土压盾构双洞下穿运营高速公路路基施工安全风险管控研究

以广州地铁12号线为背景，研究了土压盾构双洞先后下穿运营高速公路路基的施工控制措施。在分析地质条件及施工重难点后，采取了试验段掘进、控制掘进参数等施工措施，并分析了盾构监控量测数据。不仅确保了盾构安全下穿，还形成了较为全面的经验总结。     

水泥稳定掘进煤矸石公路基层应用试验研究

通过室内144个试件和现场300 m试验段13个试件的试验研究，进行了掘进煤矸石基本物理化学特性以及水泥稳定掘进煤矸石的力学性能、抗冻性能研究，并通过扫描电镜(SEM)分析了水泥稳定掘进煤矸石的微观结构变化规律。试验结果表明，室内试件7 d无侧限抗压强度随水泥掺量的增加而增大，最小值为6.2 MPa(水泥掺量4%),满足高速公路和一级公路极重、特重交通基层要求；最大值为9.2 MPa(水泥掺量6%),比《公路路面基层施工技术细则》(JTG/T F20—2015)中要求的强度最大值提高了31.4%。基于回归分析，建立了现场与室内无侧限抗压强度关系模型。室内冻融循环试验表明，水泥掺量5.5%的室内试件抗冻性能较好；微观结构表明，由于现场施工工艺(碾压、铺摊等)的影响，现场试件出现少量裂缝。     

基于神经网络的双模盾构复合地层掘进参数预测模型

依托深圳市轨道交通12号线怀德站-福永站区间隧道工程，基于EPB/TBM双模盾构穿越地质参数和现场掘进监测数据，采用BP神经网络方法建立双模式盾构掘进参数预测模型，分别对地层参数及掘进模式进行量化，将刀盘扭矩、刀盘转速、螺旋机转速、总推进力、隧道埋深、围岩等级、岩石单轴饱和抗压强度及不同掘进模式作为输入参数，预测出在不同掘进模式及不同地层条件下的设备掘进速率，针对3类典型地层的预测结果进行可视化分析验证，并对预测模型精度进行改进分析。结果表明：神经网络预测模型在TBM模式下的微风化段平均相对误差为8.6%,EPB模式下的强风化段平均相对误差为10.6%,EPB模式下的中风化段平均相对误差26.2%;该模型对强风化段及微风化段等地层强度变化较为稳定的地层预测精度较高，同时，该预测模式适用于22个隐层神经元并对掘进速率采用直接放缩的方法。     

山岭公路隧道掘进施工方案选择研究

山岭公路隧道掘进施工方案的选择，对隧道工程施工效率、成本和环境保护影响较大。现以甘肃地区实际工程为依托，分析隧址区地质状况对隧道掘进施工的影响因素，选取影响隧道掘进施工的因素并建立施工方案可选性分值指标；以隧道工程掘进施工中影响施工成本的超欠挖控制为因素构建经济性分值指标；以各种施工方案对隧道工程环境造成的污染建立环保性分值指标；综合考虑可选性、经济性和环保性指标，提出隧道掘进施工推荐方案。     

基于机器学习的地铁盾构掘进参数智能预测与控制方法研究

盾构掘进的精细化和智能化控制是现代隧道施工技术的发展趋势，为更好地预测和控制盾构掘进状态，提出一种预测和控制盾构掘进参数的智能模型。该模型考虑了多个影响盾构掘进参数的非线性因素，建立了6种基于机器学习与海鸥算法相结合的混合算法(SOA-ML)盾构掘进参数智能预测模型，并提出基于层次分析法的最佳预测模型判别方法；进一步利用最佳预测模型提出了基于PSO算法的掘进参数控制方法。以金华至义乌至东阳市域轨道交通工程为例，验证了模型的有效性。运用结果表明：SOA算法可有效地对机器学习算法的超参数调优，且SOA种群数量越大，搜索的范围越广，最佳适应度收敛性越快；6种算法模型均具有较好的预测性能，根据层次分析法对预测模型进行性能排序为BP>ELM>CNN>RF>SVM>LSTM;基于BP-PSO的盾构掘进参数预测和控制过程具有消耗时间小、预测与优化性好的特点。