典型文献
基于改进PSO-LSSVM的TBM掘进速度预测研究
文献摘要：
隧道掘进机(TBM)对于地质条件的高度敏感性以及TBM设备高度智能化和最终实现无人驾驶,对精准预测TBM掘进速度均提出了更高要求.为了未来实现TBM智能化控制,采用线性递减惯性权重对粒子群算法(PSO)进行改进,并把改进的粒子群算法和最小二乘支持向量机(LSSVM)相结合,建立了改进的PSO-LSSVM掘进速度预测模型.基于美国纽约Queens NO.3隧道的153组实验获得的岩体参数和现场实测掘进速度,采用SPSS软件进行了相关性分析,验证了参数的适用性,采用改进的PSO-LSSVM模型进行掘进速度预测,并通过与传统LSSVM模型和PSO-LSSVM模型进行对比发现:采用线性递减惯性权重改进的PSO-LSSVM预测模型的决定系数在训练集和测试集中均达到0.95及以上,均方误差在0.01以内,明显优于传统模型.本文所建模型在TBM掘进速度预测中有明显的精度优势,可辅助TBM智能化施工.
文献关键词：
TBM;掘进速度预测;惯性权重;粒子群算法;最小二乘支持向量机
中图分类号：
作者姓名：
杨耀红;韩兴忠;代静;孙小虎
作者机构：
华北水利水电大学水利学院,郑州 450046;河南省黄河流域水资源节约集约利用重点实验室,郑州 450046;中水北方勘测设计研究有限责任公司,天津 300000
文献出处：
引用格式：
[1]杨耀红;韩兴忠;代静;孙小虎-.基于改进PSO-LSSVM的TBM掘进速度预测研究)[J].河南科学,2022(10):1642-1651
A类：
Queens
B类：
PSO,LSSVM,TBM,预测研究,隧道掘进机,地质条件,设备高度,无人驾驶,精准预测,智能化控制,线性递减,惯性权重,改进的粒子群算法,最小二乘支持向量机,掘进速度预测模型,美国纽约,岩体参数,现场实测,决定系数,训练集,测试集,均方误差,传统模型,智能化施工
AB值：
0.213781
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。
