通過TBM上升段數據預測穩(wěn)定段的掘進參數,可以在每個掘進循環(huán)的起始階段預測出各掘進參數的建議值,輔助進行TBM掘進參數的設置和優(yōu)化調整。提出一種基于改進粒子群算法優(yōu)化BP神經網絡（Improvedparticle swarm optimization-back propagation,IPSO-BP）的TBM掘進參數預測模型,采用自適應慣性權重對標準PSO算法進行改進,并基于改進PSO算法對BP網絡的連接權值和偏置進行優(yōu)化�；诩忠晒こ蘐BM3標段802 d的TBM運行數據對訓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個地質參數作為模型的輸入,并通過試驗法確定模型的3個關鍵超參數（隱含層節(jié)點數、學習率和粒子群種群規(guī)模）,預測穩(wěn)定掘進時的推進速度v、總推進力F和刀盤扭矩T。結果表明,所提出的模型對TBM穩(wěn)定掘進段參數的預測擬合優(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模型具有更高的預測精度。 

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

【文章頁數】：10 頁

【部分圖文】：

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

【參考文獻】：
期刊論文
[1]基于改進粒子群優(yōu)化算法和極限學習機的混凝土壩變形預測[J]. 李明軍,王均星,王亞洲.  天津大學學報(自然科學與工程技術版). 2019(11)
[2]NSVR硬巖隧道掘進機刀盤扭矩預測分析[J]. 王超,龔國芳,楊華勇,周建軍,段理文,張亞坤.  浙江大學學報(工學版). 2018(03)
[3]基于RMR巖體分級系統(tǒng)的TBM掘進性能參數預測[J]. 王健,王瑞睿,張欣欣,劉海東,龐永昊.  隧道建設. 2017(06)
[4]基于力學分析的TBM掘進總推力預測模型研究[J]. 周思陽,亢一瀾,蘇翠俠,張茜.  機械工程學報. 2016(20)
[5]硬巖隧道掘進機性能預測模型研究進展[J]. 劉泉聲,劉建平,潘玉叢,孔曉璇,崔先澤,黃詩冰,魏萊.  巖石力學與工程學報. 2016(S1)
[6]粒子群優(yōu)化算法中慣性權重綜述[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.  煤炭學報. 2013(07)
[8]BP神經網絡隱層單元數確定方法[J]. 焦斌,葉明星.  上海電機學院學報. 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)應用. 2010(05)
[10]分組合作多智能體算法優(yōu)化BP神經網絡的權值以及閾值[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絡的TBM性能預測研究[D]. 羅華.浙江大學 2018
[2]基于PSO-SVR算法的TBM掘進效率預測及圍巖分級研究[D]. 熊帆.長安大學 2016



本文編號：3555781