.png){kind=icon}
返回
Intelligent decision-making for TBM tunnelling control parameters using multi-objective optimization
.png){kind=icon}
OA
AI
DOI：10.1016/j.jrmge.2024.09.001.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在隧道施工中，隧道掘进机（TBM）掘进通常依赖手动经验与次优控制参数，这极易导致效率低下和成本高昂。本研究提出了一种基于多目标优化（MOO）的TBM掘进控制参数智能决策方法。首先，通过中国松花江（YS）隧道工程的数据预处理获取有效的TBM运行数据集。接着，所提出的方法首先开发机器学习模型，用于预测TBM掘进性能参数（即总推力和刀盘扭矩）、岩体分类以及风险（即隧道坍塌和盾构卡塞）。然后，考虑三个优化目标（即掘进速率、破岩能耗和刀盘滚刀磨损），建立MOO框架及其对应的数学表达式。采用DE-NSGA-II算法求解帕累托最优前沿。最后，通过满意解确定准则获得最优控制参数（即掘进速度和刀盘转速），能够在满足要求的前提下平衡施工安全与效率。此外，该方法通过50例TBM掘进案例进行验证，显示出良好的应用潜力。(c) 2025中国科学院武汉岩土力学研究所。由Elsevier B.V.出版。本文为开放获取文章，采用CC BY-NC-ND许可协议（http://creativecommons.org/licenses/by-nc-nd/。
Keyword:
Intelligent decision-making
Multi-objective optimization (MOO)
Control parameters
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
10.2
论文数:
2.6K
被引数:
1.2W
机构
引用论文
Tunnel boring machines (TBM) performance prediction: A case study using big data and deep learning
PREAI
分享收藏Tunneling parameters optimization based on multi-objective differential evolution algorithm基于多目标差分进化算法的隧道参数优化.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏Significance and methodology: Preprocessing the big data for machine learning on TBM performanceUNDERGROUND SPACEOAAI
UNDERGROUND SPACEIF8.3
OAAI分享收藏
查看更多内容