發(fā)布時間：2021-07-25 00:18

　　隨著全斷面隧道掘進機（TBM）不斷投入到隧道工程建設中,TBM掘進參數(shù)的自適應調(diào)整顯得越來越重要。由于在開挖之前難以準確預測地質條件,因此基于現(xiàn)場監(jiān)測數(shù)據(jù)預測刀盤扭矩及總推力等某些重要的掘進參數(shù)對TBM掘進參數(shù)的適應性調(diào)整具有重要作用。文章以吉林引松供水工程TBM3標段為研究對象,引入可以考慮數(shù)據(jù)時間相關性的深度學習方法——長短時記憶網(wǎng)絡（LSTM）,依據(jù)TBM掘進循環(huán)上升段前30 s的掘進參數(shù)提出了可以對穩(wěn)定段總推力和刀盤扭矩準確預測的模型。結果表明,穩(wěn)定段總推力和刀盤扭矩的預測精度較高,分別達到了91%和89%;相比于隨機森林模型,LSTM模型可以充分利用大量的TBM掘進參數(shù),體現(xiàn)出更好的預測能力。 

【文章來源】：現(xiàn)代隧道技術. 2020,57(05)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

TBM某一掘進循環(huán)的數(shù)據(jù)分段

LSTM循環(huán)單元結構

基于LSTM神經(jīng)網(wǎng)絡，設計了預測模型如圖3所示。該模型由三部分組成：LSTM層、全連接層和輸出層。針對每個掘進循環(huán)，Xt-29,Xt-28，…，Xt均為1×n的向量，代表上升段開始前30 s的n個TBM掘進參數(shù)。LSTM作為編碼器，捕捉掘進參數(shù)在時間維度上的相互作用關系，輸出維度為450的隱含狀態(tài)。LSTM層采用tanh函數(shù)作為激活函數(shù)，而后與全連接層進行連接。全連接層由批標準化（Batch Norm）-隨機丟棄（Dropout）-線性層-Re LU激活函數(shù)四部分組成，其中批標準化是指對神經(jīng)網(wǎng)絡的每一層輸入都進行規(guī)范化處理，隨機丟棄是指在神經(jīng)網(wǎng)絡的訓練過程中按照一定概率將神經(jīng)網(wǎng)絡單元暫時丟棄將其置0，批標準化和隨機丟棄的作用都是為了防止模型過擬合。全連接層共兩層，第一層的輸出維度為1 000，最終的輸出層維度為2，輸出結果分別為掘進循環(huán)穩(wěn)定段的總推力F(單位：k N)和刀盤扭矩T(單位：k N·m)。4 工程應用

【參考文獻】：
期刊論文
[1]基于相關向量機的TBM掘進速度預測模型[J]. 張研,王偉,鄧雪沁.  現(xiàn)代隧道技術. 2020(03)
[2]基于XGBoost的隧道掘進機操作參數(shù)智能決策系統(tǒng)設計[J]. 王飛,龔國芳,段理文,秦永峰.  浙江大學學報(工學版). 2020(04)
[3]TBM掘進參數(shù)智能控制系統(tǒng)的研究與應用[J]. 張娜,李建斌,荊留杰,李鵬宇,徐受天.  隧道建設(中英文). 2018(10)
[4]基于Matlab的BP神經(jīng)網(wǎng)絡在預測TBM掘進速度中的應用[J]. 熊帆,胡志平,任翔,張鵬.  現(xiàn)代隧道技術. 2017(05)
[5]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)
[6]一種基于載荷特征預測的盾構機刀盤節(jié)能驅動技術（英文）[J]. Xu YANG,Guo-fang GONG,Hua-yong YANG,Lian-hui JIA,Qun-wei YING.  Journal of Zhejiang University-Science A（Applied Physics & Engineering）. 2015(05)
[7]基于Monte Carlo-BP神經(jīng)網(wǎng)絡TBM掘進速度預測[J]. 溫森,趙延喜,楊圣奇.  巖土力學. 2009(10)
[8]TBM施工遇險工程地質問題分析和失誤的反思[J]. 尚彥軍,楊志法,曾慶利,孫元春,史永躍,袁廣祥.  巖石力學與工程學報. 2007(12)

碩士論文
[1]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：3301721