10.3973/j.issn.2096-4498.2023.04.005
基于Attention-ResNet-LSTM混合神经网络的盾构掘进速度预测新方法
针对传统方法存在的盾构性能精准预测阻碍盾构快速掘进技术发展的难题,提出一种基于Attention-ResNet-LSTM混合神经网络的盾构掘进速度预测方法.相比传统的LSTM、GRU等网络预测模型,Attention-ResNet-LSTM模型引入了Attention机制.长距离盾构掘进过程中,针对地层条件存在很大的变异性情况,该模型可自适应更新权重矩阵,让模型面对不同的任务时具有一定的自调节能力,可有效提升预测精度.依托中俄东线天然气管道工程对盾构掘进速度进行了实时预测和验证,且结果表明该方法可分析盾构掘进过程中输入、输出参数之间的相关性,且具有较好的适应性.
盾构隧道、人工智能、混合神经网络、性能预测、掘进速度
43
U45(隧道工程)
2023-06-05(万方平台首次上网日期,不代表论文的发表时间)
共10页
592-601