期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
基于机器学习的盾构姿态预测模型与控制方法研究 被引量:3
1
作者 关振长 谢立夫 +2 位作者 周宇轩 罗嵩 许超 《隧道建设(中英文)》 CSCD 北大核心 2024年第10期2032-2040,共9页
为避免盾构轴线偏离引发衬砌管片错台、开裂等质量与安全问题,提出一种基于机器学习算法的盾构姿态智能预测模型与控制方法。以盾构掘进施工的实测数据为驱动,通过贝叶斯优化(BO)与支持向量回归(SVR)构建盾构姿态预测模型,挖掘施工参数... 为避免盾构轴线偏离引发衬砌管片错台、开裂等质量与安全问题,提出一种基于机器学习算法的盾构姿态智能预测模型与控制方法。以盾构掘进施工的实测数据为驱动,通过贝叶斯优化(BO)与支持向量回归(SVR)构建盾构姿态预测模型,挖掘施工参数-地层信息-盾构姿态三者间的非线性关系。结合模拟退火算法(SA)形成可控施工参数动态调整的盾构姿态控制方法,并将其应用于福州滨海快线南—三区间隧道的工程实践。主要结论如下:1)经数据预处理、特征筛选及BO超参数优化,基于SVR的盾构姿态预测模型具备优异的预测性能和泛化能力;2)结合SA算法进行可控施工参数调整时,需设置合理的优化规则,以确保所推荐的可控施工参数具备可操作性;3)将姿态控制方法应用于南—三区间后续掘进施工以辅助纠偏,盾尾垂直偏差在10环掘进过程中由45 mm减至18 mm,实现了连续稳定纠偏。 展开更多
关键词 盾构隧道 盾构姿态预测 盾构姿态控制 施工参数调整 机器学习
在线阅读 下载PDF
基于机器学习和非支配排序遗传算法的盾构姿态预测与优化 被引量:8
2
作者 曹化锦 《铁道建筑》 北大核心 2023年第7期93-97,共5页
提出了一种将贝叶斯优化(BO)算法、随机森林(RF)算法和第三代非支配排序遗传算法(NSGA-Ⅲ)相结合的盾构姿态优化方法。依托杭州—临安城际铁路工程,选取盾构参数、土性参数和隧道埋深作为输入参数,使用BO算法优选RF算法的超参数,构建盾... 提出了一种将贝叶斯优化(BO)算法、随机森林(RF)算法和第三代非支配排序遗传算法(NSGA-Ⅲ)相结合的盾构姿态优化方法。依托杭州—临安城际铁路工程,选取盾构参数、土性参数和隧道埋深作为输入参数,使用BO算法优选RF算法的超参数,构建盾构姿态预测模型,并对输入参数进行重要性分析。将盾构姿态预测模型函数作为适应度函数,引入NSGA-Ⅲ算法优化盾构姿态,并得到盾构参数控制范围。结果表明:采用BO-RF算法和工程实测数据训练模型,所得预测模型精度较高;千斤顶推力对盾构姿态影响最大,膨润土掺加量对盾构姿态的影响最小;采用BO-RF-NSGA-Ⅲ优化方法,盾构切口水平位移和垂直位移平均值分别减小了37.20%、36.87%,盾构尾部水平位移和垂直位移平均值分别减小了26.52%和18.10%,对盾构姿态的优化效果显著。该优化方法可靠适用,值得推广。 展开更多
关键词 地铁隧道 盾构姿态预测 多目标优化 贝叶斯优化算法 随机森林算法 非支配排序遗传算法
在线阅读 下载PDF
基于融合注意力机制的盾构姿态组合预测模型研究 被引量:1
3
作者 刘哲 许超 熊栋栋 《隧道建设(中英文)》 北大核心 2025年第1期139-150,共12页
针对盾构姿态预测模型存在易过拟合、预测精度低的问题,提出一种基于融合注意力机制的盾构姿态组合预测模型。为强化有效特征的提取,抑制冗余特征信息的表达,引入基于选择性卷积核网络(selective kernel networks,SKNet)的特征注意力机... 针对盾构姿态预测模型存在易过拟合、预测精度低的问题,提出一种基于融合注意力机制的盾构姿态组合预测模型。为强化有效特征的提取,抑制冗余特征信息的表达,引入基于选择性卷积核网络(selective kernel networks,SKNet)的特征注意力机制提取网络,消除固定尺寸卷积核带来的限制,并自适应形成带有注意力的特征映射。为更好地捕捉长期信息和特征模式,通过双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)、门控循环单元(gated recurrent unit, GRU)得到2组隐含输出结果,再利用多头注意力机制,捕获组合模型输出的隐含特征与模型输出的盾构姿态之间的依赖关系,进一步提高预测模型对重要隐含特征的信息抓捕能力;同时,为解决地质勘察钻孔数据连续性差、精确性不足,难以应用于机器学习模型训练的问题,将基于人工先验知识的二级特征引入模型特征输入,提升模型对地层信息的感知能力。最后,基于广州地铁12号线官洲站—大学城北站盾构实例,对模型不同参数结构下的性能进行研究,并进行对比试验验证模型性能,采用可解释性试验评估特征对预测结果的影响。试验结果表明,相比其他预测模型,所提出的预测模型优越性更好,预测精度更高,解决了长时间序列高特征维度数据在传统模型下易过拟合且预测精度较低的问题。 展开更多
关键词 盾构姿态预测 选择性卷积核网络 特征注意力 组合模型 多头注意力机制
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部