CN111144001A - 一种基于bp神经网络的矿山井筒工程tbm控制方法 - Google Patents
一种基于bp神经网络的矿山井筒工程tbm控制方法 Download PDFInfo
- Publication number
- CN111144001A CN111144001A CN201911371810.7A CN201911371810A CN111144001A CN 111144001 A CN111144001 A CN 111144001A CN 201911371810 A CN201911371810 A CN 201911371810A CN 111144001 A CN111144001 A CN 111144001A
- Authority
- CN
- China
- Prior art keywords
- tbm
- neural network
- temperature
- relation model
- torque
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 239000011435 rock Substances 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000005641 tunneling Effects 0.000 claims abstract description 28
- 230000001276 controlling effect Effects 0.000 claims abstract description 20
- 238000011161 development Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000001105 regulatory effect Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 52
- 210000002569 neuron Anatomy 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 21
- 238000002922 simulated annealing Methods 0.000 claims description 17
- 238000001816 cooling Methods 0.000 claims description 14
- 230000007423 decrease Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010057175 Mass conditions Diseases 0.000 description 1
- 208000022971 Tuberculous meningitis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 208000001223 meningeal tuberculosis Diseases 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
Images
Abstract
本发明公开了一种基于BP神经网络的矿山井筒工程TBM控制方法，包括以下步骤：建立关系模型；选取训练样本和检验样本；用训练样本对关系模型进行训练；将检验样本输入到训练好的关系模型，得到分级预测结果；利用预测结果调控扭矩和推力，控制TBM掘进设备运转。本发明采用BP神经网络，以岩体分级预测的发展规律对应参数为输入，TBM设备掘进时所需的扭矩和推力为输出，建立关系模型，通过关系模型进行岩体分级预测后，利用预测结果自动调控TBM设备掘进时所需的扭矩和推力，从而达到自动控制TBM掘进设备运转的目的，具有算法简单、预测精度高的优点。
Description
技术领域
本发明涉及矿山掘进工程领域，特别涉及一种基于BP神经网络的矿山井筒工程TBM控制方法。
背景技术
隧道掘进机(TBM)具有经济、高效的优点，被广泛应用于长大隧道的施工中，在众多对掘进机工作性能影响的参数中，工作扭矩和推力对掘进机的性能影响最大。掘进机在开采过程中易受岩体条件的影响，不熟悉的岩体信息可能导致不适当的操作限制，也可能导致采矿过程中效率和安全性降低。另外，由于环境的多样性和空间的局限性，使得现场试验或直接观测难以达到岩体约束的目的。
由于掘进机总成本最低，且长隧道开挖速度较快，因此，为了保证掘进机的效率和安全性，必须对岩体约束条件进行精确一致的预测。TBM的开采由机-地相互作用组成，岩体约束对整个TBM掘进过程有影响。此外，TBM的类型和动态因素必须与有效开采的岩体约束条件相匹配。隧道开采的操作因素和最佳TBM选型需要对岩体条件有更早的了解在开采过程中，必须根据岩体参数合理调整操作约束，否则开采中岩体的提前破坏可能导致TBM开采的安全性和效率降低。在不同的岩体约束条件下，单轴抗压强度(UCS)、脆性指数(BI)、节理定向和不连续间距被认为是TBM设计和开采的主要方面。更明显的是，所需的切割力应该大于岩石的强度。由于功率有限，在岩石强度较高的地区，TBM的侵彻水平通常是最小的。
在传统中方法，利用一个完整的岩体影响因子，通常是单轴压缩强度(UCS)或拉伸强度(BTS巴西拉伸强度)，用于定义地层各项指标。然而，在更多变的地面条件下，如岩石质量指标(RQD)、节理间距、链长、纵波速度(Vp)和横波速度(Vs)，这些影响TBM性能的约束条件没有考虑在内。因此，如何利用好这些数据，分析总结规律，用以指导TBM掘进参数控制的问题越来越突出。从整体来看，国内TBM法施工单位在掘进参数控制上还是根据岩体应力场分析、相关监测数据分析加上施工经验进行，但施工单位技术良莠不齐，难以实现控制经验共享，缺乏统一标准，控制效果不好。
发明内容
为了解决上述技术问题，本发明提供一种算法简单、预测精度高的基于BP神经网络的矿山井筒工程TBM控制方法。
本发明解决上述问题的技术方案是：一种基于BP神经网络的矿山井筒工程TBM控制方法，包括以下步骤：
1)建立岩体分级预测结果和TBM操作扭矩、推力发展规律的关系模型；
2)选取训练样本和检验样本；
3)用训练样本对关系模型进行训练，得到训练好的关系模型；
4)将检验样本输入到训练好的关系模型，得到分级预测结果；
5)利用预测结果自动调控TBM设备掘进时所需的扭矩和推力，从而自动控制TBM掘进设备运转。
上述基于BP神经网络的矿山井筒工程TBM控制方法，所述步骤1)中，所述关系模型采用BP神经网络的方法建立，以岩体分级预测的发展规律对应参数为输入，TBM设备掘进时所需的扭矩和推力为输出，BP神经网络为只有一个隐含层的三层网络结构。
上述基于BP神经网络的矿山井筒工程TBM控制方法，所述步骤1)中，BP神经网络输入的岩体分级预测的发展规律对应参数包括岩体单轴压缩强度、拉伸强度、岩石质量指标、节理间距、链长、纵波速度和横波速度。
上述基于BP神经网络的矿山井筒工程TBM控制方法，所述步骤2)中，通过实验设备和计算处理获得岩体分级发展规律对应参数：岩体单轴压缩强度、拉伸强度、岩石质量指标、节理间距、链长、纵波速度和横波速度，作为BP神经网络关系模型的输入；输出单元为TBM设备掘进所需的扭矩、推力，通过TBM掘进时操作室的仪表盘显示，由传感器监测得到，选取20组数据作为关系模型的训练样本，另取3组数据作为关系模型的检验样本。
上述基于BP神经网络的矿山井筒工程TBM控制方法，所述步骤3)中，关系模型训练的具体过程为：
3-1)对训练样本中所有的参数数据进行归一化处理；
3-2)随机设置BP神经网络每个神经元的权重和偏差，然后通过网络学习的正向传播过程和误差反向传播过程，不断调节网络权重和阈值，直到收敛，并得到一系列的权重和偏差作为模拟退火算法的初始解向量；
3-3)基于步骤3-2)得到的初始权值和偏差，通过模拟退火算法，迭代过程中计算出最优权值和偏差，并计算出温度T的减小值；
3-4)如果温度T降低到极限，或者预测结果的E值满足期望，则终止训练过程，输出最优权值和偏差，否则，返回到步骤3-3)，以训练更优的权重和偏差。
上述基于BP神经网络的矿山井筒工程TBM控制方法，所述步骤3-2)中，首先，BP神经网络输出层中的神经元产生网络的初始结果，关系模型中输入和输出之间的计算过程表示为
其中I和H是输入层和隐藏层中的神经元数；bj和bk分别是隐藏层第j个神经元和输出层第k个神经元的偏置；foutput和fhidden是隐藏层神经元和输出层神经元各自的传递函数；wji是输入层第i个神经元和隐藏层第j个神经元之间的权重；wkj是隐藏层第j个神经元和输出层第k个神经元之间的权重，然后测量输出与实际值之间的误差E，如果误差E超过公差，那么权重和偏差通过梯度下降来修改，通过修正的权重和偏差对输出值进行再训练，并重复上述过程，直到输出在公差范围内，误差E的计算公式为：
其中Yn和
是训练向量的预测输出和实际输出，N是训练样本的数目，n＝1，2，3……N。
上述基于BP神经网络的矿山井筒工程TBM控制方法，所述步骤3-3)中，模拟退火算法有加热过程、等温过程和冷却过程三个步骤：加热过程也是一个算法——初始化过程，其中给出一个初始温度和解来启动算法，将步骤3-2)中得到的误差E作为模拟退火算法中的解；在等温过程中，在相同的温度下进行多次迭代，以更新溶液的向量，在每次迭代中，给出与当前温度相关的小随机扰动，如果结果变得更好，则接受新的解向量，否则，新的解决方案是随机接受的，接受新解决方案的概率是由温度控制；经过一定的迭代，温度降低了一定的比例，这一过程称为冷却过程，当冷却过程结束时，再次进行等温过程，以在较低的温度下获得新的溶液矢量；等温和冷却过程交替进行，直到温度达到规定的最低限度；
在模拟退火算法的初级阶段，高温导致随机扰动增加，随着迭代的继续和温度的下降，随机扰动减小，并且模型趋于稳定和收敛，其表示为：
其中T为类似温度，t是初始温度，xi是解的当前向量，x′i是给定的小随机扰动的解；r是[-1，1]中均匀分布的随机数；vi是长度与x相同的步长向量；ΔE是从旧解到新解的目标值的变化；P()为概率函数；exp为以自然常数e为底的指数函数；随着迭代的继续，T减小，较差解的接受概率降低，使用以下方程计算T：
TK+1＝TK·θ
其中TK和TK+1表示第K次和第K+1次迭代中的类似温度，θ是一个常数，控制T的下降速度，θ设置在0.95到0.99之间。
上述基于BP神经网络的矿山井筒工程TBM控制方法，所述步骤5)中，通过关系模型计算出所需扭矩和推力，然后与实际扭矩和推力对比，从而控制TBM掘进设备的运行。
本发明的有益效果在于：
1、本发明采用BP神经网络，以岩体分级预测的发展规律对应参数为输入，TBM设备掘进时所需的扭矩和推力为输出，建立TBM操作扭矩和推力发展规律与岩体分级预测结果的关系模型，利用模型计算得出岩体单轴压缩强度、拉伸强度、岩石质量指标、节理间距、链长、纵波速度和横波速度，并进行岩体分级预测后，利用预测结果自动调控TBM设备掘进时所需的扭矩和推力，从而达到自动控制TBM掘进设备运转的目的，具有算法简单、预测精度高的优点。
2、本发明建立的关系模型在训练过程中，采用模拟退火算法，能够进一步获得更优的权重和偏差，从而进一步提高预测精度。
附图说明
图1为本发明的流程图。
图2为本发明的神经网络关系模型的示意图。
图3为TBM掘进设备节能控制系统的结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示，一种基于BP神经网络的矿山井筒工程TBM控制方法，包括以下步骤：
1)建立岩体分级预测结果和TBM操作扭矩、推力发展规律的关系模型。
关系模型采用BP神经网络的方法建立，以岩体分级预测的发展规律对应参数为输入，TBM设备掘进时所需的扭矩和推力为输出，BP神经网络为只有一个隐含层的三层网络结构。
BP神经网络输入的岩体分级预测的发展规律对应参数包括岩体单轴压缩强度、拉伸强度、岩石质量指标、节理间距、链长、纵波速度和横波速度。
2)选取训练样本和检验样本。
通过相应实验设备和后台计算处理获得岩体分级发展规律对应参数：岩体单轴压缩强度、拉伸强度、岩石质量指标、节理间距、链长、纵波速度和横波速度，整理分析出有效参数数据，作为BP神经网络关系模型的输入；输出单元为TBM设备掘进所需的扭矩、推力，通过TBM掘进时操作室的仪表盘显示，由传感器监测得到，选取20组数据作为关系模型的训练样本，另取3组数据作为关系模型的检验样本。
3)用训练样本对关系模型进行训练，得到训练好的关系模型。
关系模型训练的具体过程为：
3-1)对训练样本中所有的参数数据进行归一化处理。
3-2)随机设置BP神经网络每个神经元的权重和偏差，然后通过网络学习的正向传播过程和误差反向传播过程，不断调节网络权重和阈值，直到收敛，如图2所示；并得到一系列的权重和偏差作为模拟退火算法的初始解向量。
所述步骤3-2)中，首先，BP神经网络输出层中的神经元产生网络的初始结果，关系模型中输入和输出之间的计算过程表示为
其中I和H是输入层和隐藏层中的神经元数；bj和bk分别是隐藏层第j个神经元和输出层第k个神经元的偏置；foutput和fhidden是隐藏层神经元和输出层神经元各自的传递函数；wji是输入层第i个神经元和隐藏层第j个神经元之间的权重；wkj是隐藏层第j个神经元和输出层第k个神经元之间的权重，然后测量输出与实际值之间的误差E，如果误差E超过公差，那么权重和偏差通过梯度下降来修改，通过修正的权重和偏差对输出值进行再训练，并重复上述过程，直到输出在公差范围内，误差E的计算公式为：
其中Yn和
是训练向量的预测输出和实际输出，N是训练样本的数目，n＝1，2，3……N。
3-3)基于步骤3-2)得到的初始权值和偏差，通过模拟退火算法，迭代过程中计算出最优权值和偏差，并计算出温度T的减小值。这一步可以获得更合适的权值和偏差，这是提高预测精度的关键。
模拟退火算法有加热过程、等温过程和冷却过程三个步骤：加热过程也是一个算法——初始化过程，其中给出一个初始温度和解来启动算法，将步骤3-2)中得到的误差E作为模拟退火算法中的解；在等温过程中，在相同的温度下进行多次迭代，以更新溶液的向量，在每次迭代中，给出与当前温度相关的小随机扰动，如果结果变得更好，则接受新的解向量，否则，新的解决方案是随机接受的，接受新解决方案的概率是由温度控制；经过一定的迭代，温度降低了一定的比例，这一过程称为冷却过程，当冷却过程结束时，再次进行等温过程，以在较低的温度下获得新的溶液矢量；等温和冷却过程交替进行，直到温度达到规定的最低限度；温度是模拟退火算法训练过程中的关键因素，这不仅影响随机扰动的大小，而且影响接收更差解的概率。
在模拟退火算法的初级阶段，高温导致随机扰动增加，有利于加速全局搜索和逃离局部最优值。随着迭代的继续和温度的下降，随机扰动减小，更差的解不太可能被接受，并且模型趋于稳定和收敛，其表示为：
其中T为类似温度，它控制由指定的冷却时间表决定的冷却或“退火”；t是初始温度，xi是解的当前向量，x′i是给定的小随机扰动的解；r是[-1，1]中均匀分布的随机数；vi是长度与x相同的步长向量；ΔE是从旧解到新解的目标值的变化；P()为概率函数；exp为以自然常数e为底的指数函数；随着迭代的继续，T减小，较差解的接受概率降低，使用以下方程计算T：
TK+1＝TK·θ
其中TK和TK+1表示第K次和第K+1次迭代中的类似温度，θ是一个常数，控制T的下降速度，θ设置在0.95到0.99之间。
3-4)如果温度T降低到极限，或者预测结果的E值满足期望，则终止训练过程，输出最优权值和偏差，否则，返回到步骤3-3)，以训练更优的权重和偏差。
段，高温导致快速的随机扰动，有利于加速全局搜索和逃离局部最优值。随着迭代的继续和温度的下降，随机扰动减小，更坏的解不太可能被接受，并且模型趋于稳定和收敛，其表示为：
4)将检验样本输入到训练好的关系模型，得到分级预测结果。
5)如图3所示，将预测结果与实际扭矩和推力对比，自动调控TBM设备掘进时所需的扭矩和推力，从而自动控制TBM掘进设备运转。
Claims (8)
1.一种基于BP神经网络的矿山井筒工程TBM控制方法，包括以下步骤：
1)建立岩体分级预测结果和TBM操作扭矩、推力发展规律的关系模型；
2)选取训练样本和检验样本；
3)用训练样本对关系模型进行训练，得到训练好的关系模型；
4)将检验样本输入到训练好的关系模型，得到分级预测结果；
5)利用预测结果自动调控TBM设备掘进时所需的扭矩和推力，从而自动控制TBM掘进设备运转。
2.根据权利要求1所述的基于BP神经网络的矿山井筒工程TBM控制方法，其特征在于，所述步骤1)中，所述关系模型采用BP神经网络的方法建立，以岩体分级预测的发展规律对应参数为输入，TBM设备掘进时所需的扭矩和推力为输出，BP神经网络为只有一个隐含层的三层网络结构。
3.根据权利要求2所述的基于BP神经网络的矿山井筒工程TBM控制方法，其特征在于，所述步骤1)中，BP神经网络输入的岩体分级预测的发展规律对应参数包括岩体单轴压缩强度、拉伸强度、岩石质量指标、节理间距、链长、纵波速度和横波速度。
4.根据权利要求3所述的基于BP神经网络的矿山井筒工程TBM控制方法，其特征在于，所述步骤2)中，通过实验设备和计算处理获得岩体分级发展规律对应参数：岩体单轴压缩强度、拉伸强度、岩石质量指标、节理间距、链长、纵波速度和横波速度，作为BP神经网络关系模型的输入；输出单元为TBM设备掘进所需的扭矩、推力，通过TBM掘进时操作室的仪表盘显示，由传感器监测得到，选取20组数据作为关系模型的训练样本，另取3组数据作为关系模型的检验样本。
5.根据权利要求4所述的基于BP神经网络的矿山井筒工程TBM控制方法，其特征在于，所述步骤3)中，关系模型训练的具体过程为：
3-1)对训练样本中所有的参数数据进行归一化处理；归一化处理后的数据X为：
其中，x为输入数据，μ和σ分别是数据的平均偏差和标准差，
3-2)随机设置BP神经网络每个神经元的权重和偏差，然后通过网络学习的正向传播过程和误差反向传播过程，不断调节网络权重和阈值，直到收敛，并得到一系列的权重和偏差作为模拟退火算法的初始解向量；
3-3)基于步骤3-2)得到的初始权值和偏差，通过模拟退火算法，迭代过程中计算出最优权值和偏差，并计算出温度T的减小值；
3-4)如果温度T降低到极限，或者预测结果的E值满足期望，则终止训练过程，输出最优权值和偏差，否则，返回到步骤3-3)，以训练更优的权重和偏差。
6.根据权利要求5所述的基于BP神经网络的矿山井筒工程TBM控制方法，其特征在于，所述步骤3-2)中，首先，BP神经网络输出层中的神经元产生网络的初始结果，关系模型中输入和输出之间的计算过程表示为
其中I和H是输入层和隐藏层中的神经元数；bj和bk分别是隐藏层第j个神经元和输出层第k个神经元的偏置；foutput和fhidden是隐藏层神经元和输出层神经元各自的传递函数；wji是输入层第i个神经元和隐藏层第j个神经元之间的权重；wkj是隐藏层第j个神经元和输出层第k个神经元之间的权重，然后测量输出与实际值之间的误差E，如果误差E超过公差，那么权重和偏差通过梯度下降来修改，通过修正的权重和偏差对输出值进行再训练，并重复上述过程，直到输出在公差范围内，误差E的计算公式为：
其中Yn和
是训练向量的预测输出和实际输出，N是训练样本的数目，n＝1，2，3……N。
7.根据权利要求5所述的基于BP神经网络的矿山井筒工程TBM控制方法，其特征在于，所述步骤3-3)中，模拟退火算法有加热过程、等温过程和冷却过程三个步骤：加热过程也是一个算法——初始化过程，其中给出一个初始温度和解来启动算法，将步骤3-2)中得到的误差E作为模拟退火算法中的解；在等温过程中，在相同的温度下进行多次迭代，以更新溶液的向量，在每次迭代中，给出与当前温度相关的小随机扰动，如果结果变得更好，则接受新的解向量，否则，新的解决方案是随机接受的，接受新解决方案的概率是由温度控制；经过一定的迭代，温度降低了一定的比例，这一过程称为冷却过程，当冷却过程结束时，再次进行等温过程，以在较低的温度下获得新的溶液矢量；等温和冷却过程交替进行，直到温度达到规定的最低限度；
在模拟退火算法的初级阶段，高温导致随机扰动增加，随着迭代的继续和温度的下降，随机扰动减小，并且模型趋于稳定和收敛，其表示为：
其中T为类似温度，t是初始温度，xi是解的当前向量，x′i是给定的小随机扰动的解；r是[-1，1]中均匀分布的随机数；vi是长度与x相同的步长向量；ΔE是从旧解到新解的目标值的变化；P()为概率函数；exp为以自然常数e为底的指数函数；随着迭代的继续，T减小，较差解的接受概率降低，使用以下方程计算T：
TK+1＝TK·θ
其中TK和TK+1表示第K次和第K+1次迭代中的类似温度，θ是一个常数，控制T的下降速度，θ设置在0.95到0.99之间。
8.根据权利要求4所述的基于BP神经网络的矿山井筒工程TBM控制方法，其特征在于，所述步骤5)中，通过关系模型计算出所需扭矩和推力，然后与实际扭矩和推力对比，从而控制TBM掘进设备的运行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911371810.7A CN111144001A (zh) | 2019-12-26 | 2019-12-26 | 一种基于bp神经网络的矿山井筒工程tbm控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911371810.7A CN111144001A (zh) | 2019-12-26 | 2019-12-26 | 一种基于bp神经网络的矿山井筒工程tbm控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111144001A true CN111144001A (zh) | 2020-05-12 |
Family
ID=70520768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911371810.7A Pending CN111144001A (zh) | 2019-12-26 | 2019-12-26 | 一种基于bp神经网络的矿山井筒工程tbm控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144001A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111751878A (zh) * | 2020-05-21 | 2020-10-09 | 中国石油天然气股份有限公司 | 横波速度的预测方法和装置 |
| CN112446098A (zh) * | 2020-12-03 | 2021-03-05 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 海洋装备中推进器的极限性能模拟方法 |
| CN113158562A (zh) * | 2021-04-14 | 2021-07-23 | 山东大学 | 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 |
| CN117288587A (zh) * | 2023-11-24 | 2023-12-26 | 中国矿业大学(北京) | 岩体抗拉强度随钻测试方法与系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700153A (zh) * | 2014-12-05 | 2015-06-10 | 江南大学 | 基于模拟退火优化BP神经网络的pH值预测方法 |
-
2019
- 2019-12-26 CN CN201911371810.7A patent/CN111144001A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700153A (zh) * | 2014-12-05 | 2015-06-10 | 江南大学 | 基于模拟退火优化BP神经网络的pH值预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 孙谋等: "软土地层盾构近距穿越老式建筑区掘进参数分析", 《土木工程学报》 * |
| 张兵: "基于改进信息熵值分析的TBM掘进参数研究", 《河南科学》 * |
| 李超等: "基于BP神经网络的复合地层盾构", 《土木工程学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111751878A (zh) * | 2020-05-21 | 2020-10-09 | 中国石油天然气股份有限公司 | 横波速度的预测方法和装置 |
| CN112446098A (zh) * | 2020-12-03 | 2021-03-05 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 海洋装备中推进器的极限性能模拟方法 |
| CN112446098B (zh) * | 2020-12-03 | 2023-08-25 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 海洋装备中推进器的极限性能模拟方法 |
| CN113158562A (zh) * | 2021-04-14 | 2021-07-23 | 山东大学 | 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 |
| CN117288587A (zh) * | 2023-11-24 | 2023-12-26 | 中国矿业大学(北京) | 岩体抗拉强度随钻测试方法与系统 |
| CN117288587B (zh) * | 2023-11-24 | 2024-02-20 | 中国矿业大学(北京) | 岩体抗拉强度随钻测试方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144001A (zh) | 一种基于bp神经网络的矿山井筒工程tbm控制方法 | |
| CN107122861B (zh) | 一种基于pca-pso-elm的瓦斯涌出量预测方法 | |
| CN109635461A (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
| CN110110419A (zh) | 一种基于多目标学习的tbm掘进参数预测方法 | |
| CN112183993B (zh) | 一种tbm掘进控制参数智能预测及优化决策方法 | |
| CN110807557A (zh) | 一种基于bp神经网络的钻速预测方法和基于bp神经网络以及粒子群算法的钻速优化方法 | |
| CN103970965A (zh) | 燃气涡轮发动机加速寿命试验试车方法 | |
| Chen et al. | Prediction of TBM tunneling parameters through an LSTM neural network | |
| Oraee et al. | Prediction of the penetration rate of TBM using adaptive neuro fuzzy inference system (ANFIS) | |
| CN114779324B (zh) | 一种基于深度学习的瑞雷波频散曲线反演方法 | |
| CN114662699A (zh) | 一种基于机器学习的盾构姿态预测方法 | |
| CN113326660B (zh) | 基于GA-XGBoost模型的隧道围岩挤压变形预测方法 | |
| CN115952590B (zh) | 基于bo-rf-mompa的盾构隧道优化设计方法及设备 | |
| 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 | |
| Hou et al. | Improved particle swarm optimization for selection of shield tunneling parameter values | |
| Luo et al. | Optimal control of slurry pressure during shield tunnelling based on random forest and particle swarm optimization | |
| CN113323676B (zh) | 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法 | |
| CN112614021B (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
| CN116050285B (zh) | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 | |
| CN111751878A (zh) | 横波速度的预测方法和装置 | |
| CN113435055B (zh) | 盾构刀盘扭矩领域自适应迁移预测方法和系统 | |
| CN113377075B (zh) | 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 | |
| CN112796747B (zh) | 基于多目标的油气钻井策略预测方法及装置 | |
| CN105955029A (zh) | 一种保鲁棒性的pid控制参数优化方法 | |
| CN112727433A (zh) | 一种钻井参数优化方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200512 |
|
| RJ01 | Rejection of invention patent application after publication |