基于GBDT-CNN-GRU融合模型的TBM隧道低样本围岩智能识别
Journal: Engineering Technology Development DOI: 10.12238/etd.v6i7.18230
Abstract
在地下工程中,全断面硬岩隧道掘进机(Tunnel Boring Machines,TBM)在IV与V类围岩条件下作业时,常会对施工安全构成较大风险。针对这一问题,本文提出一种融合GBDT、CNN、GRU及注意力机制的多特征融合模型(简称GCGA),用于提升TBM对围岩等级的预测精度。同时以深圳市公明水库—清林径水库连通工程为案例,在3个不同工区进行了验证。结果表明：GCGA模型整体预测准确率优于随机森林和SVM等算法；在低样本量IV类和V类围岩识别中,预测准确率分别提升至88.89%和95.02%；本文结论为GCGA 模型在复杂围岩条件下具有较强的预测精度与适用性,为TBM隧道施工中的风险防控提供了有效技术支撑。
Keywords
TBM；岩体等级；隧洞工程；特征融合模型
Full Text
PDF - Viewed/Downloaded: 0 TimesReferences
[1] XIE W,LI W,LIU X, et al.In-situ methods for the TBM dism
[2] 吴俊.基于分区随钻参数的隧道围岩智能分级方法研究[D].重庆交通大学,2024.
[3] HUANG G,QIN C,WANG H,et al.TBM rock fragmentation clas
[4] 郭东.TBM隧道围岩稳定与衬砌安全智能实时诊断[D].哈尔滨工业大学,2023.
[5] ZHANG L, WANG Y, FU X, et al. Geological risk prediction under uncertainty in tunnel excavation using online learning and hidden Markov model[J]. Frontiers of Engineering Manag
[6] 孟尧.长距离水工隧洞TBM开挖围岩稳定有限元分析[J].云南水力发电,2025,41(04):77-80.
[7] 王晗旭.TBM水工隧洞工程质量评价体系研究[D].华北水利水电大学,2024.
[8] 侯文鑫.基于随机森林的TBM连续皮带机故障诊断研究[D].兰州交通大学,2024.
[9] 李傲.基于LightGBM模型的中国上市公司绿色信贷信用风险评估研究[D].江西财经大学,2025.
[2] 吴俊.基于分区随钻参数的隧道围岩智能分级方法研究[D].重庆交通大学,2024.
[3] HUANG G,QIN C,WANG H,et al.TBM rock fragmentation clas
[4] 郭东.TBM隧道围岩稳定与衬砌安全智能实时诊断[D].哈尔滨工业大学,2023.
[5] ZHANG L, WANG Y, FU X, et al. Geological risk prediction under uncertainty in tunnel excavation using online learning and hidden Markov model[J]. Frontiers of Engineering Manag
[6] 孟尧.长距离水工隧洞TBM开挖围岩稳定有限元分析[J].云南水力发电,2025,41(04):77-80.
[7] 王晗旭.TBM水工隧洞工程质量评价体系研究[D].华北水利水电大学,2024.
[8] 侯文鑫.基于随机森林的TBM连续皮带机故障诊断研究[D].兰州交通大学,2024.
[9] 李傲.基于LightGBM模型的中国上市公司绿色信贷信用风险评估研究[D].江西财经大学,2025.
Copyright © 2025 马金山, 常定, 卓鹏飞
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License