.png){kind=icon}
返回
Data-driven transformer-based explainable deep learning model for real-time TBM performance prediction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ress.2025.111948.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
旨在有效且高效地预测隧道掘进机（TBM）的掘进速率以辅助指导运营管理，本研究提出了TransXTBMNet，一种基于Transformer的可解释网络，用于实时预测TBM的掘进速率，该网络整合了集成双向长短期记忆网络（BiLSTM）和改进型Transformer，以捕捉TBM操作参数与掘进速率之间的复杂交互关系，实现实时精确预测。此外，该方法包含多个组成部分：数据准备流程、基于SHAP的模型可解释性、损失函数以及性能指标，共同提升数据质量并确保在动态开挖环境中的准确预测。真实TBM运营数据集上的验证表明，TransXTBMNet表现出卓越性能，其指标包括均方误差（MSE）= 0.2529、均方根误差（RMSE）= 0.5029、平均绝对误差（MAE）= 0.2991、平均绝对百分比误差（MAPE）= 1.4984 %，以及R² = 0.9770。对比分析显示，该方法在性能上优于其他当前最先进的方法，如传统循环架构（简单循环神经网络（SRNN）、门控循环单元（GRU）、长短期记忆网络（LSTM））及其双向变体（BiSRNN、BiGRU）。SHAP分析揭示，前一时间步的掘进速率、推力组A和F在预测掘进速率中发挥关键作用。此外，当考虑记录的掘进速率数据时，所提出的方法展现出更优性能，凸显其提供更好性能的能力。总体而言，所提出的TransXTBMNet方法证明是预测TBM性能的有效且高效解决方案，为优化TBM操作提供有价值的实时指导。
期刊
R
IF:
11
论文数:
9.0K
被引数:
4.2W
机构
引用论文
.png){kind=icon}
Multi-objective robust optimization for enhanced safety in large-diameter tunnel construction with interactive and explainable AI使用交互式和可解释的AI在大直径隧道施工中增强安全性的多目标鲁棒优化
PREAI
分享收藏Time series clustering-enabled geological condition perception in tunnel boring machine excavation基于时间序列聚类的隧道掘进机掘进地质条件感知
PREAI
分享收藏分享收藏Comparison of Tunnel Construction Cycle with NTNU Model for the Headrace Tunnel of Seti Khola Hydropower ProjectSeti Khola水电站引水隧洞施工周期与NTNU模型的比较
PREAI
分享收藏Vision-Based Body Pose Estimation of Excavator Using a Transformer-Based Deep-Learning Model基于Transformer深度学习模型的可视化挖掘机姿态估计
PREAI
分享收藏Tunnel boring machines (TBM) performance prediction: A case study using big data and deep learning
PREAI
分享收藏Time series clustering for TBM performance investigation using spatio-temporal complex networks基于时空复杂网络的时间序列聚类TBM性能研究
PREAI
分享收藏
查看更多内容