基于长短期记忆网络的TBM掘进预测模型及围岩等级对预测精度的影响

摘要：

全断面隧道掘进机(TBM)施工过程可以采集大量丰富数据,这使得建立数据驱动的TBM掘进预测模型成为可能.为探究围岩等级信息对模型预测精度的影响,以TBM掘进循环上升段数据为主要输入,基于深度学习中的长短期记忆(LSTM)网络,建立两种考虑围岩等级信息的、一种不考虑围岩等级信息的TBM稳定段推力、扭矩预测模型.保持其他条件相同,对三种模型进行训练、测试.结果表明,在由于围岩等级分布不均匀而导致的训练样本数较少的情况下,可以通过精确的掘进循环参数提取与数据增强,使三种模型预测推力、扭矩时均能达到较高的精度(误差分别在8％、14％以内).两种引入围岩等级信息作为输入参数的方法并不能明显提高模型的预测精度.三种模型中,以围岩等级信息作为LSTM网络初始状态的模型,其预测精度以不到1％的优势领先其他模型的预测精度.该优势主要由于该模型能够较好地预测V级围岩中的掘进循环稳定段参数.

关键词：全断面隧道掘进机(TBM)、掘进参数预测、长短期记忆模型(LSTM)、围岩等级影响

所属期刊栏目：55

分类号：TU45(土力学、地基基础工程)

资助基金：科技部创新人才推进计划;中国水利水电科学研究院陈祖煜院士发起TBM掘进参数数据分享与机器学习:平行分析研讨交流计划

在线出版日期：2023-01-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：92-102