[发明专利]一种基于GWO-FW-MKL-SVR算法的TBM掘进速率预测方法

说明书

本发明涉及一种基于GWO‑FW‑MKL‑SVR算法的TBM掘进速率预测方法，包括以下步骤：S1：获取TBM机器运行记录数据，构建样本数据集；S2：构建FW‑MKL‑SVR模型；S3：使用GWO算法和样本数据对FW‑MKL‑SVR模型中的参数进行优化和训练，得到基于GWO‑FW‑MKL‑SVR的TBM掘进速率预测模型；S4：检验GWO‑FW‑MKL‑SVR模型预测的准确性；若不满足预设的TBM掘进预测精度，则返回S3重新进行参数的选择和模型训练；若满足设定的精度要求，则将未知TBM机器运行数据、土体力学数据和岩石力学数据输入模型，得到未知的TBM掘进速率预测值。

技术领域

本发明涉及TBM的掘进速率预测技术领域，特别涉及一种基于GWO-FW-MKL-SVR算法的TBM掘进速率预测方法。

背景技术

隧道掘进机(TBM)是一种自动化程度高、速度快的大型掘进设备，它比传统方法(如钻孔和爆破)的效率和速度高3-10倍。目前，TBM在隧道施工中的应用越来越广泛，尤其是对于硬岩和长大隧道，但是TBM对场地地质条件适应性比较差，严重影响了隧道施工效率、岩爆、突水等问题。当前也出现了很多将支持向量回归SVR算法应用到预测TBM掘进速率的预测方法，因为通过准确预测掘进速率，选择合适的施工方法，可有效降低TBM工程的成本。

现有技术存在的不足是：由于在TBM隧道掘进实际工程中，隧道地质情况多变，且需要输入的掘进参数较多，导致现有的SVR模型的预测精度较低，因此，提出一个智能化预测方法准确预测TBM掘进效率，对于节约隧道工程的施工成本和管控施工进度风险是非常重要的。

发明内容

针对现有技术存在的上述问题，本发明要解决的技术问题是：采用合理的方法优化改进SVR算法，提高TBM掘进速率的预测精度。

为解决上述技术问题，本发明采用如下技术方案：一种基于GWO-FW-MKL-SVR算法的TBM掘进速率预测方法，包括如下步骤：

S100：构建样本数据集，样本数据集包括：多个TBM机器运行记录数据、土体力学数据、岩石力学数据和对应的TBM的掘进速率实测值；

S200：构建FW-MKL-SVR模型；

S210：改进SVR模型的核函数，得到FW-MKL-SVR模型核函数，对FW-MKL-SVR模型核函数进行对偶处理，然后得到FW-MKL-SVR模型；

S300：构建GWO-FW-MKL-SVR预测模型，其中具体步骤如下：

S310：随机选取样本数据集中的部分样本构成训练集，另一部样本构成测试集；

S320：随机初始化FW-MKL-SVR模型中参数[P，λ，d，r，γ]的参数值；

S330：设置最大迭代次数，将训练集中的所有数据作为FW-MKL-SVR模型的数据输入，使用GWO灰狼优化算法对所述参数进行计算更新，当训练达到最大迭代次数后停止，输出最优的参数；

S340：将最优的参数代入FW-MKL-SVR模型，得到GWO-FW-MKL-SVR预测模型；

S400：利用测试集数据检验GWO-FW-MKL-SVR模型预测的准确性，将测试集数据输入步骤S340得到的GWO-FW-MKL-SVR预测模型中，得到预测值，通过预测值与TBM的掘进速率实测值计算性能指标R²，若R²满足设定的TBM掘进预测精度要求，进行下一步骤，且将GWO-FW-MKL-SVR预测模型设为最终模型；如果不满足预设的TBM掘进预测精度要求，则重复步骤S320—S340重新进行模型训练和参数优化；

S500：对未知TBM掘进速率进行预测：将未知TBM的机器运行记录数据、土体力学数据和岩石力学数据代入最终模型，得到未知TBM的掘进速率预测值。