基于深度学习的盾构刀盘扭矩预测模型

作者：周莉

来源：交通建设与管理, 2023, (01): 160-165.

• 刀盘扭矩
• RNN神经网络
• LSTM神经网络
• GRU神经网络

刀盘扭矩是反映地质环境对盾构掘进机阻碍程度的重要工作参数。准确的刀盘扭矩预测对于保证盾构掘进机高效安全地推进具有重要意义。本文提出利用三种不同的深度学习模型对刀盘扭矩进行预测，分别为循环神经网络(RNN)、长短期记忆网络(LSTM)和门控循环单元网络(GRU)。同时探究了三种不同历史输入特征（前t-5期、前t-10期及前t-15期数据）对模型预测精度的影响。为了降低模型的不确定性，将三种模型分别运行20次，从单次最高预测精度和平均预测精度两个方面比较预测结果。结果表明，三个模型具有相当的预测性能，以前5期数据作为输入特征可以获得更高的预测精度，其中GRU的单次预测精度最高，LSTM的平均预测精度最高。