Using Tunnel Boring Machine Penetration Tests to Quantify Performance in Hard Rock
Notice bibliographique
Résumé
Tunnel boring machine (TBM) penetration tests entail incrementally increasing TBM thrust from full stop to maximum speed and recording the penetration rate either at set thrust levels or at set times. TBM penetration test data can be analysed by plotting the penetration rate (distance/revolution) against the net cutter thrust (force per cutter) over the full range of thrust levels in the test, called the penetration-thrust graph. This research shows that the transition from excavation dominated by grinding to excavation dominated by chipping can be observed in penetration-thrust graphs. Correlating penetration test data to the geological and geomechanical characteristics of rock masses through which a penetration test is conducted provides the ability to reveal the efficiency of the chipping process in response to changing geological conditions. By analysing penetration test data from projects in the Swiss Alps, and published data from Singapore, this research shows that the strength of the rock is an important control on how much net cutter thrust is required to transition from grinding to chipping. It also shows that the geological characteristics of a rock will determine how efficiently chipping occurs once it has begun. In particular, geological characteristics that lead to efficient fracture propagation, such as fabric and mica content, will lead to efficient chipping. These findings will enable a better correlation between TBM performance and geological conditions for use in TBM design, as a basis for contractual payments where penetration rate dominates the excavation cycle and in further academic investigations into the TBM excavation process.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».