基于机器学习的煤系地层TBM掘进巷道围岩强度预测

摘要

为研究全断面掘进机(TBM)掘进参数与煤系地层岩体力学参数之间的互馈关系，准确、实时预测巷道围岩强度特征，基于TBM掘进过程中的现场监测，通过岩-机互馈关系分析，确定模型的输入特征参数，并建立了对应的数据库；将梯度提升决策树(GBDT)、随机森林(RF)、支持向量回归(SVR)3种机器学习算法作为基学习器，线性回归(LR)算法作为元学习器，提出了一种基于Stacking集成算法的预测模型，并对比分析了Stacking集成算法与单一机器学习算法模型的预测性能。结果表明：二值判别与箱线图可有效对原始数据进行预处理；模型的主要输入特征参数为刀盘推力F、刀盘扭矩T、贯入度FPI、刀盘转速RPM、刀盘振动加速度A;Stacking模型在测试集上的拟合优度可达0.976,而均方误差、平均绝对误差、平均绝对百分误差分别仅有0.031,0.148和0.092,与其他3种模型相比，其拟合优度最高，误差指标数值最小，集成模型具有更高的预测精度，能够有效地预测煤矿TBM掘进巷道围岩点荷载强度。研究验证了Stacking模型的准确性，可为煤矿TBM掘进参数控制和巷道支护参数调整提供科学的参考依据。

关键词

煤矿全断面掘进机 / TBM掘进参数 / Stacking集成算法 / 数据预处理 / 围岩强度预测