基于机器学习的TBM性能预测方法

发布时间：2024-05-27 00:39

　　当下阶段的TBM(硬岩掘进机)工法,对于地质条件的适应性较差,掘进过程中易出现掘进速度慢、利用率低等情况。虽然现有的TBM大多配备数据采集系统,可实时采集TBM机械、电液参数,但是,对影响TBM掘进的因素及对应相关性缺乏研究,导致操作参数与岩体条件无法良好匹配,无法完全发挥TBM高效的施工优势,从而导致工期延误、成本剧增等问题。因此,如何了解TBM性能参数对地层条件及控制参数的响应规律,实现对TBM性能参数的准确预测,是减少延误、控制成本、提高TBM施工效率、保障隧道施工工期的重要方法。为了解决上述问题,本文以基于循环神经网络(RNN)的TBM掘进速度时序预测方法与基于神经网络-遗传算法(BPNN-GA)的TBM利用率预测方法研究为核心。采用理论分析、算法改进、工程验证等方法,建立了掘进速度以及利用率的预测模型,开发了基于浏览器/服务器模式(B/S)架构的TBM掘进性能在线预测平台。在此基础上,在吉林引松供水工程四标段开展了工程应用,验证模型的准确性和合理性。本文的主要研究工作及成果如下:(1)提出了基于LSTM循环神经网络和光滑约束的RNN净掘进速度时序预测模型。通过研究RNN神经网...

【文章页数】：103 页

【学位级别】：硕士

【部分图文】：

图２．４试验照片??Ｆｉｇ．?２．４?Ｔｅｘｔ?ｐｈｏｔｏ??

？讚?ｔ－?１??日钃?｜２０１６Ｘ）３＾?ｊ??图２．３地质素推图??Ｆｉｇ．?２．３?Ｇｅｏｌｏｇｉｃａｌ?ｓｋｅｔｃｈ??（２）单轴抗压强度与脆性指数获取方法??单轴抗压强度与抗拉强度的获取涉及到多个步骤，首先需要从现场获取岩芯，??其次将岩芯制备成可进行室内试验的岩芯样本....

图２．５加入岩体状态兄的单元输入情况??Ｆｉｇ．?２．５?Ｕｎｉｔ?ｉｎｐｕｔ?ｃｏｎｄｉｔｉｏｎ?ｏｆ?ｒｏｃｋ?ｓｔａｔｅ?Ｒｔ?ａｄｄｅｄ??

优化目标的一部分加入到损失函数中，用于限制二者的差值并不断矫正岩体参数??传播通道中的“状态参数”。该通道将间断输入的岩体参数作为先验信息添加到网??络中，起到分段矫正网络训练结果的作用。如图２．５所示，在ｆ时刻，有？－１时刻??的单元状态Ｃｍ、隐含状态以及ｆ时刻的输入数据（本研....

图２．６改进的ＬＳＴＭ网络单元结构示意图??Ｆｉｇ．?２．６?Ｉｍｐｒｏｖｅｄ?ＬＳＴＭ?ｎｅｔｗｏｒｋ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??

保证长序列数据梯度传播稳定性的能力的基础上，进行预测模型的设计。??因此，在ＬＳＴＭ网络基础上，加入２．３．］中所叙述的岩体状态通路，本研究所设??计出的改进ＬＳＴＭ网络单元模型如图２．６所示。??＃招进逨唆??＾?Ｃ，．／?＠?ＶＵ状ｆ?Ｃ，??／１Ｈ－ｉ?ｖ．：：－?Ｋ．?１....

图２．１０净掘进速度预测均值百分比误差情况??

?测值，对于由于维修或者卡机等其他原因导致的全天停机情况，则从测试集随机??抽取一组掘进循环数据进行补充，其预测结果如图２．９及图２．１０所示：??＾?９（１?ｒ￣—?—???？Ｓ?８０?一?＊?？?１?ｆ￣ｇ－；?Ｔｆ??Ｉ?７０?卜－二爷觀，？？?；，－ｒＶＨ－?—?——令?....

本文编号：3982523