TBM智能掘进与地层信息感知案例研究

本书依托吉林某TBM工程，结合数据分析、理论分析与机器学习揭示预测岩性和围岩等级的关键TBM参数，探讨断层前TBM岩机交互参数响应规律，实现超前感知并建立断层感知模型，建立总推进力模型和推进速度多步实时预测模型以辅助设定掘进参数。本书研究成果具有良好的科学研究和工程应用价值，可为未来TBM智能化施工提供借鉴。

本书系统探讨了全断面隧道掘进机（TBM）在隧道施工中的大数据应用，重点研究了岩性和围岩等级感知、掘进参数的智能预测及断层预警。基于吉林某TBM工程的丰富数据，提出了一系列创新模型，包括掘进循环数据处理方法、全局注意力机制和轻量梯度提升机模型、加权投票断层预警模型，以及改进的双隐含极限学习机和时序卷积网络的掘进参数预测模型。书中还开发了TBM施工过程大数据智能感知反馈系统，旨在提高TBM施工的安全性与效率，具有较强的实践指导意义。

李龙，博士，硕博专注于TBM智能掘进与地层信息感知的研究。已发表SCI、EI论文10篇，其中9篇为第一作者，涉及多个知名期刊，获得国内发明专利3项及软件著作权9项。曾获中国岩石力学学会竞赛TBM智能算法竞赛一等奖，享受国家公派留学资助，在韩国国立首尔大学深造一年，师从刘造保教授和国际岩土主席Seokwon Jeon教授。现任教于山东工商学院，从事应急智能大数据相关研究。郑彬彬，博士，副教授，副院长，硕士生导师。山东省青创人才引育计划“安全大数据智能分析与应急管理”团队负责人、“安全与应急管理”方向学术带头人，山东省应急管理专家、烟台市应急管理专家，《中国安全科学学报》青年编委。近年来，一直从事矿山安全与应急管理方面的教学与科研工作，主持国家自然科学基金2项，烟台市社会科学基金1项，参与国家、省部级科研项目10余项，完成应急管理领域横向课题5项；在《Natural Hazards》《Powder Technology》《中国安全科学学报》等重要学术期刊发表学术论文30余篇，出版学术专著2部，申请或授权发明专利12项。

1？ 概论 1.1？ TBM 大数据智能算法产生的背景 1.2？ 数据预处理方法在 TBM 大数据中的应用 1.3？ 岩性与围岩等级感知相关模型 1.4？ 断层感知相关模型 1.5？ TBM 掘进参数预测的相关模型 2？ TBM 隧道施工大数据预处理方法 2.1？ 概述2.2？ TBM 施工大数据特点 2.3？ 掘进循环划分与数据处理 2.3.1？ TBM 非施工数据过滤 2.3.2？ TBM 掘进循环四阶段划分 2.3.3？ TBM 施工数据异常值处理 2.4？ 数据预处理方法验证3？ TBM 隧道地层岩性智能感知模型3.1？ 概述 3.2？ 岩性感知的长短期记忆网络 3.2.1？ 建立岩性感知模型 3.2.2？ 岩性感知模型特征选择与模型训练 3.2.3？ 岩性感知结果分析与讨论 4？ 围岩等级感知的轻量梯度提升机模型 4.1？ 围岩等级感知模型 4.1.1？ 轻量梯度提升机4.1.2？ 沙普利加和解释 4.1.3？ 树型 Parzen 估计 4.2？ 中国水利水电工程围岩分级法 4.3？ TBM 掘进参数分析 4.3.1？ 数据分析 4.3.2？ TBM 状态参数 4.3.3？ TBM 构造参数 4.3.4？ 基于 LSTM 模型感知围岩等级 4.3.5？ 掘进参数数据分布分析 4.4？ 围岩等级感知结果对比分析 4.4.1？ 围岩等级感知模型超参数分析 4.4.2？ 围岩等级感知所选用的输入特征4.4.3？ 围岩等级模型感知结果比较 4.5？ 围岩等级感知讨论与分析 4.5.1？ 基于 SHAP 的特征分析与围岩等级感知模型解释 4.5.2？ 围岩等级感知模型的时间复杂度分析 4.5.3？ 输入特征敏感性分析 4.5.4？ 围岩等级感知模型验证 5？ TBM 隧道断层智能感知模型 5.1？ 概述 5.2？ 特征选择与断层前掘进参数变化分析 5.2.1？ 断层统计 5.2.2？ 特征选择 5.2.3？ 断层附近 TBM 掘进参数变化特征 5.2.4？ 断层附近区域区段划分 5.2.5？ 断层感知特征不同区段统计 5.3？ 断层超前智能感知模型 5.3.1？ 支持向量机 5.3.2？ 随机森林 5.3.3？ 超参数优化 5.3.4？ 加权集成投票模型 5.4？ 断层感知结果与讨论 5.4.1？ 断层感知结果 5.4.2？ 断层感知特征敏感性分析 5.4.3？ 不同区段中断层感知特征规律 6？ 推进力预测的改进的双隐含层极限学习机模型 6.1？ 总推进力预测模型 6.1.1？ 极限学习机 6.1.2？ 双隐含层极限学习机 6.1.3？ 改进的双隐含层极限学习机 6.1.4？ 蝠鲼觅食优化算法 6.1.5？ 混合 MRFO-AT-TELM 模型 6.2？ 上升段时间长度分析与特征分析 6.2.1？ 上升段时间长度分析 6.2.2？ 特征选择 6.3？ 总推进力预测结果分析 6.4？ 总推进力预测讨论与分析 6.4.1？ 输入特征贡献度分析 6.4.2？ 优化前后权值的数据分布分析 6.4.3？ MRFO 个体数量对 MRFO-AT-TELM 性能的影响 6.4.4？ 地质信息对 MRFO-AT-TELM 性能的影响 6.4.5？ 总推进力预测模型验证7？ 推进速度多步实时预测的时序卷积神经网络7.1？ 时序卷积神经网络和压缩激发网络 7.1.1？ 时序卷积神经网络 7.1.2？ 压缩激发网络 7.1.3？ 推进速度多步实时预测模型 7.2？ 推进速度预测特征选择 7.3？ 推进速度预测模型训练与优化 7.3.1？ 超参数优化方法 7.3.2？ 超参数优化范围 7.4？ 不同推进速度预测模型性能对比 7.5？ 推进速度预测讨论与分析 7.5.1？ 基于推进速度历史时间步预测未来时间步 7.5.2？ 时间消耗、损失函数、输入历史时间步长分析 7.5.3？ 推进速度多步实时预测模型验证