典型文献
基于注意力加强Bi-LSTM模型的TBM掘进参数预测研究
文献摘要：
使用Bi-LSTM模型预测TBM掘进参数时在模型训练用时与收敛速度方面存在不足.对传统注意力机制使用方式进行改进,提出了一种以并行融合方式形成的注意力加强的双向长短时记忆网络(Bi-LSTM+EMB_ATT)智能预测模型,并选取完整掘进循环数据预测TBM稳定段的掘进参数.采集吉林引松工程TBM3标段的运行数据并划分训练集和测试集,采用二值状态判别函数等方法预处理数据,利用皮尔逊分析结果选取完整掘进循环段21维掘进参数作为预测模型的输入,并对比分析并行连接的Bi-LSTM+EMB_ATT模型与串行连接的Bi-LSTM+ATT模型.结果表明,Bi-LSTM+EMB_ATT模型对TBM掘进参数的预测拟合优度均达0.91以上,平均绝对误差均小于2.7％,比Bi-LSTM+ATT模型的预测精度更高.
文献关键词：
TBM;注意力机制加强;Bi-LSTM模型;完整掘进周期;掘进参数预测
中图分类号：
作者姓名：
张庆龙;朱燕文;马睿;严冬;杨传根;崔同欢;李庆斌
作者机构：
北京科技大学土木与资源工程学院,北京100083;清华大学水沙科学与水利水电工程国家重点实验室,北京100084;华能西藏水电安全工程技术研究中心,成都610041
文献出处：
引用格式：
[1]张庆龙;朱燕文;马睿;严冬;杨传根;崔同欢;李庆斌-.基于注意力加强Bi-LSTM模型的TBM掘进参数预测研究)[J].现代隧道技术,2022(04):69-80
A类：
LSTM+EMB,LSTM+ATT,完整掘进周期
B类：
Bi,掘进参数预测,预测研究,模型训练,收敛速度,使用方式,并行融合,融合方式,双向长短时记忆网络,智能预测,数据预测,TBM3,标段,运行数据,训练集,测试集,状态判别,判别函数,预处理数据,皮尔逊,串行,拟合优度,平均绝对误差,注意力机制加强
AB值：
0.261975
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
