基于CNN-BiLSTM的施工初期盾构机掘进速度预测

摘要

对盾构机掘进速度的预测可有效指导设备施工和工程的顺利进行。在隧道施工初期数据量较少时，针对掘进速度难以预测的问题，采用迁移学习策略建立盾构机掘进速度预测模型。提出了以TPI、FPI、SE、C 4种混合指标对盾构施工进行聚类分级和判别，降低设备参数和地质信息差异对迁移模型的影响。依托南京长江隧道工程和芜湖过江隧道工程的现场掘进参数进行验证。结果表明，以当前时刻掘进参数作为模型输入，下一时刻掘进速度作为模型输出，建立的基于CNN-BiLSTM的预测模型，可有效提取掘进参数特征，实现掘进速度预测，其预测值可以很好地反映实测数据的变化趋势；与其他3种智能模型对比，该模型在MAE和RMSE上表现最优，验证了模型的优越性和有效性。基于CNN-BiLSTM的预测模型，可有效解决施工初期数据量较少情况下掘进速度预测问题。

关键词

盾构 / 速度预测 / 迁移学习 / CNN-BiLSTM / k-means

基金资助

国家自然科学基金(12202287); 中铁十四局集团芜湖长江隧道建设指挥部工程科研项目(ZTSSJ-WHSD-GCKY-2021-002)，中铁十四局集团装备有限公司科研项目(CRCC14-ZB-KYHT-2023-002)