由于隧道掘進機(tunnel boring machine,TBM)掘進速度與機器參數(shù)、巖體參數(shù)之間的非線性關(guān)系復雜,難以準確預測,為了構(gòu)建可靠的TBM性能預測模型,分析TBM掘進速度的主要影響因素,提出應用模擬退火算法(SA)和遺傳算法(GA)優(yōu)化BP神經(jīng)網(wǎng)絡的TBM性能預測模型,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模型進行訓練測試。結(jié)果表明,與傳統(tǒng)BP神經(jīng)網(wǎng)絡方法相比,優(yōu)化后的模型預測泛化性更好,且精度明顯提高。優(yōu)化后的BP神經(jīng)網(wǎng)絡能在一定程度上克服易陷入局部最優(yōu)的缺陷,應用于TBM性能預測具有良好表現(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,需在當前溫度下設置合適的內(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)絡的初始權(quán)值閾值,然后BP網(wǎng)絡訓練直至收斂,SA-BP算法流程見圖1。1.3遺傳算法-神經(jīng)網(wǎng)絡(GA-BP)算法

圖2 GA-BP算法流程

遺傳算法借鑒了生物界的進化規(guī)律,采用概率化的尋優(yōu)方法,能自動獲取和指導優(yōu)化的搜索空間,并自適應調(diào)整搜索方向[16]。在GA-BP中,神經(jīng)網(wǎng)絡的所有權(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度差的個體,最終獲得最優(yōu)個體。GA-B....

圖8 改進BP模型的預測值與實際值

圖7BP模型的預測值與實際值5結(jié)論

圖3 神經(jīng)網(wǎng)絡結(jié)構(gòu)

建立TBM性能預測模型,首先選取與掘進速度最相關(guān)的因素。TBM的機器參數(shù)超過100種,巖體力學參數(shù)也有多種[18]。其中,巖石的單軸抗壓強度(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