DOI: 10.11799/ce202508017
融合智能优化算法的TBM可掘性预测与围岩分级方法研究
沈远伟1
刘红丽1
朱昊1
张超凡2
1.陕西正通煤业有限责任公司,陕西 咸阳 7136992.西安科技大学 能源学院,陕西 西安 710054
摘要：复杂多变的围岩条件易引发掘进过程中全断面隧道掘进机(TBM)负载剧烈波动、刀具磨损加剧、推进效率降低等问题.为建立精准的可掘性预测与围岩分级方法,为TBM掘进参数优化及施工组织提供科学支撑,提出一种融合灰狼优化(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)与长短期记忆网络(LSTM)的智能模型(GWO-VMD-SSA-LSTM),用于实现TBM可掘性的精确预测与围岩分级.测试结果显示,该模型在测试集上的平均绝对误差(MAE)为0.4324、均方根误差(RMSE)为0.6005、平均绝对百分比误差(MAPE)为 1.5486%、决定系数(R2)为 0.9527,性能显著优于其他对比模型,具备更强的预测精度与泛化能力.基于此,进一步构建了基于FPI的围岩分级体系,实现了围岩可掘性等级的快速判定.工程验证表明,该方法能够有效反映不同岩层的掘进难易程度,可为复杂地质条件下TBM掘进施工提供智能化辅助决策支持.
关键词：TBM可掘性预测围岩分级巷道掘进智能优化算法深度学习
分类号：TD263(矿山设计与建设)TP183(自动化基础理论)
资助基金：陕西省自然科学基础研究计划联合基金项目(2021JLM-06)
论文发表日期：2025-08-20
在线出版日期：2025-09-10（本平台首次上网日期，不代表文献的发表时间）
页数：8( 122-129 )
英文信息