基于凿岩台车钻进参数的隧道围岩智能分级方法研究

摘要

目前，我国高速铁路隧道建设数量、总长度均居世界第一，已成为名副其实的隧道建设大国。自上世纪八十年代以来，以凿岩台车施作炮孔等为代表的大型机械化隧道施工越来越完善，隧道施工逐步由人工施工向机械化施工转变。同时，随着隧道施工的信息化水平的逐步提高，隧道施工中可记录的施工信息或数据也越来越多，但是很多施工信息或数据仅仅停留在记录阶段，并未对施工提供指导，导致隧道机械化、信息化施工效果大打折扣。反之，如果施工信息和数据得到充分利用，将对机械化施工乃至智能化施工的推广应用起到非常积极的作用。由此可见，导出及整理施工信息或数据，研究具有相关性的施工信息之间的关系，探索基于特定施工信息预测施工参数的方法及其应用模式是十分必要的。　　为此，本文以郑万高铁隧道工程钻爆法施工的钻进信息为研究对象，主要从钻进参数与地质条件相关关系，钻进参数与围岩分级指标和级别的相关性，基于钻进参数的围岩智能分级方法，围岩智能分级程序研发及现场应用4个方面进行研究，主要得到以下结论：　　1.根据钻进的原理、过程和参数获取方法，结合文献调研对“钎具与围岩的钻进耦合体系”涉及到的20项钻进指标和地质指标逐一分析它们之间的相关关系，最终选取钻进速度、推进压力、回转压力、冲击压力作为钻进指标，并选取围岩级别作为地质指标，研究其对应关系；　　2.结合文献调研，通过计算实测数据中钻进速度、推进压力、回转压力、冲击压力4项钻进参数分别与围岩坚硬程度、完整程度和级别的相关系数对他们的相关性进行分析，最终得出进给速度、冲击压力、回转压力和推进压力与围岩坚硬程度、完整程度和级别均具有较强相关性，其中进给速度与围岩坚硬程度、完整程度和级别负相关，而冲击压力、回转压力和推进压力与围岩坚硬程度、完整程度和级别正相关，4项钻进参数与围岩坚硬程度、完整程度和级别的相关性大小排序为：回转压力＞冲击压力＞推进压力＞进给速度；　　3.通过对样本数据进行清洗、筛选等操作，得到包含围岩智能分级指标和围岩级别的围岩分级样本库，以1∶1的比例分别建立围岩智能分级训练样本集和预测样本集；分别应用支持向量机(SVM)、基于粒子群算法的支持向量机(PSO-SVM)、前馈神经网络(BP)、基于遗传算法的前馈神经网络(GA-BP)、径向基神经网络(RBF)建立智能分级模型，调整相应模型参数使预测集达到最优的判断准确率，其中SVM和BP神经网络分级模型准确率较高，总体准确率分别为86.8%、86.9%；　　4.提出了围岩智能分级方法的应用模式和围岩智能分级体系；根据最优的智能分级模型编译了围岩智能分级程序，实现了以进给速度、冲击压力、回转压力和推进压力4项钻进参数为输入和以围岩级别为输出的围岩智能分级；搜集现场围岩智能分级结果以及基于定性定量评价得到现场实际围岩级别，以实际围岩级别为基准验证围岩智能分级效果，现场验证准确率达85.1%。

目录

声明

第1章 绪论

1.1 研究背景及选题意义

1.1.1 研究背景

1.1.2 选题意义

1.1.3 依托工程

1.2 国内外研究现状

1.2.1 基于钻进参数的地质条件判定研究现状

1.2.2 围岩智能分级方法研究现状

1.3 研究内容及技术路线

1.3.1 研究内容

1.3.2 研究方法

1.3.3 技术路线

第2章 凿岩台车钻进参数与地质条件的相关关系分析

2.1 基于钻进原理的钻进参数与地质条件相关关系分析

2.1.1 钻进的破岩原理

2.1.2 钻进的机械原理

2.1.3 基于钻进原理的钻进参数与地质条件的相关关系分析

2.2 基于钻进工艺的钻进参数与地质条件相关关系分析

2.2.1 全电脑多臂凿岩台车介绍

2.2.2 全电脑多臂凿岩台车钻孔工艺流程

2.2.3 基于钻进工艺的钻进参数与地质条件的相关关系分析

2.3 基于钻进参数获取过程的钻进参数与地质条件相关关系分析

2.3.1 钻进参数的获取

2.3.2 基于钻进参数获取过程的钻进参数与地质条件的相关关系分析

2.4 钻进指标及对应地质指标选取

2.5 本章小结

第3章 凿岩台车钻进参数与围岩分级指标和级别的相关性研究

3.1 建立基于钻进参数的围岩分级样本库

3.1.1 钻进数据的平均化处理

3.1.2 基于钻进参数的围岩分级样本库

3.2 钻进参数与围岩坚硬程度相关性研究

3.3 钻进参数与围岩完整程度相关性研究

3.4 钻进参数与围岩级别相关性研究

3.5 本章小结

第4章 基于钻进参数的围岩智能分级方法研究

4.1 围岩智能分级模型训练集和预测集划分

4.1.1 样本筛选

4.1.2 训练集和预测集划分

4.2 基于SVM的围岩智能分级模型

4.2.1 SVM 简介

4.2.2 基于SVM 的围岩智能分级模型训练流程

4.2.3 基于SVM 的围岩智能分级结果

4.3 基于PSO-SVM的围岩智能分级模型

4.3.1 PSO-SVM 简介

4.3.2 基于PSO-SVM 的围岩智能分级模型训练流程

4.3.3 基于PSO-SVM 的围岩智能分级结果

4.4 基于BP神经网络的围岩智能分级模型

4.4.1 BP 简介

4.4.2 基于BP 神经网络的围岩智能分级模型训练流程

4.4.3 基于BP 神经网络的围岩智能分级结果

4.5 基于GA-BP的围岩智能分级模型

4.5.1 GA-BP 简介

4.5.2 基于GA-BP 的围岩智能分级模型训练流程

4.5.3 基于GA-BP 的围岩智能分级结果

4.6 基于RBF的围岩智能分级模型

4.6.1 RBF简介

4.6.2 基于RBF的围岩智能分级模型训练流程

4.6.3 基于RBF的围岩智能分级结果

4.7 围岩智能分级方法对比分析

4.8 本章小结

第5章 围岩智能分级程序研发及现场应用

5.1 围岩智能分级方法应用思路

5.1.1 围岩智能分级应用模式

5.1.2 山岭隧道围岩智能分级体系

5.2 围岩智能分级程序研发

5.3 围岩智能分级方法的现场验证及效果

5.3.1 围岩智能分级方法的现场验证方法

5.3.2 围岩智能分级方法的现场验证效果

5.4 本章小结

结论与展望

结论

展望

致谢

参考文献

攻读硕士学位期间发表的论文及参加的科研项目