基于长短期记忆网络的TBM掘进预测模型及围岩等级对预测精度的影响

全断面隧道掘进机(TBM)施工过程可以采集大量丰富数据,这使得建立数据驱动的TBM掘进预测模型成为可能。为探究围岩等级信息对模型预测精度的影响,以TBM掘进循环上升段数据为主要输入,基于深度学习中的长短期记忆(LSTM)网络,建立两种考虑围岩等级信息的、一种不考虑围岩等级信息的TBM稳定段推力、扭矩预测模型。保持其他条件相同,对三种模型进行训练、测试。结果表明,在由于围岩等级分布不均匀而导致的训练样本数较少的情况下,可以通过精确的掘进循环参数提取与数据增强,使三种模型预测推力、扭矩时均能达到较高的精度(误差分别在8%、14%以内)。两种引入围岩等级信息作为输入参数的方法并不能明显提高模型的预测精度。三种模型中,以围岩等级信息作为LSTM网络初始状态的模型,其预测精度以不到1%的优势领先其他模型的预测精度。该优势主要由于该模型能够较好地预测V级围岩中的掘进循环稳定段参数。

基于主成分分析—支持向量机模型的矿岩可爆性等级预测研究

矿岩可爆性等级的准确评判对爆破开挖设计以及岩土工程的安全稳定具有重要意义。通过综合考虑岩体固有属性与实际爆破效果对矿岩可爆性等级的影响,选取了岩体声波、波阻抗、爆破漏斗体积、大块率、小块率和平均合格率共6类指标,进行可爆性预测研究。为消除影响指标之间的信息重叠,针对55个矿岩样本数据集的大量信息,采用主成分分析法降维,提取得到包含98.38%原始信息的4类主成分,最后引入支持向量机模型对可爆性等级进行预测研究。研究结果表明:(1)与原始SVM模型相比,基于主成分分析法—支持向量机的预测模型不仅降低了数据的维度,同时使得矿岩可爆性等级预测准确率由78.5%提高至90.1%;(2)基于主成分分析法—支持向量机预测模型的评判结果与实际情况较为吻合,少量误判主要发生在部分特征差异性较小的矿岩样本之间。基于分层随机抽样技术的PCA-SVM预测模型,保证了训练集与测试集样本数据的随机性和差异性,对研究指标维数较多且部分指标间相关性较强的数据模型具有较强的适用性,对相似工程的研究具有一定的借鉴意义。