基于优化BP神经网络的TBM性能预测

发布时间：2024-11-27 21:23

　　 由于隧道掘进机(tunnel boring machine,TBM)掘进速度与机器参数、岩体参数之间的非线性关系复杂,难以准确预测,为了构建可靠的TBM性能预测模型,分析TBM掘进速度的主要影响因素,提出应用模拟退火算法(SA)和遗传算法(GA)优化BP神经网络的TBM性能预测模型,并使用吉林引松供水工程的TBM数据库对GA-BP模型和SA-BP模型进行训练测试。结果表明,与传统BP神经网络方法相比,优化后的模型预测泛化性更好,且精度明显提高。优化后的BP神经网络能在一定程度上克服易陷入局部最优的缺陷,应用于TBM性能预测具有良好表现。

【文章页数】：7 页

【部分图文】：

图1 SA-BP算法流程

温度每下降一次,需在当前温度下设置合适的内循环迭代次数[15],保证算法可以在搜索空间内充分选择。算法终止后,优化得到的权值阈值作为BP神经网络的初始权值阈值,然后BP网络训练直至收敛,SA-BP算法流程见图1。1.3遗传算法-神经网络(GA-BP)算法

图2 GA-BP算法流程

遗传算法借鉴了生物界的进化规律,采用概率化的寻优方法,能自动获取和指导优化的搜索空间,并自适应调整搜索方向[16]。在GA-BP中,神经网络的所有权值阈值构成种群中的个体,初始化生成若干组权值阈值构成初始种群。初始种群通过交叉变异不断淘汰适应度差的个体,最终获得最优个体。GA-B....

图8 改进BP模型的预测值与实际值

图7BP模型的预测值与实际值5结论

图3 神经网络结构

建立TBM性能预测模型,首先选取与掘进速度最相关的因素。TBM的机器参数超过100种,岩体力学参数也有多种[18]。其中,岩石的单轴抗压强度(UCS)、岩石的耐磨性、岩体结构面发育程度及主要结构面产状与隧道洞轴线方位的夹角(α,下文简称节理夹角)等是TBM效率能否发挥的主要影响....

本文编号：4012706