基于机器学习的盾构自主纠偏与参数研究

摘要

针对盾构机自主纠偏的问题，该文依托实际工程数据，提出一种结合随机森林算法（RF）与遗传算法（GA）的盾构纠偏控制方法。该方法将预测模型与优化模型结合，通过输入目标偏差值来反演输出纠偏所需的盾构纠偏参数值，从而进一步提高盾构纠偏自动化水平。通过与实际数据进行对比，验证了模型的可行性。研究结果表明：RF算法预测模型的R²值为0.875,E_MSE值为6.287，且RF模型预测值与实际值绝对误差的平均值E_MAE为2.03，其精度控制可满足施工规范的要求。RF-GA盾构纠偏模型能够实时将偏差控制在7 mm以下，同时所输出的盾构掘进参数与实际数据的平均准确率均在90%以上。在对比试验中，控制模型输出的盾构参数变化规律与实际规律一致。该研究为实际工程中实现盾构姿态控制与研究盾构参数变化规律提供了一种新思路。

关键词

盾构隧道 / 盾构纠偏 / 机器学习 / 随机森林算法 / 遗传算法 / 掘进参数