Predicting tunnel-boring machine penetration rate utilizing geomechanical properties
Notice bibliographique
Résumé
Predicting the penetration rate plays a key role in tunnel projects using a tunnel-boring machine (TBM). Developing accurate prediction models can improve project management, and save budget and time in tunnel projects. In this research, the Gelas water-tunnel project data were used to obtain new statistical models for predicting the TBM penetration rate per revolution (PRev) utilizing the toughness index ( T i ), modulus ratio ( E /UCS) and joint parameters ( J P ). The relationships between various geomechanical properties and rock classification systems, including uniaxial compressive strength, Brazilian tensile strength, Young's modulus, joint parameter, toughness index, rock quality designation, rock mass rating, geological strength index, rock mass quality and rock mass index, were analysed and considered on the TBM performance in sedimentary, igneous and metamorphic rocks. The statistical analysis clearly showed that T i revealed a significant correlation with the actual PRev ( R 2 = 0.75). In addition, the PRev was computed using T i , and J P showed good agreement with the coefficient of determination ( R 2 ): i.e. 0.79. The results indicated that the T i decreased by increasing the modulus ratio, so the PRev increased. This model can be used easily as it provides a straightforward predictive model using a multi-parameter model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».