基于XGBoost的隧道掘进机操作参数智能决策系统设计

为了实现隧道施工的同质化,提出基于极端梯度提升算法（XGBoost）预测模型的隧道掘进机（TBM）操作参数的智能决策方法. 定义场操作系数指数（FOI）作为替代传统场切深指数（FPI）的围岩级别特征参数,使用XGBoost算法建立预测模型以实现对FOI的预测,对围岩级别进行预测、判断. 通过对优秀司机在特定FOI下TBM操作参数的选择,建立专家模型实现FOI与特定TBM操作参数的关联,实现TBM操作参数的智能决策. 使用引松工程的现场数据进行对比实验,结果表明,设计的TBM操作参数的智能决策系统能够实现对优秀的TBM司机操作参数决策的复现,相比于以FPI为特征参数的传统智能决策系统,新系统的推进速度和刀盘转速两部分的平均相对误差分别下降8.84 %和7.97 %.     

基于云推理模型的深度强化学习探索策略研究

强化学习通过与环境的交互学得任务的决策策略,具有自学习与在线学习的特点。但交互试错的机制也往往导致了算法的运行效率较低、收敛速度较慢。知识包含了人类经验和对事物的认知规律,利用知识引导智能体(agent)的学习,是解决上述问题的一种有效方法。该文尝试将定性规则知识引入到强化学习中,通过云推理模型对定性规则进行表示,将其作为探索策略引导智能体的动作选择,以减少智能体在状态-动作空间探索的盲目性。该文选用OpenAI Gym作为测试环境,通过在自定义的CartPole-v2中的实验,验证了提出的基于云推理模型探索策略的有效性,可以提高强化学习的学习效率,加快收敛速度。     

NSVR硬岩隧道掘进机刀盘扭矩预测分析

为了避免硬岩隧道掘进机（TBM）刀盘受困,提出TBM刀盘扭矩的非线性支持向量回归（NSVR）预测模型来指导TBM掘进施工.结合吉林引松供水工程现场掘进大量数据,研究TBM刀盘扭矩与掘进参数间的相关关系,得到刀盘扭矩与围岩类别、刀盘转速和推进速度具有明显相关关系：随着围岩强度由强到弱,推进速度对刀盘扭矩的影响逐渐变弱,刀盘转速对刀盘扭矩的影响逐渐变强.基于这种相关关系,建立刀盘扭矩NSVR预测模型,并将该模型应用于吉林引松隧道工程,对按1：1划分的19 854个训练样本和19 854个测试样本的刀盘扭矩进行预测.预测结果表明：训练样本集和测试样本集的平均相对预测误差分别为11.3%和12.9%,测试样本集中相对预测误差高于60%的有516个测试样本,占测试样本集总数的2.6%.各项数据表明,在给定刀盘转速、推进速度和围岩类别条件下,建立的刀盘扭矩NSVR预测模型具有较高的预测精度.