典型文献
基于门控循环单元的全断面掘进机稳定段掘进性能预测
文献摘要：
全断面隧道掘进机(tunnel boring machine,TBM)一个正常掘进循环分为空推段、上升段和稳定段3个阶段,其中稳定掘进段为主要施工阶段,稳定段掘进性能的好坏是TBM掘进的关键.为实现TBM安全高效掘进,建立一种基于门控循环单元(gated recurrent unit,GRU)神经网络的预测模型,预测TBM稳定段掘进性能.模型以新疆某供水工程Ⅱ标段TBM施工数据为依托,5种掘进循环上升段主要参数的时间序列数据作为主要输入,围岩等级作为辅助输入来考虑岩体对掘进性能的影响,输出为稳定段的总推进力和刀盘扭矩,为稳定段TBM性能预判提供参考.为显示预测效果,对比传统循环神经网络(recurrent neural network,RNN)预测模型,并分析不同长度时间序列输入对模型预测精度的影响.结果表明:GRU模型预测拟合优度均在0.9以上,平均绝对百分比误差均小于12.25％,同时能够适用不同长度时序输入.由此可见,所建模型具有较高预测精度,泛化能力较好,能够辅助预判掘进机稳定段性能.
文献关键词：
地下工程;全断面掘进机(TBM);门控循环单元(GRU)神经网络;掘进性能预测;围岩等级
中图分类号：
作者姓名：
张弛;李艳;王鹏;刘沛;梁科森
作者机构：
中南大学机电工程学院,长沙410083
文献出处：
引用格式：
[1]张弛;李艳;王鹏;刘沛;梁科森-.基于门控循环单元的全断面掘进机稳定段掘进性能预测)[J].科学技术与工程,2022(32):14443-14450
A类：
掘进性能预测,辅助输入
B类：
门控循环单元,全断面掘进,全断面隧道掘进机,tunnel,boring,machine,TBM,空推,上升段,施工阶段,好坏,安全高效掘进,gated,recurrent,unit,GRU,供水工程,标段,施工数据,主要参数,时间序列数据,围岩等级,岩体,推进力,刀盘扭矩,循环神经网络,neural,network,RNN,同长,拟合优度,平均绝对百分比误差,泛化能力,地下工程
AB值：
0.315364
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。
