由于隧道掘進(jìn)機(jī)(tunnel boring machine,TBM)掘進(jìn)速度與機(jī)器參數(shù)、巖體參數(shù)之間的非線性關(guān)系復(fù)雜,難以準(zhǔn)確預(yù)測,為了構(gòu)建可靠的TBM性能預(yù)測模型,分析TBM掘進(jìn)速度的主要影響因素,提出應(yīng)用模擬退火算法(SA)和遺傳算法(GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的TBM性能預(yù)測模型,并使用吉林引松供水工程的TBM數(shù)據(jù)庫對GA-BP模型和SA-BP模型進(jìn)行訓(xùn)練測試。結(jié)果表明,與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法相比,優(yōu)化后的模型預(yù)測泛化性更好,且精度明顯提高。優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能在一定程度上克服易陷入局部最優(yōu)的缺陷,應(yīng)用于TBM性能預(yù)測具有良好表現(xiàn)。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1 SA-BP算法流程

溫度每下降一次,需在當(dāng)前溫度下設(shè)置合適的內(nèi)循環(huán)迭代次數(shù)[15],保證算法可以在搜索空間內(nèi)充分選擇。算法終止后,優(yōu)化得到的權(quán)值閾值作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值閾值,然后BP網(wǎng)絡(luò)訓(xùn)練直至收斂,SA-BP算法流程見圖1。1.3遺傳算法-神經(jīng)網(wǎng)絡(luò)(GA-BP)算法

圖2 GA-BP算法流程

遺傳算法借鑒了生物界的進(jìn)化規(guī)律,采用概率化的尋優(yōu)方法,能自動獲取和指導(dǎo)優(yōu)化的搜索空間,并自適應(yīng)調(diào)整搜索方向[16]。在GA-BP中,神經(jīng)網(wǎng)絡(luò)的所有權(quán)值閾值構(gòu)成種群中的個體,初始化生成若干組權(quán)值閾值構(gòu)成初始種群。初始種群通過交叉變異不斷淘汰適應(yīng)度差的個體,最終獲得最優(yōu)個體。GA-B....

圖8 改進(jìn)BP模型的預(yù)測值與實(shí)際值

圖7BP模型的預(yù)測值與實(shí)際值5結(jié)論

圖3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

建立TBM性能預(yù)測模型,首先選取與掘進(jìn)速度最相關(guān)的因素。TBM的機(jī)器參數(shù)超過100種,巖體力學(xué)參數(shù)也有多種[18]。其中,巖石的單軸抗壓強(qiáng)度(UCS)、巖石的耐磨性、巖體結(jié)構(gòu)面發(fā)育程度及主要結(jié)構(gòu)面產(chǎn)狀與隧道洞軸線方位的夾角(α,下文簡稱節(jié)理夾角)等是TBM效率能否發(fā)揮的主要影響....

本文編號：4012706