其他
汕头大学研发人工智能模型预测盾构机滚刀寿命丨Engineering
本文选自中国工程院院刊《Engineering》2021年第2期，原文出自：Prediction of Disc Cutter Life During Shield Tunneling with AI via the Incorporation of a Genetic Algorithm into a GMDH-Type Neural Network
引言
滚刀的磨损是一个影响盾构隧道掘进效率和滚刀更换决策的关键问题。在本研究中，汕头大学沈水龙研究团队提出了一种估算滚刀寿命（Hf）的新模型，模型将分组数据处理（GMDH）型神经网络（NN）与遗传算法（GA）整合在一起。遗传算法优化了GMDH网络结构的效率和有效性，使得每个神经元都能从上一层网络搜索最佳连接集。使用所提出的模型，可以分析盾构机性能数据库、滚刀的消耗、地质条件和操作参数等监测数据。为了验证所提出模型的性状，进行了案例研究，用数据说明了混合模型的优越性。结果表明，使用该混合模型预测的滚刀使用寿命的准确率高。灵敏度分析表明，盾构切入速率（PR）对滚刀的使用寿命有重要影响。研究结果对盾构隧道的设计和施工都很有意义。
随着城市化进程的加速，中国城市正在建设越来越多的地铁系统。盾构隧道是在各种地质条件下均可以建造地铁隧道的一种经济有效的施工方法。在混合地层或岩石地层条件下，滚刀向前推动并通过推力（TF）压入岩石。通过增加滚刀切入的压力，岩石裂纹会出现并扩大。然后，由于相邻滚刀之间的裂纹聚结贯通，岩石被切割碎裂，从而压碎岩石。滚刀与岩石土体之间复杂的相互作用会导致其严重磨损，而这是很难预测的。在一些隧道工程项目中，滚刀的消耗和更换约占项目成本和时间消耗的三分之一。为了评估机械化掘进过程的开挖成本，正确估计滚刀的寿命至关重要。
滚刀的消耗很大程度上取决于地层条件、盾构操作参数和切割条件。解决关键问题有助于降低建设成本和提高开挖效率，如确定造成滚刀消耗的主要原因、分析磨损机理以延长滚刀寿命。已有研究通过对施工过程的试验研究和经验或理论分析，研究了地层条件对滚刀消耗的影响。许多参数都会影响滚刀寿命，所以经验模型的预测结果与测量结果并不完全匹配。因此，有必要开发能够更准确地预测异质地层中滚刀寿命的模型。
为了更准确地预测滚刀寿命，汕头大学沈水龙研究团队引入了一种混合型分组数据处理-遗传算法模型。在此混合模型中，上述遗传算法用于优化数据处理型神经网络的整体结构（即每个隐藏层的神经元数量及其相关性的形成，结合个体值分解以检测适当的最优系数）。图1为将数据处理与遗传算法模型集成在一起以预测滚刀寿命的流程图。
汕头大学沈水龙研究团队通过人工智能（AI）技术以及地质和操作参数的输入数据，为滚刀的使用寿命提供可靠的预测模型。他们提出的混合模型首先用于预测滚刀的寿命；因此，该模型填补了非线性系统与机器学习技术之间的空白。此外，为预测滚刀寿命，研究人员还使用了统计回归方法（线性和非线性）进行详细的试验分析。最后，对数据集进行整理并进行统计分析，以预测滚刀寿命并提高盾构机掘进性能，其主要结论如下：
（1）结果表明，正常磨损会严重影响滚刀的使用寿命，并且滚刀的累积磨损量会随着离刀盘中心距离的增大而增加。
（2）所提出的经验模型可以快速评估施工参数和结果验证，从而可以将刀具寿命预测精度控制在可接受范围内（R2 = 0.84）。
（3）GMDH–GA模型可以准确预测滚刀寿命，与经验模型相比，预测准确性显著提高。为评估输入参数对模型输出的影响，进行了敏感性分析。结果表明，使用双隐藏GMDH层所预测的PR会显著影响滚刀的使用寿命。
（4）在模型应用中，提出的GMDH–GA模型可以使用盾构操作参数（TF、PR、RPM）和地质参数（UCS）作为输入，以预测隧道掘进过程中的滚刀寿命。所提出的模型是通用的，可用于分析其他相似地质和环境条件隧道施工。最终，所提出的模型有望提供有效的建议，从而帮助现场施工人员预测滚刀的使用寿命。它可以作为在计划和施工阶段均可使用的滚刀寿命智能预测方法。
关键词：滚刀寿命；盾构隧道；施工参数；分组数据处理与遗传算法
扫二维码 | 查看原文
原文链接：