CN113435056A - 基于svr与pso的盾构利用率预测与操作参数优化方法及系统 - Google Patents
基于svr与pso的盾构利用率预测与操作参数优化方法及系统 Download PDFInfo
- Publication number
- CN113435056A CN113435056A CN202110775455.0A CN202110775455A CN113435056A CN 113435056 A CN113435056 A CN 113435056A CN 202110775455 A CN202110775455 A CN 202110775455A CN 113435056 A CN113435056 A CN 113435056A
- Authority
- CN
- China
- Prior art keywords
- utilization rate
- data
- shield
- module
- svr
- 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.)
- Granted
Links
Images
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明提供了一种基于SVR与PSO的盾构利用率预测与操作参数优化方法及系统,所述方法包括如下步骤:步骤1:从机器运行数据中筛选出载荷与操作参数并对筛选出的数据进行预处理;步骤2:利用预处理后的数据、地质类型与各环利用率构造数据集并对数据集进行划分;步骤3:利用SVR与数据集建立盾构利用率预测模型;步骤4:构建以施工进度最大为目标,以操作参数变化、载荷变化和地质类型为约束条件的优化方程;步骤5:利用PSO优化建立的方程,得到特定地质类型下最优的操作参数,使得施工进度最大。本发明能准确地预测利用率并优化盾构的操作,使其安全、快速地掘进,具有较好的工程应用价值。
Description
技术领域
本发明涉及盾构隧道利用率预测与操作参数优化的技术领域,具体地,涉及基于SVR与PSO的盾构利用率预测与操作参数优化方法及系统。
背景技术
盾构法开挖隧道具有开挖速度快、施工质量高、对周围岩土扰动小等优点,因而在城市地下空间开发中获得越来越多的应用。盾构有四个性能参数,分别是净掘进速度、利用率、施工进度和刀具寿命。其中,净掘进速度表示机器处于掘进状态时的推进速度,利用率表示盾构掘进时间与总当班时间的百分比,施工进度为净掘进速度与利用率的乘积,滚刀寿命表示单把刀开挖的岩土体积或开挖距离。当前,对盾构性能参数的研究主要集中在净掘进速度预测和刀具磨损评估上,对利用率的关注相对较少。实际上,如果净掘进速度很大而利用率低,比如软岩/土情况下,盾构的施工进度也不会高;反之,如果净掘进速度很小而利用率高,比如硬岩情况下,盾构的施工进度也可能不低。因此,准确预测盾构的利用率具有重要的意义。
在公开号为CN111539156A的专利文献中公开了一种基于DP-PSO-SVR的齿廓偏差测量方法,属于精密测试技术领域。针对现有技术中存在的测量成本高、精度低、使用寿命短的问题,本方法包括:测量待测齿轮的齿廓数据作为待测数据,测量测试齿轮的齿廓数据作为样本数据,并对待测齿轮的理论齿廓数据进行坐标变换处理;建立齿廓偏差数学模型;建立SVR模型;使用DP-PSO算法和样本数据对SVR模型中的参数进行优化和训练,得到DP-PSO-SVR模型;使用DP-PSO-SVR模型对待测数据进行拟合,得到待测齿轮的实际渐开线,利用最小二乘法拟合理论齿廓数据得到理论渐开线,通过齿廓偏差数学模型计算得到实际渐开线与理论渐开线之间的齿廓偏差。
盾构利用率的影响因素众多,包括地质条件、司机操作、现场施工管理水平、备件供应、渣土输送、设备维修保养等,这给准确预测带来很大的挑战,其中地质条件和操作参数是两个重要的影响因素。国内外研究人员一般通过将盾构的停机时间分配成不同的活动来评估利用率,主要是建立各种活动的影响因素与利用率之间的映射模型或者图、表等。然而,现有的研究要么是在隧道规划阶段,通过建立模型或者对利用率进行预估来估算工程工期和成本或者对设备进行选型,要么是对现场施工管理提出一些建设性意见以提高利用率,并没有深入研究在现有的地质条件、设备规格、施工管理水平、渣土输送等条件下应如何实时预测利用率并优化司机操作以提高盾构的施工进度。因此,本发明提出一种基于SVR与PSO的盾构利用率预测与操作参数优化方法及系统,力图解决上述问题。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于SVR与PSO的盾构利用率预测与操作参数优化方法及系统。
根据本发明提供的一种基于SVR与PSO的盾构利用率预测与操作参数优化方法,所述方法包括如下步骤:
步骤1:从机器运行数据中筛选出载荷与操作参数并对筛选出的数据进行预处理;
步骤2:利用预处理后的数据、地质类型与各环利用率构造数据集并对数据集进行划分;
步骤3:利用SVR与数据集建立盾构利用率预测模型;
步骤4:构建以施工进度最大为目标,以操作参数变化、载荷变化和地质类型为约束条件的优化方程;
步骤5:利用PSO优化建立的方程,得到特定地质类型下最优的操作参数,利用最优的操作参数进行盾构施工。
优选地,所述步骤1包括如下步骤:
步骤1.1:将筛选出的数据按环划分并选出每环中稳定段的数据;
步骤1.2:利用3σ准则检测出数据中异常值并进行剔除;
步骤1.3:对处理后的数据按环求平均值。
优选地,所述步骤2包括如下步骤:
步骤2.1:待建立的利用率预测模型的输入为推力、扭矩、刀盘转速、推进速度及地质类型,输出为利用率;
步骤2.2:构造的数据集先划分为训练集与测试集,将训练集进一步划分为训练集和验证集,训练集用来构建利用率预测模型,验证集用来验证和调整模型参数,测试集用来证明最终建立的利用率预测模型的有效性。
优选地,所述步骤4包括如下步骤:
步骤4.1:优化目标施工进度为利用率与推进速度的乘积;
步骤4.2:约束条件中操作参数的变化范围来自实际施工中操作参数的调整范围。
优选地,所述步骤4约束条件中载荷的变化可以通过建立上升段与稳定段载荷与操作参数、地质类型的映射方程获得。
本发明还提供一种基于SVR与PSO的盾构利用率预测与操作参数优化系统,所述系统包括如下模块:
模块M1:从机器运行数据中筛选出载荷与操作参数并对筛选出的数据进行预处理;
模块M2:利用预处理后的数据、地质类型与各环利用率构造数据集并对数据集进行划分;
模块M3:利用SVR与数据集建立盾构利用率预测模型;
模块M4:构建以施工进度最大为目标,以操作参数变化、载荷变化和地质类型为约束条件的优化方程;
模块M5:利用PSO优化建立的方程,得到特定地质类型下最优的操作参数,利用最优的操作参数进行盾构施工。
优选地,所述模块M1包括如下模块:
模块M1.1:将筛选出的数据按环划分并选出每环中稳定段的数据;
模块M1.2:利用3σ准则检测出数据中异常值并进行剔除;
模块M1.3:对处理后的数据按环求平均值。
优选地,所述模块M2包括如下模块:
模块M2.1:待建立的利用率预测模型的输入为推力、扭矩、刀盘转速、推进速度及地质类型,输出为利用率;
模块M2.2:构造的数据集先划分为训练集与测试集,将训练集进一步划分为训练集和验证集,训练集用来构建利用率预测模型,验证集用来验证和调整模型参数,测试集用来证明最终建立的利用率预测模型的有效性。
优选地,所述模块M4包括如下模块:
模块M4.1:优化目标施工进度为利用率与推进速度的乘积;
模块M4.2:约束条件中操作参数的变化范围来自实际施工中操作参数的调整范围。
优选地,所述模块M4约束条件中载荷的变化可以通过建立上升段与稳定段载荷与操作参数、地质类型的映射方程获得。
与现有技术相比,本发明具有如下的有益效果:
1、本发明提出了一种利用操作参数、地质类型和载荷来预测盾构每环的利用率的方法,相比于只能应用在项目规划阶段的利用率预估模型,它能实现对利用率的实时预测,而相比于定性分析模型,它能量化操作参数和地质类型对利用率的影响;
2、本发明提出了一种在实时预测盾构的利用率的基础上进一步优化操作参数的方法,它能给出不同地质类型下最优的操作参数,使得盾构在一环的施工进度最大,保障了盾构的快速、平稳掘进。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明基于SVR与PSO的盾构利用率预测与操作参数优化方法及系统流程图;
图2为本发明基于SVR的盾构利用率预测方法的优越性的验证图;
图3为本发明PSO求解优化方程的寻优效果图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明提供一种基于SVR与PSO的盾构利用率预测与操作参数优化方法及系统,如图1所示,包括如下步骤:
步骤1:从机器运行数据中筛选出推力、扭矩、刀盘转速和推进速度并对筛选出的数据进行预处理。
步骤1包括如下步骤:步骤1.1:将筛选出的数据按环划分并选出每环中稳定段对应的数据。步骤1.2:利用3σ准则检测出这些稳定段数据中存在的异常值并进行剔除处理。步骤1.3:对异常值处理后的数据按环求平均值。
步骤2:利用预处理后的数据、地质类型与各环利用率构造数据集并对数据集进行划分。
步骤2包括如下步骤:步骤2.1:利用率预测模型的输入为推力、扭矩、刀盘转速、推进速度及向量形式的地质类型(本实施例基于某双层隧道项目,上层隧道有五种地质类型,下层隧道的地质类型为上层隧道中的三种,那么第一种地质类型对应的向量表示为[1,0,0,0,0],第二种地质类型对应的向量表示为[0,1,0,0,0],其他的依此类推),模型的输出为利用率。步骤2.2:构造的数据集先划分为训练集与测试集,其中上隧道数据用于构造训练集,下隧道的数据用于构造测试集,然后将训练集进一步划分为训练集和验证集,训练集用来构建利用率预测模型,验证集用来验证和调整模型参数,测试集用来证明最终建立的利用率预测模型的有效性。
步骤3:利用SVR算法与训练集、验证集建立了盾构利用率预测模型,利用测试集验证了模型的有效性,同时采用其他算法建模,如多元线性回归(MLR)、岭回归(RR)、决策树(DT)、k最近邻(KNN)、随机森林(RF)、AdaBoost(AdaB)和XGBoost(XGB),证明了SVR模型的优越性,如图2所示,其中模型的性能用预测值与真实值的均方误差(MSE)衡量,MSE越小,模型越好。
步骤4:构建以施工进度最大为目标,以操作参数变化、载荷变化和地质类型为约束条件的优化方程。
步骤4包括如下步骤:步骤4.1:目标函数为施工进度,即为利用率与推进速度的乘积。步骤4.2:约束条件中操作参数的变化范围来自实际施工中操作参数的调整范围,对实际施工数据做出统计分析便可确定刀盘转速的优化范围和推进速度的优化范围,本实施例刀盘转速的优化范围为[1.0,3.5](rpm),推进速度的优化范围为[5.0,40.0](mm/min)。步骤4.3:约束条件中载荷的变化可以通过建立稳定段的载荷与操作参数、地质类型的映射方程获得,首先计算各数据点的贯入度(推进速度/刀盘转速),然后分别建立推力、扭矩与贯入度的回归方程。
步骤5:利用PSO优化建立的方程,得到特定地质类型下最优的操作参数,使得施工进度最大,图3展示的是某种地质类型下PSO的寻优结果。
本发明还提供一种基于SVR与PSO的盾构利用率预测与操作参数优化系统,所述系统包括如下模块:
模块M1:从机器运行数据中筛选出载荷与操作参数并对筛选出的数据进行预处理;模块M1.1:将筛选出的数据按环划分并选出每环中稳定段的数据;模块M1.2:利用3σ准则检测出数据中异常值并进行剔除;模块M1.3:对处理后的数据按环求平均值。
模块M2:利用预处理后的数据、地质类型与各环利用率构造数据集并对数据集进行划分;模块M2.1:待建立的利用率预测模型的输入为推力、扭矩、刀盘转速、推进速度及地质类型,输出为利用率;模块M2.2:构造的数据集先划分为训练集与测试集,将训练集进一步划分为训练集和验证集,训练集用来构建利用率预测模型,验证集用来验证和调整模型参数,测试集用来证明最终建立的利用率预测模型的有效性。
模块M3:利用SVR与数据集建立盾构利用率预测模型。
模块M4:构建以施工进度最大为目标,以操作参数变化、载荷变化和地质类型为约束条件的优化方程;模块M4.1:优化目标施工进度为利用率与推进速度的乘积;模块M4.2:约束条件中操作参数的变化范围来自实际施工中操作参数的调整范围;约束条件中载荷的变化可以通过建立上升段与稳定段载荷与操作参数、地质类型的映射方程获得。
模块M5:利用PSO优化建立的方程,得到特定地质类型下最优的操作参数,利用最优的操作参数进行盾构施工。
本发明提出了一种利用操作参数、地质类型和载荷来预测盾构每环的利用率的方法,相比于只能应用在项目规划阶段的利用率预估模型,它能实现对利用率的实时预测,而相比于定性分析模型,它能量化操作参数和地质类型对利用率的影响;它能给出不同地质类型下最优的操作参数,使得盾构在一环的施工进度最大,保障了盾构的快速、平稳掘进。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于SVR与PSO的盾构利用率预测与操作参数优化方法,其特征在于,所述方法包括如下步骤:
步骤1:从机器运行数据中筛选出载荷与操作参数并对筛选出的数据进行预处理;
步骤2:利用预处理后的数据、地质类型与各环利用率构造数据集并对数据集进行划分;
步骤3:利用SVR与数据集建立盾构利用率预测模型;
步骤4:构建以施工进度最大为目标,以操作参数变化、载荷变化和地质类型为约束条件的优化方程;
步骤5:利用PSO优化建立的方程,得到特定地质类型下最优的操作参数,利用最优的操作参数进行盾构施工。
2.根据权利要求1所述的基于SVR与PSO的盾构利用率预测与操作参数优化方法,其特征在于,所述步骤1包括如下步骤:
步骤1.1:将筛选出的数据按环划分并选出每环中稳定段的数据;
步骤1.2:利用3σ准则检测出数据中异常值并进行剔除;
步骤1.3:对处理后的数据按环求平均值。
3.根据权利要求1所述的基于SVR与PSO的盾构利用率预测与操作参数优化方法,其特征在于,所述步骤2包括如下步骤:
步骤2.1:待建立的利用率预测模型的输入为推力、扭矩、刀盘转速、推进速度及地质类型,输出为利用率;
步骤2.2:构造的数据集先划分为训练集与测试集,将训练集进一步划分为训练集和验证集,训练集用来构建利用率预测模型,验证集用来验证和调整模型参数,测试集用来证明最终建立的利用率预测模型的有效性。
4.根据权利要求1所述的基于SVR与PSO的盾构利用率预测与操作参数优化方法,其特征在于,所述步骤4包括如下步骤:
步骤4.1:优化目标施工进度为利用率与推进速度的乘积;
步骤4.2:约束条件中操作参数的变化范围来自实际施工中操作参数的调整范围。
5.根据权利要求1所述的基于SVR与PSO的盾构利用率预测与操作参数优化方法,其特征在于,所述步骤4约束条件中载荷的变化可以通过建立上升段与稳定段载荷与操作参数、地质类型的映射方程获得。
6.一种基于SVR与PSO的盾构利用率预测与操作参数优化系统,其特征在于,所述系统包括如下模块:
模块M1:从机器运行数据中筛选出载荷与操作参数并对筛选出的数据进行预处理;
模块M2:利用预处理后的数据、地质类型与各环利用率构造数据集并对数据集进行划分;
模块M3:利用SVR与数据集建立盾构利用率预测模型;
模块M4:构建以施工进度最大为目标,以操作参数变化、载荷变化和地质类型为约束条件的优化方程;
模块M5:利用PSO优化建立的方程,得到特定地质类型下最优的操作参数,利用最优的操作参数进行盾构施工。
7.根据权利要求6所述的基于SVR与PSO的盾构利用率预测与操作参数优化系统,其特征在于,所述模块M1包括如下模块:
模块M1.1:将筛选出的数据按环划分并选出每环中稳定段的数据;
模块M1.2:利用3σ准则检测出数据中异常值并进行剔除;
模块M1.3:对处理后的数据按环求平均值。
8.根据权利要求6所述的基于SVR与PSO的盾构利用率预测与操作参数优化系统,其特征在于,所述模块M2包括如下模块:
模块M2.1:待建立的利用率预测模型的输入为推力、扭矩、刀盘转速、推进速度及地质类型,输出为利用率;
模块M2.2:构造的数据集先划分为训练集与测试集,将训练集进一步划分为训练集和验证集,训练集用来构建利用率预测模型,验证集用来验证和调整模型参数,测试集用来证明最终建立的利用率预测模型的有效性。
9.根据权利要求6所述的基于SVR与PSO的盾构利用率预测与操作参数优化系统,其特征在于,所述模块M4包括如下模块:
模块M4.1:优化目标施工进度为利用率与推进速度的乘积;
模块M4.2:约束条件中操作参数的变化范围来自实际施工中操作参数的调整范围。
10.根据权利要求6所述的基于SVR与PSO的盾构利用率预测与操作参数优化系统,其特征在于,所述模块M4约束条件中载荷的变化可以通过建立上升段与稳定段载荷与操作参数、地质类型的映射方程获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110775455.0A CN113435056B (zh) | 2021-07-08 | 2021-07-08 | 基于svr与pso的盾构利用率预测与操作参数优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110775455.0A CN113435056B (zh) | 2021-07-08 | 2021-07-08 | 基于svr与pso的盾构利用率预测与操作参数优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435056A true CN113435056A (zh) | 2021-09-24 |
CN113435056B CN113435056B (zh) | 2023-06-06 |
Family
ID=77759801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110775455.0A Active CN113435056B (zh) | 2021-07-08 | 2021-07-08 | 基于svr与pso的盾构利用率预测与操作参数优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435056B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219134A (zh) * | 2021-11-30 | 2022-03-22 | 苏州大学 | 一种盾构施工引起地面沉降的预测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100094784A1 (en) * | 2008-10-13 | 2010-04-15 | Microsoft Corporation | Generalized kernel learning in support vector regression |
CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
CN109242171A (zh) * | 2018-08-28 | 2019-01-18 | 河南省豫晋高速公路建设有限公司 | 一种基于bim和rs-svr的盾构施工地表沉降预测方法 |
CN110633525A (zh) * | 2019-09-12 | 2019-12-31 | 辽宁石油化工大学 | 土压平衡盾构机系统能耗的优化方法及装置 |
CN111488694A (zh) * | 2020-04-16 | 2020-08-04 | 盾构及掘进技术国家重点实验室 | 基于多元线性自回归的泥水盾构机掘进关键参数预测方法 |
CN111582564A (zh) * | 2020-04-26 | 2020-08-25 | 盾构及掘进技术国家重点实验室 | 一种tbm岩体条件相关利用率的预测方法 |
CN111709578A (zh) * | 2020-06-17 | 2020-09-25 | 上海海事大学 | 一种短时船舶交通流预测方法、装置及存储介质 |
CN111946398A (zh) * | 2020-08-17 | 2020-11-17 | 南京工业大学 | 一种复合地层盾构掘进效率现场预测计算方法 |
CN112183993A (zh) * | 2020-09-22 | 2021-01-05 | 中国科学院武汉岩土力学研究所 | 一种tbm掘进控制参数智能预测及优化决策方法 |
CN112347580A (zh) * | 2020-11-05 | 2021-02-09 | 上海交通大学 | 一种盾构机刀盘扭矩实时预测方法及系统 |
CN112699502A (zh) * | 2020-12-03 | 2021-04-23 | 南京理工大学 | 一种基于pso-svr的轴承剩余使用寿命预测方法 |
-
2021
- 2021-07-08 CN CN202110775455.0A patent/CN113435056B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100094784A1 (en) * | 2008-10-13 | 2010-04-15 | Microsoft Corporation | Generalized kernel learning in support vector regression |
CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
CN109242171A (zh) * | 2018-08-28 | 2019-01-18 | 河南省豫晋高速公路建设有限公司 | 一种基于bim和rs-svr的盾构施工地表沉降预测方法 |
CN110633525A (zh) * | 2019-09-12 | 2019-12-31 | 辽宁石油化工大学 | 土压平衡盾构机系统能耗的优化方法及装置 |
CN111488694A (zh) * | 2020-04-16 | 2020-08-04 | 盾构及掘进技术国家重点实验室 | 基于多元线性自回归的泥水盾构机掘进关键参数预测方法 |
CN111582564A (zh) * | 2020-04-26 | 2020-08-25 | 盾构及掘进技术国家重点实验室 | 一种tbm岩体条件相关利用率的预测方法 |
CN111709578A (zh) * | 2020-06-17 | 2020-09-25 | 上海海事大学 | 一种短时船舶交通流预测方法、装置及存储介质 |
CN111946398A (zh) * | 2020-08-17 | 2020-11-17 | 南京工业大学 | 一种复合地层盾构掘进效率现场预测计算方法 |
CN112183993A (zh) * | 2020-09-22 | 2021-01-05 | 中国科学院武汉岩土力学研究所 | 一种tbm掘进控制参数智能预测及优化决策方法 |
CN112347580A (zh) * | 2020-11-05 | 2021-02-09 | 上海交通大学 | 一种盾构机刀盘扭矩实时预测方法及系统 |
CN112699502A (zh) * | 2020-12-03 | 2021-04-23 | 南京理工大学 | 一种基于pso-svr的轴承剩余使用寿命预测方法 |
Non-Patent Citations (12)
Title |
---|
HONGGAN YU: "A field parameters-based method for real-time wear estimation of disccutter on TBM cutterhead", 《AUTOMATION IN CONSTRUCTION》 * |
HONGGAN YU: "A field parameters-based method for real-time wear estimation of disccutter on TBM cutterhead", 《AUTOMATION IN CONSTRUCTION》, 2 February 2021 (2021-02-02), pages 1 - 11 * |
HONGGAN YU: "Rock mass type prediction for tunnel boring machine using a novel semi-supervised method", 《MEASUREMENT》 * |
HONGGAN YU: "Rock mass type prediction for tunnel boring machine using a novel semi-supervised method", 《MEASUREMENT》, 8 May 2021 (2021-05-08), pages 1 - 14 * |
SATAR MAHDEVARI: "A support vector regression model for predicting tunnel boring machine penetration rates", 《INTERNATIONAL JOURNAL OF ROCK MECHANICS AND MINING SCIENCES》 * |
SATAR MAHDEVARI: "A support vector regression model for predicting tunnel boring machine penetration rates", 《INTERNATIONAL JOURNAL OF ROCK MECHANICS AND MINING SCIENCES》, 17 October 2014 (2014-10-17), pages 214 - 229 * |
王健: "基于RMR岩体分级系统的TBM掘进性能参数预测", 《隧道建设》 * |
王健: "基于RMR岩体分级系统的TBM掘进性能参数预测", 《隧道建设》, 29 June 2017 (2017-06-29), pages 700 - 707 * |
黄圣: "土压平衡盾构机刀盘扭矩分析与计算", 《地下空间与工程学报》 * |
黄圣: "土压平衡盾构机刀盘扭矩分析与计算", 《地下空间与工程学报》, 15 November 2020 (2020-11-15), pages 710 - 714 * |
龚秋明: "基于岩体分级系统(RMR)评估预测TBM利用率研究", 《施工技术》 * |
龚秋明: "基于岩体分级系统(RMR)评估预测TBM利用率研究", 《施工技术》, 10 March 2018 (2018-03-10), pages 92 - 98 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219134A (zh) * | 2021-11-30 | 2022-03-22 | 苏州大学 | 一种盾构施工引起地面沉降的预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113435056B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105302096B (zh) | 一种工厂智能调度方法 | |
CN102486833B (zh) | 装置的效能预测及故障检测的方法 | |
CN108984817B (zh) | 一种tbm刀具磨损量实时评估方法 | |
CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN110704963B (zh) | 一种优化土压平衡式盾构机掘进参数的快速方法 | |
CN104766138A (zh) | 基于工业互联网的火电厂设备性能评估与预警方法及系统 | |
CN113435056B (zh) | 基于svr与pso的盾构利用率预测与操作参数优化方法及系统 | |
CN114417697A (zh) | 一种基于神经网络的tbm滚刀磨损实时预测方法及系统 | |
Palei et al. | Reliability-centered maintenance of rapier dragline for optimizing replacement interval of dragline components | |
Wang et al. | Coal resource evaluation and management information system in underground mines | |
CN108376293A (zh) | 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 | |
CN105956760B (zh) | 一种基于多元时空信息建模的智能配电网态势感知方法 | |
CN117252086A (zh) | 一种盾构机刀盘健康评估与退化预测方法、系统及设备 | |
CN116108339A (zh) | 一种面向隧道掘进机的实测数据离群值检测及修正方法 | |
Zhang et al. | Condition based maintenance and operation of wind turbines | |
Salloum et al. | From Forecasting to real-time process controlling with continuous simulation model updates | |
CN113642082B (zh) | Tbm利用率预测的a-cnn方法及系统 | |
Scheffer et al. | Simulation-based analysis of surface jobsite logistics in mechanized tunneling | |
Samadi et al. | Developing GEP technique for prediction of EPB-TBM performance in limestone strata | |
Jiang et al. | Sensitivity analysis of transport machinery configuration in underground cavern group construction | |
CN113158562A (zh) | 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 | |
Liu et al. | Optimal arrangement for pressure measurement points in working chamber of earth pressure balance shield | |
THING LEO et al. | On the quality of buildings and construction projects: metrics and process dynamics. | |
Amini et al. | Risk assessment of Namaklan road tunnel using Failure Mode and Effect Analysis (FMEA) | |
Kokieva et al. | Evaluation and prediction of machine performance in low-volume reduced works |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |