岩土力学
巖土力學
암토역학
ROCK AND SOIL MECHANICS
2009年
10期
3127-3132
,共6页
TBM掘进速度%Monte Carlo-BP神经网络%参数重要性%粗糙集
TBM掘進速度%Monte Carlo-BP神經網絡%參數重要性%粗糙集
TBM굴진속도%Monte Carlo-BP신경망락%삼수중요성%조조집
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.
預測隧道工程中TBM掘進速度,主要有完全經驗的、半理論半經驗的模型和人工智能等方法,所用參數均為確定性的,未攷慮參數存在的隨機性,故導緻預測結果的不準確性.基于此,提齣瞭Monte Carlo-BP神經網絡TBM掘進速度預測模型,著重攷慮瞭一些重要輸入參數的隨機性, 其中輸入參數重要性的大小通過粗糙集進行計算排序.採用Monte Carlo產生隨機數時,由于參量的樣本數據的有限,分佈函數均採用階梯形經驗分佈函數.如果採用的數據是來自不同類型的 TBM,則應噹攷慮機器性能參數,併重新對參數重要性進行排序.實例計算錶明,Monte Carlo-BP神經網絡模型預測結果和實測值總體趨勢和均值比較一緻.
예측수도공정중TBM굴진속도,주요유완전경험적、반이론반경험적모형화인공지능등방법,소용삼수균위학정성적,미고필삼수존재적수궤성,고도치예측결과적불준학성.기우차,제출료Monte Carlo-BP신경망락TBM굴진속도예측모형,착중고필료일사중요수입삼수적수궤성, 기중수입삼수중요성적대소통과조조집진행계산배서.채용Monte Carlo산생수궤수시,유우삼량적양본수거적유한,분포함수균채용계제형경험분포함수.여과채용적수거시래자불동류형적 TBM,칙응당고필궤기성능삼수,병중신대삼수중요성진행배서.실례계산표명,Monte Carlo-BP신경망락모형예측결과화실측치총체추세화균치비교일치.
