论文部分内容阅读
限于环境、地形和地质条件,从工期、造价和技术进步三个方面考虑,TBM(Tunnel Boring Machine)工法是深埋长大隧道施工的首要选择。在复杂地质条件下,突涌水、软岩大变形、断层破碎带、岩爆等不良地质会影响TBM工法的适用性,因此TBM工法能否适用需要对TBM的适应性进行评价。由于目前TBM的选型及掘进适应性评价还缺乏系统理论和量化分析方法,因此开展复杂地质条件下TBM选型及掘进适应性评价研究,已成为TBM工法应用中亟待解决的重大课题。本文在国内外相关研究的基础上,综合采用模糊数学、数理统计、人工智能、计算机编程等方法对复杂地质条件下TBM的选型及掘进适应性评价开展系统和深入的研究,主要工作和研究成果如下:(1)基于模糊数学理论,给出了 TBM系统适应度(含综合适应度)的定义和确定方法,建议了TBM适应性评价的分级标准;将模糊数学理论和智能决策设计理论相结合,提出了基于模糊多智能体与案例推理的TBM选型及掘进适应性评价分析方法;将基于模糊多智能体和案例推理的TBM选型及掘进适应性评价方法相结合,构建了基于人工智能的TBM选型及掘进适应性评价决策支持系统IEDSS-TBMSAT(Integrated evaluation decision support system-TBM selection and tunneling)的体系框架及结构。(2)选取了影响TBM选型及掘进适应性的主要因素,基于模糊数学分析方法,构建了TBM选型及掘进适应性评价指标及体系,确定了各个评价指标的隶属函数。采用所编写的权重辅助计算程序,确定了三种TBM机型选型及掘进适应性评价指标的权重。基于所获取的TBM选型及掘进知识,构建了TBM适应性评价的决策知识库和评价指标知识推理树。(3)基于案例推理CBR(Case-Based Reasoning)方法,提出了IEDSS-TBMSAT中案例推理模块(CBR模块)的结构、功能设计及评价决策流程,开发了相应的分析与计算程序。(4)根据TBM适应性评价的功能需求和评价决策的目标要求,确定了IEDSS-TBMSAT的总体构架及各组成模块的功能,设计了 IEDSS-TBMSAT的评价决策流程、决策支持系统模型及相关的知识库、数据库和案例库,采用Java语言编程开发了IEDSS-TBMSAT。(5)采用实际TBM工程案例对本文开发的IEDSS-TBMSAT进行了验证,所推荐的TBM机型合理、掘进适应性评价结果与工程实际相符,表明了IEDSS-TBMSAT的可行性和有效性。另外,适应性评价目标案例与源案例的评价结果与相似度呈正相关关系,说明IEDSS-TBMSAT具备了初步的自学习能力。综上所述,IEDSS-TBMSAT可用于复杂地质条件下TBM的选型及掘进适应性的量化评价,具有较好的工程实用价值。