毕业设计翻译剖析.docVIP

利用人工神经网络预测掘进机的性能 Armin Salsani ? Jahanbakhsh Daneshian ?Shahram Shariati ? Abdolreza Yazdani-Chamzini ?Mehdi Taheri 收稿日期：2012年12月20日/接收日期：2013年4月19日 ?施普林格出版社伦敦2013 摘要 随着掘进机在全世界越来越多地被使用，以及其在成功完成隧道工程中的显著作用 ，精确地预测掘进机在不同的地面条件下的性能变得十分必要。另一方面，一些存在于预测模型上的缺点已经使得有必要在新模型的发展上做更多的研究。本文尝试模拟掘进机基于不同岩土和地质的场地条件下的运行速率。为达此目的，人工神经网络（ANN）作为一种进行建模并辨识涉及数据的复杂结构的强大工具，用来模型掘进机的性能和具有很高相关性的影响 掘进作业的参数之间的关系。在建模中使用的数据库的编译来自实验室研究，此研究在阿扎德大学和德黑兰、伊朗的科学与研究部进行。研究发现采用4-10-1架构并经过反向传播算法训练的模型最佳。多变量回归（MVR）分析也适用于比较神经网络的性能。结果表明神经网络模型的预测能力比MVR模型更好。得出的结论是掘进机的性能可以被准确的预测为一个无侧限抗压强度的函数，巴西抗拉强度，岩石质量指标，和角。敏感性分析表明，关于掘进机性能的最有效参数是无侧限抗压强度。 关键词 掘进机的性能 人工神经网络 多变量回归 隧道 Salsani J. Daneshian 地质系，理学院,Kharazmi大学, 德兰黑，伊朗 e-mail: rmn.salsany@ J. Daneshian e-mail: jdaneshian@ S. Shariati 地质学系，理学院，萨里大学，德兰黑，伊朗 e-mail: shariati.shahram@ A. Yazdani-Chamzini () 采矿工程，工程学院，塔比阿特莫达勒斯大学，德兰黑，伊朗 e-mail: abdalrezaych@ M. Taheri 采矿工程系，工学部,南德兰黑大学,德兰黑，伊朗 e-mail: taheri.m1362@ 在线出版：2013年6月1日 1 引言 掘进机是一种高度灵活和多用途的机器，用于隧道的地下采矿应用 和民间隧道，并且和其他机械化开挖方法相比有一个特殊的地方 。基于其截割几乎所有隧道断面的能力，掘进机完全得到了民间建筑承包商的认可，他们正在寻找方法来提高生产率并降低成本。尽管掘进机机的首次应用是在20世纪60年代，但是这种机器获得全世界认可是在20世纪70年代末。掘进机对于开挖中低硬度的稳定岩石是更可取的。根据针对开挖的切割原理 ，掘进机可分为三组：（1）松土或横向类型：杆和磁盘；（2）铣削或纵向（螺旋）的类型；（3）钎类型。 为了证明掘进机在规划和调度方面的应用，准确预测瞬时切削率（ICR）是不可避免的。瞬时切削率是作为支持机器性能预测率的目标参数。为了寻找一种掘进机性能和影响其前进速度[4-13]的各种因素之间的逻辑关系 近些年已经开发了各种各样的实验模型。 在许多情况下，上述的经验模型是不 能够识别设计数据集的复杂结构的。另一方面，大多数研究只采用一个变量作为自变量以便所构建的模型是单变量的，并忽略影响掘进过程的其他因素。这些理由驱动人们更好的寻找岩石和掘进机之间的相互作用关系，为了预测掘进机的性能提出一个更精确和确定的模型 。 为了此目的，利用新开发的方法是有用的，例如人工智能（AI），它可以成功模拟涉及数据的线性和非线性行为。人工神经网络（ANN）作为人工智能的主要分支，在工程科学尤其是采矿和岩石力学[14-23]领域的预测方面的运用是有效的。在本文中，通过引用一个由伊朗的地下采煤项目编制的实验数据集，建立了一个新的基于人工神经网络的模型来预测掘进机性能中的速度 。此外，为了评估人工神经网络模型的性能，把通过已建立模型得出的结果与多变量回归（MVR）分析进行比较。本文的其余部分安排如下。这这部分说明了案例研究。2，在这部分中描述了在建模应用的数据集 。3，在这部分中讨论了人工神经网络（ANN）的基本概念 。4，在这部分。5，提出来多变量回归（MVR）的模型。基于在这部分中提出的概念。2，对 预测掘进机性能速率的模型解释。6，为了探讨所建立模型的性能，通过与MVR模型进行比较来仔细检查人工神经网络模型的结果。7，在这部分。8，说了灵敏度分析。最后，在最后一节得出结论。 2 案例研究 塔巴斯煤矿（TCM），塔巴斯煤区的主要部分，位于塔巴斯镇以南约85公里处附近，如在图1中描绘的在伊朗中东部的亚兹德省。本矿区占地面积1200平方公里，估计煤炭储量具有11亿吨[30]。可开采储备量6百万吨焦煤[31]。在这个矿井中，