基于PSO算法的盾构掘进参数寻优方法及应用

为了辅助盾构机司机驾驶盾构机，提供相应的操作建议，依托9座盾构隧道工程，选取5 075 101条盾构掘进状态的时间步数据，分别以盾构耗能最小和施工工期最短为决策目标，基于PSO算法对盾构机司机主动操作的刀盘转速和总推力两种掘进参数进行寻优，从而根据不同种类土的寻优范围给予司机实操建议，并对比优化前后的效果。研究发现：（1）以盾构耗能最小为决策目标优化后，刀盘转速和总推力的分布范围大幅度缩小，分布范围由大到小依次是砂层、土层和砾石层，掘进速度也有一定的提升。（2）以施工工期最短为决策目标优化后，刀盘转速的分布范围由大到小依次是土层、砂层和砾石层；总推力和掘进速度的分布范围由大到小依次是砂层、土层和砾石层。优化后能显著提高掘进速度，缩短工期。（3）以工期最短为决策目标的刀盘转速、总推力和掘进速度总体上大于以耗能最小为决策目标的刀盘转速、总推力和掘进速度。适当增加刀盘转速和总推力可以增加掘进速度，缩短施工工期。     

基于机器学习的盾构掘进参数预测

依托济南市济泺路穿黄隧道东线工程,选取1 130组掘进数据,按照施工顺序划分数据集,采用粗细程度、软硬程度、密实程度和渗透能力4个维度描述土体的物理力学状态,分别建立基于长短期记忆模型(Long-Short Term Memory, LSTM)、随机森林模型(Random Forest)和BP神经网络的盾构隧道掘进参数预测模型,详细对比分析3种模型对总推力和掘进速度的预测效果。研究表明：(1)LSTM模型在按施工顺序预测盾构总推力和掘进速度时,平均相对误差仅为3.72%和7.41%,模型训练时间均在20 s以内,整体表现优于随机森林模型和BP神经网络;(2)在地形发生剧烈变化以及盾构掘进线路在直线与平曲线过渡时,总推力和掘进速度出现较大波动,LSTM模型预测结果相对误差偏大的组数仅占4%与10.2%,且总体误差满足施工要求;(3)随机森林模型预测结果的相对误差在总推力和掘进速度剧烈波动的环段处偏大,数量偏多,因此在按施工顺序预测时不是优选。