基于Monte Carlo-BP神经网络TBM掘进速度预测

›› 2009, Vol. 30 ›› Issue (10): 3127-3132.

基于Monte Carlo-BP神经网络TBM掘进速度预测

温森¹, ²，赵延喜¹, ²，杨圣奇¹, ²

1.河海大学岩土力学与堤坝工程教育部重点实验室，南京 210098；2.河海大学岩土工程科学研究所，南京 210098

收稿日期:2008-05-09 出版日期:2009-10-10 发布日期:2009-12-23
作者简介:温森，男，1981年生，博士研究生，主要从事隧道工程风险评估方面的研究
基金资助:
国家十一五科技支撑项目（No.2006BAB04A06）。

Prediction on penetration rate of TBM based on Monte Carlo-BP neural network

WEN Sen¹, ², ZHAO Yan-xi¹,², YANG Sheng-qi¹, ²

1. Key Laboratory of Ministry of Education for Geomechanics and Embankment Engineering, Hohai University, Nanjing 210098, China; 2. Geotechnical Research Institute, Hohai University, Nanjing 210098, China

Received:2008-05-09 Online:2009-10-10 Published:2009-12-23

摘要/Abstract

摘要：

预测隧道工程中TBM掘进速度，主要有完全经验的、半理论半经验的模型和人工智能等方法，所用参数均为确定性的，未考虑参数存在的随机性，故导致预测结果的不准确性。基于此，提出了Monte Carlo-BP神经网络TBM掘进速度预测模型，着重考虑了一些重要输入参数的随机性, 其中输入参数重要性的大小通过粗糙集进行计算排序。采用Monte Carlo产生随机数时，由于参量的样本数据的有限，分布函数均采用阶梯形经验分布函数。如果采用的数据是来自不同类型的 TBM，则应当考虑机器性能参数，并重新对参数重要性进行排序。实例计算表明，Monte Carlo-BP神经网络模型预测结果和实测值总体趋势和均值比较一致。

关键词: TBM掘进速度, Monte Carlo-BP神经网络, 参数重要性, 粗糙集

Abstract:

Penetration rate of TBM is mainly predicted by fully empirical, semi-theoretical, semi-empirical models and artificial intelligence in engineering. The parameters used in these models are all deterministic and their uncertainties are neglected, so it leads to inaccuracy of the results. Because of this, a Monte Carlo-BP network model is proposed and the uncertainty of some important parameters are considered in this model. The importance of each parameter is calculated by rough set. Due to the limit of sample data, stepped empirical distributed function is used when Monte Carlo is used to produce random numbers. If sample data are not from the same type TBM, the TBM performance parameters should be considered and the importance of parameters should be calculated again. It is proved that the calculated results of proposed model are in accordance with measured results.

Key words: penetration rate of TBM, Monte Carlo-BP neural network, the importance of parameters, rough set

中图分类号:

TU 443

温森，赵延喜，杨圣奇. 基于Monte Carlo-BP神经网络TBM掘进速度预测[J]. , 2009, 30(10): 3127-3132.

WEN Sen, ZHAO Yan-xi, YANG Sheng-qi. Prediction on penetration rate of TBM based on Monte Carlo-BP neural network[J]. , 2009, 30(10): 3127-3132.

参考文献

相关文章 9

[1]	郝杰，侍克斌，王显丽，白现军，陈功民,. 基于模糊C-均值算法粗糙集理论的云模型在岩爆等级评价中的应用[J]. , 2016, 37(3): 859-866.
[2]	张乐文，张德永，李术才，邱道宏. 基于粗糙集理论的遗传-RBF神经网络在岩爆预测中的应用[J]. , 2012, 33(S1): 270-276.
[3]	张乐文，邱道宏，李术才，张德永. 基于粗糙集和理想点法的隧道围岩分类研究[J]. , 2011, 32(S1): 171-175.
[4]	柴波，殷坤龙，杜娟. 基于粗糙集和模糊模型识别的斜坡危险性区划[J]. , 2010, 31(10): 3203-3208.
[5]	王广月，崔海丽，李倩. 基于粗糙集理论的边坡稳定性评价中因素权重确定方法的研究[J]. , 2009, 30(8): 2418-2422.
[6]	张鹏，陈剑平，邱道宏. 基于粗糙集的隧道围岩质量可拓学评价[J]. , 2009, 30(1): 246-250.
[7]	于怀昌，刘汉东，余宏明，刘娉慧 . 基于FCM算法的粗糙集理论在边坡稳定性影响因素敏感性分析中的应用[J]. , 2008, 29(7): 1889-1894.
[8]	丁加明，王永和，丁力行，. 基于粗糙集的膨胀土分级指标重要性分析[J]. , 2006, 27(9): 1514-1518.
[9]	丁加明，王永和，丁力行，. 基于粗糙神经网络的坡面雨滴溅蚀量研究[J]. , 2006, 27(8): 1425-1428.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

本文评价

推荐阅读 10

[1]	姚仰平，侯伟. 土的基本力学特性及其弹塑性描述[J]. , 2009, 30(10): 2881 -2902 .
[2]	徐金明,羌培,张鹏飞. 粉质黏土图像的纹理特征分析[J]. , 2009, 30(10): 2903 -2907 .
[3]	向天兵，冯夏庭，陈炳瑞，江权，张传庆. 三向应力状态下单结构面岩石试样破坏机制与真三轴试验研究[J]. , 2009, 30(10): 2908 -2916 .
[4]	石玉玲，门玉明，彭建兵，黄强兵，刘洪佳. 地裂缝对不同结构形式桥梁桥面的破坏试验研究[J]. , 2009, 30(10): 2917 -2922 .
[5]	徐速超，冯夏庭，陈炳瑞. 矽卡岩单轴循环加卸载试验及声发射特性研究[J]. , 2009, 30(10): 2929 -2934 .
[6]	张力霆，齐清兰，魏静，霍倩，周国斌. 淤填黏土固结过程中孔隙比的变化规律[J]. , 2009, 30(10): 2935 -2939 .
[7]	易俊，姜永东，鲜学福，罗云，张瑜. 声场促进煤层气渗流的应力-温度-渗流压力场的流固动态耦合模型[J]. , 2009, 30(10): 2945 -2949 .
[8]	陶干强，杨仕教，任凤玉. 崩落矿岩散粒体流动性能试验研究[J]. , 2009, 30(10): 2950 -2954 .
[9]	马亢，徐进，吴赛钢，张爱辉. 公路隧道局部塌方洞段的围岩稳定性评价[J]. , 2009, 30(10): 2955 -2960 .
[10]	黄润秋，徐德敏. 岩石（体）渗透性测试的体变量法研究[J]. , 2009, 30(10): 2961 -2964 .