基于掘进效率与成本多目标优化的隧道掘进机主控制参数智能决策方法

在隧道开挖中，及时合理地匹配硬岩隧道掘进机（TBM）的控制参数与岩体地质条件至关重要。因此，本文提出一种基于掘进效率与成本多目标优化的TBM主控制参数智能决策方法。该方法的主要目标是获取岩体与机器的最重要参数、确定优化目标并建立目标函数。本研究将渣料信息作为传统岩体与机器参数数据库中的重要参数。通过改进的神经网络算法建立了岩石-机器相互作用模型。利用现场采集的250组数据，验证了岩石-机器相互作用关系模型的有效性。然后，以成本作为优化目标，得到了与掘进和刀具相关的成本计算模型。随后，结合岩石-机器相互作用模型，建立了基于成本的控制参数优化目标函数。最后，在工程现场进行了掘进试验，将优化决策后的TBM主控制参数（推力和扭矩）用于试验段开挖。与TBM操作人员依靠经验的区段相比，TBM平均掘进速度提高了11.10%，平均刀具寿命提高了15.62%。结果表明，该方法在试验段TBM掘进中能发挥有效作用。