一种基于LSTM神经网络的盾构机性能预测方法技术

一种基于LSTM神经网络的盾构机性能预测方法，其特征是，包括如下步骤：步骤一，选取与盾构机性能预测相关的参数作为盾构机性能预测参考数据；步骤二，基于步骤一所选取的参数，收集构建监测数据样本库和搭建神经网络并经过训练对参数进行调整以优化网络；步骤三，利用神经网络进行盾构机性能预测，能够实现对盾构机性能变化情况的预测，从而指导盾构机相关参数设置调整维护的时机，实现盾构机的顺利掘进。进。进。

【技术实现步骤摘要】
一种基于LSTM神经网络的盾构机性能预测方法


[0001]本专利技术涉及一种基于LSTM神经网络的隧道盾构机掘进性能预测方法。

技术介绍

[0002]目前，TBM隧道盾构掘进机由于其推进速度快、安全控制好、对周围环境干扰小和施工质量高等优点被广泛应用于隧道工程之中，但由于其施工相关参数的设置较为困难，缺乏足够的依据，容易导致岩爆、刀盘堵塞、刀具磨损和涌水等一系列问题，给施工带来严重的阻碍，因此，需要对包括盾构机刀盘扭矩和推进速度等参数在内的盾构机的性能进行预测，从而确定所设施工相关参数是否合适。目前传统的预测方法主要有理论预测模型和经验预测模型；
[0003]然而传统的盾构机性能预测方法则存在着以下不足：
[0004](1)仅提出了与不同岩石质量相关的一般规则，难以在实际工程中加以应用；
[0005](2)主要基于理想化假设建立，不符合真实情况；
[0006](3)大多是案例分析，缺乏通用性。
[0007]由此可见，需要提出一种全新的盾构机性能预测方法，来指导施工相关参数的设定。而随着LSTM神经网络的应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM神经网络的盾构机性能预测方法，其特征是，包括如下步骤：步骤一，选取与盾构机性能预测相关的参数作为盾构机性能预测参考数据；步骤二，基于步骤一所选取的参数，收集构建监测数据样本库和搭建神经网络并经过训练对参数进行调整以优化网络；步骤三，利用神经网络进行盾构机性能预测，能够实现对盾构机性能变化情况的预测，从而指导盾构机相关参数的设置和调整，实现盾构机的顺利掘进。2.如权利要求1所述的方法，其特征是，选取与盾构机性能预测相关的参数作为盾构机性能预测参考数据，参数可以分为三类，包括：时变参数、非时变参数和预测输出数据；时变参数包括：盾构机刀盘转速、盾构机A组油缸推进力、盾构机B组油缸推进力、盾构机C组油缸推进力、盾构机D组油缸推进力；非时变参数包括：隧道埋深、地下水高度、隧道轴线曲率、土体压缩模量、土体等效承载力；预测输出数据包括：盾构机刀盘扭矩、盾构机推进速度。3.如权利要求1所述的方法，其特征是，步骤二中构建监测数据样本库：监测数据样本库为依据本发明构建的指标体系中的二级指标收集而来的样本数据集，其数据来源于两个渠道：盾构机自动记录和人工统计，用于对盾构机性能进行预测；其中，时变参数和预测输出数据采用盾构机自动记录，非时变参数采用人工统计。4.如权利要求1所述的方法，其特征是，神经网络结构和优化算法：该神经网络由输入层、LSTM层、dropout层、BN层、全连接层和输出层组成，用于预测时间点前n分钟的时变参数、预测输出数据，预测时间点时变参数和非时变参数来预测预测时间点的预测输出数据，从而用于预判预测时间点处的盾构机性能；对于所述输入层，假设预测第t分钟预测输出数据，则以预测时间点前n分钟每分钟的时变参数、预测输出数据(TVPt
‑
n、PODt
‑
n至TVPt
‑
1、PODt
‑
1，TVPt
‑
n表示第t分钟前n分钟的时变参数所组成的向量，PODt
‑
n表示第t分钟前n分钟的预测输出数据所组成的向量)，第t分钟预测输出数据(TVPt)和非时变参数(TIVP)作为输入数据，并事先将每个数据进行归一化，即减去该参数最小值然后除以最大值与最小值之差，使数据大于等于0而小于等于1；对于所述LSTM层，其由n个LSTM单元组成，每个LSTM单元均按...

【专利技术属性】
技术研发人员：黎田，侯振，麻歆，王璐，陈宇光，
申请(专利权)人：中国建筑第四工程局有限公司，
类型：发明
国别省市：