| 基于门控循环单元的全断面掘进机稳定段掘进性能预测 |
| |
| 引用本文： | 张弛,李艳,王鹏,刘沛,梁科森. 基于门控循环单元的全断面掘进机稳定段掘进性能预测[J]. 科学技术与工程, 2022, 22(32): 14443-14450 |
| |
| 作者姓名： | 张弛 李艳 王鹏 刘沛 梁科森 |
| |
| 作者单位： | 中南大学机电工程学院 |
| |
| 基金项目： | 国家重点基础研究发展计划（973计划） |
| |
| 摘 要： | 全断面隧道掘进机(tunnel boring machine, TBM)一个正常掘进循环分为空推段、上升段和稳定段3个阶段，其中稳定掘进段为主要施工阶段，稳定段掘进性能的好坏是TBM掘进的关键。为实现TBM安全高效掘进，建立一种基于门控循环单元(gated recurrent unit, GRU)神经网络的预测模型，预测TBM稳定段掘进性能。模型以新疆某供水工程Ⅱ标段TBM施工数据为依托，5种掘进循环上升段主要参数的时间序列数据作为主要输入，围岩等级作为辅助输入来考虑岩体对掘进性能的影响，输出为稳定段的总推进力和刀盘扭矩，为稳定段TBM性能预判提供参考。为显示预测效果，对比传统循环神经网络(recurrent neural network, RNN)预测模型，并分析不同长度时间序列输入对模型预测精度的影响。结果表明：GRU模型预测拟合优度均在0.9以上，平均绝对百分比误差均小于12.25%,同时能够适用不同长度时序输入。由此可见，所建模型具有较高预测精度，泛化能力较好，能够辅助预判掘进机稳定段性能。
|
| 关 键 词： | 地下工程 全断面掘进机(TBM) 门控循环单元(GRU)神经网络 掘进性能预测 围岩等级 |
| 收稿时间： | 2021-10-18 |
| 修稿时间： | 2022-08-02 |
Predicting Tunneling Performance of TBM Stable Stage Based on Gated Recurrent Unit |
| |
| Zhang Chi,Li Yan,Wang Peng,Liu Pei,Liang Kesen. Predicting Tunneling Performance of TBM Stable Stage Based on Gated Recurrent Unit[J]. Science Technology and Engineering, 2022, 22(32): 14443-14450 |
| |
| Authors: | Zhang Chi Li Yan Wang Peng Liu Pei Liang Kesen |
| |
| Affiliation: | Mechanical and Electrical Engineering College,Central South University |
| |
| Abstract: | |
| |
| Keywords: | |
|
| 点击此处可从《科学技术与工程》浏览原始摘要信息 |
|
点击此处可从《科学技术与工程》下载全文 |
|
