Abstract：
智能预测合理的刀盘扭矩可有效降低盾构隧道开挖对地层的扰动并减小刀盘磨损,对于盾构安全高效施工具有重要意义.本文基于智能优化算法和深度学习神经网络,提出了盾构隧道刀盘扭矩时序智能预测方法.采用Bi-LSTM神经网络作为深度学习预测模型,分别联合粒子群优化算法(PSO)、遗传优化算法(GA)、饥饿游戏搜索算法(HGS)和麻雀搜索算法(SSA)智能确定Bi-LSTM神经网络的3个超参数,即学习率、神经元数量和丢弃率,进而获得了盾构隧道刀盘扭矩智能预测方法.智能模型预测值与实测值的均方根误差作为4种优化算法的适应度函数,数据预处理采用归一化方法降低不同参数间的量级差异影响.智能预测模型的输入考虑了 15个参数对刀盘扭矩的影响,包括1个隧道几何参数、6个地质力学参数和8个盾构掘进参数.结合盾构隧道现场实测数据,从精度、效率和稳定性3个角度评价4种优化算法寻优Bi-LSTM神经网络超参数的性能,结果表明相比于其他3种优化算法,HGS方法具有较好的稳定性、较快的效率和较高的计算精度,是确定Bi-LSTM超参数的适用性方法.
Keyword：
Reprint Author's Address：
Email：
Source ：
中国科学（技术科学）
ISSN： 1674-7259
Year： 2025
Issue： 1
Volume： 55
Page： 171-186
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 16
Affiliated Colleges：
