TBM掘进参数机器学习及预测：最小二乘支持向量机可行性研究

作者：张哲铭; 李晓瑜; 姬建

来源：河海大学学报(自然科学版), 2020, 1-10.

• 隧道掘进机(TBM)
• 最小二乘支持向量机(LS-SVM)
• 掘进参数
• 机器学习预测 TBM
• LS-SVM
• excavation parameters
• machine learning prediction

随着全断面隧道掘进机（TBM）在隧道施工中的广泛应用，TBM掘进参数状态的自适应调整对TBM安全高效掘进有重要意义。针对目前TBM数据挖掘能力和掘进参数优化预测分析的不足以及对未来TBM实现无人驾驶的展望，本文将最小二乘支持向量机（LS-SVM）机器学习技术应用到TBM掘进参数预测中，从引松工程TBM掘进数据中提取了掘进上升段的刀盘扭矩、刀盘推力、总推进力、推进速度这四个重要的参数进行建模以预测其在稳定段的均值，并从模型大小，参数选取等方面讨论了其对模型预测性能的影响。结果分析表明，LS-SVM在TBM掘进参数预测中具有较高的准确度，是一种科学可行的方法。

• 单位
  河海大学