原文传递
基于机器学习融合模型的盾构掘进参数预测研究
| 论文题名： | 基于机器学习融合模型的盾构掘进参数预测研究 |
| 关键词： | 铁路隧道;盾构施工;掘进速度;姿态预测;围岩等级;机器学习 |
| 摘要： | 因设定掘进参数没有明确的标准，经验丰富的盾构司机的数量又很有限，导致盾构掘进中容易引发一系列工程事故，故需要寻找预测精度高的掘进参数预测模型。因此，本文依托杭州至临安城际铁路工程掘进参数，采用机器学习融合模型策略，对掘进速度、盾构姿态和围岩等级进行预测分析。主要研究成果和内容如下： 1）分析了该铁路工程的工程地质情况和水文地质情况，然后对掘进参数进行预处理和统计分析。 2）使用Ridge算法、KNN算法、XGBoost算法和lightGBM算法对掘进速度搭建预测模型，并分析特征选择、不同特征缩放方法和不同训练集对掘进速度预测模型的预测精度的影响。然后,分别使用VotingRegressor和StackingRegressor融合四种模型进一步提高预测精度，验证融合模型的有效性。此外,使用深度学习算法DNN、LSTM和GRU搭建掘进速度深度学习预测模型，并与机器学习融合模型对比。通过对比分析得出，机器学习融合模型的预测精度均高于深度学习模型，其中StackingRegressor融合模型的预测精度最高。 3）先使用LSTM算法、GRU算法和DNN算法搭建深度学习多目标回归盾构姿态预测模型，然后使用序列化建模策略来提高预测模型的预测精度。接着，尝试使用不同隐藏层神经元数量和不同优化算法搭建盾构姿态深度学习预测模型，并分析隐藏层神经元数量和优化算法对预测模型的预测精度的影响。最后，将机器学习盾构姿态多目标回归模型与深度学习模型进行对比，进一步验证机器学习融合模型的有效性。 4）先直接使用SVM算法、LR算法、随机森林算法和XGBoost算法对围岩等级类别不平衡的掘进参数数据集搭建围岩等级二分类和多分类预测模型，然后使用不同采样方法调整训练集提升多分类预测模型的预测精度。最后，分别使用VotingClassifier硬投票、VotingClassifier软投票和StackingClassifier方法融合四种模型，进一步提升模型的预测精度。 |
| 作者： | 崔连杰 |
| 专业： | 建筑与土木工程 |
| 导师： | 徐长节;姜正晖 |
| 授予学位： | 硕士 |
| 授予学位单位： | 浙江大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
