深埋隧道TBM掘进参数LSTM时序预测模型及应用研究

Q1：**文章提出的工程问题是什么？

    有什么实际工程价值？**

建立合适TBM施工的岩机关系反馈模型，并准确预测TBM掘进参数

维持TBM的高效掘进

Q2：文章提出的学术问题是什么？

     有什么新的学术贡献？

提出一种LSTM的时序预测模型

Q3：文章提出的技术路线是什么？

     有什么改进创新之处？

• 建立不同围岩等级下的掘进参数预测模型
• 与传统回归模型进行对比

Q4：文章是如何验证和解决问题的？

一、LSTM网络模型

1. 传统RNN：输出不仅与当前输入有关，还与以前的输入有关
2. LSTM网络：通过输入门、遗忘门、输出门，控制LSTM隐含层信息流向，解决RNN梯度消失或爆炸的问题
3. TBM掘进参数模型

二、工程实例验证

1. 采集工程数据
2. 输入LSTM 十折交叉验证、迭代50次，初始学习率0.005，下降因子0.2，每5次迭代一次验证
3. 误差分析：$E_r ,R^2, MAPE, RMSE$进行模型评价

三、传统回归模型对比

1. SVR：支持向量回归support vector machine
2. GRNN模型：广义回归神经网络generalized regression neural network
3. BPNN模型：误差反传神经模型back propagation neural network

LSTM的准确率更高

Q5：文章有什么可取和不足之处？

施工速度的预测精度最低，推理和掘进速度的预测效果最好

LSTM在地层突变、数据噪声方便还需要进一步研究

Q6：文章对自身的研究有什么启发？

LSTM模型的应用，其余模型的科普