系统模型的盾构掘进参数预测方法。
背景技术
近年来,随着隧道及地下工程的快速发展,盾构法作为隧道暗挖施工法的一种,以安全、快速、优质等特点得到广泛的应用。
盾构法施工具有全封闭、快掘进、边掘进边添加衬砌等施工特点,而地层条件与掘进参数之间往往具有一定的对应关系,在实际工程中,了解这种对应关系,能有效控制盾构掘进过程中的姿态不良,刀具磨损、地表沉降等问题发生,以满足施工进度、安全和质量要求。
盾构区间穿越多种复杂地层条件,掘进参数变化不规律。因此,在实际施工过程中,需要对盾构不同地层下的掘进参数变化规律进行分析,根据关键参数特点,提出地层识别及盾构效能分析参数,为类似地层土压平衡盾构地层的适应性特征提供评判准则参考。
现有技术中,还没有一种有效的盾构机的掘进参数预测方法。
发明内容
本发明的实施例提供了一种基于灰色系统模型的盾构掘进参数预测方法,以实现基于灰色系统模型对盾构机的掘进参数进行有效的预测。
为了实现上述目的,本发明采取了如下技术方案。
一种基于灰色系统模型的盾构掘进参数预测方法,包括:
选取盾构机的连续掘进设定数量环的掘进参数作为样本数据;
将所述样本数据转化为呈现某种规律的生成数列,基于所述生成数列建立基于灰色系统理论的掘进参数灰色预测模型:
在所述掘进参数灰色预测模型中输入取样数据,所述掘进参数灰色预测模型经过计算得到后续掘进段的掘进参数预测值。
进一步地,所述掘进参数包括刀盘转速、刀盘扭矩、总推力、掘进速度和贯入度中的至少一项。
进一步地,所述的将所述样本数据转化为呈现某种规律的生成数列,基于所述生成数列建立基于灰色系统理论的掘进参数灰色预测模型,包括:
根据盾构机掘进时间先后的特点,将掘进参数视为时间数列数据,根据灰色系统理论建立相应的掘进参数灰色预测模型;
掘进参数初始值:
x(0)=(x(0)(1),x(0)(2),x(0)(3),…,x(0)(n)) 公式1
x(0)(1)为时刻1的掘进参数初始值,x(0)(2)为时刻2的掘进参数初始值,x(0)(n)为时刻n的掘进参数初始值,x(0)为掘进参数初始序列;
做一次累加,得
x(1)=(x(1)(1),x(1)(2),x(1)(3),…,x(1)(n)),其中
t取1~n,x(1)为x(0)的累加数列,k为正整数,t表示时刻点,值的大小表示时刻的先后顺序;
根据灰色系统理论,可对时间t求导,得到微分方程:
式中系数向量为其中B为累加矩阵,yn为常数向量,且
解微分方程,得到时间函数
x(1)(t)=(x(1)(1)-u/a)e-at+u/a (公式4)
令x(1)(1)=x(0)(1),则有:
x(1)(t+1)=(x(0)(1)-u/a)e-at+u/a (公式5)
求导还原x(0)(t+1)=-a(x(0)(1)-u/a)e-at (公式6)
将上述公式6所示的表达式作为掘进参数灰色预测模型。
进一步地,所述的方法还包括:
将所述后续掘进段的掘进参数预测值反馈给盾构机,利用所述掘进参数预测值对盾构机进行掘进参数控制;
实时更新盾构机的掘进参数的样本数据,重复进行上述计算后续掘进段的掘进参数预测值的处理过程,实现盾构机的掘进参数预测的动态循环。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例的方法通过运用弱化原始数据的随机性,突出其内在规律性,可随着盾构推进施工自动更新优化预测模型,形成动态的循环预测,从而较好控制盾构长距离掘进的掘进参数。
本发明实施例只需要利用少量的样本数据,简单程序,计算成本低,效率高,能够快速、高精度的对盾构掘进参数进行实时预测和控制。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于灰色系统模型的盾构掘进参数预测方法的处理流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
按照灰色系统理论导出的灰色预测方法不是通过数据样本本身的多少去寻找其规律,而是将随机变量视为在一定范围内变化的、且与时间有关的灰色量来处理,把看似杂乱无章的原始数据转化为呈现某种规律的生成数列,并以此建立灰色预测模型。这样做的目的在于弱化原始数据的随机性,突出其内在规律性。与传统的预测方法相比,灰色预测方法只需少量原始数据,同时,通过模型拟合值与实际值之差对模型做适当修正,可使预测精度得以提高,预测结果更接近实际。
在盾构掘进过程中,由于地层、设施条件等一系列因素的变化,导致掘进过程中掘进参数随着时间发生变化的规律是显著的,而灰色预测模型能够将有限的掘进参数通过一定方法的转换,预测出其后将会产生的掘进参数。
本发明实施例提供了一种基于灰色系统模型的盾构掘进参数预测方法,该方法利用盾构最近5环掘进参数作为样本数据,建立基于灰色系统理论的掘进参数灰色预测模型,实现对后续盾构施工掘进参数的循环预测,实时更新样本数据,供盾构操作手对掘进参数进行控制并指导施工。
本发明实施例提供的一种基于灰色系统模型的盾构掘进参数预测方法的处理流程图如图1所示,包括如下步骤
S1:进行数据取样,选取连续掘进设定数量环的掘进参数作为样本数据,该掘进参数包括刀盘转速、刀盘扭矩、总推力、掘进速度、贯入度等数据;上述设定数量可以为5等数值。
S2:构建灰色系统模型,根据盾构机掘进时间先后的特点,将掘进参数视为时间数列数据,把看似杂乱无章的样本数据转化为呈现某种规律的生成数列,并基于上述生成数列建立基于灰色系统理论的掘进参数灰色预测模型:
掘进参数初始值:
x(0)=(x(0)(1),x(0)(2),x(0)(3),…,x(0)(n)) (公式1)
x(0)(1)为时刻1的掘进参数初始值,x(0)(2)为时刻2的掘进参数初始值,x(0)(n)为时刻n的掘进参数初始值,x(0)为掘进参数初始序列。
做一次累加,得
x(1)=(x(1)(1),x(1)(2),x(1)(3),…,x(1)(n)),其中
t可取1~n,例如x(1)(1)=x(0)(1),x(1)(2)=x(0)(1)+x(0)(2),
x(1)为x(0)的累加数列,k为正整数,t表示时刻点,值的大小表示时刻的先后顺序
根据灰色系统理论,符合近似的,不完全确定的所谓灰微分条件,因此可对时间t求导,得到微分方程:
式中系数向量为其中B为累加矩阵,yn为常数向量,且
解微分方程,得到时间函数
x(1)(t)=(x(1)(1)-u/a)e-at+u/a (公式4)
令x(1)(1)=x(0)(1),则有:
x(1)(t+1)=(x(1)(0)-u/a)e-at+u/a (公式5)
求导还原x(0)(t+1)=-a(x(0)(1)-u/a)e-at (公式6)
公式1为掘进参数初始序列,公式2为x(0)的累加数列,解公式三的微分方程可得到公式4的时间函数,将时间函数中的x(1)(1)用x(0)(1)进行替换并求导还原,即可得到掘进参数的预测序列。
将上述公式6所示的表达式作为掘进参数灰色预测模型,简称GM(1,1)模型。
S3:在上述S2中所建立的掘进参数灰色预测模型中输入取样数据,掘进参数灰色预测模型通过基于灰色系统理论(公式1-6)建立的matlab计算程序,经过计算得到后续掘进段的掘进参数预测值。
S4:将上述掘进参数预测值反馈给盾构机,利用上述掘进参数预测值对盾构机进行掘进参数控制;
S5:实时更新盾构机的掘进参数的样本数据,重复进行上述步骤S1-S4的计算后续掘进段的掘进参数预测值的处理过程,实现盾构机的掘进参数预测的动态循环。
下面结合实例对本发明的基于灰色系统模型的盾构掘进参数预测方法进一步详细说明。
本例选取某定隧道工程已掘进段的实测数据,包括掘进速度、刀盘扭矩等掘进参数。分别见表1-5
建立掘进参数灰色预测模型,并在matlab软件形成相应程序(程序1)。
已刀盘转速、刀盘扭矩、总推力、掘进速度、贯入度等5个变量作为输入数据,输出后5环相应的掘进参数预测数据。结果见表6-表10
表1刀盘转速测试数据(rpm)
环号N | 32 | 33 | 34 | 35 | 36 |
刀盘转速 | 2 | 1.9 | 1.8 | 1.9 | 1.9 |
表2刀盘扭矩测试数据(MN·m)
环号N | 32 | 33 | 34 | 35 | 36 |
刀盘扭矩 | 2.4 | 2.7 | 2.5 | 2.6 | 2.6 |
表3总推力测试数据(kN)
环号N | 32 | 33 | 34 | 35 | 36 |
总推力 | 8138 | 7890 | 7635 | 8368 | 7922 |
表4掘进速度测试数据(mm/min)
环号N | 32 | 33 | 34 | 35 | 36 |
掘进速度 | 8138 | 7890 | 7635 | 8368 | 7922 |
表5贯入度测试数据(mm/r)
环号N | 32 | 33 | 34 | 35 | 36 |
贯入度 | 6 | 6.8 | 8.9 | 8.4 | 7.4 |
程序1
x0=[a,b,c,d,e];
pre_num=5;
n=length(x0);
disp(′级比检验′)
lambda=x0(1:end-1)./x0(2:end);
range=minmax(1ambda)
x1=cumsum(x0);
z=0.5*(x1(2:end)+x1(1:end-1));Y=x0(2:end)′;
B=[-z(1:end)′ones(n-1,1)];
u=B\Y;%u=inv(B′*B)*B′*Y
a=u(1)
b=u(2)
x0_pre=[x0(1)ones(1,n+pre_num-1)];
for k=1:n-1+pre_num x0_pre(k+1)=(x0(1)-b/a)*(exp(-a*k)-exp(-a*(k-1)));
end
err=[x0-x0_pre(1:n)];
epsilon=abs(err)./x0(1:n).*100
disp(′预测值′)
disp(x0_pre)
disp(′相对误差′)
disp(epsilon)
t1=1:6;
t2=1:10;
p1ot(t1,x0,′d′,t2,x0_pre,′LineWidth′,2)%原始数据与预测数据的比较
表6盘转速预测结果与原始数据对比(rpm)
表7刀盘扭矩预测结果与原始数据对比(MN·m)
表8刀盘扭矩预测结果与原始数据对比(MN·m)
表9掘进速度预测结果与原始数据对比(mm/min)
表10贯入度预测结果与原始数据对比(mm/r)
综上所述,本发明实施例的方法通过运用弱化原始数据的随机性,突出其内在规律性,与现有技术相比,本发明具有如下有益效果:
(1)灰色系统理论,可把看似杂乱无章的原始数据转化为呈现某种规律的生成数列,化原始数据的随机性,突出其内在规律性。
(2)可随着盾构推进施工自动更新优化预测模型,形成动态的循环预测,从而较好控制盾构长距离掘进的掘进参数。
(3)与传统的预测方法相比,灰色预测方法只需少量原始数据,同时,通过模型拟合值与实际值之差对模型做适当修正,可使预测精度得以提高,预测结果更接近实际。
(4)本发明只需利用少量的样本数据,简单程序,计算成本低,效率高,能够快速、高精度的对盾构掘进参数进行实时预测和控制。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于灰色系统模型的盾构掘进参数预测方法,其特征在于,包括:
选取盾构机的连续掘进设定数量环的掘进参数作为样本数据;
将所述样本数据转化为呈现某种规律的生成数列,基于所述生成数列建立基于灰色系统理论的掘进参数灰色预测模型:
在所述掘进参数灰色预测模型中输入取样数据,所述掘进参数灰色预测模型经过计算得到后续掘进段的掘进参数预测值。
2.根据权利要求1所述的方法,其特征在于,所述掘进参数包括刀盘转速、刀盘扭矩、总推力、掘进速度和贯入度中的至少一项。
3.根据权利要求1或者2所述的方法,其特征在于,所述的将所述样本数据转化为呈现某种规律的生成数列,基于所述生成数列建立基于灰色系统理论的掘进参数灰色预测模型,包括:
根据盾构机掘进时间先后的特点,将掘进参数视为时间数列数据,根据灰色系统理论建立相应的掘进参数灰色预测模型;
掘进参数初始值:
x(0)=(x(0)(1),x(0)(2),x(0)(3),…,x(0)(n)) 公式1
x(0)(1)为时刻1的掘进参数初始值,x(0)(2)为时刻2的掘进参数初始值,x(0)(n)为时刻n的掘进参数初始值,x(0)为掘进参数初始序列;
做一次累加,得
x(1)=(x(1)(1),x(1)(2),x(1)(3),…,x(1)(n)),其中
t取1~n,x(1)为x(0)的累加数列,k为正整数,t表示时刻点,值的大小表示时刻的先后顺序;
根据灰色系统理论,可对时间t求导,得到微分方程:
式中系数向量为其中B为累加矩阵,yn为常数向量,且
yn=[x(0)(2),x(0)(3),…,x(0)(n)]T
解微分方程,得到时间函数
x(1)(t)=(x(1)(1)-u/a)e-at+u/a (公式4)
令x(1)(1)=x(0)(1),则有:
x(1)(t+1)=(x(0)(1)-u/a)e-at+u/a (公式5)
求导还原x(0)(t+1)=-a(x(0)(1)-u/a)e-at (公式6)
将上述公式6所示的表达式作为掘进参数灰色预测模型。
4.根据权利要求1或2或3所述的方法,其特征在于,所述的方法还包括:
将所述后续掘进段的掘进参数预测值反馈给盾构机,利用所述掘进参数预测值对盾构机进行掘进参数控制;
实时更新盾构机的掘进参数的样本数据,重复进行上述计算后续掘进段的掘进参数预测值的处理过程,实现盾构机的掘进参数预测的动态循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810179834.1A CN108491590A (zh) | 2018-03-05 | 2018-03-05 | 基于灰色系统模型的盾构掘进参数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810179834.1A CN108491590A (zh) | 2018-03-05 | 2018-03-05 | 基于灰色系统模型的盾构掘进参数预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108491590A true CN108491590A (zh) | 2018-09-04 |
Family
ID=63341215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810179834.1A Pending CN108491590A (zh) | 2018-03-05 | 2018-03-05 | 基于灰色系统模型的盾构掘进参数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491590A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109356602A (zh) * | 2018-12-11 | 2019-02-19 | 河北建设勘察研究院有限公司 | 一种盾构机掘进状态的判断方法及系统 |
CN109407614A (zh) * | 2018-11-06 | 2019-03-01 | 重庆大学 | 一种数控滚齿机滚齿加工工艺参数优化方法 |
CN109630154A (zh) * | 2019-01-24 | 2019-04-16 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 一种用于隧道掘进的掘进机器人及远程移动终端指挥系统 |
CN109918822A (zh) * | 2019-03-15 | 2019-06-21 | 中铁工程服务有限公司 | 基于随机森林回归的盾构掘进参数偏差计算方法及系统 |
CN111444591A (zh) * | 2019-12-19 | 2020-07-24 | 西南交通大学 | 软土土压平衡盾构隧道掘进速度确定方法及装置 |
CN111594201A (zh) * | 2020-05-28 | 2020-08-28 | 中铁工程装备集团有限公司 | 一种tbm关键参数智能控制系统及方法 |
CN113377017A (zh) * | 2021-07-19 | 2021-09-10 | 中国铁建重工集团股份有限公司 | 土压平衡盾构机及其推进速度预测方法、装置、介质 |
CN113673059A (zh) * | 2021-08-26 | 2021-11-19 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
CN114017049A (zh) * | 2021-11-08 | 2022-02-08 | 南京工业大学 | 一种基于Multi-Agent理论的盾构掘进装备核心部件协同设计制造方法 |
CN114370284A (zh) * | 2021-12-07 | 2022-04-19 | 山东大学 | 盾构开挖面地层性质实时感知与掘进参数调整方法及系统 |
CN114418164A (zh) * | 2021-12-01 | 2022-04-29 | 南京工业大学 | 一种基于知识管理的盾构掘进装备智能优化选型方法 |
CN113673059B (zh) * | 2021-08-26 | 2024-05-14 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
-
2018
- 2018-03-05 CN CN201810179834.1A patent/CN108491590A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109407614A (zh) * | 2018-11-06 | 2019-03-01 | 重庆大学 | 一种数控滚齿机滚齿加工工艺参数优化方法 |
CN109407614B (zh) * | 2018-11-06 | 2020-12-29 | 重庆大学 | 一种数控滚齿机滚齿加工工艺参数优化方法 |
CN109356602A (zh) * | 2018-12-11 | 2019-02-19 | 河北建设勘察研究院有限公司 | 一种盾构机掘进状态的判断方法及系统 |
CN109630154B (zh) * | 2019-01-24 | 2023-08-25 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 一种用于隧道掘进的掘进机器人及远程移动终端指挥系统 |
CN109630154A (zh) * | 2019-01-24 | 2019-04-16 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 一种用于隧道掘进的掘进机器人及远程移动终端指挥系统 |
CN109918822A (zh) * | 2019-03-15 | 2019-06-21 | 中铁工程服务有限公司 | 基于随机森林回归的盾构掘进参数偏差计算方法及系统 |
CN109918822B (zh) * | 2019-03-15 | 2023-12-15 | 中铁高新工业股份有限公司 | 基于随机森林回归的盾构掘进参数偏差计算方法及系统 |
CN111444591A (zh) * | 2019-12-19 | 2020-07-24 | 西南交通大学 | 软土土压平衡盾构隧道掘进速度确定方法及装置 |
CN111594201A (zh) * | 2020-05-28 | 2020-08-28 | 中铁工程装备集团有限公司 | 一种tbm关键参数智能控制系统及方法 |
CN113377017A (zh) * | 2021-07-19 | 2021-09-10 | 中国铁建重工集团股份有限公司 | 土压平衡盾构机及其推进速度预测方法、装置、介质 |
CN113673059A (zh) * | 2021-08-26 | 2021-11-19 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
CN113673059B (zh) * | 2021-08-26 | 2024-05-14 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
CN114017049A (zh) * | 2021-11-08 | 2022-02-08 | 南京工业大学 | 一种基于Multi-Agent理论的盾构掘进装备核心部件协同设计制造方法 |
CN114418164A (zh) * | 2021-12-01 | 2022-04-29 | 南京工业大学 | 一种基于知识管理的盾构掘进装备智能优化选型方法 |
CN114370284B (zh) * | 2021-12-07 | 2023-03-10 | 山东大学 | 盾构开挖面地层性质实时感知与掘进参数调整方法及系统 |
CN114370284A (zh) * | 2021-12-07 | 2022-04-19 | 山东大学 | 盾构开挖面地层性质实时感知与掘进参数调整方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491590A (zh) | 基于灰色系统模型的盾构掘进参数预测方法 | |
Salimi et al. | TBM performance estimation using a classification and regression tree (CART) technique | |
Chen et al. | Diagnosing tunnel collapse sections based on TBM tunneling big data and deep learning: A case study on the Yinsong Project, China | |
Feng et al. | Tunnel boring machines (TBM) performance prediction: A case study using big data and deep learning | |
Javad et al. | Application of artificial neural networks to the prediction of tunnel boring machine penetration rate | |
Ghasemi et al. | Predicting penetration rate of hard rock tunnel boring machine using fuzzy logic | |
Hassanpour et al. | TBM performance and disc cutter wear prediction based on ten years experience of TBM tunnelling in Iran | |
US11841694B2 (en) | Predicting drilling tool failure | |
Fattahi | Adaptive neuro fuzzy inference system based on fuzzy c–means clustering algorithm, a technique for estimation of TBM penetration rate | |
CN103988176A (zh) | 软件分析程序和软件分析系统 | |
Eftekhari et al. | Predicting penetration rate of a tunnel boring machine using artificial neural network | |
CN103711523A (zh) | 基于局域分解-进化神经网络的瓦斯浓度实时预测方法 | |
Salsani et al. | Predicting roadheader performance by using artificial neural network | |
Adoko et al. | Fuzzy inference system-based for TBM field penetration index estimation in rock mass | |
Cachim et al. | Modelling the torque with artificial neural networks on a tunnel boring machine | |
CN114779324B (zh) | 一种基于深度学习的瑞雷波频散曲线反演方法 | |
CN111080015A (zh) | 盾构设备及其实时寿命的预测系统和预测方法 | |
Gajewski et al. | Towards the identification of worn picks on cutterdrums based on torque and power signals using Artificial Neural Networks | |
CN111144001A (zh) | 一种基于bp神经网络的矿山井筒工程tbm控制方法 | |
Tajvidi Asr et al. | Selection of optimum tunnel support system using aggregated ranking of SAW, TOPSIS and LA methods | |
CN113446022B (zh) | 盾构掘进控制系统及方法 | |
Kirmanli et al. | An expert system for hydraulic excavator and truck selection in surface mining | |
Maxutov et al. | Establishing a Bayesian Network model for predicting rockburst damage potential | |
CN114370264B (zh) | 机械钻速确定、钻井参数优化方法、装置及电子设备 | |
GB2363652A (en) | Method and apparatus for determining potential interfacial severity for a formation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180904 |
|
RJ01 | Rejection of invention patent application after publication |