排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
盾构机是土质隧道开挖的优质工程机械,被广泛应用在地铁建设。刀盘扭矩是保证盾构正常推进的关键参数,能被精确实时预测对预防灾难事故、确保施工正常推进具有极高的指导意义。针对现有扭矩预测多为计算平均值的问题,提出一种基于长短时记忆(Long-Short Term Memory,LSTM)网络的扭矩实时预测模型。首先通过分析盾构机状态参数与扭矩的相关性,选择一组关键状态参数,降低输入维度;然后建立LSTM扭矩预测模型;最后利用该模型在归一化后的实际数据集上进行验证并与BP网络模型对比。试验结果表明,该模型在测试集上均方差为0.002 81,平均绝对误差为0.036 7,均优于BP网络;该模型具有良好的预测能力与泛化性能,能够很好地拟合关键状态参数与刀盘扭矩之间的非线性关系。 相似文献
2.
针对隧道掘进机(TBM)利用率预测研究匮乏的问题,建立数据驱动的利用率预测模型并进一步对施工进度展开优化.结合新加坡某地铁隧道项目数据,研究地质类型、司机操作与载荷对TBM利用率的影响,提出基于支持向量回归(SVR)的利用率预测方法,并以施工进度最大为目标展开操作参数优化.利用SVR建立掘进环利用率与地质类型、载荷、操作参数的映射模型;建立以施工进度最大为目标,以地质类型、载荷、操作参数为约束边界的优化方程;利用粒子群优化(PSO)寻找特定地质类型下最优的操作参数.结果表明:SVR模型在验证集和测试集上的R2分别为0.729和0.625,均优于多元线性回归、决策树、k最近邻、随机森林、AdaBoost和XGBoost模型;PSO能准确地找出最优的操作参数. 相似文献
3.
1