基于RMR巖體分級系統的TBM掘進性能參數預測

王 健， 王瑞睿， 張欣欣， 劉海東， 龐永昊

(山東大學巖土與結構工程研究中心， 山東 濟南 250061)

?

基于RMR巖體分級系統的TBM掘進性能參數預測

王 健， 王瑞睿， 張欣欣， 劉海東， 龐永昊

(山東大學巖土與結構工程研究中心， 山東 濟南 250061)

為解決由于地質條件原因造成TBM掘進效率低下的問題，基于吉林引松供水工程建立的TBM數據庫，提出應用RMR巖體分級系統對TBM的掘進性能參數進行預測。通過回歸分析的方法分別建立了RMR與TBM性能預測參數掘進速率(PR)、施工進度(AR)、利用率(U)以及貫入度指數(FPI)的經驗公式。研究結果表明：RMR與PR、AR、U均呈現二次相關關系，RMR與FPI為線性關系，且相關系數均大于0.7；當RMR=50～70時，巖體具有較好的可掘性；當巖體條件較差(RMR<30～40)或者巖體條件極好(RMR>70～80)時，巖體的可掘性均較差；吉林引松工程TBM掘進的平均利用率為22.36%，與地質條件相關的停工時間約占總工期的25.97%。

TBM；吉林引松供水工程；隧洞；RMR；掘進性能參數；掘進速度；施工進度；利用率

0 引言

進入21世紀以來，國內外隧道等地下工程迅猛發展，地下空間開發利用率逐年增高。與傳統的鉆爆法相比，TBM因具有開挖速度快、可連續操作、巖渣均勻、施工安全等優點，已在越來越多的隧道工程中采用[1-3]。據統計，我國適用TBM開挖的隧道超過600 km，到2020年TBM需求量可達500多臺。由此可見，TBM將成為我國隧道施工的優先選擇方法。

TBM掘進速率可達傳統鉆爆法的3～10倍[4]，但TBM對極端地質條件的適應性較差。當TBM穿越擾動地層時，如果地層存在剪脹節理或節理間距較小，將很可能導致地層超挖或塌方事故；當遇到混合開挖面時，尤其是軟硬變化頻繁的開挖面，硬巖從軟弱巖層中脫落將造成卡機事故或導致護盾損毀；TBM在高地應力地層掘進時，高地應力將引發開挖面圍巖的剪裂，從而嚴重影響TBM的掘進性能，如法國阿爾卑斯山隧道的掘進速率低于0.18 m/h[5]。可見，若不經過嚴格的認證，采用TBM施工很可能發揮不了TBM的優勢，甚至會極大地增加項目工期和施工成本。因此，近年來越來越多的學者致力于TBM掘進性能的預測[6]。

P.J.Tarkoy[7]分析了TBM性能與巖體硬度指數之間的關系，得到隨著巖體硬度指數的增加，TBM掘進速度逐漸降低；F.J.Macias等[8]應用巖體破碎系數ks來表示巖體裂隙對TBM掘進性能的影響，分析表明當ks較小時，ks對掘進速率的影響較小，因為巖塊的力學性能是影響TBM掘進速率的主控因素；E.Paltrinieri等[9]根據巖體的破碎程度和風化程度建立了一個破碎巖體的分級系統，將破碎巖體共分為4級，并通過分析得出巖體的破碎有助于TBM的掘進，隨著巖體破碎程度的增加，轉速(RPM)顯著減小，掘進速度(PR)相應降低，降低最明顯的是施工進度(AR)。上述研究多集中于應用巖體參數進行TBM性能參數的預測，而對于應用巖體分級進行TBM掘進性能預測的研究卻鮮有報道，且目前選用的巖體分級方法也多集中于應用隧道巖體分級方法，如Q系統和RSR分級方法。

本文基于吉林引松供水工程建立的TBM數據庫，通過回歸分析方法實現了應用RMR巖體分級系統對TBM的4項性能預測參數(PR、AR、U和FPI)的精準預測。研究結果不僅促進了TBM理論的發展，而且對TBM掘進施工具有重要的指導作用。

1 TBM破巖機制及施工預測模型

1.1 TBM掘進破巖機制

TBM滾刀在刀盤上按一定的幾何和力學規律均勻布置。TBM通過滾刀傳遞壓力及扭矩，各滾刀在巖石面上做不同半徑同心圓的壓滾運動，前面的滾刀可為后面的滾刀提供破巖臨空面，實現前后滾刀順序破碎及切割巖石[10]。

TBM掘進破巖主要包括2個連續的過程：首先TBM滾刀侵入巖體，在滾刀下方形成壓碎區，并在巖體內部產生微裂隙；然后相鄰滾刀間的裂隙不斷擴展連通，最終導致巖石碎片的形成[10]。TBM刀具破巖原理見圖1。

1.2 TBM施工預測模型

目前對于TBM掘進性能的預測主要通過施工預測模型，施工預測模型大體可分為經驗模型和半理論半經驗模型，NTNU模型和CSM(科羅拉多礦業學院)模型分別是上述2種方法的代表。經驗模型主要建立在現場施工資料的基礎上，但是由于工程地質條件的單一性，使得預測模型只能用于相近地質條件，不具有推廣價值。隨著科技的進步和發展，各種地質探測方法不斷革新，對精準度要求不斷提高，經驗模型的局限性突顯。半理論半經驗模型結合了工程資料和室內全斷面切割試驗或現場試驗，其模型具有普遍性，可以靈活選擇巖體力學參數。

圖1 TBM刀具破巖原理Fig.1 Sketch of rock breaking principle of TBM

一些學者采用簡單回歸或者多元回歸的分析方法，進行巖體力學性能對TBM施工性能的評估[11-13]，主要應用的巖塊力學參數包括單軸抗壓強度、巴西抗拉強度、斯密特硬度、泰伯磨損、點荷載指數、脆性指數、地質強度指數，主要的巖體特性參數包括節理間距、節理方向以及風化程度，巖體所處環境條件包括地下水條件和地應力[14-15]。

近些年，人工智能方法逐步被應用于TBM施工性能預測。M.Alvarez Grima等[16]采用神經模糊模型預測掘進性能；A.G.Benardos等[17]提出用人工神經網絡(ANN)的方法來預測TBM性能；ZHAO Zhiye等[18]提出集成神經網絡ENN預測模型，與之前提出的人工神經網絡預測模型相比，ENN具有能夠充分考慮現場數據的不確定性，并能應用重新選樣技術對有限的數據進行合理推理及預測的優點；S.Yagiz等[19]結合人工神經網絡(ANN)和質點群優化來預測TBM性能；溫森等[6]提出應用Monte Carlo-BP神經網絡開展預測，應用Monte Carlo實現參數的隨機性輸入，樣本數據有限時可以采用階梯形經驗分布函數，然后利用BP神經網絡來預測掘進速度。

另外，一些學者應用巖體分級系統建立TBM施工的經驗模型，在眾多的巖體分級系統中，目前多采用RMR和Q巖體分級方法。

2 巖體分級系統

2.1 巖體分級系統預測TBM掘進性能

目前國內外有許多工程巖體分級方法應用于礦業及巖土工程，且部分學者開展了巖體分級與TBM掘進性能相關性的研究。F.Cassinelli等[20]提出用巖體結構分析(RSR)評估TBM掘進速度，但是此模型沒有考慮TBM本身對掘進速度的影響，沒有巖石與TBM的交互參數；A.Palmstr?m[21]將RMI作為參數加入NTNU模型來評估TBM的掘進速度；N.Barton[22]提出在原有巖體Q分類系統的基礎上加入一些與TBM開挖相關的參數來評價TBM性能，形成QTBM施工預測模型，QTBM模型參數太多而且比較復雜，與TBM破巖不太相關的一些參數也被包含其中，因此此模型不被廣泛采用；Jafar Khademi Hamidi等[23]應用模糊RME分級方法，該方法能夠精確地預測施工進度(AR)。數據顯示，各種基于巖體分級方法的預測模型的結果十分相近：當巖體條件極好或者極差的情況下均不利于TBM的掘進；巖體分級與TBM掘進速率之間的相關性較差。

雖然很多學者進行了大量巖體分級與TBM掘進性能相關性的研究，但是這些研究中的許多隧道巖體分級方法，如Q系統、RSR等，多根據巖體的穩定性進行劃分，而TBM施工環境下的巖體分級主要應針對巖體的可掘性。因此，以評估圍巖穩定性為主的一些巖體分級方法并不適合用來進行TBM施工性能的預測。

2.2 RMR巖體評估系統

RMR分級方法即巖體地質力學分類，由Bieniawski于1973—1975年提出，該方法已被廣泛地應用于土木工程領域。RMR分級法主要包含5個巖體參數：巖塊強度(B1)、RQD值(B2)、節理間距(B3)、節理條件(B4)及地下水(B5)[24]。根據各類參數的實測資料，按照標準進行評分，再將各參數的評分值相加得到巖體的總RMR，最后結合不連續結構面方向修正系數(B6),綜合計算得出巖體質量綜合特征值RMR。計算公式為：

RMR=B1+B2+B3+B4+B5+B6。

在眾多的巖體分級方法中，RMR巖體分級方法是一種半定量、半定性分析方法，應用簡單，且在提出RMR分級方法的40多年里，已被大量地應用于隧道及采礦工程領域，其可靠性得到了普遍的認可。M.Sapigni等[25]經研究，得出RMR系統與TBM掘進速率的相關性要優于Q系統。綜上所述，應用RMR巖體分級系統評估TBM的掘進性能是可靠的。

3 工程概況及數據庫的建立

3.1 吉林引松供水工程總干線四標段施工段地質及水文條件

吉林省中部城市引松供水工程為自流輸水隧洞，全長69.855 km，取水口位于豐滿水庫，途經溫德河、岔路河到飲馬河分水口，隧洞洞底坡度1/4 300。隧洞施工采用以掘進機為主、鉆爆法為輔的施工方法，中間設輔助施工支洞。其中，總干線施工四標段位于吉林市岔路河至飲馬河之間，線路樁號48+900～71+855，總長度22 955 m，工程地理位置平面圖見圖2。工程主要包括長22 955 m的引水隧洞、3#通風豎井、飲馬河調壓井、7#施工支洞、8#施工支洞和小河沿施工豎井及其他臨時工程，其中TBM施工段為20 198 m，占總長約88%，工程總體布置見圖3。TBM施工段采用中國中鐵裝備生產的敞開式全斷面TBM進行開挖，開挖斷面為圓形，開挖直徑大于7.65 m。TBM具體設計參數如表1所示。

圖2 引松供水工程地理位置平面圖Fig.2 Plan of Songhua River Water Conveyance Project

圖3 引松供水工程總干線四標段工程布置示意圖(單位：m)Fig.3 Plan of Bid Section No.4 of Songhua River Water Conveyance Project (m)

表1 引松供水工程TBM參數Table 1 TBM parameters of Songhua River Water Conveyance Project

吉林引松供水工程主干線四標段線路總體走向由北東向南西，地貌為低山丘陵和相間溝谷。沿線地形起伏，植被較發育，高程264.0～484.0 m，洞室最大埋深260 m，溝谷累計長度約3 229 m。

前期勘察以及開挖的輔助洞對于揭露工程地質條件、水文條件有較好的指導作用。施工段表層被第四系坡洪積物和沖洪積物所覆蓋，其下為基巖。隧道主軸線地層主要由砂巖、花崗巖、安山巖、閃長巖、凝灰巖、灰巖組成，本段褶皺不發育，灰巖多為單斜地層。斷裂構造方向以NE和NW為主，斷裂構造多有繼承性和復合型的特點。工作區沒有對工程具有深遠影響的深大斷裂，結構面以Ⅱ—Ⅴ級為主。開挖地段含水層厚且水量豐富，地表水及地下水的水力坡度大，徑流條件好，因此地下水、地表水形成密切聯系，極易形成突水、突泥等地質災害。表2列出了沿著隧道軸線方向不同巖性的平均RMR值、地下水分布情況以及主要巖體特性。

3.2 TBM性能預測指標以及數據庫的建立

大量的工程實踐和研究表明，TBM的掘進性能可以通過掘進速率(PR)、施工進度(AR)、利用率(U)以及貫入度指數(FPI)來衡量。

吉林引松供水工程建立了TBM混合云管理平臺，實現了196個TBM機械和電液參數，如掘進速度(PR)、推力、扭矩、貫入度、刀盤功率、掘進時間和停工時間的實時獲取和上傳，根據上傳的數據可以計算PR、AR、U及FPI值。吉林引松供水工程TBM操作手共2人實行輪班制，且在施工過程中根據滾刀磨損情況實現了滾刀及時更換，因此本文忽略人為操作因素及滾刀磨損狀態對于TBM性能參數的影響。TBM掘進過程中在不同里程通過鉆孔取芯的方法獲取巖石試樣，在實驗室中對試樣經過切削打磨加工成標準巖石試樣，通過WDW-100E 電液伺服萬能試驗機進行壓縮試驗，獲取單軸抗壓強度(UCS)。圖4為室內單軸壓縮試驗圖。通過地質素描圖和現場拍照獲取巖體的節理裂隙發育情況，得到巖體巖石質量指標(RQD)和節理間距(DPW)。圖5為TBM施工現場洞壁照片。應用RMR=B1+B2+B3+B4+B5+B6計算出相應的RMR值。表3列出了沿隧道軸線方向，不同巖性的RMR值、巖石質量指標(RQD)、節理間距(DPW)、單軸抗壓強度(UCS)、掘進速度(PR)、施工進度(AR)、貫入度指數(FPI)、利用率(U)、地質條件相關停工時間百分比(GRRD)、其他停工時間百分比(ORD)的平均值。

圖4 室內單軸壓縮試驗圖Fig.4 Picture of indoor uniaxial compression test

圖5 TBM施工現場洞壁照片Fig.5 Photo of tunnel wall of TBM construction site

4 經驗公式的建立及TBM掘進性能預測

為了獲得RMR巖體分級與TBM掘進性能的相關關系，通過回歸分析分別建立了RMR與利用率(U)、掘進速度(PR)、施工進度(AR)及貫入度指數(FPI)的經驗公式，并給出了經驗公式的相關系數。

4.1RMR與利用率(U)回歸分析

TBM利用率為掘進時間與總當班時間的百分比。大量研究表明，導致TBM利用率(U)低下的原因主要有4方面:1)TBM的維護和修理；2)強制保養及換步；3)不良地質條件及圍巖支護；4)其他可能導致停工的原因，包括推力油缸的重新布置和超前鉆探等。其中，不良地質條件為影響利用率(U)的關鍵因素[10]。通過回歸分析建立的RMR與利用率(U)的經驗回歸公式為：

U=-0.009 4RMR2+1.438 5RMR-25.974。

相關性系數為：

R2=0.833。

RMR與利用率(U)的關系曲線如圖6所示。RMR和利用率的相關系數高達0.833，且二者呈現二次相關關系；隨著RMR值的增加，TBM利用率逐漸升高，在RMR為50～70區間內利用率達到峰值，此后利用率隨著RMR值的增大逐漸降低；在RMR值為 68.22處利用率最大，為33.62%，在RMR值為25.86處利用率最小，為6.25%，最大利用率為最小利用率的 5.37倍。由此可見RMR值對TBM的施工利用率有較大的影響。針對引松供水工程，由表3可知最長的與地質條件相關的停工時間發生在RMR為25.86處，停工時間高達總時間的 47.92%。引松供水工程的平均ORD、U、GRRD百分比分布如圖7所示，可見該工程的平均利用率為22.36%，與地質條件相關的停工時間約占總工期的25.97%，其他停工時間約占總工期的51.73%。

表3 不同地質單元RMR及TBM的性能預測參數數值分布表Table 3 RMR of different geological units and numerical distribution of estimated performance parameters of TBM

圖6 RMR與利用率(U)的關系曲線Fig.6 Correlation of RMR and utilization(U)

圖7 平均ORD、U、GRRD百分比分布圖Fig.7 Percentage distribution of average ORD,U and GRRD

4.2RMR與掘進速度(PR)回歸分析

掘進速度(PR)表征TBM掘進的快慢，是評價TBM掘進性能的最重要指標。通過回歸分析建立的RMR與掘進速度(PR)的經驗回歸公式為：

PR=-0.001 1RMR2+0.150 8RMR-0.312 5。

相關性系數為：

R2=0.727 1。

RMR與掘進速度(PR)的關系曲線見圖8。可以看出：RMR與PR也呈二次相關，PR在RMR為60～70區間段內達到峰值，當RMR過大或者過小時，TBM的掘進速度都較小；在RMR值為60.34處PR最大，為5.27 m/h，在RMR值為25.86處PR最小，為2.98 m/h，最大掘進速度為最小掘進速度的1.77倍。

圖8 RMR與掘進速度(PR)的關系曲線Fig.8 Relationship between RMR and PR

4.3RMR與施工進度(AR)回歸分析

施工進度(AR)不僅與TBM的掘進速度(PR)有關，而且與掘進的地質條件、施工機械以及各種人為因素有關[26]。通過回歸分析建立的RMR與施工進度(AR)的經驗回歸公式為：

AR=-0.000 5RMR2+0.075 7RMR-1.540 8。

相關性系數為：

R2=0.783 1。

通過回歸分析得出AR與RMR呈二次方的關系，如圖9所示。AR在RMR為60～70區間內取得峰值，AR最大值為1.71 m/h，是最小值0.19 m/h的9倍，可見RMR對施工進度(AR)有很大的影響。經分析得出RMR對施工進度有巨大影響的原因是：當RMR值較低(RMR<30～40)時，地質條件較差，TBM經常停止掘進，大量的時間用于圍巖的支護，導致施工進度較慢；當RMR值較高(RMR>70～80)，巖體的完整性和強度均較高，滾刀很難切入巖體，導致貫入度小，切削效率低，掘進速度慢,施工進度也較慢。

圖9 RMR與施工進度(AR)的關系曲線Fig.9 Relationship between RMR and AR

4.4RMR與貫入度指數(FPI)的回歸分析

大量研究表明，巖石的可掘性可用單刀推力和貫入度的比值即貫入度指數(FPI)來衡量[27-29]。通過回歸分析建立的RMR與貫入度指數(FPI)的經驗回歸公式為：

FPI=0.419 8RMR-3.463 1。

相關性系數為：

R2=0.737 2。

RMR與貫入度指數(FPI)的關系曲線見圖10。可以看出：FPI與RMR呈線性關系，隨著RMR值的增加，貫入度指數(FPI)也逐漸增加；FPI最大值為36.25 kN/(mm/r)，為最小FPI值12.36 kN/(mm/r)的2.93倍。表明當巖體強度越高且完整性越好時，單位切深所需的推力越大，即巖石的可掘性越低；反之，巖體強度越低、節理裂隙發育程度越高時，單位切深所需的推力越小，即巖石的可掘性越高。

圖10 RMR與貫入度指數(FPI)的關系曲線Fig.10 Relationship between RMR and FPI

5 結論與討論

1)RMR與利用率(U)、掘進速度(PR)、施工進度(AR)均呈現二次相關關系，RMR與貫入度指數(FPI)為線性相關關系，相關性系數均在0.7以上，其中利用率(U)與RMR的相關性系數高達0.833，應用RMR巖體分級可以較好地評估TBM的掘進性能。

2)吉林引松供水工程最長的與地質條件相關的停工時間發生在RMR為25.86處，利用率(U)、掘進速度(PR)、施工進度(AR)的最大值均在RMR為50～70區間段內。

3)當RMR=50～70時，巖體具有較好的掘進性能；當巖體條件較差(RMR<30～40)或者巖體條件極好(RMR>70～80)時，巖體的可掘性均較差。

4)吉林引松供水工程TBM掘進的平均利用率為22.36%，與地質條件相關的停工時間約占總工期的25.97%，其他停工時間約占總工期的51.73%。

5)TBM施工過程中應該加強現場的設備管理和施工管理，提出相應的控制措施，降低故障的發生次數，減少不必要的停工時間，增加TBM掘進速率及利用率。

6)因為TBM數據是建立在吉林引松供水工程基礎上，因此數據具有局限性，結論僅適用于類似地質條件工程，下一步工作將擴大數據樣本，以便獲取更有普遍意義的結論。

[1] 李術才,劉斌,孫懷鳳,等.隧道施工超前地質預報研究現狀及發展趨勢[J].巖石力學與工程學報,2014,33(6):1090-1113.LI Shucai,LIU Bin,SUN Huaifeng,et al.State of art and trends of advanced geological prediction in tunnel construction[J].Chinese Journal of Rock Mechanics and Engineering,2014,33(6):1090-1113.

[2] Takuji Yamamoto,Suguru Shirasagi,Shinya Yamamoto,et al.Evaluation of the geological condition ahead of the tunnel face by geostatistical techniques using TBM driving data[J].Tunnelling and Underground Space Technology,2003,18:213-221.

[3] Sapigni M,Berti M,Bethaz E,et al.TBM performance estimation using rock mass classifications[J].International Journal of Rock Mechanics and Mining Sciences,2002,39:771-788.

[4] 王旭,李曉,李守定.關于用巖體分類預測TBM掘進速率AR的討論[J].工程地質學報,2008,16(4)：47-52.WANG Xu,LI Xiao,LI Shouding.Problems in the prediction of the TBM advance rate with rock mass classification and their possible solutions[J].Journal of Engineering Geology,2008,16(4)：47-52.

[5] 白郁宇,張瑞仁.TBM 掘進速率預測模型的比較[J].現代隧道技術,2005,42(5):7-16.BAI Yuyu,ZHANG Ruiren.Comparison of TBM advance rate prediction models[J].Modern Tunnelling Technology,2005,42(5):7-16.

[6] 溫森,趙延喜,楊圣奇.基于Monte Carlo-BP神經網絡TBM掘進速度預測[J].巖土力學,2009,30(10):3127-3132.WEN Sen,ZHAO Yanxi,YANG Shengqi.Prediction on penetration rate of TBM based on Monte Carlo-BP neural network[J].Rock and Soil Mechanics,2009,30(10):3127-3132.

[7] Tarkoy P J.Rock hardness index properties and geotechnical parameters for predicting tunnel boring machine performance[D].Illinois:University of Illinois,1975:326.

[8] Macias F J,Jakobsen P D,Seo Y,et al.Influence of rock mass fracturing on the net penetration rates of hard rock TBMs[J].Tunnelling and Underground Space Technology,2014,44:108-120.

[9] Paltrinieri E,Sandrone F,Zhao J,et al.Analysis and estimation of gripper TBM performances in highly fractured and faulted rocks[J].Tunnelling and Underground Space Technology,2016,52:44-61.

[10] 龔秋明,何冠文,趙曉豹,等.掘進機刀盤滾刀間距對北山花崗巖破巖效率的影響實驗研究[J].巖土工程學報,2015,37(1):54-60.GONG Qiuming,HE Guanwen,ZHAO Xiaobao,et al.Influence of different cutter spacings on rock fragmentation efficiency of Beishan granite by TBM[J].Chinese Journal of Geotechnical Engineering,2015,37(1):54-60.

[11] GONG Q M,ZHAO J.Development of a rock mass characteristics model for TBM penetration rate prediction[J].International Journal of Rock Mechanics and Mining Sciences， 2009， 46:8-18.

[12] GONG Qiuming,ZHAO Jian,JIAO Yuyong.Numerical modeling of the effects of joint orientation on rock fragmentation by TBM cutters[J].Tunnelling and Underground Space Technology,2005,20:183-191.

[13] Benato A,Oreste P.Prediction of penetration per revolution in TBM tunneling as a function of intact rock and rock mass characteristics[J].International Journal of Rock Mechanics and Mining Sciences,2015,74:119-127.

[14] Yagiz S.Utilizing rock mass properties for predicting TBM performance in hard rock condition[J].Tunnelling and Underground Space Technology,2008,23:326-339.

[15] Hassanpour J,Rostami J,Khamechian M,et al.TBM performance analysis in pyroclastic rocks:case history of Karaj Water conveyance tunnel[J].Rock Mechanics and Rock Engineering,2010,43:427-445.

[16] Grima M Alvarez,Bruines P A,W P N.Modeling tunnel boring machine performance by neuro-fuzzy methods[J].Tunnelling and Underground Space Technology,2000,15(3):259-269.

[17] Benardos A G,Kaliampakos D C.Modeling TBM performance with artificial neural networks[J].Tunnelling and Underground Space Technology,2004,19:597-605.

[18] ZHAO Zhiye,GONG Qiuming,ZHANG Yun,et al.Prediction model of tunnel boring machine performance by ensemble neural networks[J].Geomechanics and Geoengineering,2007,2:123-128.

[19] Yagiz S,Karahan H.Prediction of hard rock TBM penetration rate using particle swarm optimization[J].International Journal of Rock Mechanics and Mining Sciences,2011,48:427-433.

[20] Cassinelli F,Cina S,Innaurato N,et al.Power consumption and metal wear in tunnel-boring machines:Analysis of tunnel boring machine operation in hard rock[J].Tunneling,1982:73-81.

[21] Palmstr?m A.RMI:A rock mass characterization system for rock engineering purposes[D].Oslo:University of Oslo,1995:400.

[22] Barton N.TBM performance in rock using QTBM[J].Tunnels， 1999,31,41-48.

[23] Jafar Khademi Hamidi,Kourosh Shahriar,Bahram Rezai,et al.Application of fuzzy set theory to rock engineering classification systems:An illustration of the rock mass excavability index[J].Rock Mechanics and Rock Engineering,2010,43(3):335-350.

[24] 蔡美峰,何滿潮,劉東燕.巖石力學與工程[M].北京:科學出版社,2002.CAI Meifeng,HE Manchao,LIU Dongyan.Rock mechanics and engineering[M].Beijing:Science Press,2002.

[25]Sapigni M,Berti M,Behtaz E,et al.TBM performance estimation using rock mass classification[J].International Journal of Rock Mechanics and Mining Sciences,2002,39:771-788.

[26]Paltrinieri E,Sandrone F,Zhao J,et al.Analysis and estimation of gripper TBM performances in highly fractured and faulted rocks[J].Tunnelling and Underground Space Technology,2016,52:44-61.

[27] Ribacchi R,Fazio A L.Influence of rock mass parameters on the performance of a TBM in a gneissic formation (Varzo Tunnel)[J].Rock Mechanics and Rock Engineering,2005,38(2):105-127.

[28] GONG Q M,ZHAO J． Influence of rock brittleness on TBM penetration rate in Singapore granite[J].Tunnelling and Underground Space Technology， 2007,22(3):317-324.

[29] Hassanpour J， Rostami J， Zhao J． A new hard rock TBM performance prediction model for project planning[J].Tunnelling and Underground Space Technology,2011,26:595-603.

Estimation of TBM Performance Parameters Based on Rock Mass Rating (RMR) System

WANG Jian,WANG Ruirui,ZHANG Xinxin,LIU Haidong,PANG Yonghao

(GeotechnicalandStructuralEngineeringResearchCenter,ShandongUniversity,Jinan250061,Shandong,China)

In order to solve low boring efficiency of TBM caused by geological conditions,the TBM boring performance parameters estimation based on rock mass rating (RMR) system is proposed in view of TBM data base of Songhua River Water Conveyance Project in Jilin Province.The empirical correlation formulas ofRMRwith TBM performance parameters,i.e.penetration rate (PR),advance rate (AR),utilization (U) and field penetration index (FPI) are respectively given by regression analysis.The study results show that:1) The relationship betweenRMRandPRand that betweenARandUcan be approximated by second-degree polynomial curves;RMRandFPIpresent linear relationship,and the correlation coefficients are all larger than 0.7.2) Better performance of TBM can be reached in fair rock (RMR=50-70) whilst bad performance of TBM will be reached in bad rocks (RMR<30-40) or rock beyond good (RMR> 70-80).3) The utilization of TBM used in Songhua River Water Conveyance Project in Jilin Province is 22.36%,and geology and rock mass related downtime takes about 25.97% in total construction schedule.

TBM; Songhua River Water Conveyance Project in Jilin Province; tunnel; rock mass rating(RMR); TBM boring performance parameters; penetration rate; advance rate; utilization

2016-09-12;

2016-12-01

國家重點基礎研究發展計劃(973)項目(2013CB036002)

王健(1990—)，女，遼寧本溪人，山東大學巖土工程專業在讀碩士，研究方向為TBM性能預測、評估及數據挖掘。E-mail:wangjian2013329@163.com。

10.3973/j.issn.1672-741X.2017.06.008

U 45

A

1672-741X(2017)06-0700-08