基于机器学习的盾构掘进参数预测

作者：熊英健; 贾思桢; 刘四进; 杜昌言; 历朋林

来源：铁道标准设计, 2022, 1-12.

DOI：10.13238/j.issn.1004-2954.202206280002

• 机器学习
• 掘进参数
• 长短期记忆模型
• 随机森林
• BP神经网络

依托济南市济泺路穿黄隧道东线工程，选取1130组掘进数据，按照施工顺序划分数据集，采用粗细程度、软硬程度、密实程度和渗透能力4个维度描述土体的物理力学状态，分别建立基于长短期记忆模型（Long-Short Term Memory，LSTM）、随机森林模型（Random Forest）和BP神经网络的盾构隧道掘进参数预测模型，详细对比分析3种模型对总推力和掘进速度的预测效果。研究表明：（1）LSTM模型在按施工顺序预测盾构总推力和掘进速度时，平均相对误差仅为3.72%和7.41%，模型训练时间均在20s以内，整体表现优于随机森林模型和BP神经网络；（2）在地形发生剧烈变化以及盾构掘进线路在直线与平曲线过渡时，总推力和掘进速度出现较大波动，LSTM模型预测结果相对误差偏大的组数仅占4%与10.2%，且总体误差满足施工要求；（3）随机森林模型预测结果的相对误差在总推力和掘进速度剧烈波动的环段处偏大，数量偏多，因此在按施工顺序预测时不是优选。

• 单位
  西南交通大学