声明
1 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 TBM 净掘进速率预测研究现状
1.2.2 TBM 设备利用率预测研究现状
1.2.3 TBM 施工速度预测研究现状
1.3 研究内容及创新点
1.3.1 研究内容
1.3.2 主要创新点
1.4 研究方法与关键技术路线
2 TBM 净掘进速率影响因素分析
2.1 TBM掘进性能评价指标
2.2 TBM净掘进速率影响因素统计
2.3 依托工程概况
2.4 现场实测样本数据
2.5 单因素分析
2.6 本章小结
3 基于PLSR-BP神经网络的TBM 净掘进速率预测
3.1 基本原理与方法
3.1.1 偏最小二乘回归原理（PLSR）
3.1.2 BP神经网络原理
3.1.3 PLSR 与BP 神经网络耦合的建模思想与步骤
3.2 基于PLSR-BP的TBM净掘进速率预测模型建立
3.2.1 自变量相关性分析
3.2.2 预测模型的建立
3.3 预测模型有效性验证
3.3.1 模型拟合精度对比
3.3.2 模型预测效果对比
3.4 不同预测模型对比分析
3.4.1 多元线性回归模型
3.4.2 多元非线性回归模型
3.4.3 数量化理论模型
3.4.4 支持向量回归模型
3.4.5 不同模型预测分析对比
3.5 本章小结
4 岩体地质条件相关TBM设备利用率及其预测模型
4.1 TBM设备利用率影响因素分析
4.1.1 地质因素
4.1.2 机械因素
4.1.3 人为因素
4.2 TBM停机时间分析
4.2.1 岩体条件相关停机时间（GRRD）
4.2.2 其他因素相关停机时间(ORD)
4.3 岩体条件相关TBM利用率(Ur)的概念
4.3.1 岩体条件相关TBM利用率Ur的定义
4.3.2 样本数据的获取
4.4 Ur与RMR值、CAI值、H值之间的相关性分析
4.4.1 Ur与RMR 值之间的相关性分析
4.4.2 TBM 停机时间分析及其与RMR 值的相关性分析
4.4.3 Dc与岩石耐磨性CAI 值、岩石硬度H 值之间的相关性分析
4.5 TBM设备利用率Ur预测模型的建立及验证
4.5.1 Ur预测模型的建立
4.5.2 Ur预测模型的验证
4.6 本章小结
5 基于风险分析的TBM施工速度预测
5.1 数据的获取
5.2 TBM施工速度的影响因素分析
5.2.1 常用参数与施工速度之间的相关性分析
5.2.2 RMR 值与施工速度之间的相关性分析
5.2.3 TBM 工作条件等级与施工速度的相关性分析
5.3 风险分析
5.3.1 风险矩阵法
5.3.2 风险指数与施工速度之间的关系
5.4 预测模型的建立
5.4.1 预测参数和方法的选取
5.4.2 BP神经网络模型的建立和测试
5.5 预测模型的验证
5.6 本章小结
6 结论与展望
6.1 全文结论
6.2 进一步研究展望
参考文献
附录
个人简历
致谢
郑州大学;
