期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
基于注意力加强Bi-LSTM模型的TBM掘进参数预测研究 被引量:6
1
作者 张庆龙 朱燕文 +4 位作者 马睿 严冬 杨传根 崔同欢 李庆斌 《现代隧道技术》 CSCD 北大核心 2022年第4期69-80,共12页
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... 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BiLSTM+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。 展开更多
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
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部