.png){kind=icon}
返回
Thrust-vectoring automatic shield tunneling technology: Method, verification and application
.png){kind=icon}
OA
AI
DOI：10.1016/j.undsp.2025.01.008.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
认识到在全球范围内，在推力超过数千吨的条件下实现对盾构机姿态的毫米级精度控制是一项艰巨的挑战，引入了推力矢量自动盾构隧道掘进技术，以有效缓解因人为干预引起的潜在精度偏差。最初，采用了一种基于载荷-推力“双矢量”的运动控制机制，通过全面的数据评估，定义了盾构推力矢量，并建立了盾构姿态偏差点与推力作用点在水平和垂直方向上的交互关联。随后，为盾构机的稳定性控制设计了一种并行比例-积分-微分控制律，阐明了盾构姿态变化与推力作用点位移之间的功能联系，并通过全尺寸模型试验进行了初步验证。制定了一种用于纠正盾构姿态的运动轨迹，并融合前馈计算与反馈调整，形成了一种推力矢量控制方法。该推力矢量自动掘进技术在大型直径盾构隧道工程中的应用取得了以下关键成果：目标与实际推力之间的偏差维持在约2.5%，实际盾构速度控制在目标值±1 mm/min范围内。为确保盾构机的可靠导向能力，水平和垂直方向的目标推力矩略高于实际值，且执行效果良好。盾构姿态与推力作用点在水平和垂直维度上的相互作用表现出“糖葫芦”特征。尽管在管片拼装过程中出现了显著的“低头”现象，但统计分析表明，盾构机在水平和垂直平面上的姿态偏差最终被控制在–20 mm至+5 mm和–45 mm至–28 mm范围内，显著优于平均手动控制标准。
Keyword:
Shield machine
Automatic shield tunneling
Shield attitude
Thrust vector
Control law
Model test platform
Engineering application
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:
8.3
论文数:
675
被引数:
2.9K
机构
引用论文
Real-time prediction of shield moving trajectory during tunnelling using GRU deep neural network.png)
ACTA GEOTECHNICA
ACTA GEOTECHNICAIF5.7
PREAI
分享收藏
Adaptive-Neuro-Fuzzy-Based Information Fusion for the Attitude Prediction of TBMs基于自适应神经模糊信息融合的tbm姿态预测SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏Prediction of Axis Attitude Deviation and Deviation Correction Method Based on Data Driven During Shield TunnelingIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏分享收藏Qian, Q. H., Hu, X. Q., Li, S. C., Chen, J., & Zhu, W. B. (2024). Recent advances in key technologies of shield tunnel engineering in China. Tunnel Construction, 44(5), 897–926. (in Chinese)钱七虎，胡新权，李思聪，陈杰，朱卫兵。(2024)。中国盾构隧道工程关键技术的最新进展。隧道建设，44(5)，897–926。（中文）
IF0
PREAI
分享收藏分享收藏
查看更多内容