投稿网址：ｗｗｗ．ｓｔａｅ．ｃｏｍ．ｃｎ２０２３年第２３卷第１７期２０２３，２３（１７）：０７５５８⁃０８科学技术与工程ＳｃｉｅｎｃｅＴｅｃｈｎｏｌｏｇｙａｎｄＥｎｇｉｎｅｅｒｉｎｇＩＳＳＮ１６７１—１８１５ＣＮ１１—４６８８／Ｔ引用格式：王伯芝，陈文明，黄永亮，等．基于集成Ｄｒｏｐｏｕｔ⁃ＤＮＮ模型的盾构掘进速度预测方法［Ｊ］．科学技术与工程，２０２３，２３（１７）：７５５８⁃７５６５.ＷａｎｇＢｏｚｈｉ，ＣｈｅｎＷｅｎｍｉｎｇ，ＨｕａｎｇＹｏｎｇｌｉａｎｇ，ｅｔａｌ．Ｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｏｆｓｈｉｅｌｄｔｕｎｎｅｌｉｎｇｓｐｅｅｄｂａｓｅｄｏｎｉｎｔｅｇｒａｔｅｄｄｒｏｐｏｕｔ⁃ＤＮＮｍｏｄｅｌ［Ｊ］．ＳｃｉｅｎｃｅＴｅｃｈｎｏｌｏｇｙａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２０２３，２３（１７）：７５５８⁃７５６５.基于集成Ｄｒｏｐｏｕｔ⁃ＤＮＮ模型的盾构掘进速度预测方法王伯芝１，陈文明２，３，黄永亮１，丁爽２，３，谢浩１，胡婧２，３，刘学增４∗（１.济南轨道交通集团有限公司，济南２５０１０１；２.上海同岩土木工程科技股份有限公司，上海２０００９２；３.上海地下基础设施安全检测与养护装备工程技术研究中心，上海２０００９２；４.同济大学土木工程学院，上海２０００９２）摘要为了提升土压平衡盾构机的掘进速度预测精度，提出一种集成Ｄｒｏｐｏｕｔ技术和深度神经网络（ｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋ，ＤＮＮ）模型的盾构掘进速度预测方法。依据济南地铁Ｒ１线盾构隧道段工况数据，将数据集划分为５份，并选取刀盘转速、刀盘扭矩、总推进力、螺机转速、土仓压力这５个参数为输入参数，分别建立了５个Ｄｒｏｐｏｕｔ⁃ＤＮＮ模型并进行集成实现了盾构掘进速度的预测，进一步对不同的预测方法进行了对比分析。研究结果表明：各Ｄｒｏｐｏｕｔ⁃ＤＮＮ模型预测精度具有一定的差异性，但基本良好，其决定系数均大于０.６，平均绝对百分误差均小于１０％，而集成的Ｄｒｏｐｏｕｔ⁃ＤＮＮ模型决定系数为０.６９５，平均绝对百分误差小于５％，可见集成模型预测精度较高；基于反向传播（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ，ＢＰ）神经网络、ＤＮＮ模型实现的盾构掘进速度预测模型其决定系数分别为０.５０２、０.５６６，可见提出的集成Ｄｒｏｐｏｕｔ⁃ＤＮＮ模型预测精度提升明显。关键词盾构隧道；掘进速度预测；Ｄｒｏｐｏｕｔ技术；深度神经网络（Ｄ...
