基于ACO-SVM的TBM引水隧洞锚杆轴力预测研究
摘要:预测隧道锚杆轴力变化趋势，不仅能掌握隧道结构的安全状况，而且对隧道风险预警和应急响应至关重要。基于新疆YEGS输水工程喀双隧洞锚杆轴力监测数据，通过蚁群算法（ACO）和粒子群算法（PSO）优化支持向量机（SVM）模型，预测分析锚杆轴力的变化趋势，研究表明：相比PSO-SVM和传统的SVM预测模型，ACO-SVM预测模型在充分考虑隧道埋深、温度及作用时间等多项非线性影响因素后，求解的预测值与实测值更加接近，相对误差基本在15%以内，平均绝对百分误差仅为5.92，具有较好的鲁棒性，模型的稳定性和泛化能力更强，更加适合TBM隧道锚杆轴力变化趋势的预测分析，具有一定的工程应用和推广价值。
Abstract:Based on the monitoring data of anchor axial force in Ka-Shuang tunnel of Xinjiang YEGS water conveyance project, the change trend of anchor axial force were forecasted and analyzed through ant colony algorithm (ACO) and particle swarm optimization (PSO) to optimize the support vector machine (SVM) model. The research shows that ACO-SVM prediction model fully considers the tunnel buried depth compared with PSO-SVM and traditional SVM prediction model. After a number of nonlinear influencing factors such as temperature and action time, the predicted value is closer to the measured value, the relative error is basically within 15%, and the average absolute percentage error is only 5.92. The model has better robustness, stability and generalization ability, and is more suitable for the prediction and analysis of the variation trend of bolt axial force in TBM tunnel. It has certain engineering application and popularization value.
中文标题：
基于ACO-SVM的TBM引水隧洞锚杆轴力预测研究
Research on Axial Force Prediction of Bolt in TBM Headrace Tunnel Based on ACO-SVM
作者：
王建1,,王利明2, 3,,,周振梁4,路文甲1,毛培良3
Wang Jian1,,Wang Liming2, 3,,,Zhou Zhenliang4,Lu Wenjia1,Mao Peiliang3
作者简介:王 建，男，1984年生，大学本科，高级工程师，主要从事水利工程建设与管理工作。E-mail：39242072@qq.com通讯作者:王利明，男，1983年生，硕士，高级工程师，主要从事岩土工程、地下工程等领域工程技术方面的工作。E-mail：285690742@qq.com
通讯地址：
1.新疆额尔齐斯河投资开发（集团）有限公司，新疆乌鲁木齐 830000 2.盾构及掘进技术国家重点实验室，河南郑州 450001 3.中铁隧道局集团有限公司，广东广州 511458 4.北京交通大学，北京 100000
1.XinjiangErqisRiverInvestmentDevelopment(Group)Co.,Ltd.,Urumqi830000,Xinjiang,China 2.StateKeyLaboratoryofShieldMachineandBoringTechnology,Zhengzhou450001,Henan,China 3.ChinaRailwayTunnelBureauGroupCo.,Ltd.,Guangzhou511458,Guangdong,China 4.BeijingJiaotongUniversity,Beijing100000,China
中图分类号:U 45
doi:10.3969/j.issn.1007-2993.2023.05.004
出版物：岩土工程技术
收稿日期:2022-05-13
修回日期:2022-08-11
录用日期:2022-12-09
网络出版日期:2023-10-16
刊出日期:2023-10-16
关键词:TBM,现场监测,锚杆轴力预测,支持向量机,蚁群算法,粒子群算法
Key words:TBM,field monitoring,axial force prediction of bolt,support vector machine,ant clony optimization,particle swarm algorithm
文档包含图片数量：图片(8)张
文档包含表格数量：表格(2)个
参考文献：
[1]王利明,张 兵,李凤远,等. TBM隧洞倾斜黏结锚杆受力特性分析及支护参数优化[J]. 河南科学,2021,39(1):84-90.
[2]黄明利,徐 飞,伍志勇. 城市环境下TBM施工对围岩稳定性影响的监测分析及支护参数优化[J]. 岩石力学与工程学报,2012,31(7):1325-1333.
[3]SU Z M,CHEN J X,LUO Y B. Mechanical characteristic and length optimization of system anchor in loess tunnel based on field measurement and analytical solution[J]. Mathematical Problems in Engineering,2021:1-11.
[4]谢清忠,刘东东,傅鹤林,等. 公路隧道初期支护参数优化下安全储备分析[J]. 公路与汽运,2021,(3):143-147,155.
[5]陶永虎,饶军应,熊 鹏,等. 软岩隧道大变形预测模型及支护措施[J]. 矿业研究与开发,2021,41(5):59-66.
[6]刘亚鑫,邢明录,刘鹏程,等. 螺纹钢锚杆锚固岩石拉拔试验过程精细化数值模拟研究[J]. 煤矿安全,2022,53(3):66-74.
[7]OLALUSI O B,SPYRIDIS P. Machine learning-based models for the concrete breakout capacity prediction of single anchors in shear[J]. Advances in Engineering Software,2020,147:102832.
[8]赵向波,王利明,王 军,等. 基于现场试验的TBM隧道支护结构力学性能研究[J]. 河南科学,2022,40(1):54-58.
[9]KARMEN F B,BONUT P. Displacement analysis of tunnel support in soft rock around a shallow highway tunnel at Golovec[J]. Engineering Geology,2004,75(1):89-106. doi: 10.1016/j.enggeo.2004.05.003
[10]李 慧. 高地应力软岩隧道锚杆支护技术及参数优化研究[D]. 西安: 西安科技大学, 2020.
[11]VAPNIK V N. The Nature of Statistical Learning Theory [M]. NewYork: Spring — Verlag, 1995.
[12]欧阳玲. 基于遥感和 SVM 模型的松嫩平原南部耕地质量评价[D]. 长春: 中国科学院东北地理与农业生态研究所, 2017.
[13]孙 炀. 软岩隧道挤压大变形的SVM预测及其支护对策研究[D]. 济南: 济南大学, 2018.
[14]张颖芳,凌卫新. 基于动态调整的 GA - SVM 多分类二叉树的方法[J]. 科学技术与工程,2017,17(7):177-182.
[15]DORIGO M. Optimization, Learning and Natural Algorithms[D]. Politecnico di Milano, Italy, 1992.
基金项目：
基金项目:国家重点研发计划（2020YFB2006804）；河南省科技攻关（212102310270）；新疆额尔齐斯河流域开发工程建设管理局科研课题（EQ076/FY057）；中国中铁股份有限公司科技研究开发计划（2019-重大-10）；中铁隧道局集团科技创新计划（隧研合2019-10）
- 文件大小:
- 2.27 MB
- 下载次数:
- 60
-
高速下载
|
|
