基于LSTM-GRU模型的TBM掘进参数时序预测研究 |
| |
引用本文: | 杨耀红,刘德福,韩兴忠,尚李落,代静,孙小虎.基于LSTM-GRU模型的TBM掘进参数时序预测研究[J].水力发电,2023(2):78-84+104. |
| |
作者姓名: | 杨耀红 刘德福 韩兴忠 尚李落 代静 孙小虎 |
| |
作者单位: | 1. 华北水利水电大学水利学院;2. 河南省黄河流域水资源节约集约利用重点实验室;3. 中水北方勘测设计研究有限责任公司 |
| |
基金项目: | 国家自然科学基金重点项目(51679089); |
| |
摘 要: | 隧道掘进机(TBM)施工效率对于地质条件的高度敏感性,以及TBM设备智能控制并最终实现无人驾驶,都对在复杂地质条件中精准预测TBM掘进参数提出了更高要求。为精准预测不同等级围岩下TBM的掘进速度、总推力、刀盘转速和刀盘扭矩,基于向原始数据学习和向误差学习的双学习机制,建立了掘进参数时序预测模型LSTM-GRU,并对某引水工程隧洞TBM施工实例进行了计算分析,验证了模型的有效性。最后选用决定系数R2、均方根误差、平均绝对误差、平均相对误差等4个参数,分别与广义回归神经网络GRNN、长短时记忆网络LSTM以及门控循环网络GRU的预测结果进行比较分析,结果表明,Ⅱ级围岩和Ⅲ级围岩下,LSTM-GRU模型的预测精度更高。研究结论可为隧洞工程TBM施工控制提供参考。
|
关 键 词: | 隧道掘进机(TBM) 掘进参数 时序预测 双学习机制 LSTM-GRU模型 误差分析 |
|
|