基于机器学习的隧洞掘进机刀具寿命预测模型分析.pdfVIP

基于机器学习的隧洞掘进机刀具寿命预测模型分析.pdf

ISSN1672-2841广东水利电力职业技术学院学报2025年第23卷第3期

CN44-1587/ZJournalofGuangdongPolytechnicofWaterResourcesandElectricEngineering，2025，Vol.23，No.356-60

基于机器学习的隧洞掘进机刀具寿命

预测模型分析

胡阳

（中铁十八局集团隧道工程有限公司，重庆 400700）

摘要：

为有效预测隧洞掘进机的刀具使用寿命，合理控制成本，采用基于高斯过程回归的

机器学习算法，结合Matern 5/2模型，构建刀具寿命预测模型。该模型以推力、刀具转速、

注浆压力、石英含量、穿透率等参数为输入变量，刀具使用寿命为输出变量。同时进一步使用

Matlab软件中的优化模式确定最佳超参数配置，并得到最终模型结果。通过将现场观测值与机

器学习算法预测的刀具寿命值进行比较，验证了该模型在TBM刀具寿命预测方面具有较高的精

确性。最后提出系列措施以进一步提升TBM效率并降低成本。

关键词：隧洞；掘进机；刀具寿命；机器学习；高斯过程回归法

中图分类号：TV554 文献标志码：A 文章编号：1672-2841（2025）03-0056-05

TBM隧道掘进机在地下工程中至关重要，尤性。机器学习在寿命预测方面已证明可行，但对

其在隧洞、地铁和水电工程，其圆盘刀具作为核TBM盘式刀具寿命的预测技术仍有不足[8]。

心部件备受关注[1]。刀具寿命和磨损是TBM的关本研究综合考虑TBM刀具的多个因素，提出

键性能指标，直接关系到施工效率和成本[2]。准确了一种基于高斯过程回归（GPR）机器学习方法

预测TBM刀具寿命对优化施工计划和提高效益十的刀具寿命预测模型。以推力、刀具转速、注浆

分关键。估计TBM盘式刀具寿命和磨损的预测模压力、石英含量、穿透率等参数为输入变量，刀

型一直是研究热点。乔世范等[3]建立基于磨粒磨具使用寿命为输出变量，建立了参数之间的关系。

损机理的TBM正面滚刀寿命预测数学模型，可以最后，将现场观测值与使用机器学习算法预测的

对TBM滚刀在不同安装半径下的最大掘进距离进刀具寿命值进行比较，验证预测模型的准确性。

行精准预测，从而为TBM换刀过程提供有效理论为TBM刀具的使用提供科学依据和支持，促进地

支撑。佘磊等[4]通过分析滚刀破岩机理和考虑密下工程领域的可持续健康发展。

实核效应，建立滚刀磨损的数学关系式和预测模

型。结果表明滚刀磨损速率和切削寿命可作为评1 1 工程背景工程背景

价滚刀磨损特性的可靠指标。近年来，软件AI技本研究所涉及的工程项目为我国新疆某引水

术为回归、分类、优化和神经网络方面的应用提隧洞工程，隧洞岩性主要为凝灰岩、石灰岩和砂

供了新思路。郭宏[5]采用深度卷积神经网络(DCNN)岩。隧洞设计成直径5.5m圆形洞，这种形状能有

对TBM刀具寿命进行预测，加入注意力机制和KL效保持隧洞在复杂地质条件下的稳定性，降低地

散度检测方法提高准确性和稳定性。方喜峰等[6]质灾害风险[9]。此外，隧洞的覆土层最少厚度为

通过BP-RBF神经网络建模刀具寿命，验证了其20m，适当的厚度可以减轻外部负荷对隧洞的影

有效性，但需考虑其他算法适用性。徐营利等[7]响，提升其抗震性能。