机器学习算法与深度学习模型盾构刀盘扭矩预测效率研究

作者：李栎冬; 陈定华; 姚虹旭; 黄虹翔; 王宏^*

来源：河北北方学院学报(自然科学版), 2023, 39(05): 23-30.

• 刀盘扭矩
• 长短期记忆网络
• 门控循环单元
• 人工神经网络
• 自然梯度提升

目的 探讨机器学习算法与深度学习模型盾构刀盘扭矩预测效率，为盾构机实践应用刀盘扭矩预测方法选择提供参考。方法 选用深度学习模型LSTM和GRU及机器学习算法ANN、NGBoost,以3种历史刀盘扭矩数据为模型输入进行预测，探讨不同模型的预测效率。采用决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)有限评价模型预测精度，预测运行时间(time)反映预测效率。结果 不同预测模型运行结果表明，就预测精度而言，RMSE值：LSTM<GRUGRU>ANN>NGB;MAE值：LSTM<GRU<NGB<ANN。运行时间time:ANN<GRU<NGB<LSTM。结论 LSTM的平均预测精度最高，ANN运行用时最短，综合评估预测精度与运行用时，提示GRU预测效率最优。与传统的机器学习相比，深度学习模型的表达能力更强，且深度学习模型的结构可根据业务场景自由调整，可实现刀盘扭矩的高精度预测，保证盾构机安全高效进行挖掘。

• 单位
  贵州大学; 土木工程学院