典型文献
基于掘进参量反演的TBM围岩等级预测识别方法研究
文献摘要：
为探究TBM掘进参量和围岩等级关系,达到岩机信息互馈感知动态调整,辅助TBM主司机优化调整掘进参数的目的.采用数据清洗、分布统计和智能预测等手段,建立了一种基于自组织神经网络聚类和最小二乘支持向量机相结合的围岩等级预测识别方法(SOM-SVM).主要结论如下:1)单个完整TBM掘进循环可分为空推段、上升段与稳定段,各掘进参量近似服从正态分布关系.2)推力切深指数(FPI)和刀盘转矩旋转切深指数(TPI)可反映隧道岩石掘进难易程度,FPT、TPI和围岩等级近似呈线性关系,可用该参量作为岩机敏感因子反演预测识别围岩等级.3)干扰异常数据样本点的预处理对SOM-SVM围岩预测模型收敛中心和波动半径有一定影响,数据预处理是保证围岩等级预测识别准确的关键.4)经标准试验数据样本和工程数据验证,不同的支持向量机核函数对围岩等级预测识别影响很大,线性核、多项式核、高斯径向基核函数围岩综合识别率分别为70.8％、81.2％、87.6％,围岩等级预测识别模型预测精度高、鲁棒性好.
文献关键词：
隧道掘进机(TBM);自组织神经网络聚类;支持向量机;掘进参量;数据挖掘;反演预测识别;围岩等级
中图分类号：
作者姓名：
李宏波
作者机构：
盾构及掘进技术国家重点实验室, 河南 郑州 450001;中铁隧道局集团有限公司, 广东 广州 511458
文献出处：
引用格式：
[1]李宏波-.基于掘进参量反演的TBM围岩等级预测识别方法研究)[J].隧道建设（中英文）,2022(01):75-82
A类：
掘进参量,自组织神经网络聚类,刀盘转矩,反演预测识别
B类：
TBM,围岩等级,等级预测,和围岩,等级关系,机信息,司机,优化调整,掘进参数,数据清洗,智能预测,最小二乘支持向量机,SOM,空推,上升段,服从,正态分布,推力,切深,FPI,TPI,难易程度,FPT,机敏,敏感因子,异常数据,样本点,有一定影响,数据预处理,工程数据,数据验证,多项式,径向基核函数,综合识别,识别率,识别模型,隧道掘进机
AB值：
0.250674
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
