基于机器学习的地铁盾构掘进参数智能预测与控制方法研究

盾构掘进的精细化和智能化控制是现代隧道施工技术的发展趋势，为更好地预测和控制盾构掘进状态，提出一种预测和控制盾构掘进参数的智能模型。该模型考虑了多个影响盾构掘进参数的非线性因素，建立了6种基于机器学习与海鸥算法相结合的混合算法(SOA-ML)盾构掘进参数智能预测模型，并提出基于层次分析法的最佳预测模型判别方法；进一步利用最佳预测模型提出了基于PSO算法的掘进参数控制方法。以金华至义乌至东阳市域轨道交通工程为例，验证了模型的有效性。运用结果表明：SOA算法可有效地对机器学习算法的超参数调优，且SOA种群数量越大，搜索的范围越广，最佳适应度收敛性越快；6种算法模型均具有较好的预测性能，根据层次分析法对预测模型进行性能排序为BP>ELM>CNN>RF>SVM>LSTM;基于BP-PSO的盾构掘进参数预测和控制过程具有消耗时间小、预测与优化性好的特点。