基于深度学习的TBM掘进参数预测研究

• 作者: 李晓军 李港 杨文翔 韩冬
• 来源期刊: 现代隧道技术
• 学科: 交通运输
• 关键词: 全断面隧道掘进机(TBM) 掘进参数预测 长短时记忆网络(LSTM) 深度学习
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 分析与计算
• 页码范围: 154-159,176
• 页数: 7页
• 分类号: U455
• 语种: 中文
• DOI: 10.13807/j.cnki.mtt.2020.05.019

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李晓军		80	1238	18.0	34.0
2	韩冬		9	7	2.0	2.0
3	李港		1	0	0.0	0.0
4	杨文翔		1	0	0.0	0.0