来源：期刊VIP网 时间：
作者：满轲;曹子祥;刘晓丽;宋志飞;刘汭琳;
单位：北方工业大学土木工程学院;清华大学水沙科学与水利水电工程国家重点试验室;
摘要：针对单一模型对TBM掘进参数预测准确度低、泛化性低等问题，利用改进最小二乘法集成哈里斯鹰优化(HHO)算法优化的长短期记忆(LSTM)网络和支持向量机回归(SVR)算法，构建一种实现TBM掘进参数高精度智能预测的混合模型(HHO-LSTM-SVR模型)。利用HHO-LSTM-SVR模型进行不同隧道围岩等级TBM掘进参数预测，并选择哈里斯鹰优化算法优化的GRU模型和BP模型与HHO-LSTM-SVR模型进行预测误差对比分析，最后采用灰色关联度分析方法计算预测模型输入变量对输出变量的重要性。结果表明：隧道围岩等级越高，掘进参数的预测精度越高，Ⅱ级围岩各掘进参数平均相对误差绝对值为0.01,而Ⅳ级围岩为0.05;推力、转速和扭矩的预测精度相对较高，施工速度的预测精度最低；HHO-LSTM-SVR模型预测结果平均相对误差绝对值比各单一模型小57.68%,各单一模型预测性能相较于HHO-LSTM-SVR模型更低；TBM掘进不同等级的隧道围岩时岩机相互作用规律存在较大差异；利用改进最小二乘法集成组合2个单一模型可以有效提高模型预测准确度、泛化性和鲁棒性。
关键词：TBM;;掘进参数;;隧道围岩等级;;岩机相互作用规律;;HHO-LSTM-SVR模型
基金资助：国家重点研发计划项目(2018YFC1504902);; 清华大学水沙科学与水利水电工程国家重点实验室资助项目(2019-KY-03)
