基于改进PSO-LSSVM的TBM掘进速度预测研究

摘要：

隧道掘进机(TBM)对于地质条件的高度敏感性以及TBM设备高度智能化和最终实现无人驾驶,对精准预测TBM掘进速度均提出了更高要求.为了未来实现TBM智能化控制,采用线性递减惯性权重对粒子群算法(PSO)进行改进,并把改进的粒子群算法和最小二乘支持向量机(LSSVM)相结合,建立了改进的PSO-LSSVM掘进速度预测模型.基于美国纽约Queens NO.3隧道的153组实验获得的岩体参数和现场实测掘进速度,采用SPSS软件进行了相关性分析,验证了参数的适用性,采用改进的PSO-LSSVM模型进行掘进速度预测,并通过与传统LSSVM模型和PSO-LSSVM模型进行对比发现:采用线性递减惯性权重改进的PSO-LSSVM预测模型的决定系数在训练集和测试集中均达到0.95及以上,均方误差在0.01以内,明显优于传统模型.本文所建模型在TBM掘进速度预测中有明显的精度优势,可辅助TBM智能化施工.

关键词：TBM、掘进速度预测、惯性权重、粒子群算法、最小二乘支持向量机

所属期刊栏目：40

分类号：TP181;U455(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;河南省学科创新引智基地项目

在线出版日期：2022-12-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1642-1651