Resumen

En la construcción de túneles de roca, la velocidad de penetración de la tuneladora (TBM) se ve influida por numerosos factores (por ejemplo, parámetros geomecánicos), algunos de los cuales son muy inciertos. Resulta difícil establecer un modelo preciso para predecir la velocidad de penetración en función de los factores que influyen. Por ello, este trabajo propone un método útil, basado en la máquina vectorial de relevancia (RVM) y la optimización por enjambre de partículas (PSO), para la predicción de la velocidad de penetración de la tuneladora. En este método, la RVM desempeñó un papel vital en el establecimiento de una relación de mapeo no lineal entre la tasa de penetración y sus factores de influencia a través de muestras relacionadas con el entrenamiento. A continuación, el índice de penetración podía predecirse utilizando algunos datos recopilados de los factores influyentes. En cuanto a la PSO, ayudó a encontrar el valor óptimo de un parámetro clave (denominado anchura de la función base) necesario en el modelo RVM. Posteriormente, se comprobó la validez del método RVM-PSO propuesto con los datos monitorizados de un túnel de roca. Los resultados mostraron que el método RVM-PSO podía estimar la velocidad de penetración de la tuneladora, y demostró ser superior a la red neuronal artificial de retropropagación, la máquina de vectores de soporte de mínimos cuadrados y los métodos RVM convencionales, en términos de rendimiento de la predicción. Además, el método RVM-PSO propuesto podría aplicarse para identificar la diferencia en la importancia de los diversos factores que afectan a la predicción de la velocidad de penetración de la tuneladora en un túnel.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:índice de penetración, rvm, método pso, factores, predicción del índice de penetración de tbm, máquina de vectores de soporte cuadrado, índice de penetración de tbm, red neuronal artificial, anchura de la función base, métodos rvm convencionales
• Keywords:penetration rate, rvm, pso method, factors, tbm penetration rate prediction, squares support vector machine, tbm penetration rate, artificial neural network, basis function width, conventional rvm methods