基于LSTM-GRU模型的TBM掘进参数时序预测研究

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。