基于混合智能优化算法的滚刀破岩效率预测方法

范瑛; 陶威龙; 刘滨; 刘学伟; 黄兴; 刘朋飞

doi:10.12404/j.issn.1671-1815.2504144

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (8) :3506-3522 DOI: 10.12404/j.issn.1671-1815.2504144

交通运输

基于混合智能优化算法的滚刀破岩效率预测方法

范瑛 ¹ ,
陶威龙 ¹^,² ,
刘滨 ² ,
刘学伟 ²^,^* ,
黄兴 ² ,
刘朋飞 ³

作者信息 +

Prediction Method of Rock Breaking Efficiency of Disc Cutters Based on Hybrid Intelligent Optimization Algorithm

FAN Ying ¹ ,
TAO Wei-long ¹^,² ,
LIU Bin ² ,
LIU Xue-wei ²^,^* ,
HUANG Xing ² ,
LIU Peng-fei ³

Author information +

文章历史 +

摘要

在全断面隧道掘进机(tunnel boring machine, TBM)掘进过程中,滚刀破岩效率受复杂地质条件及机械参数的显著影响,针对不同地质工况下滚刀破岩效率的智能预测对保障TBM高效破岩具有重要意义。提出基于支持向量机(support vector machine, SVM)与智能优化算法混合的TBM节理岩体滚刀破岩效率预测方法,分别使用粒子群优化算法(particle swarm optimization, PSO),飞蛾扑火优化算法(moth-flame optimization, MFO)和黑池鸢优化算法(black-winged kite algorithm, BKA)优化确定SVM的惩罚因子和核函数参数。预测模型输入参数包括围压、节理间距、节理倾角、岩石强度、贯入度、刀盘推力和刀盘滚动力,输出参数为比能。通过全尺寸线性切割试验和离散元数值模拟构建样本数据集,用于模型的训练和测试。结果表明:BKA-SVM模型在稳定性、计算效率和预测精度方面显著优于PSO-SVM和MFO-SVM模型,适用于TBM节理岩体滚刀破岩效率预测。对预测出的数据进行重要性分析显示,岩石强度和贯入度为最重要的影响因素,滚刀破岩最优贯入度为3 mm且岩石强度越大,比能以及比能变化趋势越大。研究成果可为TBM掘进过程中的破岩效率预测和优化提供指导,具有提高效率、降低能耗的潜在应用价值。

Abstract

The rock-breaking efficiency of disc cutters is significantly influenced by complex geological conditions and mechanical parameters in tunnel excavation using tunnel boring machines (TBM). The accurate prediction of this efficiency under varying geological conditions is imperative for TBM. A prediction method was proposed for the rock-breaking efficiency of TBM disc cutters in jointed rock masses through the integration of a support vector machine (SVM) with intelligent optimization algorithms. Specifically, particle swarm optimization (PSO), moth-flame optimization (MFO), and black-winged kite algorithm (BKA) were utilized to optimize the penalty factor and kernel function parameters of the SVM. Seven parameters, including confining pressure, joint spacing, joint dip angle, rock strength, penetration depth, cutterhead thrust, and rolling force were selected as inputs and specific energy was defined as output for the prediction model. A dataset was constructed based on full-scale linear cutting tests and discrete element numerical simulations for model training and testing. The results show that the BKA-SVM model demonstrates superior performance in terms of stability, computational efficiency, and prediction accuracy when compared to the PSO-SVM and MFO-SVM models. Furthermore, the sensitivity analysis of the predicted data reveals that rock strength and penetration depth are the most influential factors, with an optimal penetration depth for rock breaking identified as 3 mm. Additionally, a positive correlation has been observed between rock strength and specific energy, with a more pronounced increasing trend. The research results provide valuable insights for the optimization of rock-breaking efficiency during TBM excavation with potential applications for enhancing operational efficiency and reducing energy consumption.

Graphical abstract

关键词

滚刀破岩效率 / 节理岩石 / 支持向量机(SVM) / 智能优化算法 / 比能 / 参数寻优

Key words

rock-breaking efficiency of disc cutter / jointed rock mass / support vector machine(SVM) / intelligent optimization algorithm / specific energy / parameter optimization

引用本文

引用格式 ▾

范瑛, 陶威龙, 刘滨, 刘学伟, 黄兴, 刘朋飞. 基于混合智能优化算法的滚刀破岩效率预测方法[J]. 科学技术与工程, 2026, 26(8): 3506-3522 DOI:10.12404/j.issn.1671-1815.2504144

FAN Ying, TAO Wei-long, LIU Bin, LIU Xue-wei, HUANG Xing, LIU Peng-fei. Prediction Method of Rock Breaking Efficiency of Disc Cutters Based on Hybrid Intelligent Optimization Algorithm[J]. Science Technology and Engineering, 2026, 26(8): 3506-3522 DOI:10.12404/j.issn.1671-1815.2504144

登录浏览全文

4963

注册一个新账户忘记密码

近年来,随着隧道施工技术和掘进专业器械的迅速发展,全断面隧道掘进机(tunnel boring machine,TBM)因其安全性高,稳定性佳及快速掘进能力被广泛应用于隧道施工中^[1]。然而在复杂地质条件下,如面临山岭隧道和软岩巷道中软硬地层交错出现形成的节理复合地层结构时,TBM适应性显著降低且易产生挤压变形、卡机、刀盘磨损严重及破岩效率低下等问题^[2]。因此,针对不同工况条件进行滚刀破岩效率的智能预测与分析,可以更好地适应高地应力、节理发育、软弱夹层等复杂地质条件,对提高TBM在复杂地质条件下的施工性能,保障其高效破岩具有重要意义。

在以往的研究中,学者们多采用室内试验和数值模拟的方法对滚刀破岩效率进行研究。王滨等^[3]对不同间距和角度的节理岩石进行线性切割试验,结果表明:切缝间距400 mm比间距200 mm的岩样所需的破岩力更大,但是破岩效果较差。温森等^[4]对软硬相间岩层中滚刀破岩效率进行分析,发现随贯入度增加,滚刀法向力与滚动力均呈现上升趋势。卢智勇等^[5]开展了TBM缩尺滚刀旋转破岩实验,结果表明:随着微波照射时间和微波功率的增加,滚刀推力下降、刀盘扭矩下降、岩碴重量增加、滚刀磨损量下降、破岩比能下降。谭青等^[6]结合室内试验与数值模拟,研究了节理倾向对破岩比耗能的影响。施雪松等^[7]通过PFC^2D软件对TBM滚刀与双节理岩体的相互作用机制进行了研究。温森等^[8]运用两种离散元软件PFC^3D与UDEC对复合地层滚刀破岩效率、围压、节理等因素展开了深入研究。以上传统方法,时间、经济成本高昂,且较少有同时考虑地质力学参数及盾构掘进参数对刀盘破岩效率的耦合影响。优化过的机器学习算法能够有效整合复杂地质参数和刀盘掘进参数,建立高维参数的非线性关系,合理地对复杂地质条件下TBM破岩效率进行智能预测与优化决策^[9]。

近年来,随着人工智能技术的迅速发展,机器学习能够充分挖掘数据信息,协助完成超过人类知识和经验范畴的任务,TBM施工是应用机器学习的理想场景^[10]。Liu等^[11]基于混合机器学习算法使用TBM掘进参数对岩体参数进行了准确预测。Zhang等^[12]利用支持向量机(support vector machine, SVM)对TBM隧道围岩类型进行了有效识别。吴志军等^[13]利用贝叶斯优化多种机器学习算法实现对岩体可掘性等级识别。满轲等^[14]利用门控循环加随机森林算法(gate recurrent unit-random forest,GRU-RF)实现了TBM掘进参数的预测。祝贺超等^[15]运用数据驱动提出围岩分类堆叠集成学习算法实现了围岩岩体分类预测。以上研究主要集中在使用TBM掘进数据预测判别岩体或使用岩体参数预测TBM掘进参数,而对掘进性能关于破岩效率智能预测方面的研究和应用尚鲜见报道^[16]。为此,结合岩体参数和掘进参数利用SVM作为基础机器算法对破岩效率进行智能预测。SVM一种基于间隔最大化原则的监督学习算法,它通过寻找最优分割超平面来对数据进行分类或回归^[17]。SVM利用核技巧将数据映射到高维空间,使得原本非线性的数据变得线性可分,更好地捕捉岩体参数与TBM掘进参数之间的复杂映射关系,相比于其他机器算法更能够在小样本情况下获得较好的预测准确性和泛化能力^[18]。目前在岩土工程领域,SVM已经成功应用并解决了许多工程问题。Rad等^[19]和Yu等^[20]开发了基于SVM的模型来预测地面振动、岩石破碎、飞石距离和爆炸引起的岩石运动。Armaghani等^[21]利用基于SVM的模型预测岩石材料的抗拉强度和脆性指数。Li等^[22]评估了隧道的稳定性,开发了一种基于优化的SVM模型。李建斌等^[23]基于支持向量回归 (support vector regression,SVR)法构建TBM施工参数预测模型。Zhou等^[24]使用优化SVM技术估算了盾构掘进中刀盘驱动器的能耗。基于上述研究,采用SVM能够合理准确的解决TBM破岩效率问题。

机器学习神经网络的超参数是在训练模型前人工设置的参数,选择合理的超参数是建立高精度预测模型的关键因素^[25]。SVM中的超参数包括惩罚因子C和核参数等,基于经验确定的机器学习超参数难以保证神经网络达到最佳预测性能。启发式智能优化算法能够通过自动搜索和调整超参数,提高模型的性能、稳定性和泛化能力并减少计算开销,最后准确合理地确定全局最优解,这使得智能优化方法成为了确定机器学习超参数的优势方法^[26]。王建等^[27]通过蚁群算法(ant colony optimization, ACO)优化支持SVM模型,研究ACO-SVM 预测模型求解的预测值与实测值更加接近。何华飞等^[28]用粒子群搜索算法(particle swarm optimization, PSO)优化SVM对盾构机总推进力和刀盘扭矩进行了精准预测。Zhou等^[29]通过利用智能优化算法优化SVM建立了施工速度预测模型,结果表明:飞蛾扑火优化算法(moth-flame optimization, MFO)优化SVM的预测结果准确度较高。上述研究表明,智能优化算法有效提高了SVM模型预测性能,然而目前研究尚未将智能优化算法应用于预测TBM节理岩体破岩效率的模型优化。在确定SVM的超参数时,采用不同优化算法的预测效率、精度和稳定性差异很大,同时目前很少有分析比较不同混合智能优化算法和机器学习方法混合的TBM节理岩体破岩效率的预测效果研究。

鉴于此,考虑TBM掘进参数贯入度、刀盘推力和刀盘滚动力以及围岩力学参数围压、节理间距、节理倾角、岩石强度共7个参数对TBM破岩效率的影响,基于SVM神经网络和启发式智能优化算法,建立TBM破岩效率智能预测模型。采用PSO、MFO、黑翅鸢优化算法(black-winged kite algorithm, BKA)对SVM的两个超参数即惩罚因子和核函数进行智能优化决策,提升机器学习神经网络的预测性能。结合室内试验和数值模拟试验数据,研究三种优化算法对提出的智能预测方法精度、效率和稳定性的影响规律,评估选出最佳优化比能预测模型BKA-SVM,最后对不同影响因素进行重要性及贡献分析,确定预测比能变化规律,BKA-SVM模型为破岩效率的预测以及优化提供指导,具有在隧道掘进等领域提升工程效率、降低能耗、推动施工向经济智能化转型的潜在应用价值。

1 基础理论与研究方法

1.1 SVM神经网络计算原理

SVM是由Vapnik^[17]提出的一种监督学习方法,用于数据分类和回归分析。最初SVM用来多解决分类问题,在引入不敏感损伤系数ε后,SVM被广泛用于实现线性回归[图1(a)]和非线性回归[图1(b)]任务。SVR是SVM的一种运用,基本原理是在特征空间中通过找到合适的参数描述最优超平面,使不同样本数据尽可能分开,距离超平面最近的样本点为支持向量。

由于数据样本量有限且维度较高,数据中非线性关系占主导,因此选择SVM作为回归分析的工具。给定训练数据集T={(x₁,y₁),(x₂,y₂),…,(x_n,y_n)},x为特征向量,D_k=(x_k,y_k)为第k个训练样本,n为训练数据的数量,输入空间由x∈R^M表示(M为维数)。

对于非线性回归问题,利用非线性函数φ(x)将输入数据映射到高维的特征空间,输入和输出变量之间的关系可以近似为线性,SVM回归的决策函数可以表示为

(1)f(x)=wφ(x)+b

式(1)中:w为法向量;x为特征向量;b为偏置项;φ(x)为将输入x映射到特征空间的非线性函数。

SVM的目标是找到最优的w和b,高维问题被转为凸优化问题。

(2)

$\underset{w,b,{\xi }_{k},{\xi }_{k}^{*}}{min}\frac{1}{2}\Vert w{\Vert }^{2}+C\sum _{k=1}^{n}({\xi }_{k}+{\xi }_{k}^{*})$

(3)s.t.

$\left\{\begin{array}{ll}(w{x}_{k}+b)-{y}_{k}\le \epsilon +{\xi }_{k},& {\xi }_{k}\ge 0,{\xi }_{k}^{*}\ge 0\\ {y}_{k}-(w{x}_{k}+b)\le \epsilon +{\xi }_{k}^{*},& k=\mathrm{1,2},\dots,n\end{array}\right.$

式中: ‖w‖²为正则化项;ε为不敏感损伤系数;ξ_k、

${\xi }_{k}^{*}$

为两个松弛变量;C为惩罚因子;x_k为第k个样本的特征向量;y_k为第k个样本的真实输出值,通过拉格朗日函数并利用SVM的对偶性解决凸优化问题。

原问题转化为

(4)

$\begin{array}{l}min=\{\frac{1}{2}\sum _{k,j=1}^{n}({\alpha }_{k}^{*}-{\alpha }_{k})({\alpha }_{j}^{*}-{\alpha }_{j}){x}_{k}{x}_{j}-\\ \sum _{k=1}^{n}({\alpha }_{k}^{*}-{\alpha }_{k}){y}_{k}+\sum _{k=1}^{n}({\alpha }_{k}^{*}+{\alpha }_{k})\epsilon \}\end{array}$

(5)

$s.t.\sum _{k=1}^{n}{\alpha }_{k}-{\alpha }_{k}^{*}=0,　0\le {\alpha }_{k},{\alpha }_{k}^{*}\le C$

式中:α_k、

${\alpha }_{k}^{*}$

、α_j、

${\alpha }_{j}^{*}$

为拉格朗日系数。

内核函数能够将输入数据映射到高维特征空间,引入径向基核函数(RBF)满足Mercer条件来替换线性回归条件的内积。最后,非线性回归函数可以描述为

(6)

$f\left(x\right)=\sum _{k=1}^{n}({\alpha }_{k}^{*}-{\alpha }_{k}\left)K\right({x}_{k},x)+b$

(7)K(x_k,x_j)=

${e}^{-g\Vert {x}_{k}-{x}_{j}{\Vert }^{2}}$

式中:K(x_k,x_j)为核函数;g为核函数参数。

由以上的理论分析可知,SVM模型的精度和优化主要取决于2个超参数,惩罚因子C和RBF参数g。为了比较不同智能优化算法的性能,建立最优混合算法预测模型,选择三种元启发式智能优化技术,即PSO、MFO和BKA,以提高SVM在预测TBM破岩效率方面的预测能力。

1.2 元启发式智能优化算法

1.2.1 粒子群优化算法

粒子群优化算法(particle swarm optimization, PSO)是Kennedy等^[30]提出的一种全局优化算法,其思想源于鸟群觅食行为规律如图2所示。每个粒子通过动态调整其运动轨迹,同时参考个体历史最优解和全局历史最优解来更新状态。该算法采用迭代优化机制,通过持续修正粒子的速度向量和空间坐标,逐步逼近全局最优解或近似最优解。

1.2.2 飞蛾扑火优化算法

飞蛾扑火优化算法(moth-flame optimization, MFO)是一种基于飞蛾扑火行为的群体智能优化算法如图3^[31]所示。核心思想是模拟飞蛾围绕火焰(光源)以固定的角度θ螺旋飞行的行为[图3(a)],通过飞蛾和火焰的位置更新来寻找最优解。灵感来自飞蛾被称为“横定向”的导航方法,夜间飞行时相对于月亮保持一个固定的角度θ[图3(b)]。在MFO中,飞蛾在空间中改变位置向最优位置靠拢,火焰表示飞蛾在当前迭代时所找到的最优位置。算法初始化时随机生成飞蛾种群,并建立与火焰集合的一一对应关系。每只飞蛾围绕指定的火焰进行螺旋轨迹更新,以对数螺旋函数作为核心机制。在每次迭代之后,通过自适应策略动态缩减火焰数量,飞蛾会朝向适应度更优的火焰做螺旋运动,保证种群向最优区域收敛。

1.2.3 黑翅鸢优化算法

黑翅鸢优化算法(black-winged kite algorithm, BKA)是通过模拟黑翅鸢的狩猎技能和迁徙行为的一种智能优化算法^[32]。黑翅鸢的显著特点为攻击捕食行为,具有很强的悬停能力如图4所示。黑翅鸢在迭代次数t时位置为X(t),在达到新位置时为X(t+1),最终盘旋飞行到最佳猎物位置X_best(t)。该算法可分为三个阶段:种群初始化阶段、攻击阶段和迁徙阶段。

初始化阶段采用随机初始化策略,黑翅鸢的位置作为解。在初始化过程中,BKA选择适应度值最好的个体作为统领者X_L为最优,以最小值为例。

(8)f_best=min[f(X_i)]

(9)X_L=X{find[f_best=f(X_i)]}

式中:i=1,2,…,N,其中N为黑翅鸢种群数量;X为黑翅鸢的位置向量;X_i为第i只黑翅鸢的位置;f_best为适应值最好个体;find为索引出满足条件的最佳个体;X_L为初始领导者。

在攻击阶段,黑池鸢在飞行过程中根据风速调整翅膀和尾角,静静地悬停以观察猎物,然后迅速潜水和攻击。该策略包括针对全局探索以及搜索的不同攻击行为。

(10)

(11)n=0.05

${e}^{-2{\left(\frac{t}{T}\right)}^{2}}$

式中:

${Y}_{t}^{i,j}$

、

${Y}_{t+1}^{i,j}$

分别为第i只黑翅鸢在第t次和第t+1次迭代中第j维的位置;r为[0,1]之间的随机数;p为常数,p=0.9;n由式(11)定义;T为最大迭代次数;t为当前迭代次数。

式(10)中,第一行表达式模拟了黑翅鸢在空中盘旋、展翅以极快的速度冲向猎物的场景;第二行表达式模拟了黑翅鸢在空中盘旋时的攻击状态。最后BKA算法基于鸟群迁徙的假设,领导者根据自身适应度值与随机种群适应度值之间的大小关系进行切换,可以动态地选择优秀的领导者,保证迁徙的成功。

1.3 混合算法预测方法框架

对于基于SVM的混合模型在不同启发式智能优化算法下的实现过程如图5所示,共建立PSO-SVM、MFO-SVM、BKA-SVM三种混合智能预测模型。考虑围压、节理间距、节理倾角、岩石强度、贯入度、刀盘推力和刀盘滚动力的影响,构建TBM刀盘切削破岩效率预测的数据集。

使用PSO、MFO和BKA优化算法的目的是优化SVM模型的超参数“C”和“gamma”。这些参数的范围分别设置为(0.01,100)和(0.01,1 000)^[33]。使用PSO、MFO和BKA优化方法优化SVM参数的主要过程如下。

(1)准备。按照4∶1比例将数据集随机分为训练集和测试集。

(2)初始化参数。设置PSO、MFO和BKA参数。

(3)适应度评估。在优化目标参数值之前,计算适应度函数并评估其适应度。

(4)更新参数。根据每次迭代的结果,比较当前适应度值与全局最优值,从而更新极值,调整超参数满足优化要求。

(5)停止条件检查。当达到优化停止要求时(最大迭代次数),获取全局最优值、全局最优位置,获得最佳参数组合,输出最优解。

2 数据库建立

首先通过室内试验获取9种工况下的45组滚刀破岩效率数据,利用室内试验数据验证了模拟试验的可行性并进行批量模拟试验,构建包含405个样本的数据集以满足研究需求。

2.1 室内试验

为了对节理岩石的岩体性质进行模拟,将白云岩、红砂岩、花岗岩三种岩石加工为不同节理倾角、节理间距的试样,尺寸为1 200 mm(长)×400 mm(宽)×200 mm(高)。使用全尺寸线性切削试验机的贯入度控制模式进行破岩,滚刀为17 in(1 in=2.54 cm),切削速度采用20 mm/s^[34]。试验对节理间距、节理倾角、围压、岩石单轴抗压强度分别选取三种常见的水平进行正交设计,组合工况方案如表1所示。9种工况分别采用0.5、1、2、3、4 mm五级贯入度进行线性切割。

试验通过采集切割过程中滚刀的滚动力和法向推力变化曲线,计算滚动力和推力做功。收集切割后的岩渣进行称重和密度换算得到岩石破碎体积。将滚刀做功与岩石破碎体积相除得到破岩比能,作为评价破岩效率高低的指标,比能越小破岩效率越高。比能的计算公式为

(12)S_E=

$\frac{{F}_{r}l+{F}_{l}{p}_{en}}{V}$

式(12)中:S_E为滚刀破岩比能,MJ/m³;F_r为平均滚动力,kN;l为滚刀切割岩石的长度,m;F_l为平均推力,kN;p_en为贯入度,m;V为破岩试验过程中产生岩片的体积,m³。

对9种工况试验下不同贯入度得到的比能结果进行统计计算,结果如图6所示。

2.2 数值模拟

节理岩体的单滚刀线性切割破岩数值模拟试验采用PFC^3D。根据节理岩石试样构建尺寸一致的三维长方体块。通过Fish语言对模型施加边界条件,并对颗粒赋予平行黏结接触模型(parallel bond model,PBM),在对应位置加入裂隙(discrete fracture network, DFN)赋予光滑节理接触模型(smooth joint model,SJM)模拟节理,建立出节理岩体的三维模型,如图7所示。建立等比例滚刀模型,将滚刀设置为刚体。调整滚刀位置,采用与室内试验一致的贯入度控制模式,预设五级贯入度对9种工况进行滚刀线性破岩,刀盘自转速度一致。破岩过程用history命令实时记录刀盘受力。通过Fish语言监测颗粒间接触力,接触力为0时岩石颗粒剥落,剥落颗粒总体积为破岩体积。

在模拟试验中,岩石颗粒的接触为平行黏结模型,通过单轴压缩试验用“试错法”对细观参数进行标定^[35],标定结果如图8所示。节理采用光滑节理模型,已应用前人研究的标定参数^[36]。表2和表3分别为三种岩石和节理的细观参数。

2.3 数据库

为了进一步扩大机器学习模型训练测试所需要的样本数据集,需要利用模拟试验扩充数据并对其有效性与准确性进行验证。分别挑选不同岩石类别下的一种工况下进行滚动力和法向推力曲线对比展示,如图9所示。滚刀破岩本质上是动态力学破坏过程,刀盘推力和刀盘滚动力作为动态参数受岩石种类影响在破坏过程中呈现不同变化的状态。对不同岩石种类刀盘推力和滚动力平均值处理是一种最基本的特征提取方法,将复杂曲线使用一个最具代表性的数值,降低模型复杂度的同时概括了一次完整破岩的整体载荷水平,避免了分类变量过于离散限制其泛化能力,有利于建立起从不同岩石种类在不同受力状态下的更具广泛适用性的预测模型。对滚动力平均值

$\overline{{F}_{r}}$

和法向推力平均值

$\overline{{F}_{l}}$

进行对比,如图10所示。

由图9可知,三种类型岩石选择工况下滚动力和法向推力数值模拟曲线与试验曲线趋势较为一致。滚动力随着滚动距离的增加,都呈现先迅速增加后在一定范围内波动,最终趋于相对稳定的状态。对获取的平均滚动力和平均法向推力进行计算,结果如图10所示。模拟值与实测值之间的误差均未超过5%。综合曲线趋势以及平均滚动力和平均法向推力计算结果,验证了所建滚刀破岩模型的有效性。

为了对滚刀破岩模型的结果准确性进行验证,对所有工况计算出的破岩结果比能随贯入度变化趋势进行对比,如图11所示。计算出的模拟与试验比能变化趋势一致,且对应比能模拟值与实测值之间的误差均未超过5%,验证了所建滚刀破岩模型的准确性。

完成有效性和准确性验证之后,综合考虑所有变量因素,包含三种围压、三种节理倾角、三种节理间距、三种岩石强度以及5个贯入度下的共405组数据。图12显示了参数样本结果分布图,包含了405组平均滚动力,平均法向推力以及比能结果。从图12(a)与图12(b)可见,随着岩石强度的增加,三类岩石所对应的平均滚动力与平均推力样本呈现出由下至上的集中分布趋势,表明岩石强度越高,破岩所需力越大。图12(c)进一步显示,三类岩石的比能随强度增大也形成三个明显分区的分布带,反映出岩石强度越高,破岩所需能量越多,破岩效率相应越低。这一分布规律验证了不同岩石种类在数据库中的区分度及其对破岩效率的实质性影响。

将数值模拟试验控制的变量因素与参数样本进行一一对应并汇总,构建机器学习模型训练测试所需要的样本集。将围压,节理倾角,节理间距,岩石强度,贯入度,平均滚动力,平均法向推力作为模型的输入参数,将比能作为模型的输出参数。将数据集分别输入PSO-SVM、MFO-SVM、BKA-SVM模型中进行训练和测试。机器学习模型通过该数据集训练能学习到特定节理岩石工况条件下的比能值,从而实现对破岩效率的准确预测。

3 结果分析与讨论

3.1 模型比选和分析

为了评估不同混合算法优化预测的效果,从训练过程的适应度函数值达到稳定值时的迭代次数分散收敛情况研究三种混合预测模型的稳定性,从适应度函数达到稳定值所需计算时间的角度研究三种混合预测模型的计算效率,基于测试集数据获取相关评价指标研究不同模型的预测精度^[23],最后通过泰勒图综合分析并比较多种同类型监督算法的预测性能。

3.1.1 稳定性与计算效率分析

将PSO、MFO和BKA应用于SVM预测模型的超参数优化,在构建多个模型后发现,在每个优化过程中,随着迭代次数的增加,种群规模过大时模型计算时间会增加,而过小的种群规模会产生不稳定的适应度值。不同智能优化算法因其搜索机制、收敛特性和参数敏感性方面存在本质差异,其达到最佳状态时所对应的种群数量也不同。为了确保各模型均在自身最优配置下进行性能比较,每种算法需要分别寻找其最优超参数组合及最优种群数量。基于收敛稳定性与计算效率分析确保了每种算法都能在最适配其搜索特性的种群数量下运行,从而使性能对比建立在各自的最优基准。因此,选取优化模型中50、100、150、200、250个种群大小的几组进行模型构建,并根据对应的适应度值绘制其迭代曲线。PSO-SVM、MFO-SVM、BKA-SVM模型在不同种群数量下预测滚刀破岩效率的适应度值随迭代次数变化结果如图13所示。

SVM神经网络和智能优化算法中均存在随机参数,导致混合预测模型在训练过程中适应度函数有随机性。由于三种优化模型有各自的优化策论和寻优方式,对于相同的数据集和种群数量,也将表现出不同的预测效果,因此获得的最优适应度值不相同^[29]。为了计算不同优化模型在不同种群数量下预测的稳定性和计算效率,分别计算10次适应度函数达到稳定值时对应的迭代次数如图14(a)所示,并取10次适应度函数达到稳定值时计算时间的平均值作为计算效率的评比标准如图14(b)所示。

由图14(a)可知,当种群数量为100时,PSO的平均迭代次数最少为11.2次且迭代次数上下离散程度较小,说明在此种群数量下PSO优化算法的稳定性最优。当种群数量为150时,MFO的平均迭代次数最少为10.3次,且在此种群数量下MFO优化算法迭代次数上下离散程度较小说明稳定性最优。当种群数量在50、200、250、300时,BKA的平均迭代次数最少分别是6.5、8.4、14.2、18.6次,且在200种群数量下BKA优化算法迭代次数上下离散程度最小说明稳定性最优。综上,在多种种群数量迭代次数离散程度综合对比下,BKA优化算法相比于其他两种算法,较多情况下迭代次数少且离散程度相对较小,说明稳定性最好。

基于三种优化算法的适应度值达到稳定的平均迭代次数计算了优化算法达到稳定所消耗的时间平均值。计算10次不同种群数量下,三种优化算法的适应度值达到稳定时的平均时间如图14(b)所示。总体上优化时间随着种群数量增加基本成正比。在种群数量为100时,PSO相比于其余两种优化算法时间最少为35.4 s,说明在此种群数量下PSO计算效率最高。在种群数量为150次时,MFO的优化时间最少为72.6 s,此时MFO计算效率最高。当种群数量在50、200、250、300时,BKA的计算时间最少分别是17.1、88.7、114.6、132.5 s。在三种优化算法中,BKA优化算法在多数种群条件下计算时间均较小,表明BKA在优化SVM超参数时具有较高的效率。

3.1.2 智能优化算法评价指标对比

基于对PSO-SVM、MFO-SVM和BKA-SVM在不同种群数量下稳定性和计算效率的分析,选出每个模型的最佳总体规模进行算法预测精确度的评比,PSO-SVM、MFO-SVM和BKA-SVM的最优种群规模为100、150和200。将已选择的三种智能优化模型与基础模型进行训练并用于预测测试集,预测结果如图15所示。基于测试集计算结果进行了线性拟合,并绘制了对应的95%置信区间和95%预测区间。由图15可知,与基础模型SVM相比,PSO-SVM、MFO-SVM和BKA-SVM的预测结果中更多的样本在95%预测区间与置信区间内,且BKA-SVM的预测结果呈现更好的拟合效果,表明BKA-SVM的预测结果更接近于实测值。

利用5种性能评价指标,即平均绝对误差E_MAE代表预测比能值与真实比能值之间绝对误差的平均值,均方误差E_MSE代表误差平方的平均值,均方根误差E_RMSE是E_MSE的平方根表示误差的均方根值,平均百分比误差E_MAPE代表绝对百分比误差的平均值,决定系数R²衡量模型对数据的解释能力表示模型预测比能值与真实比能值之间的相关性。分析三种混合预测模型的性能,性能评价指标的表达式分别为

(13)

${E}_{MAE}=\frac{1}{n}\sum _{i=1}^{n}\left|S{E}_{i}-{\stackrel{}{SE}}_{i}\right|$

(14)

${E}_{MSE}=\frac{1}{n}\sum _{i=1}^{n}\left(S\right.{E}_{i}-{\stackrel{}{SE}}_{i}{)}^{2}$

(15)

${E}_{RMSE}=\sqrt{\frac{\sum _{i=1}^{n}\left(S\right.{E}_{i}-{\stackrel{}{SE}}_{i}{)}^{2}}{n}}$

(16)

${E}_{MAPE}=\frac{1}{n}\sum _{i=1}^{n}\frac{\left|S{E}_{i}-{\stackrel{}{SE}}_{i}\right|}{{\stackrel{}{SE}}_{i}}\times 100\%$

(17)

${R}^{2}=\frac{\sum _{i=1}^{n}({\stackrel{}{SE}}_{i}{-\overline{SE})}^{2}}{\sum _{i=1}^{n}\left(S\right.{E}_{i}{-\overline{SE})}^{2}}$

式中:SE_i为输出参数比能真实值;

${\stackrel{}{SE}}_{i}$

为输出参数比能预测值;

$\overline{SE}$

为输出参数真实值的平均值;n为测试集样本总数。

不同优化模型的适用性存在一定差异,为了比较验证三种模型的学习效果和预测精度,对三种优化模型的评价指标进行综合评比如图16所示。PSO-SVM模型训练集和测试集的误差相差较大,说明模型很可能出现了过拟合现象。与PSO-SVM模型相比,MFO-SVM模型训练集和测试集的误差都有所减小,但预测精度仍然较低,且测试集的预测精度也较差,说明该模型的泛化能力较差。所提出的BKA-SVM模型 E_MSE、E_MAE、E_RMSE、E_MAPE均为最小,且决定系数R²最大,则说明BKA-SVM模型的预测误差最小,预测精度最高,拟合程度最好,因此在预测比能方面具有更好的准确性和鲁棒性。

3.1.3 多种模型对比分析

为了进一步分析和比较BKA-SVM模型在同类型监督学习算法中的预测性能,加入随机森林回归(random forest regression,RFR)^[37]、决策树回归(decision tree regression,DTR)^[38]、朴素贝叶斯回归(naive Bayes regression,NBR)^[39]、人工神经网络(artificial neural networks,ANN)^[40]等模型用相同的数据库进行测试并比较了预测比能结果,如泰勒图如图17所示。泰勒图可以在二维图上综合显示多个模型变量的标准差(standard deviation,SD)计算公式如式(18)所示,参考值的相关系数R²和RMSE,可以充分清晰地说明多个模型的预测能力。

(18)

$SD=\sqrt{\frac{\sum _{i=1}^{n}{\left({\stackrel{}{SE}}_{i}-\overline{SE}\right)}^{2}}{n}}$

式(18)中:SD表示数据集的离散程度,SD越靠近实际输出集真实值的标准差,越接近1,越接近于0,模型预测的效果越好。

泰勒图(图17)中,不同模型预测值与标准参考值之间的距离越近,表示该模型的预测精度越高。结果表明,经过智能优化算法优化过的SVM模型均表现出较高的预测能力。三种优化混合模型的相关性系数都高达0.9以上,显著优于其他同类型监督算法0.7~0.9的常规区间,BKA-SVM模型以0.965 21居于首位,表明其在预测精度方面表现最为优异。此外,BKA-SVM模型的为2.721 4,而其他模型区间多处于3~6,降低14.6%~54.6%,表明其预测值与真实值的整体偏差最小。在标准差方面,BKA-SVM模型的标准差为2.762 4,与参考标准值2最为接近,表明其预测值与真实值的波动幅度一致性较高。相比之下,DTR和NBR模型的标准差分别为1.759 1和2.241 0,虽然也较为接近参考值,但波动幅度的合理性仍略逊于BKA-SVM模型。多维指标分析表明,BKA-SVM模型在泰勒图坐标系中位于高相关核心区域,不仅兼备高相关性还具有合理的波动幅度,说明该模型在复杂数据建模预测中具有优异的参数稳定性、算法适应性及预测可靠性。

综合以上结果对比分析,所提出的BKA-SVM混合优化模型在稳定性、快速预测能力和学习评价能力等方面具有显著优势,适用于复杂数据集的回归预测任务,能够精准预测TBM掘进过程中的滚刀破岩效率。

3.2 不同影响因素的重要性及贡献

所提出的BKA-SVM模型为预测比能提供了重要的分析手段,尽管模型能够精准识别各影响因素,但各因素对比能预测的重要性仍需深入探讨。为了准确预测破岩比能, 降低滚刀破岩施工的高成本和风险,综合考虑比较了7个输入参数在预测比能过程中的重要性。将测试集的数据进行统计并采用Verron等^[41]提出的互信息检验方法(mutual information test, MIT)用于分析输入参数对模型输出的影响。MIT是一种过滤方法,可用于捕获每个参数与标签之间的任意关系(包括线性和非线性)。它是变量之间相互依赖的度量,表明变量之间关系的强度。变量之间MI的大小可以用信息Gain表示。

(19)

$Gain(Y,X)=Ent\left(Y\right)-\sum _{v=1}^{V}\frac{\left|{Y}^{v}\right|}{\left|Y\right|}Ent\left({Y}^{v}\right)$

式(19)中:X为某个特征变量;Y为目标变量;V为X所有可能值的个数;Y^v为X取x_v时与Y相关的集合;Ent(Y)为信息的熵;随着Gain(Y,X)的增加,X与Y之间的相关性增加。

根据互信息检验中的变量得分,确定预测比能的输入参数的重要程度。如图18(a)所示,岩石强度和贯入度是预测比能最重要的因素,其重要性得分分别为1.429 5和1.342 8,其他五项模型的输入对预测比能也有较深影响且相差不大。为了进一步分析岩石强度和贯入度对比能的影响变化贡献情况,统计了预测数据库中不同贯入度和不同岩石强度的预测比能数据,并求出不同岩石在不同贯入度下的平均比能绘制平均比能变化曲线如图18(b)所示。可以看出,三种岩石比能随贯入度变化曲线呈现一致的趋势。当贯入度小于3 mm时,比能随着贯入度的增加而降低,岩石强度越高比能变化趋势越大。当达到3 mm时,比能降到最低,此时破岩效率最高。当贯入度小于3 mm 时,虽然贯入度增大会相应地增大滚刀滚动力和法向推力,但岩体却产生了更多的破坏,比能是减小的。而当贯入度大于3 mm时,比能开始增加,破岩效率不再提高,因此最优贯入度为3 mm,这与冀国栋等^[42]的研究结论一致。此外,在相同贯入度下,岩石强度越大比能越高,说明岩石强度增大时,其抵抗外力破坏的能力显著增强,维持相同贯入度时需要消耗更多能量,破岩效率降低。并且花岗岩到红砂岩的比能下降变化幅度大于红砂岩到白云岩的比能下降变化幅度,说明花岗岩到红砂岩的强度降幅更大导致比能急剧下降,破岩效率显著增加。而红砂岩到白云岩的强度变化较小比能降幅趋缓,破岩效率增加幅度减缓。

在未来工程应用中,基于BKA-SVM的比能预测模型为破岩效率优化提供了重要指导。通过模型预测数据分析可知,贯入度和岩体强度是影响破岩效率的关键参数,当贯入度达到3 mm时,比能最低,破岩效率最高。这一发现为施工过程中滚刀参数的优化提供了理论依据,尤其是在不同岩石强度条件下,能够帮助施工团队动态调整贯入度和机械参数,实时预测比能,为复杂地质条件下的施工策略提供了参考。未来需要考虑更多的输入变量例如多滚刀,刀盘转速等以及样本数量来丰富数据集,使模型能够达到更好的预测精度和泛化。通过精确预测比能变化,有效指导施工团队根据节理岩石变化调整设备参数,该模型将在隧道掘进、矿山开采等领域具有广泛的应用前景,能够提升工程效率并降低能耗,从而实现破岩效率的最大化。

4 工程应用

以平顶山某轨道下山大巷掘进施工为背景,巷道设计总长度为3 304 m,依次穿越砂质泥岩、泥岩、细粒砂岩及煤层等多套岩性地层,围岩岩性变化频繁、强度差异显著,构成典型的软硬复合地质条件。选取桩号K10+148~K20+256段的TBM掘进参数数据对所提出的滚刀破岩效率智能预测模型进行了应用,并验证其实用性。该巷道因岩体完整性差施工中出现推进力波动大、刀具寿命短、换刀频繁等问题,严重影响掘进效率。为了提升掘进效率并降低设备磨损,对掘进过程中滚刀破岩效率进行预测分析。

研究采用的数据来源于敞开式EQC6030TBM在施工过程中采集的运行数据以及现场岩体监测数据,结合文献[43]共采集800组有效数据,为TBM滚刀破岩效率预测建模奠定基础,数据详情如表4所示。选取80%作为训练集20%作为验证测试数据集,测试集比能预测结果如图19所示。结果显示,BKA-SVM模型百分比误差都在5%以内,对比能具有较强的预测能力。测试集的MAE为4.35×10^-4,MAPE为2.16×10^-4,RMSE为6.52×10^-4,R²为0.96,预测误差较小且拟合度较高。综上,BKA-SVM模型具备优异的预测精度与稳健的泛化能力。

5 结论

将SVM模型的智能优化混合思想应用于TBM性能预测领域,提出了TBM节理岩体滚刀破岩效率智能预测方法。利用室内试验与数值模拟相结合的方法构建了数据集,并综合评选出最优预测模型BKA-SVM。得出如下主要结论。

(1)TBM节理岩体滚刀破岩效率智能预测方法。通过引入PSO、MFO、BKA三种智能优化算法确定SVM的两个超参数。考虑了围压、节理间距、节理倾角、岩石强度、贯入度、刀盘推力和刀盘滚动力7种因素对破岩效率的影响,构建了混合算法优化预测模型框架。

(2)设计了破岩效率预测数据库构建方法。通过室内试验校正PFC3D细观参数,并结合试验数据,对比了不同岩石工况类别下滚动力和法向推力以及比能变化趋势。结果表明,滚动力和法向推力平均值相差在5%以内且比能曲线变化趋势一致,验证了模型的有效性和准确性,并进行批量模拟构建了包含405组样本的机器学习模型训练测试数据集。

(3)进行了混合优化算法模型性能评估。首先通过分析适应度值达到稳定时PSO-SVM、MFO-SVM和BKA-SVM模型的迭代次数与时间,确定在种群数量分别为100、150和200时,三种模型的稳定性和计算效率达到最优。根据各自的最优模型采用五种性能评价指标比较了模型预测精度,结果表明BKA-SVM模型的预测误差最小,拟合程度最佳,并结合泰勒图分析显示其在同类型监督算法下最接近数据标准参考值。综合评估表明,本文提出的BKA-SVM模型在TBM节理岩体滚刀破岩效率的预测方法上具有稳定性好、预测效率快和预测精度高的显著优势。

(4)开展了不同影响因素的重要性及贡献分析。通过MIT分析了各输入变量对预测出比能数据的影响。结果表明:岩石强度和贯入度是最重要的影响因素,发现比能随贯入度呈现先降后升的趋势,在贯入度为3 mm时达到最优破岩效率;同时,岩石强度越高,比能越大且比能变化趋势越显著。基于BKA-SVM的比能预测模型可为工程应用中的破岩效率预测及优化提供指导,具有在隧道掘进等领域提升工程效率、降低能耗的潜在应用价值。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	菲力克斯·安伯格. 隧道及地下工程掘进技术回顾与展望[J]. 现代隧道技术, 2022, 59(4): 1-6.

[2]	Felix Amberg. Tunnel excavation review and outlook[J]. Modern Tunnelling Technology, 2022, 59(4): 1-6.

[3]	连继业, 王绪湘, 朱海平, 等. 盾构机双滚刀在复合地层中破岩机理[J]. 科学技术与工程, 2022, 22(13): 5340-5347.

[4]	Lian Jiye, Wang Xuxiang, Zhu Haiping, et al. Breaking rock mechanism of shield machine with double hobs in composite stratum[J]. Science Technology and Engineering, 2022, 22(13): 5340-5347.

[5]	王滨, 李尧. 不同间距和倾角的岩石节理对TBM滚刀破岩的影响[J]. 科学技术与工程, 2022, 22(29): 13066-13074.

[6]	Wang Bin, Li Yao. Influence of rock joint with different spacing and dip angle on rock breaking by TBM cutter[J]. Science Technology and Engineering, 2022, 22(29): 13066-13074.

[7]	温森, 周书宇, 盛桂琳. 复合岩层中滚刀旋转切割破岩效率试验研究[J]. 岩土力学, 2019, 40(7): 2628-2636.

[8]	Wen Sen, Zhou Shuyu, Sheng Guilin. Experiments on the efficiency of rock fragmentation by rotary cutting in composite rock strata[J]. Rock and Soil Mechanics, 2019, 40(7): 2628-2636.

[9]	卢智勇, 卢高明, 李研, 等. 微波照射对缩尺滚刀旋转破岩试验的影响规律[J]. 科学技术与工程, 2025, 25(22): 9471-9480.

[10]	Lu Zhiyong, Lu Gaoming, Li Yan, et al. Influence law of microwave Irradiation on the rotational rock breaking test of scale cutter[J]. Science Technology and Engineering, 2025, 25(22): 9471-9480.

[11]	谭青, 杨秧, 夏毅敏, 等. 滚刀滚动切削岩石的数值及试验研究[J]. 湖南大学学报(自然科学版), 2018, 45(8): 69-78.

[12]	Tan Qing, Yang Yang, Xia Yimin, et al. Numerical and experimental study on rock breaking by cutter in rolling mode[J]. Journal of Hunan University ( Natural Sciences), 2018, 45(8): 69-78.

[13]	施雪松, 管清正, 王文扬, 等. 双节理岩体TBM滚刀破岩过程数值模拟[J]. 山东大学学报(工学版), 2020, 50(4): 70-79.

[14]	Shi Xuesong, Guan Qingzheng, Wang Wenyang, et al. Numerical simulation of rock fragmentation process by TBM cutter in double-joint rock mass[J]. Journal of Shandong University(Engineering Science), 2020, 50(4): 70-79.

[15]	温森, 高萌萌. 围压作用下复合岩层滚刀破岩效率数值模拟[J]. 中国科技论文, 2018, 13(19): 2195-2202.

[16]	Wen Sen, Gao Mengmeng. Numerical study of confining pressure influencing on efficiency of rock fragmentation by disc cutter in mixed rock strata[J]. China Sciencepaper, 2018, 13(19): 2195-2202.

[17]	潘秋景, 李晓宙, 黄杉, 等. 机器学习在盾构隧道智能施工中的应用——综述与展望[J]. 隧道与地下工程灾害防治, 2022, 4(3): 10-30.

[18]	Pan Qiujing, Li Xiaozhou, Huang Shan, et al. Application of machine learning to intelligent shield tunnelling: review and prospects[J]. Hazard Control in Tunnelling and Underground Engineering, 2022, 4(3): 10-30.

[19]	丁自伟, 高成登, 张玲, 等. 基于数据驱动的TBM掘进地层岩性识别预测方法[J]. 采矿与安全工程学报, 2025, 42(1): 147-160.

[20]	Ding Ziwei, Gao Chengdeng, Zhang Ling, et al. Prediction method for data-driven lithology identification of TBM tunneling strata[J]. Journal of Mining & Safety Engineering, 2025, 42(1): 147-160.

[21]	Liu B, Wang R, Zhao G, et al. Prediction of rock mass parameters in the TBM tunnel based on BP neural network integrated simulated annealing algorithm[J]. Tunnelling and Underground Space Technology, 2020, 95: 103103.

[22]	Zhang Q, Liu Z, Tan J. Prediction of geological conditions for a tunnel boring machine using big operational data[J]. Automation in Construction, 2019, 100: 73-83.

[23]	吴志军, 方立群, 翁磊, 等. 基于TBM掘进性能的岩体分级及可掘性等级感知识别方法[J]. 岩石力学与工程学报, 2022, 41(S1): 2684-2699.

[24]	Wu Zhijun, Fang Liqun, Weng Lei, et al. A classification and bore ability perception and recognition method for rock mass based on TBM tunneling performance[J]. Chinese Journal of Rock Mechanics and Engineering, 2022, 41(S1): 2684-2699.

[25]	满轲, 曹子祥, 刘晓丽, 等. 基于GRU-RF模型的TBM掘进参数预测研究[J]. 应用基础与工程科学学报, 2023, 31(6): 1519-1539.

[26]	Man Ke, Cao Zixiang, Liu Xiaoli, et al. Research on prediction of TBM tunnelling parameters based on GRU-RF model[J]. Journal of Basic Science and Engineering, 2023, 31(6): 1519-1539.

[27]	祝贺超, 姚昌瑞, 邵永平, 等. TBM掘进中围岩分类预测的堆叠集成学习方法[J]. 科学技术与工程, 2025, 25(14): 6016-6022.

[28]	Zhu Hechao, Yao Changrui, Shao Yongping, et al. Stacked ensemble learning method for TBM surrounding rock classification prediction of surrounding rock in TBM excavation[J]. Science Technology and Engineering, 2025, 25(14): 6016-6022.

[29]	刘耀儒, 侯少康, 魏芳, 等. TBM智能施工研究进展及展望[J]. 隧道建设(中英文), 2025, 45(1): 21-45.

[30]	Liu Yaoru, Hou Shaokang, Wei Fang. State of the art and development trends in intelligent construction of tunnel boring machines[J]. Tunnel Construction, 2025, 45(1): 21-45.

[31]	Vapnik V. The nature of statistical learning theory[M]. Berlin: Springer, 1995.

[32]	Hearst M A. Support vector machines[J]. IEEE Intelligent Systems & Their Applications, 1998, 13(4): 18-28.

[33]	Rad N H, Hasanipanah M, Rezaei M, et al. Developing a least squares support vector machine for estimating the blast-induced flyrock[J]. Engineering with Computers, 2018, 34(4): 709-717.

[34]	Yu Z, Shi X, Zhou J, et al. Feasibility of the indirect determination of blast-induced rock movement based on three new hybrid intelligent models[J]. Engineering with Computers, 2019, 37(2): 1-16.

[35]	Armaghani J D, Asteris G P, Askarian B, et al. Examining hybrid and single SVM models with different kernels to predict rock brittleness[J]. Sustainability, 2020, 12(6): 2229.

[36]	Li X, Li X, Su Y. A hybrid approach combining uniform design and support vector machine to probabilistic tunnel stability assessment[J]. Structural Safety, 2016, 61: 22-42.

[37]	李建斌, 武颖莹, 李鹏宇, 等. 基于局部线性嵌入和支持向量机回归的TBM施工参数预测[J]. 浙江大学学报(工学版), 2021, 55(8): 1426-1435.

[38]	Li Jianbin, Wu Yingying, Li Pengyu, et al. TBM tunneling parameters prediction based on locally linear embedding and support vector regression[J]. Journal of Zhejiang University(Engineering Science), 2021, 55(8): 1426-1435.

[39]	Zhou C, Ding L, Zhou Y, et al. Hybrid support vector machine optimization model forprediction of energy consumption of cutter head drives in shield tunneling[J]. Journal of Computing in Civil Engineering, 2019, 33(3): 4019019.

[40]	孔凡超, 刘懿晗, 刘士吉, 等. 基于智能优化算法和Bi-LSTM神经网络的盾构隧道刀盘扭矩智能预测方法[J]. 中国科学: 技术科学, 2025, 55(1): 171-186.

[41]	Kong Fanchao, Liu Yihan, Liu Shiji, et al. Intelligent prediction method for cutterhead torque of shield tunnel based on intelligent optimization algorithm and Bi-LSTM neural network[J]. Scientia Sinica (Technologica), 2025, 55(1): 171-186.

[42]	徐俊杰. 元启发式优化算法理论与应用研究[D]. 北京: 北京邮电大学, 2007.

[43]	Xu Junjie. A study on the theory and applications of meta-heuristic optimization algorithms[D]. Beijing: Beijing University of Posts and Telecommunications, 2007.

[44]	王建, 王利明, 周振梁, 等. 基于ACO-SVM的TBM引水隧洞锚杆轴力预测研究[J]. 岩土工程技术, 2023, 37(5): 532-537.

[45]	Wang Jian, Wang Liming, Zhou Zhenliang, et al. Research on axial force prediction of bolt in TBM headrace tunnel based on ACO-SVM[J]. Geotechnical Engineering Technique, 2023, 37(5): 532-537.

[46]	何华飞, 林雪冰, 胡朋, 等. 复合地层中盾构施工掘进参数相关性及预测研究[J]. 现代城市轨道交通, 2024(5): 88-95.

[47]	He Huafei, Lin Xuebing, Hu Peng, et al. Research on the correlation and prediction of shield tunneling parameters in compound strata[J]. Modern Urban Transit, 2024(5): 88-95.

[48]	Zhou J, Qiu Y G, Zhu S L, et al. Optimization of support vector machine through the use of metaheuristic algorithms in forecasting TBM advance rate[J]. Engineering Applications of Artificial Intelligence, 2021, 97: 104015.

[49]	Kennedy J, Eberhart R C. Particle swarm optimization[C]// IEEE International Conference on Neural Network. Perth: IEEE, 1995: 1942-1948.

[50]	李志明, 莫愿斌, 张森. 一种新颖的群智能算法: 飞蛾扑火优化算法[J]. 电脑知识与技术, 2016, 12(31): 172-176.

[51]	Li Zhiming, Mo Yuanbin, Zhang Sen. A novel swarm intelligence algorithm: moth fire suppression optimization algorithm[J]. Computer Knowledge and Technology, 2016, 12(31): 172-176.

[52]	Wang J, Wang W, Hu X, et al. Black-winged kite algorithm: a nature-inspired meta-heuristic for solving benchmark functions and engineering problems[J]. Artificial Intelligence Review, 2024, 57(4): 41-53.

[53]	刘碧森. 支持向量机研究及其应用[D]. 成都: 电子科技大学, 2003.

[54]	Liu Bisen. The study and application of support vector machines[D]. Chengdu: University of Electronic Science and Technology of China, 2003.

[55]	龚秋明, 何冠文, 赵晓豹, 等. 不同贯入度对掘进机滚刀破岩效率的影响[J]. 现代隧道技术, 2016, 53(1): 62-68.

[56]	Gong Qiuming, He Guanwen, Zhao Xiaobao, et al. Influence of penetration on the rock-breaking efficiency of a TBM cutter[J]. Modern Tunnelling Technology, 2016, 53(1): 62-68.

[57]	姜耀飞, 李清波, 陈艳国, 等. 基于离散元的复合岩体结构面宏细观参数响应特征[J]. 人民长江, 2023, 54(10): 214-220.

[58]	Jiang Yaofei, Li Qingbo, Chen Yanguo, et al. Response characteristics of meso-parameters to macro-parameters of composite rock discontinuities based on discrete element method[J]. Yangtze River, 2023, 54(10): 214-220.

[59]	Afrasiabi N, Rafiee R, Noroozi M. Investigating the effect of discontinuity geometrical parameters on the TBM performance in hard rock[J]. Tunnelling and Underground Space Technology Incorporating Trenchless Technology Research, 2019, 84: 326-333.

[60]	Larivière B, Poel D V D. Predicting customer retention and profitability by using random forests and regression forests techniques[J]. Expert Systems with Applications, 2005, 29(2): 472-484.

[61]	Nerini D, Durbec P J, Manté C. Analysis of oxygen rate time series in a strongly polluted lagoon using a regression tree method[J]. Ecological Modelling, 2000, 133(1): 95-105.

[62]	Frank E, Trigg E L, Holmes G, et al. Naive Bayes for regression (technical note)[J]. Machine Learning, 2000, 41(1): 5-25.

[63]	Rivero E J. Thermal neutron classification in the hohlraum using artificial neural networks[J]. Engineering Letters, 2015, 23(2): 87-91.

[64]	Verron S, Tiplica T, Kobi A. Fault detection and identification with a new feature selection based on mutal information[J]. Process Control, 2008, 18 (5): 479-490.

[65]	冀国栋, 付柏毅, 章慧健, 等. TBM滚刀贯入度对破岩效能的影响规律研究[J]. 铁道科学与工程学报, 2023, 20(12): 4755-4768.

[66]	Ji Guodong, Fu Boyi, Zhang Huijian, et al. Study on the influence law of TBM disc cutter penetration on the rock-breaking efficiency[J]. Journal of Railway Science and Engineering, 2023, 20(12): 4755-4768.

[67]	刘佳伟. 基于首山一矿TBM掘进巷道岩机数据融合的围岩分级方法研究[D]. 焦作: 河南理工大学, 2024.

[68]	Liu Jiawei. Research on surrounding rock classification method based on rock-mechanical data fusion of TBM excavation tunnel in Shoushan No.1 Mine[D]. Jiaozuo: Henan Polytechnic University, 2024.

基金资助

湖北省重点研发计划(2023BCB121)

湖北省重点研发计划(2024DJC002)

武汉市知识创新专项(2023020201010079)

PDF (22764KB)

访问

被引

详细

导航

Received	Published	Revised
2025-06-04	2026-03-18	2025-12-23
Online Date
2026-06-26

摘要