| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-26页 |
| 1.1 研究背景 | 第11-15页 |
| 1.1.1 TBM的发展与应用 | 第11-14页 |
| 1.1.2 TBM现存技术问题 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-24页 |
| 1.2.1 TBM破岩掘进规律研究现状 | 第15-18页 |
| 1.2.2 TBM掘进性能预测研究现状 | 第18-24页 |
| 1.3 本文的主要研究内容 | 第24-26页 |
| 第2章 基于线性回归的TBM掘进规律分析及性能预测 | 第26-40页 |
| 2.1 工程背景 | 第26-29页 |
| 2.1.1 工程概况 | 第26页 |
| 2.1.2 地质条件 | 第26-27页 |
| 2.1.3 TBM规格 | 第27-28页 |
| 2.1.4 TBM云管理平台 | 第28-29页 |
| 2.2 TBM破岩过程分析 | 第29-30页 |
| 2.3 TBM掘进规律分析 | 第30-36页 |
| 2.3.1 贯入度与刀盘推力关系 | 第31-33页 |
| 2.3.2 贯入度与刀盘扭矩关系 | 第33-35页 |
| 2.3.3 贯入度与掘进指数的关系 | 第35-36页 |
| 2.4 基于多元线性回归的TBM性能预测模型 | 第36-38页 |
| 2.5 本章小结 | 第38-40页 |
| 第3章 基于DBN的TBM性能预测模型基础框架 | 第40-55页 |
| 3.1 神经网络基本理论 | 第40-41页 |
| 3.2 BP神经网络 | 第41-43页 |
| 3.3 受限玻尔兹曼机(RBM) | 第43-49页 |
| 3.3.1 RBM基本模型 | 第43-46页 |
| 3.3.2 RBM模型求解 | 第46-47页 |
| 3.3.3 RBM训练算法 | 第47-49页 |
| 3.4 深度信念网络(DBN) | 第49-51页 |
| 3.4.1 DBN的基本结构 | 第50页 |
| 3.4.2 DBN的训练流程 | 第50-51页 |
| 3.5 高斯分布优化网络输入层 | 第51-52页 |
| 3.6 基于TBM掘进位移序列数据的DBN模型框架 | 第52-53页 |
| 3.7 结果评价方法 | 第53-54页 |
| 3.8 本章小结 | 第54-55页 |
| 第4章 基于DBN的TBM性能预测模型建立及验证 | 第55-74页 |
| 4.1 数据准备 | 第55-56页 |
| 4.2 模型参数分析 | 第56-62页 |
| 4.2.1 输入节点数分析 | 第56-57页 |
| 4.2.2 隐含层层数分析 | 第57-58页 |
| 4.2.3 隐含节点数分析 | 第58-60页 |
| 4.2.4 学习率分析 | 第60-61页 |
| 4.2.5 其它参数分析 | 第61-62页 |
| 4.3 模型验证与结果评价 | 第62-69页 |
| 4.3.1 闪长岩洞段预测结果 | 第62-64页 |
| 4.3.2 灰岩洞段预测结果 | 第64-67页 |
| 4.3.3 花岗岩洞段预测结果 | 第67-69页 |
| 4.4 与BP模型对比分析 | 第69-72页 |
| 4.5 本章小结 | 第72-74页 |
| 第5章 结论与展望 | 第74-76页 |
| 5.1 本文主要结论 | 第74-75页 |
| 5.2 进一步研究的建议及展望 | 第75-76页 |
| 参考文献 | 第76-83页 |
| 作者简历及科研情况 | 第83页 |