文摘
与隧道钻孔机(掘进机)广泛应用于隧道施工、TBM的适应性调整操作状态已成为一个研究热点。自隧道地质条件预测仍然是具有挑战性的挖掘之前,TBM的重要操作参数的预测中发挥着重要作用研究TBM的适应性调整。提出了一个智能预测方法TBM隧道参数基于双向门复发单位将注意力机制(Bi-GRU-ATT)和选择一个完整的隧道周期预测隧道TBM隧道完成周期的参数。依靠TBM3吉林供水项目的报价部分,21日完成隧道循环的关键参数选择的输入特性的预测模型,实现四个隧道掘进完成驾驶循环部分的参数。与Bi-GRU相比,格勒乌,长期短期记忆(LSTM)模型,可以看出Bi-GRU-ATT模型对预测TBM隧道参数拟合优度高于0.92,平均绝对百分比误差小于1.8%。结果表明,TBM隧道参数的预测方法基于Bi-GRU-ATT模型提出了具有较强的学习和预测能力。这个预测方法提供了一个更可行的辅助智能决策方法对TBM辅助智能建筑。
1。介绍
隧道掘进机(TBM)集挖掘的功能、支持、排渣,和运输是一种最先进的类型的设备为各种不同的隧道结构,例如,交通、市政、水利、供水、和输气管道(1]。TBM已逐渐取代了传统的各隧道爆破开挖工程由于其效率高、安全、和环境保护(2]。然而,TBM的适应性是经常受到复杂的地质条件,隧道岩体参数和状态的可怜的匹配参数,和高要求施工人员的经验,很难有效地解决TBM隧道参数的预测(3,4]。因此,正确评价和预测TBM隧道参数重要问题有效的隧道开挖,具有重要意义,以确保安全和高效的TBM施工。
近年来,学者们进行了大量的研究在TBM隧道参数的预测5- - - - - -7并取得了一定的结果。目前,TBM隧道参数预测方法主要是总结成经验公式法(结合实验)8),理论分析方法(9),数值模拟方法(10),和机器学习方法(11]。在实证方法研究早期,克劳斯(12- - - - - -14TBM负荷预测提出了一个经验模型,对TBM负荷计算具有重要意义。Avunduk和Copur15隧道对齐)分为三个通用部分根据地质和岩土条件,提出实证性能预测模型(EPB)盾构土压力平衡。机台et al。6)推荐的实证模型预测力,推力,和其他设计参数。与测试设备的持续改进,多因素预测模型由挪威科技大学(巴克)模型(16,17)已被广泛使用。除了上述的实证方法,许多学者也有一些理论分析方法的研究进展。科罗拉多矿业学院(CSM)开发了一个著名的理论模型(18),分析切削的切削力估计通过全面的实验室测试,以便最大公关由理论推导。在此基础上,许多学者(19- - - - - -22扩展的理论预测模型。此外,一些学者预测隧道基于数值模拟方法的性能。卡斯帕和Meschke23)的灵敏度进行了数值研究,分析TBM操作参数和设计参数的影响。Afrasiabi et al。24)用数值模拟来研究不同因素对TBM隧道的影响性能。上面的研究已经证明了三种方法的预测有一定的指导作用TBM隧道参数,但是仍然有很大的局限性所面临的复杂问题与TBM隧道。经验公式方法只能提供一系列TBM的参数值和不能敏感地捕捉微小的变化,所以其适用范围极其有限;理论分析方法不能解释复杂多变的地质条件下隧道施工过程中遇到的各种岩石类型;数值模拟方法只能提供负载参数的值范围,计算耗时,因此不能提供实时和有效的指导实际的建设。
随着人工智能技术的发展(25,26],一些学者使用机器学习算法来分析复杂的数据生成的问题在实际工程,逐步引入机器学习算法研究TBM隧道参数预测。周et al。27)提出了一种支持向量机(SVM)模型基于粒子群优化(PSO)的能耗预测盾构隧道。张(28)极端的梯度提升方法应用于预测地面沉降引起的开挖EPB盾。此外。太阳et al。29日)使用了随机森林实现TBM负荷预测。杨et al。30.]利用支持向量回归(SVR)预测TBM的公关,把中国的隧道为例,研究影响TBM性能的参数。王等人。31日)建立了一个模型基于XGBoost算法实现TBM智能决策。虽然机器学习方法可以有效地预测TBM隧道参数,他们不能考虑时间变化特征和时间TBM隧道数据之间的相关性。例如,SVR的输出或随机森林只取决于当前的输入而不诉诸于网络状态在前一刻,他们不能充分利用TBM隧道的实时参数。因此,他们不能意识到TBM隧道的实时分析。
为了解决这个问题,深入学习方法如复发性神经网络(RNN) [32)开发模型的时间序列数据TBM隧道。与传统的机器学习方法相比,深度学习更适合学习从高维数据复杂的模型。RNN是一种神经网络,使用序列传播过程序列数据的方法。高et al。33)比较和分析了不同深度学习方法的影响TBM隧道参数实时预测,结果表明,作为一个RNN网络的改进,算法与递归神经网络的门操作(如多空项内存(LSTM) [34)和门复发单元(格勒乌)(35)可以解决问题的梯度爆炸和梯度消失在RNN网络,和预测效果优于传统RNN的算法。然而,格勒乌网络和LSTM网络只考虑之间的关联序列在一个方向上,不考虑信息传播的双向性质,还有很大的局限性在处理的问题之前和之后的序列数据,并有很强的相关性。此外,如果输入信息太长,神经网络不能完全的固定长度的特征向量存储所有的上下文信息,这将导致部分信息丢失或早期历史信息被覆盖。为此,本文改进了其网络结构和传播方法和基于self-attention机制,优化模型,该模型学习输入信息本身的重量分布,提高了长序列数据的特征提取效率和学习能力。在此基础上,基于Bi-GRU-ATT结合智能预测方法提出了一个注意力机制来解决这个问题。
本文把数据集根据TBM3吉林供水项目的投标部分并选择完成隧道循环部分数据实现完成隧道循环部分的参数预测。利用皮尔逊相关分析,相关性最高的21个参数与预测模型的参数作为输入特征选择在199 -空间隧道参数完成隧道周期的部分。处理的数据构造一个二进制状态判别函数,消除非职业状态和异常数据,完成隧道循环提取,然后亚当优化器是用来训练模型。Bi-GRU模型的比较分析,单向LSTM模型,和单向格勒乌模型验证Bi-GRU-ATT模型的准确性和有效性,本文为TBM智能建设有一定的指导意义。
2。递归神经网络
2.1。双向门的单元
封闭的复发性单元(格勒乌),作为一个递归神经网络(RNN)的提高,引入了一种特殊的闸门机制来控制信息的保留和遗忘,可有效处理和/或爆炸消失的梯度变长序列,等待长期依赖问题,陷入局部最优解的问题。然而,格勒乌网络只能沿着序列在一个方向上传播。在计算目标的输出向量,随后的时间信息不能被使用。信息传播的双向性质是不考虑。有一个相对主要限制在处理前后的序列数据,并有很强的相关处理。
解决上述问题,一些学者改进格勒乌的传播模式网络,提出了一种双向格勒乌网络。如图1,Bi-GRU添加一个反向传播神经网络层到格勒乌前后网络结构来控制输出,分别,从而提高分类信息的准确性,实现双向上下文信息的处理。向前传播层计算的序列信息在当前时刻,和反向传播层计算从回到相同的序列信息。两个网络层连接到一个输出层。序列和反向序列并行计算,并输出结果目标向量是通过合成的正向和反向的输出序列。
如图1包含两个平行结构层,即一层正向传播和反向传播层。每一层都是一个独立的格勒乌结构。两个结构是对称的,信息传输的方向是相反的。输入层信息传播由前往后沿向前序列,计算和相反的顺序从后往前在同一时间。两个独立计算,不相互干扰。最后,输出层的输出值是通过合成得到的输出值正向和反向序列。计算公式(36)如下:
序列和反向序列计算方程(1)和(2),分别,最后,输出层的输出是通过方程(3)。其中,代表的状态向前传播时隐藏层 ; 表示状态的隐层反向传播 ; 表示输出值;表示输入值;代表了向量缝合操作; , , ,和代表权重传播随着时间序列。
2.2。Self-Attention机制
在TBM隧道参数预测的过程中,每个参数对预测结果的影响是不同的。通过分析和识别的重要性每个序列数据,模型的复杂性和预测性能进行了优化。介绍了本文self-attention机制层重新分配的重量由Bi-GRU处理输出向量。注意机制源于人类的视觉领域的研究。它可以被理解为一个encoding-encoding结构本质上。表现在,这种机制模仿人类大脑的顺序信息处理方法,只关注关键细节,忽略了不必要的信息在处理复杂的外部信息。这种方法可以有效地避免特征信息的浪费造成的直接传动的输出向量Bi-GRU层完全连接层和间接提高模型捕捉关键信息的能力,提高模型的预测效率。
self-attention机制是改善传统的注意机制,减少依赖外部信息和善于捕捉的内部相关数据信息。这种机制的核心是权重系数的引入。通过隐藏状态的设置步骤Bi-GRU层作为模型输入,注意向量是输出,主要分为两个计算过程:重量计算和加权求和。重量计算公式(37)如下: 在哪里代表关注的概率分布;代表的输出向量Bi-GRU层;代表了非规范关注分数。关注得分越高,越高的输入向量和目标向量之间的匹配程度; , 和代表权重矩阵和偏见的注意力模型,分别。
根据注意分配 ,注意层的输入向量加权和总结得到输出向量注意模型(37]:
2.3。与Self-Attention Bi-GRU网络机制
图2显示了混合模型的开发框架。框架模块包括配置模块、数据处理模块、算法模块,每个模块的操作和修改不会影响对方。首先,阅读的算法类型和算法参数配置模块来确定所需的算法模型。此模块不需要修改主框架,将外部数据,并存储在指定的目录根据训练数据预处理方法;根据数据来源和不同的训练方法和算法,节省培训模型自动生成路径,负荷训练模型预测执行指令,输出预测结果曲线,并导出相应的日志文件。
3所示。模型建立
3.1。特征选择
TBM隧道的施工过程的条件通常是复杂的,往往伴随着各种各样的不确定因素影响TBM隧道参数的预测精度。因此,有必要分析和提取基于Bi-GRU TBM隧道参数预测模型。199 -维隧道TBM操作数据包含参数,但有些是极大地受到人为因素的影响,有一个贫穷的线性相关性。因此,本文只选择四个索引TBM开挖完成周期的部分,即总推力、渗透、刀盘扭矩,和刀盘的力量,作为输出模型的特点。
输入特征的选择也对模型的预测性能具有重要意义,可以更好地反映不同工况下的模型的操作状态,提高预测精度。因此,本文运用皮尔逊相关分析来确定199 -维隧道完成隧道循环输入的参数模型,消除不相关的参数变量,并选择关键模型参数。皮尔森相关系数计算如下: 在哪里数据样本的平均值吗 ; 数据样本的平均值吗 。
Bi-GRU-based TBM隧道参数预测模型构建本文使用完整的隧道TBM的周期数据预测四个参数完成开挖循环部分,即总推力、渗透、刀盘扭矩,和刀盘的力量。根据相关分析结果,199 -维隧道参数完成隧道循环排序,和最高的21个关键参数的相关性与某些TBM隧道参数预测作为输入的特征提取模型,提高模型的预测精度。模型的输入特征的识别结果如图3。
(一)
(b)
(c)
(d)
3.2。多部分的数据
摘要的注意机制是用作层Bi-GRU模型学习的输出模型以串行的方式发挥重要注意的局部特征提取功能模型和序贯特性Bi-GRU模型的处理能力。TBM隧道参数的智能预测模型基于Bi-GRU本文构造图所示4,它主要由五部分组成:输入层,Bi-GRU层,注意机制,完全连接层和输出层。(1)输入层。原始数据预处理后,皮尔森相关分析方法,三倍标准差的方法,和其它数据处理技术,21相关性最高的关键参数选择预测参数作为模型的输入向量和输入到Bi-GRU层根据皮尔逊相关分析结果。(2)Bi-GRU层。输入的输入向量向前传播格勒乌层和反向传播格勒乌层,分别。两个平行层主要特征序列数据之间的相关性和总结每一层的输入。通过更新门控制的程度在前一时刻状态信息带入当前状态,输入特性沿向前训练序列和相反的顺序,分别和正向和反向的训练向量序列合成获得的输出向量Bi-GRU层。(3)注意机制和完全连接层。注意层执行加权操作的输出向量由Bi-GRU处理,然后输出到完全连接层,和地图样本标签空间的分布特性。(4)输出层。输出预测值,即总推力、渗透、刀盘扭矩,和刀盘掘进完成驾驶循环部分的权力。
Bi-GRU-ATT预测模型的具体算法流程如下:首先,数据集分为训练集和测试集的比17:1。训练集用于训练模型和优化模型参数;测试集是用来预测TBM隧道参数;最高的21个关键参数相关性的数据完成隧道循环部分被选中作为输入的输入层,基本结构和hyperparameters Bi-GRU-ATT模型的设置,包括时间步长和迭代时间。亚当•优化器是用于训练网络模型和均方误差(MSE)函数作为损失函数权重自动调整模型,迭代优化模型参数,生成和负载模型文件和输出模型预测结果。最后,选择一个适当的评价函数对模型的预测效果进行评估,验证本文模型的预测性能。
4所示。工程数据集
4.1。项目概述
TBM3收购吉林供水项目的部分是控制收购部分与最长的单建设部分,最意想不到的地质灾害,最困难的建设整个吉林省中央引水工程。它位于Chalu河和Wende河生态园县之间,吉林市,总长度为22.955公里。隧道开挖主要是基于正面的TBM施工、TBM施工的部分长20.198公里。本节所涉及的地层岩性大致可以划分为石灰岩和花岗岩,它们主要分布在成绩二世和诉根据地质资料的统计,围岩等级的比例(二年级到V)建设的部分是5.9%,66.13%,23.72%,和4.25%,分别;石灰岩地区花岗岩地区的分布比例是1.58:1。如图5(一个),四种类型的比例围岩等级的石灰石是5.19%,66.70%,22.83%,和5.28%,分别。图5 (b)表明,围岩等级在花岗岩的比例是7.03%,65.23%,25.14%,2.6%。
(一)
(b)
本文选择从一个建筑中的数据部分TBM3报价的部分,总长度为7.5公里。TBM操作在第二,收集的数据和86400块一天的数据收集,包括199 -空间隧道参数如总推力、渗透、刀盘扭矩,和刀盘力量。在这个项目中,TBM施工通常把隧道周期根据气缸行程,每天约10 ~ 20隧道周期。其中,TBM隧道参数的变化曲线如图在某一天6。
4.2。隧道周期提取
从图可以看出6TBM并不总是在工作状态,还有大量的关闭部分数据不能用于机器学习每个隧道之间循环。因此,有必要确定TBM在每次的工作状态通过构造一个二进制状态函数提取完整的隧道周期数据。判断公式(38)如下: 在哪里N铣头的速度;F是完全的推力;T是刀盘扭矩;V是推进速度;我是国家歧视函数。
当我= 1,它是确定TBM在隧道状态,当= 0,这是判定TBM处于关闭状态。根据判断的结果TBM在每次工作状态,提取有效数据样本。每组连续隧道序列对应于一个完整的施工周期,以及相邻隧道之间的数据周期对应于一组关闭数据。如图7,TBM隧道过程可分为一个提升部分和一个完整的隧道周期。
在传统TBM隧道过程中,运营商普遍预测的参数完成隧道循环根据数据变化规律的提升部分39]。由于TBM隧道施工环境的复杂性,司机需要花大量的时间识别和提取提升部分数据调整TBM操作状态,并有效的隧道效率很低。确保安全、有效的隧道TBM,减少冗余操作在司机的操作,并优化和调整当前隧道参数,本文选择完成隧道循环部分的数据来预测四个隧道参数,即总推力,渗透、刀盘扭矩,刀盘掘进完成驾驶循环部分的权力。图8显示了比较传统的提升段预测方法和那个时段的预测方法。
(一)
(b)
4.3。数据处理
由于大量的无效数据领域的工程数据,有必要进行预处理数据库中的原始数据提取有效数据样本。首先,它是必要的识别和读取数据库中的原始数据,包括总推力、刀盘扭矩,和其他隧道参数,判断数据。以总推力为例;总推力的第一个非零数据在输入原始数据需要发现并标记为P1,然后第二个数据发现总数的零推力和标记为P2。随后,它需要分析和判断是否数据P1和P2之间的行数的范围内(500年代,5000年代)。如果是这样,数据将被丢弃;否则,数据将被输出到指定的文件中,并且每个文件最多可以有300个周期。根据这种方法,所有的数据读取先后,直到所有的有效数据提取,数据处理过程完成。具体的数据处理流程如图9。
在数据处理的过程中,受施工环境、施工设备、施工人员和施工经验在TBM隧道过程中,有很多原始数据中的异常值,影响模型的预测效果。为了消除上述不正常工作数据,原始数据由三倍标准差的方法处理。本文采取的四个参数预测为例,需要计算的意思和标准偏差的四个隧道参数在整个隧道的进步。然后,它是判断是否参数值和平均值之间的距离大于 ;如果它是更大的,它被认为是一个异常值,取而代之的是5数据点的平均值附近的异常值。 在哪里代表了预测数据样本;代表了样本均值;代表了样本标准差。
此外,为了消除量纲的影响差异数据,数据样本前需要规范化模型训练(40]: 在哪里代表了规范化数据;和代表数据的最大值和最小值,分别。
5。模型应用程序和比较
5.1。模型评价指标
为了验证模型的预测效果,四个评价指标通常用于回归分析用于量化模型的估计误差,即平均绝对百分误差(日军),拟合优度( ),平均绝对误差(MAE)和均方根误差(RMSE),计算公式如下: 在哪里是真正的价值;是模型的预测值;样品数量;在测试集样本的总数。
5.2。模型应用程序
根据数据处理结果,非职业状态和异常数据消除,完成隧道截面平均的参数获取的数据集建模。提高学习数据操作的法律训练模型,提高模型的泛化能力,并防止过度拟合的模型,有必要增加模型训练样本。因此,样本集和测试样本集分为培训根据17:1。样品的总数是9900,和训练样本和测试样本的数量是9350年和550年,分别。训练样本用于训练模型和优化模型参数;测试样品是用于预测,选择一个适当的评价函数来验证模型的预测效果。21完成隧道循环中的关键参数的相关性最高,选择某一隧道参数预测Bi-GRU-ATT模型的输入参数。四个主要参数,即总推力,渗透、刀盘扭矩,和刀盘的力量,测试和验证。图10显示了稳定的预测结果部分的完成开挖循环部分所选Bi-GRU-ATT模型有四个开挖参数。
(一)
(b)
(c)
(d)
它可以从比较预测值和测量值之间的曲线在图10的预测值四TBM隧道参数与测量值有很好的一致性,并小于预测值的变化曲线的测量值曲线,表明该模型能更好地预测隧道TBM隧道完成周期的参数。评估网络模型的预测精度,有必要分析和预测拟合优度和日军的四个隧道参数。通过计算预测样本,它可以从表1每个参数的日军在1.8%,和拟合优度也高于0.92,这表明,该预测模型具有良好的网络泛化推广能力和预测精度,具有一定的指导意义的判断TBM隧道状态和参数的优化和调整。
5.3。模型比较
一组数据样本用于测试的性能Bi-GRU,格勒乌,和LSTM,他们的错误进行了比较和分析。数据11- - - - - -13是稳定的预测结果曲线部分的完成开挖循环部分所选的三种模式。从预测结果可以看出,总体趋势的预报值变化曲线和实际测量值变化曲线在Bi-GRU格勒乌,和LSTM模型是相同的,但会有一个大的偏离一些样品的实际测量值。其中,总推力和渗透率的预测是在良好的协议与实际测量结果;刀盘扭矩和刀盘的预测能力是相对较低的与实际测量结果一致。
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
为了定量地分析和比较这四个模型的预测性能,日军和拟合优度作为评价指标来衡量模型的预测精度。比较不同模型的预测结果如表所示2。四个模型的预测精度为TBM隧道参数Bi-GRU-ATT, Bi-GRU,格勒乌,LSTM从高到低。
它可以看到从比较表2的双向循环神经网络比单向循环神经网络具有相同的结构;也就是说,Bi-GRU网络比格勒乌网络。格勒乌循环神经网络,神经网络具有记忆功能,可以有效地处理输入数据时间序列特征,从而准确预测整个隧道的隧道参数周期。的Bi-GRU相当于增加一个反向传播神经网络层格勒乌神经网络的基础上,控制着向前和向后的输出分别充分利用时间序列的之前和之后的示例数据的信息,并减少错误。
从表可以看出2Bi-GRU-ATT模式取得了最好的预测效果,拟合优度0.944,最低日军是1.01%。与Bi-GRU模型没有注意机制相比,拟合优度最高提高了0.06。这表明当注意力机制被添加到模型中,将在一定程度上提高预测精度,验证了性能优良的注意机制在TBM隧道参数。此外,单向格勒乌的预测精度是单向LSTM相似,但是单向格勒乌比单向LSTM要好。原因是单向格勒乌只有两个门控制结构,更新和重置登机口,这不仅使其输出速度比LSTM和有更好的性能,但也可以有效地避免过度拟合现象在non-high-dimensional预测模型的任务。
综上所述,本文Bi-GRU-ATT智能预测模型建立了具有较强的学习和预测能力比其他三个递归神经网络预测模型,提供了一个更可行的辅助智能决策方法对TBM安全、高效的隧道施工。
5.4。工程应用效果分析
在传统的TBM隧道建设、施工参数的选择主要依赖于人类经验做出判断和调整。隧道岩体参数和状态参数的匹配很差。一旦遇到复杂的地质条件,很难及时调整隧道状态和有效的方式。随着计算机技术的快速发展,人工智能技术逐渐应用于盾构隧道施工。与传统方法相比,人工智能技术的主要优点之一是高度的自编程序,这意味着人工监督这个过程不再是必要的,节约了大量的劳动力成本。Bi-GRU-ATT模型提出在这项研究中使用一种自适应算法来自动调整处理方法,处理序列,和边界条件的数据处理和分析阶段根据预处理数据的特点,使其符合加工的结构特征和统计数据。分布特征是适应保证萃取的石头机车实时岩体条件下相互作用的关系,从而实现隧道的实时预测模型在给定的TBM控制的性能参数,为了促进智能发展的TBM隧道;此外,Bi -GRU-ATT模型可以反映当前岩体状态的变化规律挖掘完成开挖循环参数值,调整和优化当前开挖参数实时地根据当前岩体状态信息,确保安全、高效的TBM开挖。尽管这个模型是基于大量的隧道TBM施工数据已建成或在建的项目,未知的岩体状态信息仍然需要通过现场钻井岩心取样,原位实验,等;这个模型为代表的人工智能技术只是作为一个例子。 This kind of auxiliary intelligent decision-making method, the steps of planning of the excavation task, and control of the excavation state in the excavation process still inevitably require human intervention. Therefore, to further improve the intelligent prediction model of TBM tunneling parameters to adapt to the TBM tunneling construction of different engineering geological conditions is a problem that we urgently need to solve.
6。结论
TBM隧道参数提出了一种预测方法基于Bi-GRU-ATT模型并选择标准化完成隧道循环部分数据预测整个隧道的隧道参数周期。训练集和测试集的操作数据除以TBM3吉林供水项目的报价部分,非职业状态和异常数据消除,完成开挖循环提取。根据皮尔逊相关分析,199 -空间隧道参数完成隧道循环排序选择,和最高的21个关键参数的相关性与某些TBM隧道参数预测作为输入的特征提取模型,以预测四个TBM隧道参数(总推力、渗透、刀盘扭矩,和刀盘力量)在完成驾驶循环部分。这种模式的优点是与Bi-GRU Bi-GRU-ATT模型比较,验证了单向LSTM,单向格勒乌模型。主要结论如下:(1)Bi-GRU-ATT训练基于TBM隧道的完整的循环数据周期,和智能预测方法基于Bi-GRU-ATT模型,可以有效地预测四个关键TBM隧道参数。平均绝对百分比误差(日军)的每个参数的预测结果小于1.8%,拟合优度大于0.92,验证该模型的准确性和有效性。结果表明,该模型具有良好的指导意义实现的实时预测TBM隧道参数和协助TBM隧道参数的优化和调整。(2)与现有方法相比TBM隧道的使用提升部分数据周期预测的隧道参数稳定的部分,本文选择完成隧道循环部分的数据预测的隧道参数完成隧道循环,可显著提高数据处理的复杂性和难度TBM隧道过程中,然后大大提高大规模TBM隧道的预处理效率的数据。(3)比较和分析递归神经网络模型的预测结果,可以看出Bi-GRU-ATT模型提出了比其他三个预测模型具有更好的预测性能。这个模型有助于TBM隧道参数的智能监管并提供一个更可行的辅助智能决策方法对TBM安全和高效的隧道施工。
数据可用性
数据用于支持本研究的结果都包含在这篇文章中,可以提供相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作是由基础研究基金支持中央大学(项目没有。频- tp - 20 - 043 - a1),国家重点实验室开放研究基金项目的Hydroscience和工程(项目没有。sklhse - 2021 c - 04),和独立研究项目的华能新能源有限公司(项目号hnrkj - 2020 - 04)。发表在开放获取成本的资金。