CN110895730A - 一种基于lstm算法的tbm掘进参数的预测方法 - Google Patents

一种基于lstm算法的tbm掘进参数的预测方法 Download PDF

Info

Publication number
CN110895730A
CN110895730A CN201911414846.9A CN201911414846A CN110895730A CN 110895730 A CN110895730 A CN 110895730A CN 201911414846 A CN201911414846 A CN 201911414846A CN 110895730 A CN110895730 A CN 110895730A
Authority
CN
China
Prior art keywords
stage
stable
tbm
data
lstm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911414846.9A
Other languages
English (en)
Other versions
CN110895730B (zh
Inventor
孙振川
褚长海
张合沛
张兵
任颖莹
周振建
高会中
江南
许华国
陈桥
杨振兴
韩伟锋
李宏波
潘东江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Pearl River Delta Intercity Rail Transit Co ltd
State Key Laboratory of Shield Machine and Boring Technology
China Railway Tunnel Group Co Ltd CRTG
Original Assignee
State Key Laboratory of Shield Machine and Boring Technology
China Railway Tunnel Group Co Ltd CRTG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Key Laboratory of Shield Machine and Boring Technology, China Railway Tunnel Group Co Ltd CRTG filed Critical State Key Laboratory of Shield Machine and Boring Technology
Priority to CN201911414846.9A priority Critical patent/CN110895730B/zh
Publication of CN110895730A publication Critical patent/CN110895730A/zh
Application granted granted Critical
Publication of CN110895730B publication Critical patent/CN110895730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明公开了一种基于LSTM算法的TBM掘进参数预测方法，主要包含了TBM掘进参数预测业务建模、TBM掘进过程的上升阶段和稳定阶段分离算法和TBM施工稳定段掘进参数预测方法三部分。本发明具有如下有益效果：利用LSTM作为预测模型算法，建立一种可以全自动、实时的TBM施工稳定段掘进参数预测方法，根据上升阶段预测稳定阶段刀盘转速n、推进速度v，为TBM司机提供后续操作参数建议，提高盾构行业施工信息化、智能化的水平。

Description

一种基于LSTM算法的TBM掘进参数的预测方法
技术领域
本发明涉及隧道TBM掘进施工技术领域，尤其是涉及一种基于LSTM算法的TBM掘进参数的预测方法。
背景技术
TBM作为轨道交通、水利工程、公路铁路等领域隧道施工的关键设备，在我国轨道建设中发挥着重要作用。TBM进行隧洞施工具有自动化程度高、节省人力、施工速度快、一次成洞、不受气候影响、开挖时可控制地面沉降、减少对地面建筑物的影响和在水下开挖时不影响地面交通等特点，所以在隧道施工建设方面拥有较大优势，未来必将迎来地下工程建设的高潮，TBM数量会逐年稳步增长，TBM作为隧道掘进设备也将会随着地下空间的大开发而大面积推广使用。
然而TBM施工作为高风险、高投资、高价值的隧道施工项目，一旦发生安全事故，必将造成施工单位重大经济财产损失、危及人身安全，直接影响企业的经济运行，造成不良社会影响。TBM施工面临最大的问题就是没有一种智能化方法提供TBM施工掘进参数的参考，无法形成专家库或经验库为施工做指导，安全、质量与工期等难以保障。
此时急需一种盾构TBM掘进参数预测方法来预测TBM施工稳定段的掘进参数，用于指导TBM司机以合理的掘进参数进行施工，减少重大事故的发生，保护人民的生命和财产不受损失，同时提高盾构TBM掘进的数据化和智能化水平。
发明内容
本发明为了克服现有技术中没有智能化的方法提供TBM施工掘进参数进行参考，无法形成专家库或经验库为施工做指导，安全、质量与工期等难以保障的问题，提出一种基于LSTM算法的TBM掘进参数的预测方法。
为了实现上述目的，本发明采用了以下技术方案：
一种基于LSTM算法的TBM掘进参数的预测方法，包括以下步骤：
(1-1)选择关键参数：TBM施工掘进过程关键参数包括刀盘转速n(单位rpm)、推进速度v(单位mm/min)、总推进力F(单位kN)、刀盘扭矩T(单位kN·m)、围岩性质和围岩等级，选取n、v、F、T和围岩性质、围岩等级作为训练特征建模。
(1-2)通过RSPRA算法自动分离TBM掘进过程的上升阶段和稳定阶段；
(1-3)利用LSTM算法和总推力F、刀盘扭矩T、刀盘转速n、推进速度v、围岩性质、围岩等级训练模型，预测TBM施工稳定段掘进参数；
(1-4)用关键参数的平均准确度评价预测结果。
作为优选，步骤(1-2)包括如下步骤：
(2-1)在刀盘转速n>＝0并且推进速度v>＝0的条件下，对推进速度v计算窗口均值平滑，然后求差分，根据差分值判断上升阶段的状态；
(2-2)判断上升阶段是否为有效上升段，确定稳定段；
(2-3)对稳定段数据，按掘进段(桩号)计算F、T、n和v的平均值。
作为优选，步骤(2-2)包括如下步骤：
(3-1)若差分值由非正数变为正数，上升阶段开始；
(3-2)若差分值由正数变为负数，则上升阶段结束。
作为优选，步骤(2-3)包括如下步骤：
(4-1)上升阶段结束后，处于稳定状态，则上升段有效，其后稳定的时间段即是稳定段，形成RSP；
(4-2)上升阶段结束后，继续出现持续上升或者下降，则该上升段无效，需丢弃。
作为优选，步骤(1-3)包括如下步骤：
(5-1)选择长短期记忆模型(LSTM，Long Short Term Memory)进行模型训练；
(5-2)取RSP的上升阶段，提取按时间序列排列的n、v、F和T的原始数据组；
(5-3)取RSP对应的稳定阶段的前若干组n、v、F和T数据的平均值；
(5-4)LSTM以n、v、F和T为特征，以稳定阶段的前若干组n、v、F和T数据的平均值为特征值，预测n和v；
(5-5)在LSTM模型的输出层中定义神经元用于预测n和v，n和v各对应一个神经元；
(5-6)用Keras搭建LSTM模型，预测函数使用sigmoid函数；
(5-7)用Keras中的fit函数来跟踪训练期间的参数的训练和测试损失，fit函数用的反向传播算法，batch_size＝100，epochs＝500。
作为优选，步骤(1-4)包括如下步骤：
(6-1)总推进力平均准确度SF的计算公式如下：
Figure BDA0002350908160000041
其中，k为所取样本的数据组数，Fi是第i组数据所在稳定阶段总推进力均值，Fi’是预测结果，SF越接近于样本数k，则SF的准确度越高；
(6-2)刀盘扭矩平均准确度ST的计算公式如下：
Figure BDA0002350908160000042
其中，k为所取样本的数据组数，Ti是第i组数据所在稳定阶段总推进力均值，Ti’是预测结果，ST越接近于样本数k，则ST的准确度越高；
(6-3)刀盘转速平均准确度Sn的计算公式如下：
Figure BDA0002350908160000043
其中，k为所取样本的数据组数，ni是第i组数据所在稳定阶段总推进力均值，ni’是预测结果，Sn越接近于样本数k，则Sn的准确度越高；
(6-4)推进速度平均准确度Sv的计算公式如下：
Figure BDA0002350908160000044
其中，k为所取样本的数据组数，vi是第i组数据所在稳定阶段总推进力均值，vi’是预测结果，Sv越接近于样本数k，则Sv的准确度越高。
TBM施工掘进参数达到500个以上，通过对TBM施工掘进过程中人、机、岩的关系分析，得出掘进参数直接受围岩影响的有4个参数F、T、n、v，结合地质数据，建立转速n、推进速度v、推力F、扭矩T、围岩性质、围岩等级六个参数的TBM掘进参数预测业务模型。称n和v为主动参数，主动参数是TBM司机在操纵TBM时可以设置的参数，也称为控制参数；称F和T为被动参数，被动参数是TBM掘进时监测到的参数，它们与围岩和主动参数有相关性，也称为性能参数。同时，不同的围岩也应选取不同的主动参数。
TBM施工掘进过程分为上升阶段和稳定阶段，只有把上升阶段和稳定阶段的数据能够自动分离，才能通过上升阶段关键参数数据来预测稳定阶段的关键参数。通过海量TBM掘进数据按照掘进循环进行分段，每段数据一个完整掘进循环，把一段完整TBM掘进循环数据分为上升阶段和稳定阶段，将一对相关的上升阶段和稳定阶段称为上升稳定阶段对，简称RSP，通过RSP识别算法(RSPRA，Rising segment and Stable segment PairRecognition Algorithm)自动分离TBM掘进过程的上升阶段和稳定阶段。其中，上升阶段刀盘启动，逐渐增加推进速度v，刀盘接触岩壁，TBM的推力F和扭矩T出现波动。随着所有刀具进入破岩状态，TBM的推力T和扭矩T逐渐趋于稳定，TBM进入稳定掘进阶段
利用长短期记忆网络(LSTM)作为TBM掘进稳定段参数预测模型算法，结合海量TBM掘进历史数据，使用上升段和稳定段数据对，并选择总推力F、刀盘扭矩T、刀盘转速n、推进速度v作为输入参数训练模型，建立一种根据上升阶段TBM掘进参数，全自动、实时的TBM施工稳定段掘进参数预测方法，为TBM司机提供后续操作参数建议。
因此，本发明具有如下有益效果：
本发明通过采用一种基于LSTM算法的TBM掘进参数预测方法，利用LSTM作为预测模型算法，建立一种可以全自动、实时的TBM施工稳定段掘进参数预测方法，根据上升阶段预测稳定阶段刀盘转速n、推进速度v，为TBM司机提供后续操作参数建议，提高盾构行业施工信息化、智能化的水平。
附图说明
图1是本发明的一种围岩性质和围岩等级数据图；
图2是本发明的一种TBM掘进参数预测业务模型；
图3是本发明的一种RSPRA识别效果图；
图4是本发明的刀盘转速n的一种训练集和测试集的损失曲线图；
图5是本发明的一种上升阶段F、T、n、v随时间的变化趋势图；
图6是本发明的总推力F的一种预测值与真实值对比图；
图7是本发明的刀盘扭矩T的一种预测值与真实值对比图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步描述：
如图1、图2所示的实施例是一种基于LSTM算法的TBM掘进参数的预测方法，包括以下步骤：
步骤S1：选择关键参数：TBM施工掘进过程关键参数包括刀盘转速n(单位rpm)、推进速度v(单位mm/min)、总推进力F(单位kN)、刀盘扭矩T(单位kN·m)、围岩性质和围岩等级，选取n、v、F、T和围岩性质、围岩等级作为训练特征建模。围岩性质和围岩等级数据如图1所示，实际施工范围内，围岩性质主要由石灰岩和花岗岩组成，围岩等级为II——V级。TBM掘进参数预测业务模型如图2所示，提供给定桩号的转速n、推进速度v、推力F、扭矩T、围岩性质、围岩等级六个参数的数据，作为TBM掘进参数预测业务模型；
步骤S2：通过RSPRA算法自动分离TBM掘进过程的上升阶段和稳定阶段；
步骤S21：在刀盘转速n>＝0并且推进速度v>＝0的条件下，对推进速度v计算窗口均值平滑，然后求差分，根据差分值判断上升阶段的状态；
步骤S22：判断上升阶段是否为有效上升段，确定稳定段；
步骤S221：若差分值由非正数变为正数，上升阶段开始；
步骤S222：若差分值由正数变为负数，则上升阶段结束；
步骤S23：对稳定段数据，按掘进段(桩号)计算F、T、n和v的平均值；
步骤S231：上升阶段结束后，处于稳定状态，则上升段有效，其后稳定的时间段即是稳定段，形成RSP；
步骤S232：上升阶段结束后，继续出现持续上升或者下降，则该上升段无效，需丢弃；
RSPRA识别效果如图3所示，基本上可以正确的分开上升段和稳定段的数据；如图5所示的是上升阶段F、T、n、v随时间的变化图；
步骤S3：利用LSTM算法和总推力F、刀盘扭矩T、刀盘转速n、推进速度v、围岩性质、围岩等级训练模型，预测TBM施工稳定段掘进参数；
步骤S31：选择长短期记忆模型(LSTM，Long Short Term Memory)进行模型训练；
步骤S32：取RSP的上升阶段，提取按时间序列排列的n、v、F和T的原始数据组；
步骤S33：取RSP对应的稳定阶段的前若干组n、v、F和T数据的平均值；
步骤S34：LSTM以n、v、F和T为特征，以稳定阶段的前若干组n、v、F和T数据的平均值为特征值，预测n和v；
步骤S35：在LSTM模型的输出层中定义神经元用于预测n和v，n和v各对应一个神经元；
步骤S36：用Keras搭建LSTM模型，预测函数使用sigmoid函数；
步骤S37：用Keras中的fit函数来跟踪训练期间的参数的训练和测试损失，fit函数用的反向传播算法，batch_size＝100，epochs＝500；n的训练集和测试集的损失曲线如图4所示；
步骤S4：用关键参数的平均准确度评价预测结果
RSPRA识别出9226个RSP，从中随机挑选50个RSP做为测试数据集，其余RSP做为训练数据集训练模型。
为了评价模型预测的效果，本文选用平均准确度做为模型预测结果的评价指标。总推进力平均准确度SF：
Figure BDA0002350908160000081
刀盘扭矩平均准确度ST：
Figure BDA0002350908160000091
刀盘转速平均准确度Sn：
Figure BDA0002350908160000092
推进速度平均准确度Sv：
Figure BDA0002350908160000093
其中，Fi是第i组数据所在稳定阶段总推进力均值，Fi’是预测结果；Ti是第i组数据所在稳定阶段刀盘扭矩均值，Ti’是预测结果；ni是第i组数据所在稳定阶段刀盘转速均值，ni’是预测结果；vi是第i组数据所在稳定阶段推进速度均值，vi’是预测结果，预测值与实测值的比较如图6和7所示。
应理解，本实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (6)

1.一种基于LSTM算法的TBM掘进参数的预测方法，其特征是，包括以下步骤：
(1-1)选择关键参数：TBM施工掘进过程关键参数包括刀盘转速n(单位rpm)、推进速度v(单位mm/min)、总推进力F(单位kN)、刀盘扭矩T(单位kN·m)、围岩性质和围岩等级，选取n、v、F、T和围岩性质、围岩等级作为训练特征建模。
(1-2)通过RSPRA算法自动分离TBM掘进过程的上升阶段和稳定阶段；
(1-3)利用LSTM算法和总推力F、刀盘扭矩T、刀盘转速n、推进速度v、围岩性质、围岩等级训练模型，预测TBM施工稳定段掘进参数；
(1-4)用关键参数的平均准确度评价预测结果。
2.根据权利要求1所述的基于LSTM算法的TBM掘进参数的预测方法，其特征是，步骤(1-2)包括如下步骤：
(2-1)在刀盘转速n>＝0并且推进速度v>＝0的条件下，对推进速度v计算窗口均值平滑，然后求差分，根据差分值判断上升阶段的状态；
(2-2)判断上升阶段是否为有效上升段，确定稳定段；
(2-3)对稳定段数据，按掘进段(桩号)计算F、T、n和v的平均值。
3.根据权利要求2所述的基于LSTM算法的TBM掘进参数的预测方法，其特征是，步骤(2-2)包括如下步骤：
(3-1)若差分值由非正数变为正数，上升阶段开始；
(3-2)若差分值由正数变为负数，则上升阶段结束。
4.根据权利要求2所述的基于LSTM算法的TBM掘进参数的预测方法，其特征是，步骤(2-3)包括如下步骤：
(4-1)上升阶段结束后，处于稳定状态，则上升段有效，其后稳定的时间段即是稳定段，形成RSP；
(4-2)上升阶段结束后，继续出现持续上升或者下降，则该上升段无效，需丢弃。
5.根据权利要求1所述的基于LSTM算法的TBM掘进参数的预测方法，其特征是，步骤(1-3)包括如下步骤：
(5-1)选择长短期记忆模型(LSTM，Long Short Term Memory)进行模型训练；
(5-2)取RSP的上升阶段，提取按时间序列排列的n、v、F和T的原始数据组；
(5-3)取RSP对应的稳定阶段的前若干组n、v、F和T数据的平均值；
(5-4)LSTM以n、v、F和T为特征，以稳定阶段的前若干组n、v、F和T数据的平均值为特征值，预测n和v；
(5-5)在LSTM模型的输出层中定义神经元用于预测n和v，n和v各对应一个神经元；
(5-6)用Keras搭建LSTM模型，预测函数使用sigmoid函数；
(5-7)用Keras中的fit函数来跟踪训练期间的参数的训练和测试损失，fit函数用的反向传播算法，batch_size＝100，epochs＝500。
6.根据权利要求1所述的基于LSTM算法的TBM掘进参数的预测方法，其特征是，步骤(1-4)包括如下步骤：
(6-1)总推进力平均准确度SF的计算公式如下：
Figure FDA0002350908150000021
其中，k为所取样本的数据组数，Fi是第i组数据所在稳定阶段总推进力均值，Fi’是预测结果，SF越接近于样本数k，则SF的准确度越高；
(6-2)刀盘扭矩平均准确度ST的计算公式如下：
Figure FDA0002350908150000031
其中，k为所取样本的数据组数，Ti是第i组数据所在稳定阶段总推进力均值，Ti’是预测结果，ST越接近于样本数k，则ST的准确度越高；
(6-3)刀盘转速平均准确度Sn的计算公式如下：
Figure FDA0002350908150000032
其中，k为所取样本的数据组数，ni是第i组数据所在稳定阶段总推进力均值，ni’是预测结果，Sn越接近于样本数k，则Sn的准确度越高；
(6-4)推进速度平均准确度Sv的计算公式如下：
Figure FDA0002350908150000033
其中，k为所取样本的数据组数，vi是第i组数据所在稳定阶段总推进力均值，vi’是预测结果，Sv越接近于样本数k，则Sv的准确度越高。
CN201911414846.9A 2019-12-31 2019-12-31 一种基于lstm算法的tbm掘进参数的预测方法 Active CN110895730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911414846.9A CN110895730B (zh) 2019-12-31 2019-12-31 一种基于lstm算法的tbm掘进参数的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911414846.9A CN110895730B (zh) 2019-12-31 2019-12-31 一种基于lstm算法的tbm掘进参数的预测方法

Publications (2)

Publication Number Publication Date
CN110895730A true CN110895730A (zh) 2020-03-20
CN110895730B CN110895730B (zh) 2022-11-29

Family

ID=69788191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911414846.9A Active CN110895730B (zh) 2019-12-31 2019-12-31 一种基于lstm算法的tbm掘进参数的预测方法

Country Status (1)

Country Link
CN (1) CN110895730B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111594198A (zh) * 2020-04-30 2020-08-28 东北大学 一种开敞式tbm施工数据掘进循环的划分方法
CN113033097A (zh) * 2021-03-25 2021-06-25 东北大学 一种开敞式tbm掘进循环的划分、围岩等级、岩性预测方法
CN113222273A (zh) * 2021-05-26 2021-08-06 中铁十八局集团有限公司 一种基于gwo-fw-mkl-svr算法的tbm掘进速率预测方法
CN115081749A (zh) * 2022-07-28 2022-09-20 华中科技大学 基于贝叶斯优化lstm的盾构掘进载荷超前预测方法及系统
CN115268272A (zh) * 2022-08-11 2022-11-01 北京交通大学 一种基于掘进载荷预测的tbm控制参数决策方法及装置
CN115618222A (zh) * 2022-06-21 2023-01-17 北京交通大学 一种隧道掘进响应参数的预测方法
CN118673818A (zh) * 2024-08-21 2024-09-20 中铁五局集团电务工程有限责任公司 基于数字地层及系统可靠度的盾构掘进参数优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180039938A (ko) * 2016-10-11 2018-04-19 현대건설주식회사 워터젯 유닛을 적용한 ｔｂｍ 커터헤드, ｔｂｍ 장비 및 이를 이용한 터널공법
CN110110419A (zh) * 2019-04-28 2019-08-09 中铁工程装备集团有限公司 一种基于多目标学习的tbm掘进参数预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180039938A (ko) * 2016-10-11 2018-04-19 현대건설주식회사 워터젯 유닛을 적용한 ｔｂｍ 커터헤드, ｔｂｍ 장비 및 이를 이용한 터널공법
CN110110419A (zh) * 2019-04-28 2019-08-09 中铁工程装备集团有限公司 一种基于多目标学习的tbm掘进参数预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王厚同: "基于机器学习的TBM性能预测方法", 《知网》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111594198A (zh) * 2020-04-30 2020-08-28 东北大学 一种开敞式tbm施工数据掘进循环的划分方法
CN113033097A (zh) * 2021-03-25 2021-06-25 东北大学 一种开敞式tbm掘进循环的划分、围岩等级、岩性预测方法
CN113033097B (zh) * 2021-03-25 2023-09-19 东北大学 一种开敞式tbm掘进循环的划分、围岩等级、岩性预测方法
CN113222273A (zh) * 2021-05-26 2021-08-06 中铁十八局集团有限公司 一种基于gwo-fw-mkl-svr算法的tbm掘进速率预测方法
CN115618222A (zh) * 2022-06-21 2023-01-17 北京交通大学 一种隧道掘进响应参数的预测方法
CN115618222B (zh) * 2022-06-21 2023-05-05 北京交通大学 一种隧道掘进响应参数的预测方法
CN115081749A (zh) * 2022-07-28 2022-09-20 华中科技大学 基于贝叶斯优化lstm的盾构掘进载荷超前预测方法及系统
CN115268272A (zh) * 2022-08-11 2022-11-01 北京交通大学 一种基于掘进载荷预测的tbm控制参数决策方法及装置
CN118673818A (zh) * 2024-08-21 2024-09-20 中铁五局集团电务工程有限责任公司 基于数字地层及系统可靠度的盾构掘进参数优化方法

Also Published As

Publication number Publication date
CN110895730B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN110895730B (zh) 一种基于lstm算法的tbm掘进参数的预测方法
CN110852423B (zh) 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法
CN111079342B (zh) 一种基于在线岩体等级分类的tbm掘进性能预测方法
AU2019312330B2 (en) Method for predicting mine strata pressure behavior data of stoping tunnel
CN110110419A (zh) 一种基于多目标学习的tbm掘进参数预测方法
CN110119551B (zh) 基于机器学习的盾构机刀具磨损退化关联特征分析方法
CN110096827B (zh) 一种基于深度神经网络的盾构机参数优化方法
CN115239108B (zh) 一种基于tbm实时破岩数据的软弱破碎围岩感知方法
CN108595845A (zh) 一种基于性能设计的桥梁地震风险概率分析方法
CN109766335A (zh) 基于分类回归决策树算法的盾构施工地质识别方法及系统
CN107642347A (zh) 页岩气压裂井下事故预测预警方法及装置
CN113420506B (zh) 掘进速度的预测模型建立方法、预测方法及装置
CN111080015A (zh) 盾构设备及其实时寿命的预测系统和预测方法
CN112031839B (zh) 有限数据条件下的矿压时空双周期预测方法、装置及设备
Wu et al. A dynamic decision approach for risk analysis in complex projects
CN112926786A (zh) 一种基于关联规则模型和数值模拟的浅水湖泊目标水位逆向预测方法及系统
CN112926267A (zh) 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统
Qiu et al. TBM tunnel surrounding rock classification method and real-time identification model based on tunneling performance
Wang et al. Prediction of TBM operation parameters using machine learning models based on BPSO
CN115358494A (zh) 一种地铁盾构下穿施工的危险预警方法
CN115481565A (zh) 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法
CN113762360B (zh) 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法
Hong et al. A Data‐Driven Method for Predicting the Cutterhead Torque of EPB Shield Machine
CN110348639A (zh) 一种煤矿顶板突水危险等级预测方法
CN112554943B (zh) 一种基于tbm掘进参数的地质风险预警方法、系统及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230625

Address after: No. 99, Kexue Avenue, national high tech Industrial Development Zone, Zhengzhou, Henan Province

Patentee after: STATE KEY LABORATORY OF SHIELD MACHINE AND BORING TECHNOLOGY

Patentee after: CHINA RAILWAY TUNNEL GROUP Co.,Ltd.

Patentee after: Guangdong Pearl River Delta Intercity Rail Transit Co.,Ltd.

Address before: 450000 No.99, science Avenue, Zhengzhou National High tech Industrial Development Zone, Zhengzhou City, Henan Province

Patentee before: STATE KEY LABORATORY OF SHIELD MACHINE AND BORING TECHNOLOGY

Patentee before: CHINA RAILWAY TUNNEL GROUP Co.,Ltd.