TBM(터널 굴착기) 운영 매개변수의 정확한 예측은 안전하고 효율적인 터널 건설을 보장하는 데 중요합니다. 그러나 전통적인 고정밀 모델은 과도한 매개변수 수로 인해 확장성 문제에 직면하여 현장 데이터 스트림을 통한 실시간 업데이트에 적용하기 어렵습니다. 이를 해결하기 위해 우리는 클러스터링 기반 전이 학습과 최적화된 데이터 증강 전략을 통합한 새로운 커터헤드 추력 예측 프레임워크를 제안합니다. 이 3단계 접근 방식은 다음과 같습니다: (1) 굴착 사이클의 변형 형태를 분석하여 원시 추력 데이터를 하위 데이터베이스로 클러스터링; (2) 전이 학습 분류기를 훈련하여 들어오는 데이터의 변형 형태를 인식하고 샘플을 전문 예측기로 경로를 설정하며, 여러 후보 모델을 훈련하고 최적 성능의 전문가를 선택하여 배포; (3) TBM 굴착 중 갑작스러운 주변 암석 유형 변화에 대한 위험 경고를 위해 LAFPI(선도 평균 강도-관통 지수)를 사용합니다. 실험 결과, 제안된 커터헤드 추력 예측 프레임워크는 1,000 시간 단계를 초과하는 예측 범위에서 높은 정확도(R² > 0.85)를 달성하며, 추론 시 0.015B-파라미터 전문가 모델만을 배포하고 약 2분의 훈련 시간을 요구합니다. 데이터 세트에 안정적으로 적합할 수 있는 가장 작은 전통적인 기준 모델(LSTM/GRU/Transformer)과 비교했을 때, 배포된 전문가 모델은 정적 파라미터에서 약 95% 감소와 에포크당 훈련 시간에서 약 85% 감소를 달성합니다. 이는 예측 정확도, 계산 효율성 및 실시간 TBM 모니터링 시스템에 대한 적응력에서 우수성을 입증합니다.
Cheng et al. (Sun,)은 이 질문을 연구했습니다.