基于RMR岩体分级系统的TBM掘进性能参数预测

第３７卷第６期　攫莲建设　Ｔｕｎｎｅｌ　Ｃｏｎｓｔｒｕｃｔｉｏｎ　Ｖｏ１．３７　Ｎｏ．６　２０１７年６月　Ｊｌ…２０Ｉ　７　基于ＲＭＲ岩体分级系统的ＴＢＭ掘进性能参数预测　王　健，王瑞睿，张欣欣，刘海东，庞永昊　（山东大学岩土与结构工程研究中心，山东济南２５００６１）　摘要：为解决由于地质条件原因造成ＴＢＭ掘进效率低Ｆ的　题，綦于占林引松供水ｔ　建　的．ｒＢＭ数据　，提ｔｔ｛膻Ｊ｝】ＲＭＲ　分级系统对ＴＢＭ的掘进性能参数进行预测。通过回门分析的　法分别建立丁ＲＭＲ‘ｊ　ＴＢＭ性能预测参数捌进速半（Ｐ　）、施ｒ　进　度（ＡＲ）、利用率（『，）以及贯入度指数（删）的经验公式。研究结果表明：ＲＭＲ　ｊ　、Ａ　、　均　现一次十ｌ｛天天系，Ｒ，ＩＩＲ　０¨Ｊ，为线　性关系，且相关系数均大于０．７；当ＲＭＲ＝５０～７０时，岩体具有较好的町捌性；　１柑体条什较差（ＲＭＲ＜３０～４０）或１ｉ千　怵条件微　（ＲＭＲ＞７０～８０）时，岩体的町掘性均较差；吉林引松工程ＴＢＭ掘进的平均利用半为２２．３６％，　ｊ地质条件卡¨火的　㈠ｌｌｆ州约ｉ　Ｉ总　ｊ－期的２５．９７％。　关键词：ＴＢＭ；占林引松供水工程；隧洞；ＲＭＲ；掘进性能参数；掘进速度；施Ｉ　进度；￣－ｗｊｊｌＪ　ＤＯＩ：１０．３９７３／ｊ．ｉｓｓｎ．１６７２—７４１Ｘ．２０１７．０６．００８　中图分类号：ｕ　４５　文献标志码：Ａ　文章编号：１６７２—７４１Ｘ（２０１７）０６—０７００—０８　Ｅｓｔｉｍａｔｉｏｎ　ｏｆ　ＴＢＭ　Ｐｅｒｆｏｒｍａｎｃｅ　Ｐａｒａｍｅｔｅｒｓ　Ｂａｓｅｄ　ｏｎ　Ｒｏｃｋ　Ｍａｓｓ　Ｒａｔｉｎｇ（ＲＭＲ）Ｓｙｓｔｅｍ　ＷＡＮＧ　Ｊｉａｎ，ＷＡＮＧ　Ｒｕｉｒｕｉ，ＺＨＡＮＧ　Ｘｉｎｘｉｎ，ＬＩ　Ｕ　Ｈａｉｄｏｎｇ，ＰＡＮ（；Ｙｏｎｇｌｌａｏ　（Ｇｅｏｔｅｃｈｎｉｃａｌ　ａｎｄ　Ｓｔｒｕｃｔｕｒａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｒｅｓｅａｒｃｈ　Ｃｅｎｔｅｒ，Ｓｈａｎｄｏｎｇ　ＵａｉｖｅｒｓｉＯ；，Ｊｉｎａｎ　２５００６　ｌ，Ｓｈａｎｄｏｎｇ，Ｃｈｉｎ“）　Ａｂｓｔｒａｃｔ：Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｓｏｌｖｅ　ｌｏｗ　ｂｏｒｉｎｇ　ｅｆｆｉｃｉｅｎｃｙ　ｏｆ　ＴＢＭ　ｃａｕｓｅｄ　ｂｙ　ｇｅｏｌｏｇｉｃａｌ　ｃｏｎｄｉｔｉｏｎｓ，ｔｈｅ　ＴＢＭ　ｂｏ｜　ｉ　ｎｇ　ｐｅｒｆｏｒｍａ　ｔ　ｐａｒａｍｅｔｅｒｓ　ｅｓｔｉｍａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｒｏｃｋ　ｍａｓｓ　ｒａｔｉｎｇ（ＲＭＲ）ｓｙｓｔｅｍ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｉｎ　ｖｉｅｗ　ｏｆ　ＴＢＭ　ｄａｔａ　ｂａｓｅ　ｏｆ　Ｓｏ，Ｉｇｈｕａ　Ｒ　Ｗａｔｅｒ　Ｃｏｎｖｅｙａｎｃｅ　Ｐｒｏｊｅｃｔ　ｉｎ　Ｊｉｌｉｎ　Ｐｒｏｖｉｎｃｅ．Ｔｈｅ　ｅｍｐｉｒｉｃａｌ　ｃｏｒｒｅｌａｔｉｏｎ　ｆｏｒｍｕｌａｓ　ｏｆ　ＲＭＲ　ｗｉｔｈ　ＦＢＭ　ｐｅｄ＇ｏｒｍａ，．：ｅ　ｐａｒａｍｅｔｅｒｓ，ｉ．ｅ．ｐｅｎｅｔｒａｔｉｏｎ　ｒａｔｅ（ＰＲ），ａｄｖａｎｃｅ　ｒａｔｅ（ＡＲ），ｕｔｉｌｉｚａｔｉｏｎ（Ｕ）ａｎｄ　ｆｉｅｌｄ　ｐｅｎｅｔｒａｔｉｏｎ　ｉｎｄｅｘ（　’，　，）ａ　ｒｔ　ｒｅｓｐｅｃｔｉｖｅｌｙ　ｇｉｖｅｎ　ｂｙ　ｒｅｇｒｅｓｓｉｏｎ　ａｎａｌｙｓｉｓ．Ｔｈｅ　ｓｔｕｄｙ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ：１）Ｔｈｅ　ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ＲＭＲ　ａｌ　Ｉ　ＰＲ　ａｕｄ　ｔｈａｔ　ｂｅｔｗｅｅｎ　ＡＲ　ａｎｄ　Ｕ　ｃａｎ　ｂｅ　ａｐｐｒｏｘｉｍａｔｅｄ　ｂｙ　ｓｅｃｏｎｄ—ｄｅｇｒｅｅ　ｐｏｌｙｎｏｍｉａｌ　ＣＵｌ‘ｖｅｓ：ＲＭＲ　ａｎ（１　尸，ｐｒｅｓｅｎｔ　ｌｉｎｅａ￣　ｒｅｌａｔｉｏｎｓｈｉｐ．ａｎｄ　ｔｈｅ　ｃｏｒｒｅｌａｔｉｏｎ　ｃｏｅｆｉｃｉｆｅｎｔｓ　ａｒｅ　ａｌｌ　ｌａｒｇｅｒ　ｔｈａｎ　０．７．２）Ｂｅｔｔｍ’ｐｅｒｆｏｒｍａｎｃｅ　ｏｔ。。Ｉ＇ＢＭ【‘ａｎ　ｂｅ　ｒｅＬＲ’１ｌ　（Ｉ－Ｉ１　ｆａｉｒ　ｒｏｃｋ（ＲＭＲ＝５０—７０）ｗｈｉｌｓｔ　ｂａｄ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ＴＢＭ　ｗｉｌｌ　ｂｅ　ｒｅａｃｈｅｄ　ｉｎ　ｂａｄ　ｒｏｃｋｓ（ＲＭＲ＜３０—４０）ＯＩ’ｆＯ（　ｋ　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　ｃｏｎｓ［ｉ‘ｕｃｔｉｏｎ　ｓ（：ｌｉｅ（１ｕｌｅ　Ｋｅｙｗｏｒｄｓ：ＴＢＭ；Ｓｏｎｇｈｕａ　Ｒｉｖｅｒ　Ｗａｔｅｒ　Ｃｏｎｖｅｙａｎｃｅ　Ｐｒｏｊｅｃｔ　ｉｎ　Ｊｉｌｉｎ　Ｐｌ’ｏｖｉｎｃｅ；ｔｕｎｎｅｌ；ｒｏｃｋ　ｎｌａｓｓ　ｒａｔｉｎｇ（ＲＭＲ）；　Ｉ＇ＢＭ　ｂｏｒｉｎｇ　ｐｅｒｆｏｒｍａｎｃｅ　ｐａｒａｍｅｔｅｒｓ；ｐｅｎｅｔｒａｔｉｏｎ　ｒａｔｅ；ａｄｖａｎｃｅ　ｒａｔｅ；ｕｔｉｌｉｚａｔｉｏｎ　０　引言　进入２１世纪以来，国内外隧道等地下工程迅猛发　ｋｍ，到２０２０年ＴＢＭ需求量Ｉ叮达５００多白　…此ｉ　ｒ　，　ＴＢＭ将成为我　隧道施　Ｌ　的优先选择办法　，　展，地下空间开发利用率逐年增高。与传统的钻爆法　相比，　ｌ　ＢＭ困具有开挖速度快、可连续操作、岩渣均　匀、施工安全等优点，已在越来越多的隧道工程中采　用㈠－３１。据统计，我国适用ＴＢＭ开挖的隧道超过６００　收稿日期：２０１６—０９—１２；修回日期：２０１６—１２—０１　ＴＢＭ掘进速率叮达传统钻爆法的３～１０俯　，　ＴＢＭ对极端地质条件的适应性较　动地层时，如果地层存　剪胀　删或　ＴＢＭ穿越扰　问　较小，将　很可能导致地层超挖或塌力‘事故；当遇到混合　挖ｌ　基金项目：国家重点基础研究发展汁￣（９７３）项目（２Ｏ１３ＣＢ０３６００２）　第一作者简介：王健（１９９０一），女，辽宁本溪人，山东大学岩土　程々业　泼坝ｌ　，　究力　为　ｌ’ＢＭ　能坝测、　ｆｆＩ１　Ｊ支数据挖伯ｌ　Ｅ　Ｉ　ｒＫｔ　¨ａｌｌｇｊｉａｎ２０１３３２９＠１６３．ｃｏｉｎ　第６期　王健，等：　基于ＲＭＲ岩体分级系统的ＴＢＭ掘进性能参数预测　７０ｌ　时，尤其是软硬变化频繁的开挖面，硬岩从软弱岩层中　脱落将造成卡机事故或导致护盾损毁；ＴＢＭ在高地应　力地层掘进时，高地应力将引发开挖面围岩的剪裂，从　而严重影响ＴＢＭ的掘进性能，如法国阿尔卑斯山隧道　的掘进速率低于０．１８　ｍ／ｈ＿５ｊ。可见，若不经过严格的　认证，采用ＴＢＭ施工很可能发挥不了ＴＢＭ的优势，甚　至会极大地增加项目工期和施工成本。因此，近年来　在现场施工资料的基础上，但是由于工程地质条件的　单一性，使得预测模型只能用于相近地质条件，不具有　推广价值。随着科技的进步和发展，各种地质探测方　法不断革新，对精准度要求不断提高，经验模型的局限　性突显。半理沦半经验模型结合了工程资料和室内全　断面切割试验或现场试验，其模型具有普遍性，可以灵　活选择岩体力学参数。　越来越多的学者致力于ＴＢＭ掘进性能的预测　Ｊ。　Ｐ．Ｊ．Ｔａｒｋｏｙ　分析了ＴＢＭ性能与岩体硬度指数　之问的关系，得到随着岩体硬度指数的增加，ＴＢＭ掘　进速度逐渐降低；Ｆ．Ｊ．Ｍａｃｉａｓ等　应用岩体破碎系　数　来表示岩体裂隙对ＴＢＭ掘进性能的影Ⅱ向，分析　表明当ｋ　较小时，ｋ　对掘进速率的影响较小，因为岩　块的力学性能是影响ＴＢＭ掘进速率的主控因素；Ｅ．　Ｐａｌｔｒｉｎｉｅｒｉ等　根据岩体的破碎程度和风化程度建立　了一个破碎岩体的分级系统，将破碎岩体共分为４　级，并通过分析得出岩体的破碎有助于ＴＢＭ的掘进，　随着岩体破碎程度的增加，转速（ＲＰＭ）显著减小，掘　进速度（ＰＲ）相应降低，降低最明显的是施工进度　（ＡＲ）。上述研究多集中于应用岩体参数进行ＴＢＭ　性能参数的预测，而对于应用岩体分级进行ＴＢＭ掘　进性能预测的研究却鲜有报道，且目前选用的岩体　分级方法也多集中于应用隧道岩体分级方法，如Ｑ　系统和ＲＳＲ分级方法。　本文基于吉林引松供水工程建立的ＴＢＭ数据库，　通过回归分析方法实现了应用ＲＭＲ岩体分级系统对　ＴＢＭ的４项性能预测参数（ＰＲ、ＡＲ、Ｕ和删）的精准　预测。研究结果不仪促进＿『ＴＢＭ理论的发展，而且对　ＴＢＭ掘进施工具有重要的指导作用。　１　ＴＢＭ破岩机制及施工预测模型　１．１　ＴＢＭ掘进破岩机制　ＴＢＭ滚刀在刀盘上按一定的几何和力学规律均　匀　置。ＴＢＭ通过滚刀传递压力及扭矩，各滚刀在岩　石面上做不同半径同心圆的压滚运动，前面的滚刀可　为后面的滚刀提供破岩临空面，实现前后滚刀顺序破　碎及切割岩石　…。　ＴＢＭ掘进破岩主要包括２个连续的过程：首先　ＴＢＭ滚刀侵入岩体，在滚刀下方形成压碎区，并在岩　体内部产生微裂隙；然后相邻滚刀问的裂隙不断扩展　连通，最终导致岩石碎片的形成　１０１。ＴＢＭ刀具破岩原　理见图１。　１．２　ＴＢＭ施工预测模型　目前对于ＴＢＭ掘进性能的预测主要通过施工预　测模型，施　预测模型大体可分为经验模型和半理沦　半经验模型，Ｎ　ＦＮＵ模型和ＣＳＭ（科罗拉多矿业学院）　模型分别是卜述２种方法的代表。经验模型主要建立　压　图１　ＦＢＭ刀具破岩原理　一些学者采用简单回归或者多元回归的分析方　法，进行岩体力学性能对ＴＢＭ施工性能的评估¨。。　Ｊ，　主要应用的岩块力学参数包括单轴抗压强度、巴西抗　拉强度、斯密特硬度、泰伯磨损、点荷载指数、脆性指　数、地质强度指数，主要的岩体特性参数包括节理问　距、节理方向以及风化程度，岩体所处环境条件包括地　下水条件和地应力　。　近些年，人工智能方法逐步被应用于ＴＢＭ施工性　能预测。Ｍ．Ａｌｖａｒｅｚ　Ｇｒｉｍａ等¨　采用神经模糊模型预　测掘进性能；Ａ．Ｇ．Ｂｅｎａｒｄｏｓ等¨　提出用人工神经网　络（ＡＮＮ）的方法来预测ＴＢＭ性能；ＺＨＡＯ　Ｚｈｉｙｅ等　８＿　提出集成神经网络ＥＮＮ预测模型，与之前提出的人工　神经网络预测模型相比，ＥＮＮ具有能够充分考虑现场　数据的不确定性，并能应用重新选样技术对有限的数　据进行合理推理及预测的优点；Ｓ．Ｙａｇｉｚ等¨　结合人　工神经网络（ＡＮＮ）和质点群优化来预测ＴＢＭ性能；　温森等　提出应用Ｍｏｎｔｅ　Ｃａｒｌｏ—ＢＰ神经网络开展预　测，应用Ｍｏｎｔｅ　Ｃａｒｌｏ实现参数的随机性输入，样本数　据有限时可以采用阶梯形经验分布函数，然后利用ＢＰ　神经网络来预测掘进速度。　另外，一些学者应用岩体分级系统建立ＴＢＭ施工　的经验模型，在众多的岩体分级系统中，目前多采用　ＲＭＲ和Ｑ岩体分级方法。　２岩体分级系统　２．１　岩体分级系统预测ＴＢＭ掘进性能　口前国内外有许多工程岩体分级方法应用于矿业　及岩土Ｔ程，且部分学者开展了岩体分级与ＴＢＭ掘进　建霞　性能十ＩＩ天性的研究。Ｆ．Ｃａｓｓｉｎｅｌｌｉ等　提出用岩体结　构分析（ＲＳＲ）评估ＴＢＭ掘进速度，但是此模　没有考　虑　ＦＢＭ本身对掘进速度的影响，没有岩石与ＴＢＭ的　交互参数；Ａ．Ｐａｌｍｓｔｒ￣ｍ　将ＲＭＩ作为参数加入　ＮＴＮＵ模型来评估ＴＢＭ的掘进速度；Ｎ．Ｂａｒｔｏｎ　提　Ⅲ在原有岩体Ｑ分类系统的基础ｔ加入一些与ＴＢＭ　挖相关的参数来评价ＴＢＭ性能，形成Ｑ　施工预测　值￣ｌ；Ｉｈｉｉ７，　剑，ｔｒｌ　ｌ‘仆的总ＲＭＲ，　Ｉ　１　结　小连续结构Ｉｎ　向修』Ｊ　系数（Ｂ　），综合汁　：ｊ　川１　体质　综合特　ＲＭＲ。汁，ｊ１：公Ｊ＝　为：　ＲＭＲ＝ＢＩ＋／７　＋如、＋Ｒ　＋８　＋８　众多的　体分级力　法ＩＩＩ，ＲＭＲ　体分级力‘法址　刑　、Ｉ＂－定ｌｉ｝、、ｔ＂－定　Ｐｌ－分析力　法　ＲＭＲ分级力‘法的４０多　Ｉ　及采矿Ｉ　领域，Ｊ　ｌＪ简ｒ（ｃ，ＩＩ＿　川１　被人ｌｉＤＳ　Ｊ、　川ＪＪ　隧道　模　，Ｑｍ　模型参数太多而且比较复杂，与ＴＢＭ破岩　小太相关的一些参数也被包含其中，因此此模型不被　广泛采用；Ｊａｆａｒ　Ｋｈａｄｅｍｉ　Ｈａｍｉｄｉ等‘　应用模糊ＲＭＥ　ｒｔ－　到ｒ｝　遄的从・　ｆ　Ｍ．　Ｓａｐｉｇｎｉ　的相父　经研究，　…ＲＭＲ系统　ｊ　Ｉ＇ＢＭ　进述半　优＿ｆ　Ｑ系统　、综Ｉ　所述，幢川ｌ｛ＭＲ　分级方法，该方法能够精确地预测施工进度（ＡＲ）。数　据显示，各种基于岩体分级方法的预测模型的结果’卜　分卡｝ｊ近：当岩体条件极好或者极差的情况下均小利于　分级系统　估ｒｒＢＭ的捌进　ＰＩ：ｔＩ￣址ｌｌｊ‘　Ｉ　ｌ＇ｌ＂Ｊ　３　工程概况及数据库的建立　３．１　吉林引松供水工程总干线四标段施工段地质及　水文条件　。ＴＢＭ的掘进；岩体分级与ＴＢＭ掘进速率之问的相火　性较差　‘　林竹，ｆ，部城ｆｆ　，ｊＩ松供水１　手ｌ　为　流输水隧洲，　－ｌ德河、　虽然很多学者进行　大量岩体分级与ＴＢＭ掘进　惟能相火性的研究，但是这　研究中的许多隧道岩体　伞长６９．８５５　ｋｎｌ，圾水ｌ　Ｉｆ　Ｊ　卜满水库，途　岔路河剑饮，　ＩＪ分水Ｉ　Ｉ，隧洲洲底坡瞍ｌ／４　３００隧ｆＩｌｌＪ　施Ｔ采川以捌进机为　、钻　法为　ｉｉ（１＇Ｊ施１　力‘法，　ｆ】Ｉ＇ｌｌｊ　分级方法，如Ｑ系统、ＲＳＲ等，多根据岩体的稳定性进　行划分，　ＴＢＭ施工环境下的岩体分级主要应钊‘对岩　体的呵掘性。因此，以评估围岩稳定性为主的一些岩　设辅助施ｌ　史洲　．　Ｉｆ１，总ｆ：线施…Ｕ怀段ｆ　十　林　ｒ　岔路河垒饮１－５｛ＩＩ』之川，线路　８５５，总长度２２　９５５　Ｉｌｌ，　工程　４８＋９００～７ｌ＋　Ｉ｛｝ｉ　２　体分级方法并小适合用来进行ＴＢＭ施工性能的预测。　２．２　ＲＭＲ岩体评估系统　Ｉ　地　化　、　包　Ｋ　２２　９５５　ｉｎ　Ｉ＇ｌ＂Ｊ，』Ｉ水隧洲、３　迎风　Ｊｌ　、　ＲＭＲ分级方法即岩体地质力学分类，由　Ｂｉｅｎｉａｗｓｋｉ于１９７３一ｌ９７５年提出，该方法已被广泛地　心用于土木１：程领域。ＲＭＲ分级法主要包含５个岩　饮马河训　仆、７　施Ｊ　支洲、８　施Ｉ　支洲和小｝『ｌ１，Ｊ．Ｕ　Ｌ．施ｌ　竖ｉｆ：及　他　ＩＩ、』　，』　１　Ｔ｝｛Ｍ施Ｉ　段为２０　ｌ９８　ｎｌ，　３　ＴＢＭ施Ｊ　段采　个＝断　ＴＢＭ进ｉ　挖，　占总Ｋ约８８％，ｌ　总仆　用叶Ｉ㈧Ｉ｝ｒ铁装箭　产的敞　体参数：岩块强度（Ｂ，）、ＲＱＤ值（Ｂ　）、节理问距　（Ｂ　）、　理条件（Ｂ　）及地下水（Ｂ　）Ｌ　２４］。根据各类参　数的实测资料，按照标准进行评分，再将各参数的评分　外挖断　为　肜，　Ｉ：挖ｈＬ＇Ｉ　　Ｉｉ人于７．６５　１１１　¨｛ｌ￣１　ｊ　休没　计参数叟¨　１所爪．．　　。～．－＇ｔ／　春毋向　ｔ　ｉｌ＊，　～　饮　毋　一河　图２　引松供水工程地理位置平面图　Ｆｉｇ．２　Ｐｌａｎ　ｏｆ　Ｓｏｎｇｈｕａ　Ｒｉｖｅｒ　Ｗａｔｅｒ（］ＯＩＩＶｌ；　ｙｉ．１ｎ（・ｒ　ｌ＞ｌｏｊｅｃｌ　６　Ｊ纠　Ｅ蚀，等：　基ｊ：ＲＭＲ　体分级系统的　ＦＢＭ掘进性能参数预测　７０３　Ｕ　：　星：　、８　之洞（１　１８７．６　ｍ，坡度９．８绚　，　７　支洞（５１８．１　ｍ，坡度ｌ０．蹴～ｌｌ叼　Ｉ　型　－　１　Ｔ－《　’　：重薯　洲挺柏　ｌ　　ｔｒ管线　＿　■　爆』：●■ｎ　掘进段　■　、河ｊ　ｉ摊＃　■　ＩＩＴＢｖ￣避≠２－　一向　■■■ＩＴ　ｌ掘进殷　薛卸　ｌ　随　舸删　“二鼍　Ｌ－　！　．Ｊ　预面匀滏凝土段　占Ｉｎ　特　萎器　‘ｎ’　ｌ＼雾　图３　引松供水工程总干线四标段工程布置示意图（单位：ｎ１）　Ｆｉｇ．３　Ｉ’ｌａｎ　ｏｆ　Ｂｉｄ　Ｓｅｃｔｉｏｎ　Ｎｏ．４　ｏｆ　Ｓｏｎｇｈｕａ　Ｒｉｖｅｒ　Ｗａｔｅｒ　Ｃｏｎｖｅｙａｎｃｅ　Ｐｒｏｊｅｃｔ（ｍ）　表Ｉ　引松供水工程ＴＢＭ参数　Ｆａｂｌｅ　１　ＴＢＭ　ｐａｌ’ａｍｅｔｅｒｓ　ｏｆ　Ｓｏｎｇｈｕａ　Ｒｉｖｅｒ　Ｗａｔｅｒ　Ｃｏｎｖｅｙａｎｃｅ　Ｐｒｏｊｅｃｔ　林ｔ川　供水】　程主Ｉ：线四标段线路总体走向由　北尔向南ｆＨｉ，地貌为低山　陵和相问沟谷。沿线地形　吉林引松供水工程建立了ＴＢＭ混合云管理平台，　实现了１９６个ＴＢＭ机械和电液参数，如掘进速度　（ＰＲ）、推力、扭矩、贯人度、刀盘功率、掘进时间和停工　起伏．植被较发育，高程２６４．０～４８ａ．０　ｍ，洞室最大埋　深２６０　ＨＩ，沟　累计长度约３　２２９　ｍ。　Ｉｌ｛＝『期勘察以及丌挖的辅助涧对于揭露工程地质条　时间的实时获取和上传，根据上传的数据可以计算　ＰＲ、ＡＲ、Ｕ及ＦＰＩ值。吉林引松供水工程ＴＢＭ操作手　共２人实行轮班制，且在施工过程中根据滚刀磨损情　况实现丫滚刀及时更换，因此本文忽略人为操作因素及　滚刀磨损状态对于ＴＢＭ性能参数的影响。ＴＢＭ掘进过　程中在不同里程通过钻孑Ｌ取芯的方法获取岩石试样，在　件、水文条件有较好的指导作用。施工段表层被第四　系坡洪积物和｝１ｆＩ洪积物所覆盖，其下为基岩。隧道主　轴线地层主要｝ｌｊ砂岩、花岗岩、安ＬＬｌ岩、闪长岩、凝灰　岩、／火岩纰成，本段　皱小发育，灰岩多为单斜地层。　断裂构造力　向以ＮＥ和ＮＷ为主，断裂构造多有继承　性祠１　合，　的特点一Ｌ作　没有对—翻　具有深远影响　的深大断裂，结构而以Ⅱ一Ｖ级为主。开挖地段含水　厚Ｉｌ１Ｉ水：ｌ｝丰富，地表水及地下水的水力坡度大，径流　条件　，ｒ人Ｊ此地下水、地表水形成密切联系，极易形成　实验室中对试样经过切削打磨加工成标准岩石试样，通　过ＷＤＷ一１００Ｅ电液伺服万能试验机进行压缩试验，获　取单轴抗压强度（ＵＣＳ）。图４为室内单轴压缩试验图。　通过地质素描图和现场拍照获取岩体的节理裂隙发育　情况，得到岩体岩石质量指标（ＲＱＤ）和节理间距　（ＤＰＷ）。图５为ＴＢＭ施工现场洞壁照片。应用　突水、突泥等地质灾害。表２列出了沿着隧道轴线方　向不¨岩性的平均ＲＭＲ值、地下水分布情况以及主要　Ｒ＿ＭＲ＝Ｂｌ＋Ｂ２＋Ｂ３＋　４＋Ｂ５＋　计算出相应的ＲＭＲ　岩体特性　３．２　ＴＢＭ性能预测指标以及数据库的建立　大　的］　实践和研究表明，ＴＢＭ的掘进性能叮　值。表３列出了沿隧道轴线方向，不同岩性的ＲＭＲ值、　岩石质量指标（ＲＱＤ）、节理间距（ＤＰＷ）、单轴抗压强度　（ＵＣＳ）、掘进速度（ＰＲ）、施工进度（ＡＲ）、贯人度指数　（ＦＰＩ）、利用率（Ｕ）、地质条件相关停工时间百分比　（ＧＲＲＤ）、其他停￣ｔ］ｑｌ司百分比（ｏｅ，Ｄ）的平均值。　以通过｛Ｊ＝ｉＩｊ进速率（ＰＲ）、施Ｉ：进度（ＡＲ）、利月｛率（Ｕ）以　及贯人度指数（ＦＰＩ）米衡　、　７０４　隧道建设　表２岩石特性及参数　Ｐ　２　Ｃｈｕｌ，ｉｌｔ・ｔ　ｒｉｓｔｊ（　ｓ　ａＩ１（１　Ｉ１　｛ｒＨｌＩ１ＰＩｆ　ｆ　（’ｆ．ｎ）　ｋｓ　地ｊ　、　｛　ｗ　ｆｉ＇（　…　…　７８・２３　１　懈　“典含衬　～２２％．　川　圳、　甜　５６　ｉＩ　陀　炎　ｌ　懈列潮　也ｌ’ｌｉ　｛Ｚ　．ｔ　Ｉ≈．＂　＿Ｒ　芒，ｔｌ　：ｊ　碰　｝　幻Ｊｊｒ．　分　剁Ｋ　ｒ　炎匀　仃，　情　．矿物．　≈　１　平祭　。　ｔ　∞．　靖　足结核Ｉ．敛　坎状构ｊｉ２．斑Ｉ７　｝　嘭为斜Ｋ　７　、　÷　４５　８６　潮湿到滴，Ｋ　地●　。撤密　．１　坤裂隙４：发ｆ　，　｝　瞰．庀｝１－　ｆＩ蜒、。・　￡１　城５（’ｄ７　潮｝　刑滴　●　灰　也．　肤　ｉ　陶．映　Ｉ　构造，嗣物ｊ　分’如Ｋ７ｆ、　他、　８　，　，‘　●　／÷母、　．　“　．裂　弦育．多为　坎　也，－ｆ　，＾　，一　，　、¨　９　∞　…　６（）．３４　Ｉ’燎　Ｕ潮　｝　均．伙　ｆ　｛：，Ｊ　，　物ｌ挖‘　为删ｌ：ｆ　、　Ｉ蜒、ｆｎ　ｅ．ｊ　ｂｉ　ｊ　・　ｐ０，ｉ舅【ｊｊ　．ｆ　＾　１，１－５・　÷～ｌ５　；．　；　发ｆｆ．々　，ｌ｛　孜　部稳定¨：堆　浅版　．．　ｌ　６ｇ．２２　恂，　状　穗．锻帐　硬．彩　，　琅　徽Ｊ‘¨｛二．…　水　｝　（　．．｝。　｝Ｉ｛Ｉ　．　｛：卸，Ｊ　‘：｝　ｉ：　．致：暂ｉ￣ｉ－：删．　ｆ‘ＩｆＥ．　Ｊ＿ｆｐ　！　ｅ发　３９　２５　滴水到流，Ｋ　霄稳定　Ｈ．较　．２５・　流水　浅灰也　。一　Ｉ　＾｝　｛勺．　状ｆ句　．　ｌ　ｔ　们　．弛　『　ｌ化．ｊ　・｛　史ｆｌ－　的泥　…　伸　ｊ　．欣ｆ　Ｉ　浅ｆ勺｝Ｉ：包．掰帜　ｉ蜘．Ｊ！ｋ　构造．钠ｊ　５５　１７　湘｝　矧　斋，ｋ　ｒＩ　藏　ｉ　ｉ　７８　．ｆＩ　７　；．　．　尚Ｉｎｆ较、　ｄ　．　陬发ｆｊ．　ｉ　段　ｅ　Ⅲ　硒鄢　０　陵　３　４　经验公式的建立及　¨；Ｍ掘进性能预测　Ｊ　获　ｌ｛Ｍ１｛　＿ｆ水；　级　ｊ　ＴＢＭ　：＿’韭　｝　能ｊ，ｆ。川　父系，ｊｆⅡ过　【Ｉｊ　ｌ　｝ｆＪ　分　４　－　１　ｆｆ１，　‘ｊ　Ｉｌｊ：Ｉｊ　ｊ享：ｆ　ｆ）、　鼽ｌｊ　ｒ　迷　（，，、　）、帕！ｉ　进｝　（Ｉ／ｔ）埂”｝　ｊ　数（，，’／）ｆ　堡　验　－Ｉ＝，　给川：』　验公　，　｝　ｉ！Ｊ　４．１　，　１，Ｉｔ？与利用率（㈠回归分析　系　Ｔ１３Ｍ手『ｊＪ｛Ｊ等　０静ｊ　进¨、ｊｌ１ｉＪ　ｊ总　１　ｆＪ　ｉｊ『！，Ｊ｝　１分！匕　火：ｌ｝　究］Ｉ　Ｊ，　弛　－Ⅵ＝　Ｉ川Ｊ　缸（，）　的　ｉｉ　Ｊ　４，Ｊ　ｉｎ　：１）＿ｒＩＬＭ　Ｉ　ＩｊＪ、ｒ干ｊｊ　的　，也折　ｉ　７　“　的　ｌｌ：２、　ｎ　川ｆ　亨　，乏＿换　ｔ　’Ｉ’　ｉⅢｉ　：３　１　０：　川Ｉ匝　什，『之…　，　｛Ｊ’：Ｊ）Ｉ｛　他　１　Ｊ能　敏　室内单轴压缩试验图　¨ｇ．　）ｆ１　ｉＩＩ（ｈｌＩ，１　ｌｉｉｉＩ　ｌ×ｉｎｌ　Ｅ・ｔｌＩｉ１ｌｌＩｌ・　ｉ（１ｌＩ　ｉｔ　…ｌ，　良地质　”　ｍ　ｊｊ　Ｊｉ　（ｆ、的　“　ｊ　过Ｉ　－ｊ『Ｊ　１分昕｛　●　０　ＩＩＲ　Ｉｆｊｊｌ　Ｊ等　（，，１　聆…『Ｊ　ｉ　ｊ。　：　｝１．４３８　５，２１１　…２５　９７４　ｆ：一ｏ。００９　４　１，　川　”系数　：　：（）．８３３　１０ＩＲ　Ｊｊ平ＩＪｆ｛Ｊ　｛’　（ｒ’）ｎ　ｊ　系ｌ！！ｉ线＆Ｉｌｌ冬ｉ　６　ｆｉ玎，Ｊ　，　ＩｌＲ　干¨刊…半的ｆｌ　系数“达Ｉｌ）　８３３，ＩＩ．　文川　关系：随ｆ　尺ＩＩＲ　ｆｆｌ０ｊ曾　｛｝，　ｌ’ｌ　、ｌ　ｒ《ｌ｝ｊ　ｊ　渐丁｝　、　．　！　图５　Ｔｌ｛Ｍ施工现场洞壁照片　５　ｌ￣｝ｍｌｏ【Ｉｆ．Ｉｌｌｌｌｌｌ￣・Ｉ、、：ＩｌＩ　ｔｌ　’ｌ　１¨ｌ＿ｔ￣．１ｌ１　ＲＩＩ１７为５０～７０　ｉ　ｆ、Ｊ利川串　ｉ　划峰　．此　刊川　随　，，　的增　渐降　：　，　ｗ　『ｆ『　６８．２　处刊川　｝　』Ｉ２　．　３３，６２ｑ，￣．ｆｒ　Ｒ，Ｉｌｌ？ｆｆ　０　７５　８６，，　下０ｊ｝Ｊ　２；．ＪＩ｛Ｉ，ｊ、，　６期　健，　：　Ｊ　Ｊ　ＲＭＲ　体分级系统的ＴＢＭ掘进悱能参数预测　７０５　为６．２５％．最大利刚牢为最小利刚率的５．３７倍。山此　ＲＭＲ　对ＴＢＭ的施　利用率有较大的影响　、针　埘Ｊ１１松供水　秤。ｒｆ１表３可知最长的与地质条ｆｔ￣Ｉ：ｔ关的　停Ｉ　时　发　卜　Ｒ，１４Ｒ为２５．８６处，停工时间高达　￣，ｌｌｑ‘　的４７．９２％。引松供水工程的平均ＯＲＤ、Ｕ、ＧＲＲＤ百　分比分布如图７所示，可见该工程的平均利用率为　２２．３６％，与地质条件相关的停工时问约【　总］　期的　２５．９７％，其他停＿Ｔ时间约占总工期的５１．７３％。　表３不同地质单元刖　及　ＦＢＭ的性能预测参数数值分布表　Ｔａｂｌｅ　３　ＲＭＲ　ｏｆ　ｄｉｌｆ￣＇ｔ　ｌ　Ｉｌｌ】　’ａｌ　ｔｌｎｉｌｓ　ａｎｄ　Ｉｌｌｌｌｌ　ｉ㈨ｌ　ｄｉｓｌ　ｖ’ｉｂｕｔｉｏｎ　ｏｆ　ｅｓｔｉｍａｔｅｄ　ｐｅｒｆｏｒｍａｎｃｅ　ｐａｒａｍｅｔｅｒｓ　ｏｆ　ＴＢＭ　名称　………　ＫＩ￣／ｍ　、　均　。ＲＱＤ／％　Ｄｆ　ｍ　２０　１（】６　ＵＣＳ／ＭＰａ　ｌ４５　３１　８ｌ　４２　ＰＲ／　ＡＲ／　ｂ７　Ｉ／　Ｕ／　ＧＲＲＤ／ＯＲＤ／总ｆｌ＝‘Ｉ　％　％　日，　『１／　／％　７１．６５　ＲＭＲ　８ｏ　ｌ　２７９　８　７９ｌ　１　２５０　２　ｌ５４　１　５１０　（『（ｎ１Ｔ１／ｈ）／ｈ）　（ｍ／）（ｍ／ｈ）　［ｋＮ／（ｍｎ１　『　（ｒｎ／）ｌ／ｒ）］　％　４．２８　４．０８　石英闪长　花岗岩　凝灰质砂　凝灰岩　闪长岩　７８．２３　５６．１　ｌ　４５．８６　５０．４７　６０．３４　１．２ｌ　１．２４　；　ＣＩ　Ｉ　鳃　跎　０．３７　０　６３　０．６４　０．９ｌ　０．４２　０　２８　（）．９６　Ｏ．８８　舳　６９．５ｌ　７８．４６　４．２６　４　３１　５．２７　５．１０　３．４８　２．９８　４　２８　４．３４　帅　１．０７　一一，　，　◆　３６．２５　１３，５８　ｌ５．５６　ｌ６．８６　ｌ８．Ｏ３　２２．４　２８．３５　ｌ５　２３　５６．４２　３０．２８　ｌ８．６３　５１．【）９　６９　７２　２５．１４　２０．６６　５４．２　７４．８６　Ｌ　ｘ　０．９２　１．１８　１．７１　０．３６　０．１９　０．８７　１．１８　２１．３７　３２．１４　４６．４９　７８．６３　１　７．２２　６０．３８　７７．６　８ｉ　（：ｌ…２，　Ｄ　ｎＩ１　２．７２　ｌ《）８　５６　７８．２８　４５．２５　ｌ０Ｏ．６９　ｌ３６　８９　灰岩　灰岩　捩　．夹泥　、砂　２　０９４　ｌ　９３５　３　３０３　２５０　６８．２２　３９．２５　２５．８６　５５．３７　７３．５６　２２．４５　ｌ２．３６　ｌ２．５６　３３．６２　１　３．９８　５２．４　１０．３３　３６．５３　５３．１４　６．２５　４７．９２　４５．８３　２０．３６　３Ｏ．２２　４９．４２　２７．１３　２４．９５　４７．９２　６６　３８　８９　６７　９３．７５　７９　６４　７２．８７　２．ｉ　ＣＩ一２，１１　钠Ｋ斑　凝灰岩　Ｊ３　ｌ８．８９　３Ｏ．２３　３８９　４０　３５　看出：ＲＭＲ与　也呈二次相关，Ｐ尺在ＲＭＲ为６０～　３０　７０区间段内达到峰值，当ＲＭＲ过大或者过，Ｊ，Ｈ，ｊ－，ＴＢＭ　的掘进速度都较小；在ＲＭＲ值为６０．３４处ＰＲ最大，　为５．２７　ｎｒ／ｈ，在ＲＭＲ值为２５．８６处Ｐ尺最小，为　ｊ　｝　｛　ｊ　２５　萋２０　１５　１０　‘　２．９８　ｍ／ｈ，最大掘进速度为最小掘进速度的１．７７倍　／　！．　一　０．００９　４ｅｄｔＲ－￣＋１．４３８　５／￣１－２５．９７４　０．８３３　』　４０　５【　Ｊ６（Ｉ　７０　８【　ｊ９（ｊ　６・０　５・０　●　２Ｉ｝　ＲＭＲ　２　４・０　图６　ＲＭＲ与利用率（ｆ／）的关系曲线　Ｆｉｇ．６　ＣｏｉＴｅｈｉｌｉｏｎ　ｏｆ　ＲＭＲ　ａｎｄ　ｕｔｉｌｉｚａｔｉｏｎ（Ｕ）　≥３．０　、■’　ｆｌ　０．０Ｄｌ　ｌｍ　＋　ｌ５０　８ＲＭＲ－０．３１　２　５　Ｒ　＝０．７２７　ｌ　３０　４０　５０　６０　７０　８Ｕ　ＲＭＲ　、　匿２Ｏ　．１．０　０．０　２０　图８　ＲＭＲ与掘进速度（　）的关系曲线　Ｆｉｇ．８　Ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ＩＬＭＲ　ａｎｄ　ＰＲ　图７平均ＯＲＤ、ｔ　’、ＧＲＲＤ百分比分布图　¨ｇ．７　“。Ｐｉ￣ｌａｇｅ　ｄｉｓｔｌ’ｉｌｍｔｉｏ　ｕ１　ｏｌ　ａｖｅｉ’ａｇｅ　ＯＲＤ．Ｕ　ａｌｌ（｜ＧＲＲＤ　４．３　ＲＭＲ与施工进度（ＡＲ）回归分析　施工进度（ＡＲ）不仅与ＴＢＭ的掘进速度（　）有　关，　４．２　ＲＭＲ与掘进速度（尸刖回归分析　掘进速度（ＰＲ）表征ＴＢＭ掘进的快慢，是评价　ｊ．掘进的地质条件、施工机械以及各种人为冈　素有关　。通过回归分析建立的ＲＭＲ　Ｊｊ施工进度　（ＡＲ）的经验回归公式为：　尺＝一０．０００　５ＲＭＲ　＋０．０７５　７ＲＭＲ一１．５４０　８　ＦＢＭ掘进　％ｆｉｉ￣的最币＝要指标。通过同『Ｊｌ１分析建　的　ＲＩ４Ｒ　Ｉ＿Ｉｊ栅进速度（ＰＲ）的经验　．公式为：　相关性系数为：　Ｒ　＝０．７８３　ｌ。　ＰＲ：一０．Ｏ０ｌ　１　ＲＭＲ！＋０１５０　８Ｒ．，１，ＩＲ一０．３ｌ２　５　相天性系数为：　Ｒ　：０．７２７　１一　通过同归分析得出ＡＲ与ＲＭＲ　二次　的天系，　如　９所示。ＡＲ在ＲＭＲ为６０～７０区间内取得峰值，　ＲＭＲ　掘进速度（ＰＲ）的关系ｆ｛ｆｆ线见　８。可以　ＡＲ最大竹为Ｉ．７１　ｍ／ｈ，是最小值０．１９　ｍ／ｈ的９侪，可　窿莲建谨　第３７卷　见ＲＭＲ对施工进度（ＡＲ）有很大的影响。经分析得出　ＲＭＲ对施工进度有巨大影响的原因是：当ＲＭＲ值较　Ｌ　Ｌ　Ｌ　Ｌ　Ｌ　ｍ　ｍ　ｍ　ｍ　ｎ　８　６　４　２　０　８　６　４　２　０　５结论与讨论　１）ＲＭＲ与利用率（Ｕ）、掘进速度（ＰＲ）、施　进度　（ＡＲ）均呈现二次相关关系，ＲＭＲ与贯入度指数（Ｆｔ，，）　一　＼ｌⅡ一＼　弋　低（ＲＭＲ＜３０～４０）时，地质条件较差，ＴＢＭ经常停止　掘进，大量的时间用于围岩的支护，导致施工进度较　为线性相关关系，相关性系数均在０．７以上，其中利用　率（Ｕ）与ＲＭＲ的相关性系数商达０．８３３，　用ＲＭＲ　慢；当ＲＭＲ值较高（ＲＭＲ＞７０～８０），岩体的完整性和　强度均较高，滚刀很难切人岩体，导致贯入度小，切削　效率低，掘进速度慢，施工进度也较慢。　体分级可以较好地评估ＴＢＭ的掘进性能。　２）吉林引松供水工程最长的与地质条件卡¨关的停　工时间发生在ＲＭＲ为２５．８６处，利用率（　）、掘进速度　●　●　一一一—　一　尊一Ｉ　●　／　／一／，．◆　　｝…　Ｌ　…　…　１　一　＿　２０　３０　４０　５０　６０　７０　８０　９Ｏ　ＲＭＲ　图９　ＲＭＲ与施工进度（ＡＲ）的关系曲线　Ｆｉｇ．９　Ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ＲＭＲ　ａｎｄ　ＡＲ　４．４　ＲＭＲ与贯入度指数（ＦＰＩ）的回归分析　大量研究表明，岩石的可掘性可用单刀推力和贯　人度的比值即贯人度指数（删）来衡量　－２９１。通过　回归分析建立的ＲＭＲ与贯入度指数（删）的经验回　归公式为：　ＦＰＩ＝０．４１９　８ＲＭＲ一３．４６３　１　相关性系数为：　Ｒ　＝０．７３７　２。　ＲＭＲ与贯人度指数（ＦＰ，）的关系曲线见图１０。　可以看出：删与ＲＭＲ呈线性关系，随着ＲＭＲ值的增　加，贯入度指数（　，）也逐渐增加；　’Ｐ，最大值为　３６．２５　ｋＮ／（ｍｍ／ｒ），为最小　，值１２．３６　ｋＮ／（ｍｍ／ｒ）　的２．９３倍。表明当岩体强度越高且完整性越好时，单　位切深所需的推力越大，即岩石的可掘性越低；反之，　岩体强度越低、节理裂隙发育程度越高时，单位切深所　需的推力越小，即岩石的可掘性越高。　◆　；　ＥｄＩ＝０．童　４Ｄ１２一９ｎ　１’１　８Ｒｂ￣－＇　３．　４６３　１　７　／　一　毒　＿　◆　●　一，，，　●　／　２０　３０　４０　５０　６Ｏ　７０　８０　９０　Ｒ　图１０／ＯＩＲ与贯入度指数（ＦＰ，）的关系曲线　Ｆｉｇ．１０　Ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ＲＭＲ　ａｎｄ　ＦＰＩ　（ＰＲ）、施工进度（ＡＲ）的最大值均在ＲＭＲ为５０～７０　问段内。　３）当ＲＭＲ＝５０～７０时，岩体具有较好的掘进性　能；当岩体条件较差（ＲＭＲ＜３０～４０）或　岩体条件极　好（ＲＭＲ＞７０～８０）时，岩体的ｌ【｜ｒ掘性均较差。　４）吉林引松供水　Ｌ程ＴＢＭ掘进的平均利用率为　２２．３６％，与地质条件相关的停工时问约占总工期的　２５．９７％，其他停工时问约（　总　【　期的５１．７３％。　５）ＴＢＭ施工过程中应该加强现场的设备管理和　施工管理，提出相应的控制措施，降低故障的发牛次　数，减少不必要的停　：时间，增加ＴＢＭ掘进速率及利　用率。　６）因为ＴＢＭ数据是建立在吉林引松供水】　础上，因此数据具有局限性，结论仅适用于类似地质条　件＿丁程，下一步工作将扩大数据样本，以便获取更有将　遍意义的结论。　参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：　［１］　李术才，刘斌，孙怀风，等．隧道施ｌ：趟ｆ｝订地质顺报　究现状及发展趋势［Ｊ］．柑石力学与　程学报，２０１４．３３　（６）：１０９０—１ｌ１３．　Ｌ１　Ｓｈｕｃａｉ，ＩＪＵ　Ｂｉｎ，ＳＵＮ　Ｈｕａｉｆｅｎｇ，ｅｔ　ａ１．Ｓｔａｔｅ　ｏｔ’ａｒｔ　ａｎｄ　ｔｒｅｎｄｓ　ｏｆ　ａｄｖａｎｃｅｄ　ｇｅｏｌｏｇｉｃａｌ　ｐｒｅｄｉｅｔｉｏｎ　ｉｎ　ｔｉｌｌ¨ｌｅｌ　ｃｏｎｓｔｒｕｃｔｉｏｎ『Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｏｃｋ　Ｍｅｅｈａｎｉｃｓ　ｌＩｌ（１　Ｅｎｇｉｎｅｅｒｉｎｇ，２０１４，３３（６）：１０９０一ｌＩ　１　３．　［２］Ｔａｋｕｊｉ　Ｙａｍａｍｏｔｏ，Ｓｕｇｕｍ　Ｓｈｉｒａｓａｇｉ，Ｓｈｉ％ａ　Ｙａｍａｎｘ￣ｔｏ，ｅｔ　ａＩ　．Ｅｖａｌｕａｔｉｏｎ　ｏｆ　ｔｈｅ　ｇｅｏｌｏｇｉｅａＩ　ｃｏｎｄｉｔｉｏｎ　ａｈｅａｄ　ｏｆ　ｔｈｅ｜Ｈｎｌｌｆ　Ｉ　ｔｈｅｅ　ｂｙ　ｇｅｏｓｔａｔｉｓｔｉｃａｌ　ｔｅｃｈｎｉｑｕｅｓ　ｕｓｉｎｇ　ＴＢＭ　ｄｌ’ｉｖｉｎｇ　ｄａｔａ　ｆ　ｊ　１．　Ｔｕｎｎｅｌｌｉｎｇ　ａｎｄ　Ｕｎ（１ｅｒｇｒｏｕｎｄ　Ｓｐａｃｅ　Ｔｅｃｈｎｏｌｏｇｙ．２００３，１８：　２１３—２２１．　［３］　Ｓａｐｉｇｎｉ　Ｍ，Ｂｅｒｔｉ　Ｍ，Ｂｅｔｈａｚ　Ｅ，ｅｔ　ａ１．ＴＢＭ　ｐｅｒｉｆ｝ｒｍｍｌ（　ｅｓｔｉｍａｔｉｏｎ　ｕｓｉｎｇ　ｒｏｃｋ　ｍａｓｓ　ｃｌａｓｓｉｆｉｃａｔｉｏｎｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｏｃｋ　Ｍｅｃｈａｎｉｃｓ　ａｎｄ　Ｍｉｎｉｌｌｇ　Ｓｃｉｅｎｃｅｓ，２００２，　３９：７７１—７８８．　［４］　ｆｊ旭，李哓，李守定．天于川岩休分类预测ＴＢＭ捌进述半　ＡＲ的讨论［Ｊ］．　程地质学报，２００８，１６（４）：４７—５２．　ＷＡＮＧ　Ｘｕ，ＬＩ　Ｘｉａｏ，ＬＩ　Ｓｈｏｕｄｉｎｇ．Ｐｒｏｂｌｅｍｓ　ｉｎ　ｔｉｍ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｔｈｅ　ＴＢＭ　ａｄｖａｎｃｅ　ｒａｔｅ　ｗｉｔｈ　ｒｏｃｋ　ＨＩＨＳＳ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｎｄ　ｔｈｅｉｒ　ｐｏｓｓｉｂｌｅ　ｓｏｌｕｔｉｏｎｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　第６期　王健，等：基于ＲＭＲ岩体分级系统的ＴＢＭ掘进性能参数预测　７０７　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｇｅｏｌｏｇｙ，２００８，１６（４）：４７—５２．　［５］　白郁宇，张瑞仁．ＴＢＭ掘进速率预测模型的比较［Ｊ］．现　代隧道技术，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］　温森，赵延喜，杨圣奇．基于Ｍｏｎｔｅ　Ｃａｒｌｏ—ＢＰ神经网络　ＴＢＭ掘进速度预测［Ｊ］．岩土力学，２Ｏ０９，３０（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　ａ１．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］Ｐａｈｒｉｎｉｅｒｉ　Ｅ，Ｓａｎｄｒｏｎｅ　Ｆ，Ｚｈａｏ　Ｊ，ｅｔ　ａ１．Ａｎａｌｙｓｉｓ　ａｎｄ　ｅｓｔｉｍａｔｉｏｎ　ｏｆ　ｇｒｉｐｐｅｒ　ＴＢＭ　ｐｅｒｆｏｒｍａｎｃｅｓ　ｉｎ　ｈｉｇｈｌｙ　ｒｆａｃｔｕｒｅｄ　ａｎｄ　ｆａｕｌｔｅｄ　ｒｏｃｋｓ［Ｊ］．Ｔｕｎｎｅｌｌｉｎｇ　ａｎｄ　Ｕｎｄｅｒｇｒｏｕｎｄ　Ｓｐａｃｅ　Ｔｅｃｈｎｏｌｏｇｙ，２０１６，５２：４４—６１．　［１０］龚秋明，何冠文，赵晓豹，等．掘进机刀盘滚刀间距对北　山花岗岩破岩效率的影响实验研究［Ｊ］．岩土工程学　报，２０１５，３７（１）：５４—６０．　ＧＯＮＧ　Ｑｉｕｍｉｎｇ，ＨＥ　Ｇｕａｎｗｅｎ，ＺＨＡＯ　Ｘｉａｏｂａｏ，ｅｔ　ａ１．　Ｉｎｆｌｕｅｎｃｅ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　ｃｕｔｔｅｒ　ｓｐａｃｉｎｇｓ　ｏｎ　ｒｏｃｋ　ｆｒａｇｍｅｎｔａｔｉｏｎ　ｅｆｉｆｃｉｅｎｃｙ　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　１．　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　ｒｆａｇｍｅｎｔａｔｉｏｎ　ｂｙ　ＴＢＭ　ｃｕｔｔｅｒｓ［Ｊ］．Ｔｕｎｎｅｌｌｉｎｇ　ａｎｄ　Ｕｎｄｅｒｇｒｏｕｎｄ　Ｓｐａｃｅ　Ｔｅｃｈｎｏｌｏｇｙ，２００５，２０：１８３—１９１．　［１　３］　Ｂｅｎａｔｏ　Ａ，Ｏｒｅｓｔｅ　Ｐ．Ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｐｅｎｅｔｒａｔｉｏｎ　ｐｅｒ　ｒｅｖｏｌｕｔｉｏｎ　ｉｎ　ＴＢＭ　ｔｕｎｎｅｌｉｎｇ　ａｓ　ａ　ｆｕｎｃｔｉｏｎ　ｏｆ　ｉｎｔａｃｔ　ｒｏｃｋ　ａｎｄ　ｒｏｃｋ　ｎｌａｓｓ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｆ　Ｊ　Ｉ．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　ａ１．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　ｅｐｒｆｏｒｍａｎｃｅ　ｗｉｔｈ　ａｒｔｉｆｉｃＭ　ｎｅｕｒｌａ　ｎｅｔｗｏｒｋｓ［Ｊ］．Ｔｕｎｎｅｌｌｉｎｇ　ａｎｄ　Ｕｎｄｅｒｇｒｏｕｎｄ　Ｓｐａｃｅ　Ｔｅｃｈｎｏｌｏｇｙ，２０Ｏ４，１９：５９７－０：）５．　［１８］　ＺＨＡＯ　Ｚｈｉｙｅ，ＧＯＮＧ　Ｑｉｕｍｉｎｇ，ＺＨＡＮＧ　Ｙｕｎ，ｅｔ　ａ１．　Ｐｒｅｄｉｃｔｉｏｎ　ｍｏｄｅｌ　ｏｆ　ｔｕｎｎｅｌ　ｂｏｒｉｎｇ　ｍａｃｈｉｎｅ　ｐｅｒｆｏｒｍａｎｃｅ　ｂｙ　ｅｎｓｅｍｂｌｅ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ『Ｊ　１．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　Ｍ　ｅｃｈａｎｉｃｓ　ａｎｄ　Ｍｉｎｉｎｇ　Ｓｃｉｅｎｃｅｓ，２０１１，４８：４２７—４３３．　［２０］　Ｃａｓｓｉｎｅｌｌｉ　Ｆ，Ｃｉｎａ　Ｓ，Ｉｎｎａｕｒａｔｏ　Ｎ，ｅｔ　ａ１．Ｐｏｗｅｒ　ｃｏｎｓｕｍｐｔｉｏｎ　ｎａｄ　ｍｅｔａｌ　ｗｅａｒ　ｉｎ　ｔｕｎｎｅｌ－ｂｏｒｉｎｇ　ｍａｃｈｉｎｅｓ：Ａｎａｌｙｓｉｓ　ｏｆ　ｔｕｎｎｅｌ　ｏｂｒｉｎｇ　ｍａｃｈｉｎｅ　ｏｐｅｒａｔｉｏｎ　ｉｎ　ｈａｒｄ　ｒｏｃｋ［Ｊ］．Ｔｕｎｎｅｌｉｎｇ，１９８２：　７３—８】．　［２１］Ｐａｌｍｓ￣ｒｍ　Ａ．ＲＭＩ：Ａ　ｒｏｃｋ　ｍａｓｓ　ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ　ｓｙｓｔｅｍ　ｆｏｒ　ｒｏｃｋ　ｅｎｇｉｎｅｅｒｉｎｇ　ｐｕｒｐｏｓｅｓ［Ｄ］．Ｏｓｌｏ：Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｏｓｌｏ，１９９５：４００．　［２２］　Ｂａ￣ｏｎ　Ｎ．ＴＢＭ　ｐｅｒｆｏｒｍａｎｃｅ　ｉｎ　ｒｏｃｋ　ｕｓｉｎｇ　ＱＴＢＭ［Ｊ］．　Ｔｕｎｎｅｌｓ，１９９９，３１，４１—４８．　［２３］　Ｊａｆａｒ　Ｋｈａｄｅｍｉ　Ｈａｍｉｄｉ，Ｋｏｕｒｏｓｈ　Ｓｈａｈｒｉａｒ，Ｂａｈｒａｍ　Ｒｅｚａｉ，　ｅｔ　ａ１．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｆｕｚｚｙ　ｓｅｔ　ｔｈｅｏｒｙ　ｔｏ　ｒｏｃｋ　ｅｎｇｉｎｅｅｒｉｎｇ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｓｙｓｔｅｍｓ：Ａｎ　ｉｌｌｕｓｔｒａｔｉｏｎ　ｏｆ　ｔｈｅ　ｒｏｃｋ　ｍａｓｓ　ｅｘｃａｖａｂｉｌｉｔｙ　ｉｎｄｅｘ『Ｊ］．　Ｒｏｃｋ　Ｍｅｃｈａｎｉｃｓ　ａｎｄ　Ｒｏｃｋ　Ｅｎｇｉｎｅｅｒｉｎｇ，２０１０，４３（３）：３３５—３５０．　［２４］蔡美峰，何满潮，刘东燕．岩石力学与工程［Ｍ］．北京：　科学出版社，２００２．　ＣＡＩ　Ｍｅｉｆｅｎｇ，ＨＥ　Ｍａｎｃｈａｏ，ＬＩＵ　Ｄｏｎｇｙａｎ．Ｒｏｃｋ　ｍｅｃｈａｎｉｃｓ　ｎａｄ　ｅｎｇｉｎｅｅｉｒｎｇ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｓｃｉｅｎｃｅ　Ｐｒｅｓｓ，２００２．　［２５］Ｓａｐｉｇｎｉ　Ｍ，Ｂｅａｉ　Ｍ，Ｂｅｈｔａｚ　Ｅ，ｅｔ　ａ１．ＴＢＭ　ｐｅｒｆｏｒｍａｎｃｅ　ｅｓｔｉｍａｔｉｏｎ　ｕｓｉｎｇ　ｒｏｃｋ　ｍａｓｓ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｏｃｋ　Ｍｅｃｈａｎｉｃｓ　ａｎｄ　Ｍｉｎｉｎｇ　Ｓｃｉｅｎｃｅｓ，２００２，　３９：７７１—７８８．　［２６］Ｐａｈｒｉｎｉｅｒｉ　Ｅ，Ｓａｎｄｒｏｎｅ　Ｆ，Ｚｈａｏ　Ｊ，ｅｔ　ａ１．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．Ｉｌｆｎｕｅｎｃｅ　ｏｆ　ｒｏｃｋ　ｍａｓｓ　ｐａｒａｍｅｔｅｒｓ　ｏｎ　ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ａ　ＴＢＭ　ｉｎ　ａ　ｇｎｅｉｓｓｉｅ　ｆｏｒｍａｔｉｏｎ（Ｖａｒｚｏ　Ｔｕｎｎｅ１）［Ｊ］．Ｒｏｃｋ　Ｍｅｃｈａｎｉｃｓ　ａｎｄ　Ｒｏｃｋ　Ｅｎｇｉｎｅｅｒｉｎｇ，　２００５，３８（２）：１０５—１２７．　［２８］　ＧＯＮＧ　Ｑ　Ｍ，ＺＨＡＯ　Ｊ．Ｉｌｆｎｕｅｎｃｅ　ｏｆ　ｒｏｃｋ　ｂｒｉｔｔｌｅｎｅｓｓ　ｏｎ　ＴＢＭ　ｐｅｎｅｔｒａｔｉｏｎ　ｒａｔｅ　ｉｎ　Ｓｉｎｇａｐｏｒｅ　ｇｒａｎｉｔｅ［Ｊ］．Ｔｕｎｎｅｌｌｉｎｇ　ａｎｄ　Ｕｎｄｅｒｒｇｏｕｎｄ　Ｓｐａｃｅ　Ｔｅｃｈｎｏｌｏｙｇ，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，２０１　１，２６：　５９５—６０３．