Resumen

Una tuneladora (TBM) es un tipo de equipo de carga pesada que se utiliza ampliamente en la construcción de túneles subterráneos. Las condiciones geológicas en el proceso de excavación de túneles son factores decisivos que afectan directamente al control del equipo de construcción. Dado que la excavación de túneles con TBM siempre se realiza bajo tierra, la obtención de información geológica se ha convertido en una cuestión clave en este campo. Este estudio se centró en las relaciones internas entre la naturaleza secuencial de los datos in situ del túnel y la interacción continua entre el equipo y la geología, e introdujo el método de redes neuronales de series temporales de memoria a corto plazo (LSTM) para el procesamiento de datos in situ. Se propone un método de predicción anticipada de los parámetros geológicos basado en los datos de monitorización del estado de la tuneladora en tiempo real. El método propuesto se aplicó a un proyecto de túnel en China, y el R2 de los resultados de predicción para cinco parámetros geológicos es superior a 0,98. El rendimiento de la LSTM se comparó con el de una red neuronal artificial (RNA). La precisión de la predicción de la LSTM fue significativamente mayor comparada con la de la RNA, y la generalización y robustez de la LSTM son también mejores que las de la RNA, lo que indica que el método LSTM propuesto podría extraer las propiedades de la secuencia de los datos in situ. La regla de la interacción equipo-geología se reflejó aumentando la estructura de la memoria del modelo mediante la introducción del concepto de "puerta", y se realizó la predicción precisa de los parámetros geológicos durante la excavación del túnel. Además, se discute la influencia de la ventana de tiempo y la distancia de predicción en el modelo. El método propuesto proporciona un nuevo enfoque para la obtención de información geológica durante la construcción de la tuneladora y también proporciona una cierta referencia para el análisis eficaz de los datos in situ con propiedades de secuencia.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:datos in situ, parámetros geológicos, información geológica, métodos propuestos, propiedad de la secuencia, lstm, equipo de carga pesada, control de la construcción, naturaleza del túnel, tuneladora
• Keywords:situ data, geological parameters, geological information, proposed methods, sequence property, lstm, heavy load equipment, control of construction, nature of tunnel, tunnel boring machine