利用Informer模型预测隧道掘进机性能：广州地铁项目案例研究（英文）

摘要

目的：提前准确预测隧道掘进机（TBM）的运行性能有助于及时调整掘进参数，从而提高整体掘进效率。本文旨在探讨不同模型和时间长度对TBM性能预测效果的影响，并考虑土压、转速、扭矩、掘进速度、推力、岩石单轴抗压强度、围岩等级和液限等因素，研究得出预测性能最好的模型，以提高TBM性能的预测精度。创新点：1.提出了预测TBM性能的Informer模型框架；2.每个模型仅使用7个参数预测TBM性能；3.确定了Informer模型的最佳参数组合；4.研究发现Informer模型在性能和概括能力方面优于其他比较模型。方法：1.数据收集与分析，确定模型输入参数；2.通过不同模型预测TBM性能，并比较预测性能；3.通过不同模型对新数据进行预测，得到模型的泛化能力；4.比较不同输入长度与不同参数组合对TBM性能预测的影响。结论：1.随机森林、极端梯度提升树、支持向量机、K近邻、反向传播神经网络和长短时记忆模型被用作对比模型；这些模型在原始项目的测试集上表现良好，但在新项目上表现不佳，且缺乏一定的泛化能力。2.单时间步和多时间步输出对模型的影响截然不同；在确定输入参数的合适时间间隔时应审慎考虑；在本次调查中，8至24分钟的输入长度被证明适用于单时间步骤输出，而8分钟的输入长度被认为适用于多时间步骤输出；模型相关系数分别可达0.99和0.98。3.计算了模型预测值的相关系数，包括平均预测值、首次预测值和最后一次预测值，且最后一次预测值与真实值的相关性更强。4.鉴于模型中输入参数的数量有限，皮尔逊分析方法的排除阈值从0.80调整为0.95；这一调整使得新模型在新数据上的表现优于之前的模型。5.敏感性分析表明，影响预测结果的输入参数从大到小依次为刀盘转速、土压力、围岩等级和扭矩，且这些参数的相关系数超过0.95；相反，岩石单轴抗压强度和液限对预测结果的影响相对较小（相关系数约为0.77）。