基于BP神经网络的硬岩地层盾构滚刀磨损预测.docx

基于BP神经网络的硬岩地层盾构滚刀磨损预测
摘要
本文以深圳市地铁七号线盾构为例，基于BP神经网络算法，对盾构滚刀磨损进行预测。首先，根据盾构施工工艺和工况，确定了对滚刀磨损影响较大的因素，包括土岩性质、地层切削性质、盾构机械参数等。然后，在样本采集和数据处理基础上，构建了BP神经网络模型，实现了硬岩地层盾构滚刀磨损量的预测，并进行了误差分析。研究结果表明，基于BP神经网络的硬岩地层盾构滚刀磨损预测模型具有较高的精度和适用性，可为盾构施工提供指导依据。
关键词：地铁盾构、滚刀磨损、硬岩地层、BP神经网络
Abstract
Inthispaper,basedontheBPneuralnetworkalgorithm,thepredictionoftheshieldcutterweariscarriedoutwiththeexampleoftheshieldofShenzhenMetroLine7.Firstly,thefactorsthathaveagreaterimpactonthecutterwear,includingsoilandrockproperties,stratumcuttingproperties,shieldmechanicalparameters,etc.weredeterminedaccordingtotheshieldconstructiontechnologyandworkingconditions.Then,onthebasisofsamplecollectionanddataprocessing,theBPneuralnetworkmodelwasconstructedtopredicttheshieldcutterwearinhardrockstrata,anderroranalysiswascarriedout.TheresearchresultsshowthattheBPneuralnetwork-basedshieldcutterwearpredictionmodelinhardrockformationshashighaccuracyandapplicabilityandcanprovideguidanceforshieldconstruction.
Keywords:SubwayShield,CutterWear,hardrockstrata,BPNeuralNetwork
引言
目前，盾构技术已经得到广泛的应用，成为现代城市地下交通建设的主要方法之一。随着城市地铁建设愈来愈深入，一些复杂的地质构造、地层圈复杂的状况更为常见。其中，硬岩地层作为盾构施工中的管片安装困难、盾构机主要受力部件——滚刀损耗严重等问题，是盾构施工过程中的一大难点。因此，如何准确地预测盾构滚刀磨损，进一步指导施工过程，提高盾构施工的安全性和效率，是当前亟待解决的问题。
硬岩地层盾构滚刀磨损预测主要有基于统计学方法、机器学习等多种方法。其中，基于BP神经网络算法的研究在力学、环境科学领域得到了广泛的应用。BP神经网络具有简单易用、可迭代性好、非线性映射等优点，能够较为准确地预测盾构滚刀磨损情况。
本文以深圳市地铁七号线盾构为例，基于BP神经网络算法，对硬岩地层盾构滚刀磨损进行预测，并进行了误差分析，为盾构施工提供指导依据。
方法
1.确定影响滚刀磨损因素
盾构滚刀磨损主要是受力、受材料、受工况等影响的。因此，在研究盾构滚刀磨损预测时，需要首先明确其影响因素，从而更好地进行预测。根据盾构施工工艺和工况，我们确定影响滚刀磨损较大的因素：土岩性质、地层切削性质、盾构机械参数等。
2.数据采集与处理
为了建立BP神经网络模型，需要采集大量的盾构滚刀磨损数据，并进行处理。数据的采集范围包括工地现场等实际情况。数据处理主要是数据的标准化和归一化，目的是将数据处理成0-1之间的值，以便于各项数据进行综合分析。
3.建立BP神经网络模型
BP神经网络是具有前向和反向传播算法的多层前馈神经网络，其主要特征是非线性模型和自适应性学习算法的组合。BP神经网络模型的学习过程包括前向传播和反向传播两个阶段，通过反向传播算法，不断调整神经元之间的连接权值，实现模型的训练、学习和预测。
4.预测及误差分析
基于建立的BP神经网络模型，我们对盾构滚刀磨损进行预测，得到各项影响因素的权重。同时，对预测的结果进行误差分析，确定模型的预测精度。
结果与分析
本文采用的BP神经网络模型是一个三层的全连接结构，其中输入层包括了影响盾构滚刀磨损的各项因素，隐藏层是一个带有Sigmoid激活函数的多层感知器，输出层为滚刀磨损的预测结果。
本文采用的数据集来自深圳市地铁七号线盾构滚刀磨损监测数据，样本容量为112个。为测试模型的预测能力，我们选取其中80%的数据