دانلود مقاله انگلیسی رایگان:پیش بینی سرعت نفوذ TBM بر اساس شبکه عصبی حافظه کوتاه مدت - 2020
تبریک غدیر خم

با سلام خدمت کاربران عزیز، به اطلاع می رساند ترجمه مقالاتی که سال انتشار آن ها زیر 2008 می باشد رایگان بوده و میتوانید با وارد شدن در صفحه جزییات مقاله به رایگان ترجمه را دانلود نمایید.

دانلود مقاله انگلیسی شبکه های نورونی رایگان
  • TBM penetration rate prediction based on the long short-term memory neural network TBM penetration rate prediction based on the long short-term memory neural network
    TBM penetration rate prediction based on the long short-term memory neural network

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    TBM penetration rate prediction based on the long short-term memory neural network


    ترجمه فارسی عنوان مقاله:

    پیش بینی سرعت نفوذ TBM بر اساس شبکه عصبی حافظه کوتاه مدت


    منبع:

    Sciencedirect - Elsevier - Underground Space, Corrected proof. doi:10.1016/j.undsp.2020.01.003


    نویسنده:

    Boyang Gao a,b, RuiRui Wang a,b, Chunjin Lin a,c, Xu Guo a,⇑, Bin Liu a,b,d, Wengang Zhang e,f


    چکیده انگلیسی:

    Tunnel boring machines (TBMs) are widely used in tunnel engineering because of their safety and efficiency. The TBM penetration rate (PR) is crucial, as its real-time prediction can reflect the adaptation of a TBM under current geological conditions and assist the adjustment of operating parameters. In this study, deep learning technology is applied to TBM performance prediction, and a PR prediction model based on a long short-term memory (LSTM) neuron network is proposed. To verify the performance of the proposed model, the machine parameters, rock mass parameters, and geological survey data from the water conveyance tunnel of the Hangzhou Second Water Source project were collected to form a dataset. Furthermore, 2313 excavation cycles were randomly composed of training datasets to train the LSTM-based model, and 257 excavation cycles were used as a testing dataset to test the performance. The root mean square error and the mean absolute error of the proposed model are 4.733 and 3.204, respectively. Compared with Recurrent neuron network (RNN) based model and traditional time-series prediction model autoregressive integrated moving average with explanation variables (ARIMAX), the overall performance on proposed model is better. Moreover, in the rapidly increasing period of the PR, the error of the LSTM-based model prediction curve is significantly smaller than those of the other two models. The prediction results indicate that the LSTM-based model proposed herein is relatively accurate, thereby providing guidance for the excavation process of TBMs and offering practical application value.
    Keywords: TBM performance prediction | Penetration rate | Long short-term memory | Water conveyance tunnel


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 14
    حجم فایل: 3597 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi