基于IPSO-BP混合模型的TBM掘进参数预测

通过TBM上升段数据预测稳定段的掘进参数,可以在每个掘进循环的起始阶段预测出各掘进参数的建议值,辅助进行TBM掘进参数的设置和优化调整。提出一种基于改进粒子群算法优化BP神经网络(Improvedparticle swarm optimization-back propagation,IPSO-BP)的TBM掘进参数预测模型,采用自适应惯性权重对标准PSO算法进行改进,并基于改进PSO算法对BP网络的连接权值和偏置进行优化。基于吉林引松工程TBM3标段802 d的TBM运行数据对训练集和测试集进行划分。选取TBM掘进上升段前30 s的刀盘扭矩、贯入度、刀盘功率、推进速度、总推进力5个掘进参数变化特征(均值和线性拟合斜率),以及岩性、围岩分级和地下水活动情况3个地质参数作为模型的输入,并通过试验法确定模型的3个关键超参数(隐含层节点数、学习率和粒子群种群规模),预测稳定掘进时的推进速度v、总推进力F和刀盘扭矩T。结果表明,所提出的模型对TBM稳定掘进段参数的预测拟合优度均达0.85以上,平均绝对百分误差均小于12.68%,相比于BP模型和PSO-BP模型具有更高的预测精度。