CN112183993B - 一种tbm掘进控制参数智能预测及优化决策方法 - Google Patents
一种tbm掘进控制参数智能预测及优化决策方法 Download PDFInfo
- Publication number
- CN112183993B CN112183993B CN202011003587.3A CN202011003587A CN112183993B CN 112183993 B CN112183993 B CN 112183993B CN 202011003587 A CN202011003587 A CN 202011003587A CN 112183993 B CN112183993 B CN 112183993B
- Authority
- CN
- China
- Prior art keywords
- prediction
- training
- tbm
- parameters
- tbm tunneling
- 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.)
- Active
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06314—Calendaring for a resource
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种TBM掘进控制参数智能预测及优化决策方法,对TBM掘进参数和刀盘振动加速度进行预处理,通过交叉验证对LSTM模型进行训练获得LSTM模型的最优模型超参数;对最优模型超参数的LSTM模型进行训练;通过交叉验证和改进损失函数对次级学习器进行训练获得次级学习器的最优模型超参数;对次级学习器进行训练,获得最终的堆叠集成模型;基于堆叠模型预测结果,采用多目标粒子群算法生成最优掘进控制参数。本发明提供了全断面隧道掘进机开挖过程掘进控制参数实时预测及优化决策方法,解决了复杂地层TBM掘进过程参数自动选取及调整难题,对全断面隧道掘进机安全高效智能化掘进具有重要意义。
Description
技术领域
本发明涉及隧道施工技术领域,更具体涉及一种TBM掘进控制参数智能预测及优化决策方法。
背景技术
全断面隧道掘进机(TBM)已经在隧道工程中得到越来越广泛的应用,然而其开挖地层围岩条件变化较为敏感,当掘进面前方岩体条件发生变化时,需要及时调整相应TBM掘进控制参数(刀盘推力、TBM贯入度、刀盘转速等)以达到TBM最佳掘进状态。目前TBM施工过程中掘进参数的调整主要存在以下不足:
(1)隧道开挖地质条件复杂,而TBM操作司机主要根据经验对掘进参数进行调整,TBM施工效率很大程度依赖于司机操作水平;
(2)现有的TBM掘进模式没有考虑到TBM掘进控制参数的选择对设备能耗的影响,造成资源浪费。
针对上述不足,本发明专利提出了一种TBM掘进控制参数智能预测及优化决策方法。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种TBM掘进控制参数智能预测及优化决策方法,解决全断面隧道掘进机在复杂地层中安全高效、智能化掘进的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
一种TBM掘进控制参数智能预测及优化决策方法,包括以下步骤:
步骤1、对TBM掘进参数和刀盘振动加速度进行预处理,获得全样本数据集,将全样本数据集划分为第一样本数据集和第二样本数据集;
步骤2、根据第一样本数据集,通过交叉验证对LSTM模型进行训练获得LSTM模型的最优模型超参数;
步骤3、使用全体第一样本数据集,对采用步骤2获得的最优模型超参数的LSTM模型进行训练;
步骤4、将第二样本数据集输入到步骤3训练获得的LSTM模型,输出第二初级预测参数,第二初级预测参数作为次级学习器的输入,通过交叉验证和改进损失函数对次级学习器进行训练获得次级学习器的最优模型超参数;
步骤5、最后在取得次级学习器最优超参数的基础上,用全部第二样本数据集对次级学习器进行训练,获得最终的堆叠集成模型;
步骤6、对实测TBM掘进参数和刀盘振动加速度进行PCA降维和归一化处理后得到实测样本,将实测样本输入到步骤5获得的最终堆叠集成模型,得到预测时间对应的第二次级预测参数。
如上所述的步骤1包括以下步骤:
选取在所预测时刻前的一定时间段内的所有或按一定间隔方式选取的TBM掘进参数和刀盘振动加速度,
TBM掘进参数和刀盘振动加速度经过PCA降维后得到多维输入向量,多维输入向量进行归一化处理后形成全样本数据集,将全样本数据集划分为第一样本数据集和第二样本数据集。
如上所述的步骤3包括以下步骤:
使用全体第一样本数据集作为训练样本输入到采用最优模型超参数的LSTM模型进行训练,LSTM模型输出的TBM掘进控制参数作为预测时刻对应的初级预测参数,本步骤中LSTM模型的输出结果为第一初级预测参数,预测时刻的第一初级预测参数与预测时刻的实际TBM掘进控制参数间的均方根误差或者平均绝对百分误差小于设定阈值,则LSTM模型训练完成。
如上所述的步骤4包括以下步骤:
将第二样本数据集分为第二样本训练集和第二样本测试集输入到步骤3训练完成后得到的LSTM模型,LSTM模型输出的第二初级预测参数作为次级学习器的输入,次级学习器输出的TBM掘进控制参数作为预测时刻对应的第一次级预测参数,
次级学习器的训练过程中,使用通过交叉验证和改进的损失函数L1最小对次级学习器进行训练,获得次级学习器的最优模型超参数,
改进的损失函数L1的公式如下:
其中:n2为第二初级预测参数的样本数量,l()为原损失函数,f1()为次级学习器的输出值,x2_i为第二初级预测参数的第i个样本,y2_i为第二初级预测参数的第i个训练样本对应的预测时刻的实际的TBM掘进控制参数,为TBM破岩比能函数,α为优化系数。
如上所述的步骤5包括以下步骤:
将全部第二样本数据集作为步骤3训练获得的LSTM模型输入,最终LSTM预测模型输出第三初级预测参数,将第三初级预测参数作为采用步骤4获得的最优超参数的次级学习器的输入,利用改进后的损失函数L2对次级学习器进行训练,训练完成后的次级学习器与LSTM模型共同组成最终的堆叠集成模型,
改进后的损失函数L2表示为:
其中:n3为第二样本数据集的样本数量,f1()为次级学习器的输出值,α为优化系数,l()为原损失函数,即均方误差MSE,x3_i为第二样本数据集的第i个样本,y3_i为第二样本数据集的第i个样本对应的预测时刻的实际的TBM掘进控制参数,为TBM破岩比能函数,计算公式如下:
其中,Th为刀盘推力,T为刀盘扭矩,D为刀盘直径,PR为TBM贯入度。
一种TBM掘进控制参数智能预测及优化决策方法,还包括以下步骤:
步骤7、通过粒子群算法对步骤6获得的第二次级预测参数进行优化决策,获得最优的TBM掘进控制参数。
如上所述的步骤7包括以下步骤:
根据第二次级预测参数,计算置信值,置信值为:2×百分误差的标准差×第二次级预测参数,
以第二次级预测参数为中心,上下浮动置信值作为置信区间范围,以TBM破岩比能函数作为粒子群算法的目标函数,在置信区间范围内通过粒子群算法,搜寻目标函数最小的条件下的最优的第二次级预测参数即获得最优TBM掘进控制参数。
一种TBM掘进控制参数智能预测及优化决策方法,还包括以下步骤:
步骤8、根据历史的TBM掘进运行参数(刀盘推力、刀盘扭矩)和TBM掘进控制参数(TBM贯入度、刀盘转速),获得TBM掘进运行参数与TBM掘进控制参数的回归关系,还获得刀盘振动加速度与TBM掘进控制参数的回归关系;利用步骤7获得的最优TBM掘进控制参数,获得对应的TBM掘进运行参数。
本发明与现有技术相比,具有以下优点和效果:
(1)基于LSTM神经网络的TBM掘进控制参数预测模型,适用于处理具有非平稳时间序列特征的数据。
(2)基于堆叠的集成方法提高了预测模型的准确率与泛化性能,使TBM掘进控制参数预测结果更加可靠。
(3)综合考虑了TBM破岩比能对TBM掘进控制参数选择的影响,降低了开挖过程的设备能源消耗,降低工程成本。
附图说明
图1为本发明的流程示意图。
图2为一种原始掘进数据预处理流程示意图。
图3为堆叠集成模型的训练流程示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
一种TBM掘进控制参数智能预测及优化决策方法,其步骤是:
步骤1、对TBM掘进参数和刀盘振动加速度进行预处理,获得全样本数据集,将全样本数据集分为第一样本数据集和第二样本数据集,具体步骤为:
选取在所预测时刻前的一定时间段(5-30s)内的所有或按一定间隔方式选取的TBM掘进参数(刀盘推力、刀盘扭矩、刀盘转速、TBM贯入度)和刀盘振动加速度(沿隧道轴线方向加速度、刀盘径向振动加速度、刀盘环向振动加速度),其中,刀盘推力和刀盘扭矩为TBM掘进运行参数,TBM贯入度和刀盘转速为TBM掘进控制参数,
TBM掘进参数和刀盘振动加速度经过PCA降维后得到多维输入向量,消除冗余数据以及数据间可能存在的多重共线性对堆叠集成模型的影响,
由于神经网络层间权重对输入参数尺度差异较为敏感,需要对多维输入向量进行归一化处理,多维输入向量进行归一化处理后形成全样本数据集,将全样本数据集划分为第一样本数据集和第二样本数据集,
步骤2、根据第一样本数据集,通过交叉验证对LSTM模型进行训练获得LSTM模型的最优模型超参数,具体步骤为:
将第一样本数据集划分为第一样本训练集和第一样本测试集输入到LSTM模型,通过交叉验证,基于均方根误差与平均绝对百分误差衡量所训练出的LSTM模型的准确性与泛化性能,获得LSTM模型的最优模型超参数,LSTM模型的最优模型超参数包括神经网络隐层数(>1层)、每层神经元(Neurons)个数、学习率(Learning rate)、激活函数(Activationfunction,如sigmoid,Relu,Tanh等)、正则化函数、正则化率等模型等。
步骤3、使用全体第一样本数据集,对采用步骤2获得的最优模型超参数的LSTM模型进行训练,具体步骤为:
使用全体第一样本数据集作为训练样本输入到采用最优模型超参数的LSTM模型进行训练,LSTM模型输出的TBM掘进控制参数(TBM贯入度、刀盘转速)作为预测时刻对应的初级预测参数,记本步骤中LSTM模型的输出结果为第一初级预测参数,预测时刻的第一初级预测参数与预测时刻的实际TBM掘进控制参数间的均方根误差或者平均绝对百分误差小于设定阈值,则LSTM模型训练完成。
均方根误差RMSE计算公式为:
其中:n1为第一样本数据集的训练样本数量,h1()为LSTM模型输出的第一初级预测参数,x1_i为第一样本数据集的第i个训练样本,y1_i为第一样本数据集的第i个训练样本对应的预测时刻的实际的TBM掘进控制参数。
平均绝对百分误差MAPE计算公式为:
步骤4、将第二样本数据集输入到步骤3训练获得的LSTM模型,输出第二初级预测参数,第二初级预测参数作为次级学习器的输入,通过交叉验证和改进损失函数对次级学习器进行训练获得次级学习器的最优模型超参数,具体步骤为:
将第二样本数据集分为第二样本训练集和第二样本测试集输入到步骤3训练完成后得到的LSTM模型,LSTM模型输出的第二初级预测参数作为次级学习器(BP神经网络)的输入,次级学习器输出的TBM掘进控制参数(TBM贯入度、刀盘转速)作为预测时刻对应的第一次级预测参数,
次级学习器的训练过程中,使用通过交叉验证和改进的损失函数最小(将TBM破岩比能纳入损失函数的计算)对次级学习器进行训练,获得次级学习器的最优模型超参数,次级学习器的最优模型超参数包括神经网络隐层数(>1层)、每层神经元(Neurons)个数、学习率(Learning rate)、激活函数(Activation function,如sigmoid,Relu,Tanh等)、正则化函数、正则化率。
改进的损失函数L1的公式如下:
其中:n2为第二初级预测参数的样本数量,l()为原损失函数,即均方误差MSE,f1()为次级学习器的输出值,x2_i为第二初级预测参数的第i个样本,y2_i为第二初级预测参数的第i个训练样本对应的预测时刻的实际的TBM掘进控制参数,为TBM破岩比能函数,α为优化系数。
步骤5、最后在取得次级学习器最优超参数的基础上,用全部第二样本数据集对次级学习器进行训练,获得最终的堆叠集成模型,具体为:
将全部第二样本数据集作为步骤3训练获得的LSTM模型输入,最终LSTM预测模型输出第三初级预测参数,将第三初级预测参数作为采用步骤4获得的最优超参数的次级学习器的输入,利用改进后的损失函数对次级学习器进行训练,训练完成后的次级学习器与LSTM模型共同组成最终的堆叠集成模型。
其中,改进后的损失函数L2表示为:
其中:n3为第二样本数据集的样本数量,f1()为次级学习器的输出值,E()为TBM破岩比能函数,α为优化系数,l()为原损失函数,即均方误差MSE,x3_i为第二样本数据集的第i个样本,y3_i为第二样本数据集的第i个样本对应的预测时刻的实际的TBM掘进控制参数。
其中,Th为刀盘推力,T为刀盘扭矩,D为刀盘直径,PR为TBM贯入度。
步骤6、对实测TBM掘进参数和刀盘振动加速度进行PCA降维和归一化处理后得到实测样本,将实测样本输入到步骤5获得的最终堆叠集成模型,得到预测时间对应的第二次级预测参数。
步骤7、通过粒子群算法对步骤6获得的第二次级预测参数进行优化,获得最优的TBM掘进控制参数,具体步骤为:
根据第二次级预测参数,计算置信值,置信值为:2×百分误差(APE)的标准差×第二次级预测参数。
以第二次级预测参数为中心,上下浮动置信值作为置信区间范围,以TBM破岩比能函数作为粒子群算法(PSO算法)的目标函数,在置信区间范围内通过粒子群算法,搜寻目标函数最小的条件下的最优的第二次级预测参数即获得最优TBM掘进控制参数。
置信区间作为目标函数自变量取值范围,基于优化算法的迭代计算实现在综合考虑能耗的条件下TBM掘进控制参数的自适应匹配。
百分误差APE计算公式:
其中,h2()为堆叠模型输出的第二次级预测参数,x4_i为第二样本数据集第i个样本的输入参数,y4_i为第二样本数据集第i个样本所预测参数的真实值。
步骤8、根据历史的TBM掘进运行参数(刀盘推力、刀盘扭矩)和TBM掘进控制参数(TBM贯入度、刀盘转速),获得TBM掘进运行参数(刀盘推力、刀盘扭矩)与TBM掘进控制参数(TBM贯入度、刀盘转速)的回归关系,还获得刀盘振动加速度与TBM掘进控制参数的回归关系;
利用步骤7获得的最优TBM掘进控制参数,获得对应的TBM掘进运行参数(刀盘推力、刀盘扭矩);
Th=g(PR,RPM) (7)
T=h(PR,RPM) (8)
其中,Th为刀盘推力,PR为贯入度,RPM为刀盘转速,T为刀盘扭矩,g和h均指回归关系函数。
步骤9、在TBM掘进过程中通过增量学习(Incremental Learning)的方式不断更新模型,具体步骤为:
在TBM运行中不断收集实时监测获取的样本,并每间隔5-10m将上述样本更新全样本数据集,根据更新后的全样本数据集重复步骤1-6重新训练LSTM模型和次级学习器,对堆叠集成模型进行修正、调整,实现模型的在线自动更新。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种TBM掘进控制参数智能预测及优化决策方法,其特征在于,包括以下步骤:
步骤1、对TBM掘进参数和刀盘振动加速度进行预处理,获得全样本数据集,将全样本数据集划分为第一样本数据集和第二样本数据集;
步骤2、根据第一样本数据集,通过交叉验证对LSTM模型进行训练获得LSTM模型的最优模型超参数;
步骤3、使用全体第一样本数据集,对采用步骤2获得的最优模型超参数的LSTM模型进行训练;
步骤4、将第二样本数据集输入到步骤3训练获得的LSTM模型,输出第二初级预测参数,第二初级预测参数作为次级学习器的输入,通过交叉验证和改进损失函数对次级学习器进行训练获得次级学习器的最优模型超参数;
步骤5、最后在取得次级学习器最优超参数的基础上,用全部第二样本数据集对次级学习器进行训练,获得最终的堆叠集成模型;
步骤6、对实测TBM掘进参数和刀盘振动加速度进行PCA降维和归一化处理后得到实测样本,将实测样本输入到步骤5获得的最终堆叠集成模型,得到预测时间对应的第二次级预测参数。
2.根据权利要求1所述的一种TBM掘进控制参数智能预测及优化决策方法,其特征在于,所述的步骤1包括以下步骤:
选取在所预测时刻前的一定时间段内的所有或按一定间隔方式选取的TBM掘进参数和刀盘振动加速度,TBM掘进参数和刀盘振动加速度经过PCA降维后得到多维输入向量,多维输入向量进行归一化处理后形成全样本数据集,将全样本数据集分为第一样本数据集和第二样本数据集。
3.根据权利要求2所述的一种TBM掘进控制参数智能预测及优化决策方法,其特征在于,所述的步骤3包括以下步骤:
使用全体第一样本数据集作为训练样本输入到采用最优模型超参数的LSTM模型进行训练,LSTM模型输出的TBM掘进控制参数作为预测时刻对应的初级预测参数,本步骤中LSTM模型的输出结果为第一初级预测参数,预测时刻的第一初级预测参数与预测时刻的实际TBM掘进控制参数间的均方根误差或者平均绝对百分误差小于设定阈值,则LSTM模型训练完成。
4.根据权利要求3所述的一种TBM掘进控制参数智能预测及优化决策方法,其特征在于,所述的步骤4包括以下步骤:
将第二样本数据集分为第二样本训练集和第二样本测试集输入到步骤3训练完成后得到的LSTM模型,LSTM模型输出的第二初级预测参数作为次级学习器的输入,次级学习器输出的TBM掘进控制参数作为预测时刻对应的第一次级预测参数,次级学习器的训练过程中,使用通过交叉验证和改进的损失函数L1最小对次级学习器进行训练,获得次级学习器的最优模型超参数,
改进的损失函数L1的公式如下:
5.根据权利要求4所述的一种TBM掘进控制参数智能预测及优化决策方法,其特征在于,所述的步骤5包括以下步骤:
将全部第二样本数据集作为步骤3训练获得的LSTM模型输入,最终LSTM预测模型输出第三初级预测参数,将第三初级预测参数作为采用步骤4获得的最优超参数的次级学习器的输入,利用改进后的损失函数L2对次级学习器进行训练,训练完成后的次级学习器与LSTM模型共同组成最终的堆叠集成模型,
改进后的损失函数L2表示为:
6.根据权利要求1所述的一种TBM掘进控制参数智能预测及优化决策方法,其特征在于,还包括以下步骤:
步骤7、通过粒子群算法对步骤6获得的第二次级预测参数进行优化决策,获得最优的TBM掘进控制参数。
7.根据权利要求6所述的一种TBM掘进控制参数智能预测及优化决策方法,其特征在于,所述的步骤7包括以下步骤:
根据第二次级预测参数,计算置信值,置信值为:2×百分误差的标准差×第二次级预测参数,
以第二次级预测参数为中心,上下浮动置信值作为置信区间范围,以TBM破岩比能函数作为粒子群算法的目标函数,在置信区间范围内通过粒子群算法,搜寻目标函数最小的条件下的最优的第二次级预测参数即获得最优的TBM掘进控制参数。
8.根据权利要求6所述的一种TBM掘进控制参数智能预测及优化决策方法,其特征在于,还包括以下步骤:
步骤8、根据历史的TBM掘进运行参数和TBM掘进控制参数,获得TBM掘进运行参数与TBM掘进控制参数的回归关系,还获得刀盘振动加速度与TBM掘进控制参数的回归关系;利用步骤7获得的最优TBM掘进控制参数,获得对应的TBM掘进运行参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011003587.3A CN112183993B (zh) | 2020-09-22 | 2020-09-22 | 一种tbm掘进控制参数智能预测及优化决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011003587.3A CN112183993B (zh) | 2020-09-22 | 2020-09-22 | 一种tbm掘进控制参数智能预测及优化决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183993A CN112183993A (zh) | 2021-01-05 |
CN112183993B true CN112183993B (zh) | 2022-06-17 |
Family
ID=73955781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011003587.3A Active CN112183993B (zh) | 2020-09-22 | 2020-09-22 | 一种tbm掘进控制参数智能预测及优化决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183993B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032926B (zh) * | 2021-03-30 | 2024-02-02 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 基于数据驱动的隧道掘进机刀盘启动扭矩计算方法 |
CN113222273B (zh) * | 2021-05-26 | 2022-06-07 | 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 |
CN113361043B (zh) * | 2021-06-25 | 2022-05-06 | 天津大学 | 一种硬岩隧道掘进机刀盘比能的预测方法及系统 |
CN113435056B (zh) * | 2021-07-08 | 2023-06-06 | 上海交通大学 | 基于svr与pso的盾构利用率预测与操作参数优化方法及系统 |
CN116644799B (zh) * | 2023-07-27 | 2023-10-17 | 青岛理工大学 | 基于隧道掘进参数的地层振动加速度预测方法及相关装置 |
CN117077413B (zh) * | 2023-08-21 | 2024-02-23 | 石家庄铁道大学 | 基于地质和掘进特征参数的tbm主梁振动预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107632523A (zh) * | 2017-09-30 | 2018-01-26 | 中铁工程装备集团有限公司 | 一种硬岩tbm掘进控制参数智能决策方法及系统 |
CN107918279A (zh) * | 2017-11-20 | 2018-04-17 | 上海交通大学 | 一种基于粒子群优化算法pso的tbm减振控制方法 |
CN109946962A (zh) * | 2019-03-26 | 2019-06-28 | 黄河勘测规划设计研究院有限公司 | Tbm掘进参数优化方法 |
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 |
CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11085295B2 (en) * | 2019-01-24 | 2021-08-10 | Huaneng Tibet Yarlungzangbo River Hydropower Development Investment Co., Ltd. | Tunnel boring robot and remote mobile terminal command system |
-
2020
- 2020-09-22 CN CN202011003587.3A patent/CN112183993B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107632523A (zh) * | 2017-09-30 | 2018-01-26 | 中铁工程装备集团有限公司 | 一种硬岩tbm掘进控制参数智能决策方法及系统 |
CN107918279A (zh) * | 2017-11-20 | 2018-04-17 | 上海交通大学 | 一种基于粒子群优化算法pso的tbm减振控制方法 |
CN109946962A (zh) * | 2019-03-26 | 2019-06-28 | 黄河勘测规划设计研究院有限公司 | Tbm掘进参数优化方法 |
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 |
CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
Non-Patent Citations (3)
Title |
---|
Prediction of TBM Tunneling Parameters through an LSTM Neural Network;Haowen Chen;《IEEE》;20191231;全文 * |
基于TBM掘进参数的岩石强度估算方法探讨;马池帅;《岩土力学》;20171231;全文 * |
基于长短期记忆神经网络的配电网负荷预测方法研究;史静;《供用电》;20190731;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112183993A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183993B (zh) | 一种tbm掘进控制参数智能预测及优化决策方法 | |
CN110110419B (zh) | 一种基于多目标学习的tbm掘进参数预测方法 | |
CN107220734B (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
CN110852423A (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 | |
CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN107122860B (zh) | 基于网格搜索和极限学习机的冲击地压危险等级预测方法 | |
CN110096827B (zh) | 一种基于深度神经网络的盾构机参数优化方法 | |
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 | |
CN114662699A (zh) | 一种基于机器学习的盾构姿态预测方法 | |
CN115628930B (zh) | 一种基于rbf神经网络的掘进机井下截割工况预测方法 | |
CN111144001A (zh) | 一种基于bp神经网络的矿山井筒工程tbm控制方法 | |
CN113806889A (zh) | 一种tbm刀盘扭矩实时预测模型的处理方法、装置以及设备 | |
CN113156492B (zh) | 一种应用于tbm隧道岩爆灾害实时智能预警方法 | |
CN114152442A (zh) | 基于迁移卷积神经网络的滚动轴承跨工况故障检测方法 | |
CN113946899A (zh) | 一种基于实时地质信息的泥水盾构掘进参数预测方法 | |
CN111460737B (zh) | 泥水气压平衡盾构的智能沉降预测方法及系统 | |
CN117172360A (zh) | 一种基于mlp和高效pso的钻井机械钻速优化方法、系统、设备及介质 | |
CN114063455B (zh) | 土压平衡盾构机推进速度控制方法、建模方法及装置 | |
CN112796747B (zh) | 基于多目标的油气钻井策略预测方法及装置 | |
CN114492174A (zh) | 一种全生命周期盾构掘进参数预测方法及装置 | |
CN113762635B (zh) | Epb隧道施工地表沉降全周期自适应模糊推理预测方法 | |
CN112712192B (zh) | 结合集成学习与加权极限学习机的煤矿瓦斯浓度预测方法 | |
CN113746813B (zh) | 基于两阶段学习模型的网络攻击检测系统及方法 | |
CN117610189A (zh) | 基于acmpso-lstm模型的滚刀磨损量检测方法 | |
Wu et al. | Research on control system of small intelligent drilling rig based on lithology identification |
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 |