文献类型：期刊文章

作　　者：仉文岗[1,2,3] 唐理斌[2,4] 陈福勇[2] 杨甲锋[5]

ZHANG Wengang;TANG Libin;CHEN Fuyong;YANG Jiafeng(Key Laboratory of New Technology for Construction of Cities in Mountain Area,Chongqing University,Chongqing 400045,China;School of Civil Engineering,Chongqing University,Chongqing 400045,China;National Joint Engineering Research Center of Geohazards Prevention in the Reservoir Areas,Chongqing University,Chongqing 400045,China;Department of Civil Engineering,McMaster University,Hamilton L8S 4L7,Canada;Chongqing Railway Investment Group,Chongqing 400025,China)

机构地区：[1]重庆大学,山地城镇建设与新技术教育部重点实验室,重庆400045 [2]重庆大学土木工程学院,重庆400045 [3]重庆大学,库区环境地质灾害防治国家地方联合工程研究中心,重庆400045 [4]麦克马斯特大学土木工程系,汉密尔顿加拿大L8S4L7 [5]重庆铁路投资集团,重庆400025

出　　处：《应用基础与工程科学学报》

基　　金：国家重点研发计划“重大自然灾害监测预警与防范”重点专项子课题(2019YFC1509605);国家留学基金资助项目(201906050026);重庆市建设科技计划项目(2019-0045)。

年　　份：2021

卷　　号：29

期　　号：5

起止页码：1186-1200

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为控制项目成本及规划施工流程,需对隧道掘进机(Tunnel boring machine, TBM)的掘进速度(Rate of penetration, ROP)提供可靠的预测模型.为解决这一问题,大量经验公式或者数值模型已被广泛应用于理论研究和实际工程.虽然其中一些方法具有一定的实用性,但其适用范围限制了相关研究的进一步发展.基于纽约Queens区输水隧道收集的数据,本文提出了一种基于随机森林(Random forest, RF)的预测模型,并结合4种常见的超参数优化算法,即粒子群优化算法(Particle swarm optimization, PSO)、遗传算法(Genetic algorithm, GA)、差分算法(Differential evolution, DE)、贝叶斯优化(Bayesian optimization, BO),在模型开发过程中对超参数进行调整.此外,本文还进行了敏感性分析,以调查每个输入变量的相对重要性.结果表明:BO-RF模型能以最短的耗时及最高的精度完成对ROP的预测;PSO-RF及GA-RF模型性能基本一致,前者耗时更少;DE-RF模型耗时最多,但没有显著改善模型的性能.敏感性分析结果表明,各输入参数对TBM掘进速度的影响不同,岩石的强度特性是影响最大的因素.

关 键 词：TBM掘进速度  机器学习  超参数优化  随机森林  粒子群优化 遗传算法 差分进化 贝叶斯优化  

分 类 号：O319.56]