基于案例推理的TBM選型適應(yīng)性評(píng)價(jià)系統(tǒng)開發(fā)及應(yīng)用

詹金武，李濤，黃建華，孫明社，陳軍浩

基于案例推理的TBM選型適應(yīng)性評(píng)價(jià)系統(tǒng)開發(fā)及應(yīng)用

詹金武1, 3，李濤2，黃建華1, 3，孫明社2，陳軍浩1, 3

(1. 福建工程學(xué)院 土木工程學(xué)院，福建 福州 350118；2. 北京交通大學(xué) 土木建筑學(xué)院，北京 100044；3. 地下工程福建省高校重點(diǎn)實(shí)驗(yàn)室，福建 福州 350118)

復(fù)雜地質(zhì)條件下長(zhǎng)大隧道TBM的選型適應(yīng)性評(píng)價(jià)決策是一個(gè)受多因素影響的不確定及模糊的問題，一般難以抉擇，而TBM的合理選型是工程成功的關(guān)鍵。基于案例推理方法可利用已有的工程經(jīng)驗(yàn)知識(shí)來對(duì)新遇到的問題進(jìn)行解答，能夠準(zhǔn)確高效地對(duì)TBM選型適應(yīng)性進(jìn)行評(píng)價(jià)。根據(jù)最近鄰法，建立TBM選型適應(yīng)性相似度計(jì)算公式，并選取能夠充分反映不同機(jī)型地質(zhì)適應(yīng)性差異、具有代表性及區(qū)分度高的7個(gè)評(píng)價(jià)指標(biāo)，確定7個(gè)評(píng)價(jià)指標(biāo)的權(quán)重。針對(duì)TBM選型適應(yīng)性評(píng)價(jià)的特點(diǎn)，提出基于案例推理的TBM選型適應(yīng)性評(píng)價(jià)決策系統(tǒng)CBR-TBMSAEDS(Case-Based Reasoning-TBM selection adaptive evaluation decision system)的總體設(shè)計(jì)，開發(fā)了CBR-TBMSAEDS。利用該系統(tǒng)對(duì)所構(gòu)建的案例庫(kù)進(jìn)行TBM的選型適應(yīng)性評(píng)價(jià)，評(píng)價(jià)結(jié)果與實(shí)際情況相吻合。

TBM選型；最近鄰法；案例推理；相似度；決策系統(tǒng)

近年來，為了保證我國(guó)國(guó)民經(jīng)濟(jì)可持續(xù)快速的發(fā)展和實(shí)施“一帶一路”發(fā)展戰(zhàn)略的需要，修建了大量的水利、鐵(公)路、礦山等重大深埋長(zhǎng)大隧道(洞)工程。限于環(huán)境、地形和地質(zhì)條件，從工期、造價(jià)和技術(shù)進(jìn)步3個(gè)方面考慮，TBM(Tunnel Boring Machine)工法是深埋長(zhǎng)大隧道施工的首要選擇。TBM選型涉及到很多因素的影響，其中在復(fù)雜地質(zhì)條件下，突涌水、軟巖大變形、斷層破碎帶、巖爆等不良地質(zhì)會(huì)直接影響TBM工法的適用性，因選型不當(dāng)而引起的工程事故時(shí)有發(fā)生[1?2]。采用TBM施工，合理選型是工程成功的關(guān)鍵。為此，為了提高TBM的選型適應(yīng)性，國(guó)內(nèi)外學(xué)者進(jìn)行了大量的研究。Shahriar等[3]討論了基于巖土風(fēng)險(xiǎn)最小化的TBM選型問題，應(yīng)用決策樹決策理論提出了一種新的方法。Hamidi等[4]為了解決地質(zhì)和巖土參數(shù)的不確定性問題，討論了一種有效的決策方法—模糊層次分析方法，可以預(yù)先考慮地層條件與不同標(biāo)準(zhǔn)的TBM選型適應(yīng)性。尚彥軍等[1]對(duì)印度、中國(guó)臺(tái)灣和云南3個(gè)TBM選型失敗的案例進(jìn)行了分析，從中得到了深刻的經(jīng)驗(yàn)和教訓(xùn)，其中不良地質(zhì)條件是影響TBM選型的關(guān)鍵性因素。蘇明輝等[5]分析了線路適應(yīng)性、地質(zhì)適應(yīng)性、經(jīng)濟(jì)性和風(fēng)險(xiǎn)等對(duì)TBM選型適應(yīng)性的影響，依托重慶軌道交通6號(hào)線，開展了TBM設(shè)備選型適應(yīng)性方面的研究。李鐵成等[6]開展了不同類型TBM的適應(yīng)性理論分析對(duì)比，進(jìn)行了TBM選型問題的研究，提出了適合煤礦長(zhǎng)距離斜井施工的TBM機(jī)型。由此可見，目前TBM的選型適應(yīng)性評(píng)價(jià)還缺乏系統(tǒng)理論和量化分析方法，因此開展復(fù)雜地質(zhì)條件下TBM選型適應(yīng)性評(píng)價(jià)研究，已成為TBM工法應(yīng)用中亟待解決的重大課題。案例推理CBR是近年來人工智能領(lǐng)域興起的一項(xiàng)智能方法，能夠根據(jù)人的日常推理活動(dòng)，模擬人類思維解決問題，適用于解決模型建立困難、缺乏領(lǐng)域知識(shí)[7?8]。目前該方法已成功應(yīng)用于多個(gè)領(lǐng) 域[9?11]，但未見應(yīng)用于TBM選型適應(yīng)性評(píng)價(jià)方面的相關(guān)報(bào)道。運(yùn)用CBR思想建立TBM選型適應(yīng)性評(píng)價(jià)決策系統(tǒng)，合理利用已有的TBM選型工程案例，能夠準(zhǔn)確高效地得到TBM選型的評(píng)價(jià)決策結(jié)果。因此，本文針對(duì)TBM選型適應(yīng)性評(píng)價(jià)決策遇到的受多因素影響的不確定及模糊的問題，開展基于案例推理的TBM選型適應(yīng)性評(píng)價(jià)決策系統(tǒng)研究。提出CBR-TBMSAEDS的總體設(shè)計(jì)，包括系統(tǒng)的結(jié)構(gòu)功能設(shè)計(jì)、評(píng)價(jià)決策流程及案例庫(kù)設(shè)計(jì)。開發(fā)CBR-TBMSAEDS，確定系統(tǒng)各個(gè)子模塊的功能，達(dá)到TBM選型適應(yīng)性智能評(píng)價(jià)決策的目的，使其具備初步的自學(xué)習(xí)能力。

1 TBM選型適應(yīng)性案例推理方法

1.1 案例推理工作原理

CBR是一種源于認(rèn)知科學(xué)中的記憶，基于過去的實(shí)際經(jīng)驗(yàn)或歷史的推理，以此來解決現(xiàn)有的問題[12]。它是基于2個(gè)假設(shè)條件前提下構(gòu)建的：1) 相似或相同的問題會(huì)有相似或相同的解法；2) 會(huì)重復(fù)遇到相似或相同的問題。圖1所示為CBR工作原理流程圖。CBR的推理主要包括為4個(gè)步驟：1) 案例表示；2) 案例檢索；3) 案例修正；4) 案例學(xué)習(xí)。

圖1 CBR工作原理流程示意圖

案例推理作為人工智能領(lǐng)域中一個(gè)熱點(diǎn)研究方向，其可利用已有的工程經(jīng)驗(yàn)知識(shí)來對(duì)新遇到的問題進(jìn)行解答。尤其是針對(duì)TBM選型適應(yīng)性評(píng)價(jià)這樣受多因素的影響，且存在諸多不確定因素的問題，再加上目前已有大量的TBM工程實(shí)例，采用案例推理可以很好的進(jìn)行評(píng)價(jià)，因此本文將其應(yīng)用于TBM選型適應(yīng)性評(píng)價(jià)上，其具有很強(qiáng)的可行性與價(jià)值。

1.2 TBM選型適應(yīng)性相似度計(jì)算

案例的檢索方法主要有3種：最近鄰法、歸納推理法、知識(shí)導(dǎo)引法以及模板法等[13?15]。本文采用最近鄰法進(jìn)行案例的檢索，可以通過TBM選型適應(yīng)性案例評(píng)價(jià)指標(biāo)的屬性及權(quán)重值檢索出目標(biāo)案例與源案例之間的相似性，綜合計(jì)算兩者之間的相似度，最終得到相似度最高的案例。2個(gè)案例之間的相異度一般采用特征空間的距離來度量。計(jì)算目標(biāo)案例特征與源案例特征之間的距離，最常見的有以下幾種度量標(biāo)準(zhǔn)。

1) 絕對(duì)距離

式中：v和v分別為案例和案例的第個(gè)屬 性值。

2) 歐氏距離

3) Minkowski距離

式中：≥1。當(dāng)= 1，2時(shí)，分別為絕對(duì)距離和歐氏距離。

4) Chebyshev距離

以上得到的距離均與各變量指標(biāo)的量綱有關(guān)，通過對(duì)數(shù)據(jù)的標(biāo)準(zhǔn)化處理，可消除量綱的影響，標(biāo)準(zhǔn)化數(shù)據(jù)為：

有了距離的定義，即可得到2個(gè)案例之間第個(gè)屬性值相似度的定義：

或

事實(shí)上，各屬性對(duì)一個(gè)案例整體上的相似度有不同程度的貢獻(xiàn)，因此需加上各個(gè)屬性的權(quán)重值。由此得到TBM選型2個(gè)案例間相似度的計(jì)算公式：

式中：w為第個(gè)屬性權(quán)重值；sim為第個(gè)屬性值相似度；為屬性總數(shù)；(,)為目標(biāo)案例和源案例之間的相似度；(,)?[0,1]，當(dāng)其值越接近1時(shí)，相似度越大，表明2個(gè)案例越相似。

1.3 TBM選型檢索特征屬性及權(quán)重獲取

利用最近鄰法對(duì)案例進(jìn)行檢索之前，首先要確定檢索的特征屬性及其權(quán)重。常用的TBM機(jī)型主要有敞開式、單護(hù)盾式及雙護(hù)盾式3種。不同機(jī)型主要差異為護(hù)盾長(zhǎng)度及支護(hù)方式的不同，從而造成在處理地質(zhì)問題的靈活性及施工環(huán)境的封閉程度上有一定差異性存在[16]，主要表現(xiàn)在對(duì)設(shè)計(jì)參數(shù)、不良地質(zhì)問題、地質(zhì)條件及設(shè)計(jì)參數(shù)等方面的適應(yīng)能力不同，初步選出20個(gè)評(píng)價(jià)指標(biāo)(表1)。

從表1可以看出，初選出的評(píng)價(jià)指標(biāo)數(shù)量較多，一些指標(biāo)的影響程度較小，一些指標(biāo)較難以量化。為了確定不同指標(biāo)的影響程度，邀請(qǐng)領(lǐng)域?qū)＜疫M(jìn)行打分，然后采用AHP分析了各層指標(biāo)的權(quán)重和排序。最終確定了不同TBM類型評(píng)價(jià)指標(biāo)的權(quán)重，具體確定方法見文獻(xiàn)[17]，如圖2所示。

表1 TBM選型適應(yīng)性評(píng)價(jià)指標(biāo)

(a) 敞開式TBM；(b) 單護(hù)盾TBM；(c) 雙護(hù)盾TBM

2 CBR-TBMSAEDS總體設(shè)計(jì)

2.1 系統(tǒng)的結(jié)構(gòu)功能設(shè)計(jì)

針對(duì)TBM選型適應(yīng)性評(píng)價(jià)的特點(diǎn)，提出了CBR-TBMSAEDS的結(jié)構(gòu)功能設(shè)計(jì)(圖3)。主要設(shè)置了案例庫(kù)管理、更新案例樹、案例檢索與退出系統(tǒng)等菜單功能。通過案例庫(kù)管理菜單功能可完成案例的新建、添加與刪除案例庫(kù)及案例表；通過更新案例樹菜單功能可完成案例的更新；通過案例檢索菜單功能可完成案例檢索，能對(duì)相似案例進(jìn)行排序，選擇出最佳的案例；通過退出系統(tǒng)菜單功能可退出CBR。

圖3 CBR-TBMSAEDS的結(jié)構(gòu)功能設(shè)計(jì)

2.2 系統(tǒng)的評(píng)價(jià)決策流程

圖4所示為本文所采用的基于案例推理的TBM選型適應(yīng)性評(píng)價(jià)決策流程。

圖4 CBR-TBMSAEDS的評(píng)價(jià)決策流程

其具體的評(píng)價(jià)決策流程如下：1) 通過系統(tǒng)的接口輸入所需解決問題的目標(biāo)案例，并選取相應(yīng)的案例庫(kù)，進(jìn)行指標(biāo)與權(quán)重的賦值；2) 面對(duì)用戶的輸入請(qǐng)求，案例檢索模塊在案例知識(shí)庫(kù)中計(jì)算目標(biāo)案例與源案例之間的相似度，對(duì)源案例進(jìn)行篩選，按照相似度的大小進(jìn)行排序，輸出檢索結(jié)果，得到相似案例；3) 對(duì)檢索得到的相似案例進(jìn)行案例調(diào)整與重用，比較目標(biāo)案例與推理得到的相似案例，結(jié)合當(dāng)前具體評(píng)價(jià)問題的環(huán)境，對(duì)解決方案進(jìn)行調(diào)整；4) 經(jīng)過案例修訂得到新的解決方案作為結(jié)果返回給用戶，并經(jīng)過案例學(xué)習(xí)，添加到案例庫(kù)中，不斷完善案例庫(kù)。

2.3 TBM選型適應(yīng)性案例庫(kù)設(shè)計(jì)

如表2所示，為TBM選型適應(yīng)性評(píng)價(jià)案例庫(kù)的組織示例，包括案例編號(hào)、名稱、評(píng)價(jià)指標(biāo)、適應(yīng)度、評(píng)價(jià)等級(jí)及權(quán)重等字段，適應(yīng)度及評(píng)價(jià)等級(jí)的確定見文獻(xiàn)[17]，其中評(píng)價(jià)指標(biāo)與對(duì)應(yīng)權(quán)重為案例推理主要的檢索信息。

表2 TBM選型及掘進(jìn)適應(yīng)性評(píng)價(jià)案例庫(kù)組織示例

Table 2 Example of TBM selection adaptive evaluation case base organization

3 CBR-TBMSAEDS編程實(shí)現(xiàn)

3.1 系統(tǒng)的程序化實(shí)現(xiàn)

基于中科院計(jì)算機(jī)所的CBR平臺(tái)，采用Java語(yǔ)言進(jìn)行二次開發(fā)，實(shí)現(xiàn)了CBR-TBMSAEDS的程序化(圖5)。

圖5 CBR-TBMSAEDS的主界面

如圖5所示，主界面上顯示了2個(gè)可以操作的菜單項(xiàng)，分別為“案例庫(kù)管理”及“關(guān)于該系統(tǒng)”；顯示了4個(gè)工具菜單，分別為“新建案例表”、“更新案例樹”、“案例檢索”及“退出系統(tǒng)”。界面左側(cè)為案例樹，案例樹中的案例庫(kù)、案例表按照樹型結(jié)構(gòu)顯示，右側(cè)為該案例表中的案例數(shù)據(jù)顯示。

3.2 系統(tǒng)的功能

本文收集了41個(gè)TBM選型適應(yīng)性評(píng)價(jià)案例，以此構(gòu)建不同TBM型式的選型適應(yīng)性評(píng)價(jià)案例表。圖6所示為所建立的敞開式TBM選型適應(yīng)性評(píng)價(jià)案例表。一個(gè)案例由一個(gè)記錄組成，利用關(guān)系數(shù)據(jù)庫(kù)來建立數(shù)據(jù)庫(kù)。每個(gè)TBM選型適應(yīng)性評(píng)價(jià)案例的知識(shí)表示應(yīng)具備以下內(nèi)容：1) 案例的編號(hào)；2) 案例的名稱；3) 案例的評(píng)價(jià)指標(biāo)；4) 適應(yīng)度；5) 適應(yīng)性評(píng)價(jià)等級(jí)。

圖6 敞開式TBM選型適應(yīng)性評(píng)價(jià)案例表

在案例檢索界面中輸入TBM工程示范案例評(píng)價(jià)指標(biāo)檢索值及其對(duì)應(yīng)的特征權(quán)重，點(diǎn)擊【檢索】按鈕進(jìn)行案例檢索(圖7)，圖8為最終得到相似度最高的前十條案例記錄。

圖7 示范案例檢索

用戶可以選擇一條相似度最高的案例進(jìn)行重用，也可以選擇認(rèn)為較合適的一條案例進(jìn)行重用。用戶選中一條合適案例，然后點(diǎn)擊“案例重用”按鈕，重用該條案例。

圖8 案例檢索結(jié)果

在重用TBM案例時(shí)，由于當(dāng)前發(fā)生的案例與重用案例特征等不一定完全相同。此時(shí)，需要根據(jù)實(shí)際情況對(duì)案例解決對(duì)策進(jìn)行相應(yīng)的調(diào)整。通過案例的學(xué)習(xí)功能不斷地加入新的案例以完善案例庫(kù)，積累更多的經(jīng)驗(yàn)，使系統(tǒng)具備初步的自學(xué)習(xí)能力。

4 工程案例應(yīng)用

為了檢驗(yàn)本文所建CBR-TBMSAEDS的適用性，從案例表中選擇4個(gè)案例作為工程應(yīng)用的目標(biāo)案例，對(duì)TBM的選型適應(yīng)性進(jìn)行評(píng)價(jià)。

4.1 TBM選型適應(yīng)性案例推理

如表3所示，為從TBM選型適應(yīng)性評(píng)價(jià)案例庫(kù)中提取出來的4個(gè)目標(biāo)案例。現(xiàn)以敞開式TBM選型適應(yīng)性評(píng)價(jià)為例，選定系統(tǒng)界面上的敞開式TBM選型評(píng)價(jià)的案例表，單擊案例檢索(圖5)；將目標(biāo)案例高黎貢山隧道L12段工程輸入到案例檢索界面(圖9)，進(jìn)行案例推理。

表3 TBM選型適應(yīng)性評(píng)價(jià)目標(biāo)案例

圖9 輸入高黎貢山隧道L12段工程選型檢索信息

得到高黎貢山隧道L12段工程選型檢索結(jié)果(圖10)，圖10顯示了與該目標(biāo)案例相似度最高的前10條記錄。第1條記錄是目標(biāo)案例本身的檢索結(jié)果，故相似度為1；與目標(biāo)案例相似度最高是編號(hào)為15的高黎貢山隧道L15段工程，相似度為0.984 6。

4.2 推理結(jié)果分析

同理可得到其余目標(biāo)案例的推理結(jié)果，表4~6為不同類型TBM的選型適應(yīng)性評(píng)價(jià)目標(biāo)案例的推理結(jié)果。

由上述TBM選型適應(yīng)性案例推理的結(jié)果可知，基于案例推理的TBM選型評(píng)價(jià)結(jié)果基本符合以下規(guī)律：1) 相似度越高，目標(biāo)案例與源案例的適應(yīng)度與適應(yīng)性等級(jí)越接近；2) 相似度越低，目標(biāo)案例與源案例的適應(yīng)度和適應(yīng)性等級(jí)差別較大。

圖10 高黎貢山隧道L12段工程選型檢索結(jié)果

表4 敞開式TBM選型適應(yīng)性評(píng)價(jià)目標(biāo)案例的推理結(jié)果

表5 單護(hù)盾TBM選型適應(yīng)性評(píng)價(jià)目標(biāo)案例的推理結(jié)果

表6 雙護(hù)盾TBM選型適應(yīng)性評(píng)價(jià)目標(biāo)案例的推理結(jié)果

案例推理結(jié)果表明：目標(biāo)案例與源案例的評(píng)價(jià)結(jié)果與相似度呈正相關(guān)關(guān)系，即二者相似度越高，評(píng)價(jià)的結(jié)果就越接近；反之，則偏離越大，這表明CBR-TBMSAEDS可以進(jìn)行有效的案例推理。后續(xù)可通過系統(tǒng)的案例調(diào)整和案例學(xué)習(xí)功能不斷完善案例庫(kù)，使得評(píng)價(jià)結(jié)果越來越準(zhǔn)確，使其具有初步的自學(xué)習(xí)能力。

5 結(jié)論

1) 針對(duì)TBM選型適應(yīng)性評(píng)價(jià)的工程特性，采用最近鄰法進(jìn)行案例的檢索，選取能夠充分反映各機(jī)型適應(yīng)性差異、區(qū)分度高且有代表性的7個(gè)評(píng)價(jià)指標(biāo)因素，并確定不同TBM類型評(píng)價(jià)指標(biāo)的權(quán)重。

2) 基于案例推理CBR方法，提出CBR- TBMSAEDS的結(jié)構(gòu)功能設(shè)計(jì)及評(píng)價(jià)決策流程，并設(shè)計(jì)了TBM選型適應(yīng)性案例庫(kù)。開發(fā)了CBR- TBMSAEDS，并確定了系統(tǒng)的功能。

3) 由TBM選型的適應(yīng)性案例推理應(yīng)用結(jié)果可知，目標(biāo)案例與源案例的評(píng)價(jià)結(jié)果與相似度呈正相關(guān)關(guān)系，當(dāng)相似度達(dá)到0.8以上時(shí)，適應(yīng)度較為接近，偏離值為0~1.99%，適應(yīng)性等級(jí)一致；當(dāng)相似度在0.7以下時(shí)，偏離值為10.81~28.74%，適應(yīng)度差異較大，適應(yīng)性等級(jí)基本不一致。即二者相似度越高，偏離值越小，評(píng)價(jià)的結(jié)果就越接近；反之，則偏離值越大，這表明CBR-TBMSAEDS案例推理的有效性。

4) 將案例推理方法用于TBM選型適應(yīng)性評(píng)價(jià)決策的研究尚處于探索階段，仍有不少問題有待解決。尚未通過大量案例驗(yàn)證，后續(xù)應(yīng)構(gòu)建更為完善的案例庫(kù)，使得評(píng)價(jià)結(jié)果越來越準(zhǔn)確。同時(shí)案例調(diào)整及學(xué)習(xí)方法仍需進(jìn)行進(jìn)一步探討，使其具有初步的自學(xué)習(xí)能力。

[1] 尚彥軍, 楊志法, 曾慶利, 等. TBM施工遇險(xiǎn)工程地質(zhì)問題分析和失誤的反思[J]. 巖石力學(xué)與工程學(xué)報(bào), 2007, 26(12): 2404?2411. SHANG Yanjun, YANG Zhifa, ZENG Qingli, et al. Retrospective analysis of TBM accidents from its poor flexibility to complicated geological conditions[J]. Chinese Journal of Rock Mechanics and Engineering, 2007, 26(12): 2404?2411.

[2] Vibert C, Felix Y, Binquet J Dul Hasti HPP (India). Experience gained from back-analysis of the excavation of the headrace tunnel[C]// Proceedings of Geoline 2005 International Symposium Lyon:[s n]. 2005: 154.

[3] Shahriar K, Sharifzadeh M, Hamidi J K. Geotechnical risk assessment based approach for rock TBM selection in difficult ground conditions[J]. Tunnelling and Underground Space Technology, 2008, 23(3): 318?325.

[4] Hamidi J K, Shahriar K, Rezai B, et al. Risk assessment based selection of rock TBM for adverse geological conditions using Fuzzy-AHP[J]. Bulletin of Engineering Geology and the Environment, 2010, 69(4): 523?532.

[5] 蘇明輝, 張朋. 重慶地鐵 6 號(hào)線隧道掘進(jìn)機(jī)選型[J]. 都市快軌交通, 2009, 22(2): 80?82. SU Minghui, ZHANG Peng. Tunnel boring machine type selection for Chongqing metro line 6[J]. Urban Rapid Rail Transit, 2009, 22(2): 80?82.

[6] 李鐵成, 鄒春華. 富水復(fù)雜地層中長(zhǎng)距離大坡度煤礦斜井TBM選型[J]. 現(xiàn)代隧道技術(shù), 2015, 52(2): 174? 179. LI Tiecheng, ZOU Chunhua. TBM selection for a long-distance inclined coal mine shaft with a large gradient in water-rich stratum[J]. Modern Tunnelling Technology, 2015, 52(2): 174?179.

[7] Lenz M, Bartsch-Sp?rl B, Burkhard H D, et al. Case-based reasoning technology: from foundations to applications[M]. Springer, 2003.

[8] Kolodner J. Case-based reasoning[M]. Morgan Kaufmann, 2014.

[9] 劉景鈞, 李鴻儒, 王奕文. 基于案例推理的磨礦分級(jí)過程優(yōu)化研究[J]. 冶金自動(dòng)化, 2018, 42(4): 29?34, 39. LIU Jingjun, LI Hongru, WANG Yiwen. Research on case-based reasoning optimization of grinding classification process[J]. Metallurgical Industry Automation, 2018, 42(4): 29?34, 39.

[10] 李梅, 夏元友, 曹杉杉. 基于案例推理的邊坡穩(wěn)定性評(píng)價(jià)系統(tǒng)及應(yīng)用[J]. 武漢理工大學(xué)學(xué)報(bào), 2006(6): 53?56，61. LI Mei, XIA Yuanyou, CAO Shanshan. Research on slope stability evaluation system based on case-based reasoning[J]. Journal of Wuhan University of Technology, 2006(6): 53?56, 61.

[11] 徐照, 李蘇豪, 袁競(jìng)峰. 基于多屬性分類的建筑物損傷案例推理方法研究[J]. 系統(tǒng)工程理論與實(shí)踐, 2019, 39(2): 429?441. XU Zhao, LI Suhao, YUAN Jingfeng. Research on case- based reasoning of building defects in multi-attribute classification[J]. Systems Engineering—Theory & Practice, 2019, 39(2): 429?441.

[12] 史忠植. 高級(jí)人工智能[M]. 北京: 科學(xué)出版社, 2011. SHI Zhongzhi. Advanced artificial intelligence[M]. Beijing: Science Press, 2011.

[13] Peterson L E. K-nearest neighbor[J]. Scholarpedia, 2009, 4(2): 1883.

[14] Weinberger K Q, Saul L K. Distance metric learning for large margin nearest neighbor classification[J]. Journal of Machine Learning Research, 2009, 10(2): 207?244.

[15] Klauer K J, Phye G D. Inductive reasoning: A training approach[J]. Review of Educational Research, 2008, 78(1): 85?123.

[16] 唐與, 黃柏洪. 支撐式TBM與雙護(hù)盾式TBM在設(shè)計(jì)選型中的比較[J]. 現(xiàn)代隧道技術(shù), 2009, 46(2): 68?72. TANG Yu, HUANG Baihong. Comparison of gripper TBM and double shield TBM for design and selection[J]. Modern Tunnelling Technology, 2009, 46(2): 68?72.

[17] 詹金武, 李濤, 李超. 基于人工智能的TBM選型適應(yīng)性評(píng)價(jià)決策支持系統(tǒng)研究[J]. 煤炭學(xué)報(bào), 2019, 44(10): 3258?3271. ZHAN Jinwu, LI Tao, LI Chao. Decision support system of adaptability evaluation for TBM selection based on artificial intelligence[J]. Journal of China Coal Society, 2019, 44(10): 3258?3271.

Development and application of adaptive evaluation system for TBM selection based on case-based reasoning

ZHAN Jinwu1, 3, LI Tao2, HUANG Jianhua1, 3, SUN Mingshe2, CHEN Junhao1, 3

(1. School of Civil Engineering, Fujian University of Technology, Fuzhou 350118, China;2. School of Civil Engineering, Beijing Jiaotong University, Beijing 100044, China;3. Key Laboratory of Underground Engineering, Fujian Province University, Fuzhou 350118, China)

The evaluation and decision on the adaptability of TBM type selection for long tunnels under complex geological conditions is an uncertain and ambiguous problem affected by many factors. It is generally difficult to choose, and the reasonable selection of TBM is the key to the success of the project. Case-based reasoning (CBR) can use the existing engineering experience knowledge to solve the new problems, which can accurately and efficiently evaluate the adaptability of TBM selection. Based on the nearest neighbor method, a formula for calculating the adaptability similarity of TBM selection is established in this paper. Seven evaluation indexes which can fully reflect the difference of geological adaptability of different types are selected, and the weights of seven evaluation indexes are determined. According to the characteristics of TBM selection adaptability evaluation,the overall design of CBR-TBMSAEDS is proposed, and CBR-TBMSAEDS is developed. The system is used to evaluate the adaptability of TBM selection for the case base, and the evaluation results are consistent with the actual situation.

TBM selection; nearest neighbor; case-based reasoning; similarity; decision system

U452.11

A

1672 ? 7029(2020)06 ? 1562 ? 09

10.19713/j.cnki.43?1423/u.T20190835

2019?09?18

國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃資助項(xiàng)目(2014CB046906)；福建工程學(xué)院科研啟動(dòng)基金資助項(xiàng)目(GY-Z19096)；國(guó)家自然科學(xué)基金資助項(xiàng)目(41672278)

李濤(1960?)，男，云南昆明人，教授，博士，從事地下工程、環(huán)境巖土工程方面的研究；E?mail：taoli@bjtu.edu.cn

(編輯 陽(yáng)麗霞)