基于GRU-RF模型的TBM掘进参数预测研究

作者：满轲; 曹子祥; 刘晓丽^*; 宋志飞; 刘汭琳

来源：应用基础与工程科学学报, 2023, 31(06): 1519-1539.

DOI：10.16058/j.issn.1005-0930.2023.06.011

• 隧道工程
• TBM
• 岩体参数
• 掘进参数
• GRU-RF模型
• 最小二乘法
• 灰色关联度分析

在TBM施工过程中，仅依靠主司机主观经验确定掘进参数可能导致施工效率低、卡机、刀盘磨损严重和围岩坍塌等问题.采用最小二乘法将门控循环单元(GRU)和随机森林(RF)进行集成，开发一种TBM掘进参数预测模型(GRU-RF模型),并利用灰色关联度分析方法对模型输入特征进行筛选.GRU-RF模型预测掘进参数推力、转速和贯入度的拟合优度(R2)平均值为0.81、平均绝对百分比误差(MAPE)平均值为8.32%、均方根误差(RMSE)平均值为0.74,相对误差(RE)平均值几乎为0.选择双向长短时记忆(BiLSTM)模型、误差反向传播神经网络(BPNN)模型、GRU-BPNN模型和BPNN-RF模型进行各掘进参数预测结果误差的对比分析.结果表明，GRU-RF模型的预测准确度和泛化性最高，最小二乘法集成传统机器学习模型和深度学习模型可以构建强预测性能的预测模型.最后证明了灰色关联度分析在预测模型输入特征筛选中的必要性.该研究为实际工程掘进参数预测提供了指导，有助于推动TBM智能化施工.

• 单位
  土木工程学院; 清华大学; 北方工业大学