【技术实现步骤摘要】
一种TBM掘进控制参数智能预测及优化决策方法
本专利技术涉及隧道施工
，更具体涉及一种TBM掘进控制参数智能预测及优化决策方法。
技术介绍
全断面隧道掘进机(TBM)已经在隧道工程中得到越来越广泛的应用，然而其开挖地层围岩条件变化较为敏感，当掘进面前方岩体条件发生变化时，需要及时调整相应TBM掘进控制参数(刀盘推力、TBM贯入度、刀盘转速等)以达到TBM最佳掘进状态。目前TBM施工过程中掘进参数的调整主要存在以下不足：(1)隧道开挖地质条件复杂，而TBM操作司机主要根据经验对掘进参数进行调整，TBM施工效率很大程度依赖于司机操作水平；(2)现有的TBM掘进模式没有考虑到TBM掘进控制参数的选择对设备能耗的影响，造成资源浪费。针对上述不足，本专利技术专利提出了一种TBM掘进控制参数智能预测及优化决策方法。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种TBM掘进控制参数智能预测及优化决策方法，解决全断面隧道掘进机在复杂地层中安全高效、智能化掘进的问题。...
【技术保护点】
1.一种TBM掘进控制参数智能预测及优化决策方法，其特征在于，包括以下步骤：/n步骤1、对TBM掘进参数和刀盘振动加速度进行预处理，获得全样本数据集，将全样本数据集划分为第一样本数据集和第二样本数据集；/n步骤2、根据第一样本数据集，通过交叉验证对LSTM模型进行训练获得LSTM模型的最优模型超参数；/n步骤3、使用全体第一样本数据集，对采用步骤2获得的最优模型超参数的LSTM模型进行训练；/n步骤4、将第二样本数据集输入到步骤3训练获得的LSTM模型，输出第二初级预测参数，第二初级预测参数作为次级学习器的输入，通过交叉验证和改进损失函数对次级学习器进行训练获得次级学习器的...
【技术特征摘要】
1.一种TBM掘进控制参数智能预测及优化决策方法，其特征在于，包括以下步骤：
步骤1、对TBM掘进参数和刀盘振动加速度进行预处理，获得全样本数据集，将全样本数据集划分为第一样本数据集和第二样本数据集；
步骤2、根据第一样本数据集，通过交叉验证对LSTM模型进行训练获得LSTM模型的最优模型超参数；
步骤3、使用全体第一样本数据集，对采用步骤2获得的最优模型超参数的LSTM模型进行训练；
步骤4、将第二样本数据集输入到步骤3训练获得的LSTM模型，输出第二初级预测参数，第二初级预测参数作为次级学习器的输入，通过交叉验证和改进损失函数对次级学习器进行训练获得次级学习器的最优模型超参数；
步骤5、最后在取得次级学习器最优超参数的基础上，用全部第二样本数据集对次级学习器进行训练，获得最终的堆叠集成模型；
步骤6、对实测TBM掘进参数和刀盘振动加速度进行PCA降维和归一化处理后得到实测样本，将实测样本输入到步骤5获得的最终堆叠集成模型，得到预测时间对应的第二次级预测参数。
2.根据权利要求1所述的一种TBM掘进控制参数智能预测及优化决策方法，其特征在于，所述的步骤1包括以下步骤：
选取在所预测时刻前的一定时间段内的所有或按一定间隔方式选取的TBM掘进参数和刀盘振动加速度，TBM掘进参数和刀盘振动加速度经过PCA降维后得到多维输入向量，多维输入向量进行归一化处理后形成全样本数据集，将全样本数据集分为第一样本数据集和第二样本数据集。
3.根据权利要求2所述的一种TBM掘进控制参数智能预测及优化决策方法，其特征在于，所述的步骤3包括以下步骤：
使用全体第一样本数据集作为训练样本输入到采用最优模型超参数的LSTM模型进行训练，LSTM模型输出的TBM掘进控制参数作为预测时刻对应的初级预测参数，本步骤中LSTM模型的输出结果为第一初级预测参数，预测时刻的第一初级预测参数与预测时刻的实际TBM掘进控制参数间的均方根误差或者平均绝对百分误差小于设定阈值，则LSTM模型训练完成。
4.根据权利要求3所述的一种TBM掘进控制参数智能预测及优化决策方法，其特征在于，所述的步骤4包括以下步骤：
将第二样本数据集分为第二样本训练集和第二样本测试集输入到步骤3训练完成后得到的LSTM模型，LSTM模型输出的第二初级预测参数作为次级学习器的输入，次级学习器输出的TBM掘进控制参数作为预测时刻对应的第一次级预测参数，次级学习器的训练过程中，使用通过交叉验证和改...
【专利技术属性】
技术研发人员：黄兴，王心语，刘泉声，刘滨，殷欣，张全太，
申请(专利权)人：中国科学院武汉岩土力学研究所，武汉大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。