發(fā)布時間：2021-12-29 08:39

　　通過TBM上升段數(shù)據(jù)預(yù)測穩(wěn)定段的掘進參數(shù),可以在每個掘進循環(huán)的起始階段預(yù)測出各掘進參數(shù)的建議值,輔助進行TBM掘進參數(shù)的設(shè)置和優(yōu)化調(diào)整。提出一種基于改進粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（Improvedparticle swarm optimization-back propagation,IPSO-BP）的TBM掘進參數(shù)預(yù)測模型,采用自適應(yīng)慣性權(quán)重對標(biāo)準(zhǔn)PSO算法進行改進,并基于改進PSO算法對BP網(wǎng)絡(luò)的連接權(quán)值和偏置進行優(yōu)化�；诩忠晒こ蘐BM3標(biāo)段802 d的TBM運行數(shù)據(jù)對訓(xùn)練集和測試集進行劃分。選取TBM掘進上升段前30 s的刀盤扭矩、貫入度、刀盤功率、推進速度、總推進力5個掘進參數(shù)變化特征（均值和線性擬合斜率）,以及巖性、圍巖分級和地下水活動情況3個地質(zhì)參數(shù)作為模型的輸入,并通過試驗法確定模型的3個關(guān)鍵超參數(shù)（隱含層節(jié)點數(shù)、學(xué)習(xí)率和粒子群種群規(guī)模）,預(yù)測穩(wěn)定掘進時的推進速度v、總推進力F和刀盤扭矩T。結(jié)果表明,所提出的模型對TBM穩(wěn)定掘進段參數(shù)的預(yù)測擬合優(yōu)度均達0.85以上,平均絕對百分誤差均小于12.68%,相比于BP模型和PSO-BP模型具有更高的預(yù)測精度。 

【文章來源】：巖石力學(xué)與工程學(xué)報. 2020,39(08)北大核心EICSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

某一天中TBM掘進參數(shù)變化曲線402000102030405060708090掘進時間/(10s)

【參考文獻】：
期刊論文
[1]基于改進粒子群優(yōu)化算法和極限學(xué)習(xí)機的混凝土壩變形預(yù)測[J]. 李明軍,王均星,王亞洲.  天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版). 2019(11)
[2]NSVR硬巖隧道掘進機刀盤扭矩預(yù)測分析[J]. 王超,龔國芳,楊華勇,周建軍,段理文,張亞坤.  浙江大學(xué)學(xué)報(工學(xué)版). 2018(03)
[3]基于RMR巖體分級系統(tǒng)的TBM掘進性能參數(shù)預(yù)測[J]. 王健,王瑞睿,張欣欣,劉海東,龐永昊.  隧道建設(shè). 2017(06)
[4]基于力學(xué)分析的TBM掘進總推力預(yù)測模型研究[J]. 周思陽,亢一瀾,蘇翠俠,張茜.  機械工程學(xué)報. 2016(20)
[5]硬巖隧道掘進機性能預(yù)測模型研究進展[J]. 劉泉聲,劉建平,潘玉叢,孔曉璇,崔先澤,黃詩冰,魏萊.  巖石力學(xué)與工程學(xué)報. 2016(S1)
[6]粒子群優(yōu)化算法中慣性權(quán)重綜述[J]. 周俊,陳璟華,劉國祥,許偉龍.  廣東電力. 2013(07)
[7]TBM盤形滾刀破巖力計算模型研究[J]. 劉泉聲,時凱,朱元廣,黃興.  煤炭學(xué)報. 2013(07)
[8]BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)確定方法[J]. 焦斌,葉明星.  上海電機學(xué)院學(xué)報. 2013(03)
[9]粒子群優(yōu)化算法種群規(guī)模的選擇[J]. 張雯雰,王剛,朱朝暉,肖娟.  計算機系統(tǒng)應(yīng)用. 2010(05)
[10]分組合作多智能體算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值以及閾值[J]. 宋振雷,吳雪松.  電子測試. 2010(04)

碩士論文
[1]基于線性回歸和深度置信網(wǎng)絡(luò)的TBM性能預(yù)測研究[D]. 羅華.浙江大學(xué) 2018
[2]基于PSO-SVR算法的TBM掘進效率預(yù)測及圍巖分級研究[D]. 熊帆.長安大學(xué) 2016



本文編號：3555781