-
题名基于钻进参数和岩性的钻爆法隧道围岩智能分级模型
被引量：1
- 1
-
-
作者
夏覃永
王明年
孙鸿强
林鹏
赵思光
-
机构
西南交通大学极端环境岩土和隧道工程智能建养全国重点实验室
西南交通大学土木工程学院
中国铁路经济规划研究院有限公司铁路工程技术标准所
-
出处
《隧道建设（中英文）》
CSCD
北大核心
2024年第7期1410-1421,共12页
-
基金
国家自然科学基金资助项目(51878567)
中国国家铁路集团有限公司科技研究开发计划重大课题(K2020G035,K2021G024)。
-
文摘
为进一步提高基于钻进参数的围岩智能分级模型判识准确率,引入围岩岩性作为已知条件,对不同岩性分别建立基于钻进参数的围岩智能分级模型。首先,依托宜兴高铁、郑万高铁隧道工程中凿岩台车采集到的钻进参数,将其根据围岩岩性划分为白云岩、花岗闪长岩、灰岩、砂岩、页岩5类子数据集;然后,进行数据清洗、特征提取,对各子数据集及原始数据集按照4∶1的比例拆分为训练集和测试集,分别以提取的特征和原始特征均值2类特征集合作为输入;最后,使用机器学习随机森林算法建立5个基于钻进参数和岩性的围岩智能分级模型以及基于钻进参数的围岩智能分级模型,评估每个模型的泛化性能。结果显示:1)以提取特征集合为输入的白云岩、花岗闪长岩、灰岩、砂岩、页岩5种围岩智能分级模型在测试集上的准确率分别为85.48%、92.16%、88.62%、85.00%、89.47%,不考虑岩性的围岩智能分级模型的测试集准确率为84.91%。2)相比不考虑岩性的围岩智能分级模型,基于钻进参数和岩性的围岩智能分级模型测试集准确率提高0.09%~7.25%;相比不进行钻进参数特征提取,围岩智能分级模型准确率提升1.61%~13.82%。由此表明:进行钻进参数特征提取能够有效提升围岩智能分级模型的准确率;相比不考虑岩性的围岩智能分级模型,考虑岩性的围岩智能分级模型稳定性提高,模型的泛化能力提升。
-
关键词
隧道工程
围岩智能分级
随机森林算法
钻进参数
特征提取
岩性
-
Keywords
tunnel engineering
intelligent surrounding rock classification
random forest
drilling parameters
feature extraction
lithology
-
分类号
U45
[建筑科学—桥梁与隧道工程]
-
-
题名基于多要素钻进信息的围岩分级方法研究
- 2
-
-
作者
吴俊
-
机构
重庆交通大学
-
出处
《科学技术创新》
2024年第20期157-160,共4页
-
文摘
本研究以交通部科技示范项目“三峡库区奉建高速公路”为背景,开展基于随钻参数的围岩智能分级方法研究,取得以下主要成果:(1)通过现场试验共收集1000个围岩分级指标,建立了围岩智能分级数据样本库;(2)建立了基于SVR与PSO-BP算法的围岩分级指标预测模型,使用样本库训练并实现了基于随钻参数的围岩智能分级;(3)模型预测结果显示,PSO-BP模型的预测值在真实值拟合参考线上的偏离程度小于SVR模型,尤其是在最大误差方面,PSO-BP模型表现出更小的偏离,显示出更高的拟合精度,尤其在预测完整性系数时,PSO-BP模型预测精度更高。
-
关键词
随钻测量
智能算法
围岩分级
-
Keywords
measurement while drilling
intelligent algorithm
surrounding rock classification
-
分类号
TU45
[建筑科学—岩土工程]
-
