-
题名基于机器学习的盾构掘进地层识别算法对比研究
- 1
-
-
作者
梁新权
王科伟
袁佶昊
-
机构
长沙市轨道交通集团有限公司
中国建筑第五工程局有限公司
湖南大学土木工程学院
-
出处
《施工技术(中英文)》
2025年第1期78-91,共14页
-
基金
中建股份科技研发课题(CSCEC-2022-Z-16)。
-
文摘
土压平衡盾构机因其掘进速度快、施工扰动小的特点,在城市地下空间开发中得到了广泛应用,但由于地质条件的不确定性,盾构机在掘进过程容易出现卡机“磕头”、地层塌陷、突水涌水等事故。为了保障盾构施工安全,实时识别盾构机掌子面位置的地质类别意义重大。现有研究开发了多种机器学习模型以实现盾构掘进地层实时识别,但这些模型都基于特定案例的数据进行训练,其准确率指标无法直接评估。基于长沙地铁1号线北延段数据集,对现有的盾构掘进地层实时识别模型进行了比较,采用了3种基学习算法(K最近邻模型、决策树模型、支持向量机模型)和4种集成学习以及改进的基学习算法(随机森林模型(RF),基于决策树的自适应增强算法(AdaBoost-CART),轻量级梯度提升机(LightGBM)和深度神经网络(DNN)),准确率分别达到了93.20%,87.82%,93.84%,94.62%,95.53%,96.69%和94.29%,LightGBM在地层识别问题上获得了最优的表现。结果验证了轻量级梯度提升机算法作为集成学习算法在实际应用中的优越性;另外变量重要性分析表明设备倾角、土压平均值、膨润土流量、刀盘转速对预测结果贡献较大。
-
关键词
地下工程
盾构
地层识别
机器学习
深度神经网络
支持向量机
随机森林
预测
-
Keywords
underground engineering
shields
geological prediction
machine learning
deep neural network(DNN)
support vector machine(SVM)
random forest(RF)
prediction
-
分类号
TU94
[建筑科学—建筑技术科学]
-
