铁道标准设计2023，Vol.67Issue(7) ：137-145,154.DOI:10.13238/j.issn.1004-2954.202204070011

基于机器学习的地铁盾构掘进参数智能预测与控制方法研究

Research on Intelligent Predicting and Controlling Method of Shield Tunneling Parameters Based on Machine Learning

刘颖彬 廖少明 杜华 白立峰 钟壬旭
铁道标准设计2023，Vol.67Issue(7) ：137-145,154.DOI:10.13238/j.issn.1004-2954.202204070011
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于机器学习的地铁盾构掘进参数智能预测与控制方法研究

Research on Intelligent Predicting and Controlling Method of Shield Tunneling Parameters Based on Machine Learning

刘颖彬 1廖少明 1杜华 2白立峰 2钟壬旭2
扫码查看

作者信息

  • 1. 同济大学地下建筑与工程系,上海 200092
  • 2. 金华市金义东轨道交通有限公司,浙江金华 321017
  • 折叠

摘要

盾构掘进的精细化和智能化控制是现代隧道施工技术的发展趋势,为更好地预测和控制盾构掘进状态,提出一种预测和控制盾构掘进参数的智能模型.该模型考虑了多个影响盾构掘进参数的非线性因素,建立了 6 种基于机器学习与海鸥算法相结合的混合算法(SOA-ML)盾构掘进参数智能预测模型,并提出基于层次分析法的最佳预测模型判别方法;进一步利用最佳预测模型提出了基于PSO算法的掘进参数控制方法.以金华至义乌至东阳市域轨道交通工程为例,验证了模型的有效性.运用结果表明:SOA算法可有效地对机器学习算法的超参数调优,且SOA种群数量越大,搜索的范围越广,最佳适应度收敛性越快;6 种算法模型均具有较好的预测性能,根据层次分析法对预测模型进行性能排序为BP>ELM>CNN>RF>SVM>LSTM;基于BP-PSO的盾构掘进参数预测和控制过程具有消耗时间小、预测与优化性好的特点.

关键词

地铁/盾构掘进/盾构法/智能模型/机器学习/盾构参数/优化算法/层次分析法

引用本文复制引用

基金项目

国家自然科学基金(52090082)

金华市科技计划(20193027)

出版年

2023
铁道标准设计
中铁工程设计咨询集团有限公司

铁道标准设计

北大核心
影响因子：1.129
ISSN：1004-2954
被引量2
参考文献量8
段落导航相关论文