抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
TBM掘削パラメータおよび岩盤レベルの関係を探るために,岩盤情報相互供給知覚の動的調整を達成し,そして,TBM主ドライバーを補助して,掘削パラメータを調整する目的を補助した。データクリーニング,分布統計,および知的予測を用いて,自己組織化ニューラルネットワーククラスタリングと最小二乗サポートベクトルマシン(LSSVM)に基づく岩盤レベル予測識別法(SOM-SVM)を確立した。主な結論は以下のとおりである:1)単一完全TBM掘進サイクルは空押し段、上昇段と安定段に分けられ、各掘進パラメーターは正規分布関係に従う。2)スラスト深さ指数(FPI)とカッタートルク回転深さ指数(TPI)はトンネル岩石の掘削困難さを反映し、FPT、TPIと周辺岩石等級の近似は線形関係を呈し、このパラメータを用いて岩盤の敏感因子のインバージョン予測として岩盤の等級を識別できる。3)干渉異常データサンプル点の前処理は,SOM-SVM周辺岩石予測モデルの収束中心と変動半径にある程度影響し,データ前処理は,岩盤の等級予測のための正確な認識の鍵である。4)標準試験データおよび工学データによって,異なるSVMカーネル関数は,岩盤の等級予測識別に対して,大きな影響を持ち,そして,線形カーネル,多項式カーネルおよびガウス放射状基底核関数は,それぞれ,70.8%,81.2%および87.6%であった。岩盤等級予測認識モデルは,高い予測精度と良いロバスト性を持った。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】