耙吸挖泥船因其具有装载量大、装卸方便、机动灵活、能适应风浪等多种恶劣施工环境的特点,在航道疏浚,港口码头建设等领域得到了广泛使用。耙吸挖泥船传统的施工方式过于依赖于施工人员的经验,导致其疏浚生产水平不高。随着大数据与人工智能技术的广泛应用,智能疏浚成为疏浚行业新的发展方向;同时国家进行生态文明建设,走可持续化发展道路,生态疏浚、绿色疏浚成为未来发展潮流。鉴于此,开展耙吸挖泥船疏浚技术智能化研究具有非常重要的意义。本文在中国交通建设股份有限公司科技研发项目“生态智能疏浚技术创新体系构建及关键技术研究与应用”的支持下,针对耙头挖掘过程复杂,耙头产量预测精度低以及当前的疏浚性能评估方式不能真实、客观的反映耙吸挖泥船施工状况的难题,在耙头挖掘系统建模、施工数据预处理与特征选择、耙头产量预测以及疏浚性能评估等方面开展了研究。研究成果为耙吸挖泥船施工效率的提高提供了有效的技术支持,对提高我国耙吸挖泥船智能化水平具有积极地意义。课题的主要工作如下:(1)耙头挖掘机理与模型分析。首先对耙头工作原理进行分析,然后对耙头建立了耙头产量模型、耙头切削模型以及耙头压力损失模型。使用波浪补偿器模拟风浪对耙头挖掘过程的影响,并建立了波浪补偿器的数学模型。(2)施工数据的预处理与特征选择。首先对实测的施工数据进行预处理,包括:数据的归一化、标准化、缺失值处理、异常值检测、小波阈值滤波处理。然后采用遗传算法对影响耙头产量的施工参数进行特征选择,筛选出影响耙头产量的最优子集。(3)耙头产量预测研究。针对目前耙头产量预测精度低,时效性差的问题,首先提出了使用BP神经网络、T-S模糊神经网络、极限学习机(ELM)三种方式进行预测。实验仿真表明极限学习机预测效果最好。然后针对极限学习机随机初始化权值与阈值导致模型泛化能力弱的问题,提出了三种优化方案:遗传算法(GA)、粒子群算法(PSO)、蝙蝠算法(BA)。实验仿真表明蝙蝠算法优化的极限学习机模型预测性能最好。然后使用此模型模拟耙头施工过程,分析耙头产量最佳时施工参数的最佳组合。最后与传统的耙头产量模型进行对比,实验表明该模型较传统模型预测性能得到了很大的提升。(4)疏浚性能评估。目前耙吸挖泥船的施工状况依赖于施工人员的观测,这种手段不能全面、客观的反映其疏浚性能。本文考虑了挖泥船的耙头特性、泥泵特性以及装舱特性,构建多指标融合的疏浚性能评估方案来解决上述问题。各疏浚性能指标权值采用熵值法进行计算,使用厦门港、曹妃甸的实测数据对其疏浚性能进行综合评价。研究表明该方法不受施工场地与船型尺寸的影响,摆脱了施工人员的主观经验干扰,更加客观的反映耙吸挖泥船的施工状况,具有非常重要的工程应用价值与市场前景。