基于门控循环单元的全断面掘进机稳定段掘进性能预测

摘要：

全断面隧道掘进机(tunnel boring machine,TBM)一个正常掘进循环分为空推段、上升段和稳定段3个阶段,其中稳定掘进段为主要施工阶段,稳定段掘进性能的好坏是TBM掘进的关键.为实现TBM安全高效掘进,建立一种基于门控循环单元(gated recurrent unit,GRU)神经网络的预测模型,预测TBM稳定段掘进性能.模型以新疆某供水工程Ⅱ标段TBM施工数据为依托,5种掘进循环上升段主要参数的时间序列数据作为主要输入,围岩等级作为辅助输入来考虑岩体对掘进性能的影响,输出为稳定段的总推进力和刀盘扭矩,为稳定段TBM性能预判提供参考.为显示预测效果,对比传统循环神经网络(recurrent neural network,RNN)预测模型,并分析不同长度时间序列输入对模型预测精度的影响.结果表明:GRU模型预测拟合优度均在0.9以上,平均绝对百分比误差均小于12.25％,同时能够适用不同长度时序输入.由此可见,所建模型具有较高预测精度,泛化能力较好,能够辅助预判掘进机稳定段性能.

关键词：地下工程、全断面掘进机(TBM)、门控循环单元(GRU)神经网络、掘进性能预测、围岩等级

所属期刊栏目：22

分类号：U455(隧道工程)

资助基金：国家重点研发计划2018YFB1702500

在线出版日期：2023-04-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：14443-14450