基于深度学习的TBM掘进参数预测研究

发布时间：2021-07-25 00:18

　　随着全断面隧道掘进机（TBM）不断投入到隧道工程建设中,TBM掘进参数的自适应调整显得越来越重要。由于在开挖之前难以准确预测地质条件,因此基于现场监测数据预测刀盘扭矩及总推力等某些重要的掘进参数对TBM掘进参数的适应性调整具有重要作用。文章以吉林引松供水工程TBM3标段为研究对象,引入可以考虑数据时间相关性的深度学习方法——长短时记忆网络（LSTM）,依据TBM掘进循环上升段前30 s的掘进参数提出了可以对稳定段总推力和刀盘扭矩准确预测的模型。结果表明,稳定段总推力和刀盘扭矩的预测精度较高,分别达到了91%和89%;相比于随机森林模型,LSTM模型可以充分利用大量的TBM掘进参数,体现出更好的预测能力。 

【文章来源】：现代隧道技术. 2020,57(05)北大核心CSCD

【文章页数】：7 页

【部分图文】：

TBM某一掘进循环的数据分段

LSTM循环单元结构

基于LSTM神经网络，设计了预测模型如图3所示。该模型由三部分组成：LSTM层、全连接层和输出层。针对每个掘进循环，Xt-29,Xt-28，…，Xt均为1×n的向量，代表上升段开始前30 s的n个TBM掘进参数。LSTM作为编码器，捕捉掘进参数在时间维度上的相互作用关系，输出维度为450的隐含状态。LSTM层采用tanh函数作为激活函数，而后与全连接层进行连接。全连接层由批标准化（Batch Norm）-随机丢弃（Dropout）-线性层-Re LU激活函数四部分组成，其中批标准化是指对神经网络的每一层输入都进行规范化处理，随机丢弃是指在神经网络的训练过程中按照一定概率将神经网络单元暂时丢弃将其置0，批标准化和随机丢弃的作用都是为了防止模型过拟合。全连接层共两层，第一层的输出维度为1 000，最终的输出层维度为2，输出结果分别为掘进循环稳定段的总推力F(单位：k N)和刀盘扭矩T(单位：k N·m)。4 工程应用

【参考文献】：
期刊论文
[1]基于相关向量机的TBM掘进速度预测模型[J]. 张研,王伟,邓雪沁.  现代隧道技术. 2020(03)
[2]基于XGBoost的隧道掘进机操作参数智能决策系统设计[J]. 王飞,龚国芳,段理文,秦永峰.  浙江大学学报(工学版). 2020(04)
[3]TBM掘进参数智能控制系统的研究与应用[J]. 张娜,李建斌,荆留杰,李鹏宇,徐受天.  隧道建设(中英文). 2018(10)
[4]基于Matlab的BP神经网络在预测TBM掘进速度中的应用[J]. 熊帆,胡志平,任翔,张鹏.  现代隧道技术. 2017(05)
[5]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)
[6]一种基于载荷特征预测的盾构机刀盘节能驱动技术（英文）[J]. Xu YANG,Guo-fang GONG,Hua-yong YANG,Lian-hui JIA,Qun-wei YING.  Journal of Zhejiang University-Science A（Applied Physics & Engineering）. 2015(05)
[7]基于Monte Carlo-BP神经网络TBM掘进速度预测[J]. 温森,赵延喜,杨圣奇.  岩土力学. 2009(10)
[8]TBM施工遇险工程地质问题分析和失误的反思[J]. 尚彦军,杨志法,曾庆利,孙元春,史永跃,袁广祥.  岩石力学与工程学报. 2007(12)

硕士论文
[1]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：3301721