基于渣土参数和掘进运行参数分析的大型掘进装备地质适应性智能控制方法研究

Full face tunneling equipment is the major engineering tool used for underground constructions such as subway tunnels, national infrastructure and defense constructions, which has a broad market prospects. The automatic control and geological adaptive optimizing operation of tunneling equipment are the keys to achieve the safe, stable and efficient excavation. The project will analyze the tunneling equipment operation parameters by Torque per Incision (TPI) and Force per Incision (FPI), and the image of the soil on the belt by data fusion and machine learning. Moreover, based on the analysis of the geological conditions, the tunneling equipment can adjust the driving operation parameters to achieve the geological adaptability by intelligent control.

大型掘进装备是用于基础施工与国防工程等地下作业的重要施工设备，具有非常广阔的市场前景。掘进施工过程中的地质适应性控制是实现掘进装备安全、稳定和高效掘进的关键。本项目利用掘进装备运行数据，采用扭矩深切指数TPI和场切深指数FPI表征地质情况，同时对掘进装备出渣皮带上的渣片进行进行图像分析，获取渣片特征参数，分析地质状况，从而调整掘进装备控制系统优化运行参数，使得掘进参数与地质状况及时匹配，并基于优化的掘进参数，设计面向掘进性能的掘进装备地质适应性智能控制方法。

大型掘进装备是用于基础施工与国防工程等地下作业的重要施工设备，具有非常广阔的市场前景。掘进施工过程中的地质适应性控制是实现掘进装备安全、稳定和高效掘进的关键。通过本项目的研究，构建出一整套渣片参数在线分析平台，通过深度学习的方法完成对渣片分类(即掘进区域岩体识别)及渣片粒径分布分析；融合现场施工数据和地质负载特征信息构建掘进参数预测数据集，并基于数据驱动和深度学习算法提出了面向掘进过程优化运行的地质适应性辅助决策方法；建立了土压平衡盾构机密封舱压力非线性时变模型，提出了多约束条件下密封舱压力多系统协调模型预测控制方法。在该项目的资助下，发表高水平论文16篇，国内外会议论文8篇，申请发明专利项6（其中授权1项）；培养博士研究生3人、硕士研究生1人，圆满的完成了项目的预期目标和预期成果。