基于IPSO-BP混合模型的TBM掘进参数预测

发布时间：2021-12-29 08:39

　　通过TBM上升段数据预测稳定段的掘进参数,可以在每个掘进循环的起始阶段预测出各掘进参数的建议值,辅助进行TBM掘进参数的设置和优化调整。提出一种基于改进粒子群算法优化BP神经网络（Improvedparticle swarm optimization-back propagation,IPSO-BP）的TBM掘进参数预测模型,采用自适应惯性权重对标准PSO算法进行改进,并基于改进PSO算法对BP网络的连接权值和偏置进行优化。基于吉林引松工程TBM3标段802 d的TBM运行数据对训练集和测试集进行划分。选取TBM掘进上升段前30 s的刀盘扭矩、贯入度、刀盘功率、推进速度、总推进力5个掘进参数变化特征（均值和线性拟合斜率）,以及岩性、围岩分级和地下水活动情况3个地质参数作为模型的输入,并通过试验法确定模型的3个关键超参数（隐含层节点数、学习率和粒子群种群规模）,预测稳定掘进时的推进速度v、总推进力F和刀盘扭矩T。结果表明,所提出的模型对TBM稳定掘进段参数的预测拟合优度均达0.85以上,平均绝对百分误差均小于12.68%,相比于BP模型和PSO-BP模型具有更高的预测精度。 

【文章来源】：岩石力学与工程学报. 2020,39(08)北大核心EICSCD

【文章页数】：10 页

【部分图文】：

某一天中TBM掘进参数变化曲线402000102030405060708090掘进时间/(10s)

【参考文献】：
期刊论文
[1]基于改进粒子群优化算法和极限学习机的混凝土坝变形预测[J]. 李明军,王均星,王亚洲.  天津大学学报(自然科学与工程技术版). 2019(11)
[2]NSVR硬岩隧道掘进机刀盘扭矩预测分析[J]. 王超,龚国芳,杨华勇,周建军,段理文,张亚坤.  浙江大学学报(工学版). 2018(03)
[3]基于RMR岩体分级系统的TBM掘进性能参数预测[J]. 王健,王瑞睿,张欣欣,刘海东,庞永昊.  隧道建设. 2017(06)
[4]基于力学分析的TBM掘进总推力预测模型研究[J]. 周思阳,亢一澜,苏翠侠,张茜.  机械工程学报. 2016(20)
[5]硬岩隧道掘进机性能预测模型研究进展[J]. 刘泉声,刘建平,潘玉丛,孔晓璇,崔先泽,黄诗冰,魏莱.  岩石力学与工程学报. 2016(S1)
[6]粒子群优化算法中惯性权重综述[J]. 周俊,陈璟华,刘国祥,许伟龙.  广东电力. 2013(07)
[7]TBM盘形滚刀破岩力计算模型研究[J]. 刘泉声,时凯,朱元广,黄兴.  煤炭学报. 2013(07)
[8]BP神经网络隐层单元数确定方法[J]. 焦斌,叶明星.  上海电机学院学报. 2013(03)
[9]粒子群优化算法种群规模的选择[J]. 张雯雰,王刚,朱朝晖,肖娟.  计算机系统应用. 2010(05)
[10]分组合作多智能体算法优化BP神经网络的权值以及阈值[J]. 宋振雷,吴雪松.  电子测试. 2010(04)

硕士论文
[1]基于线性回归和深度置信网络的TBM性能预测研究[D]. 罗华.浙江大学 2018
[2]基于PSO-SVR算法的TBM掘进效率预测及围岩分级研究[D]. 熊帆.长安大学 2016



本文编号：3555781