煤炭工程

作者：沈远伟,朱昊,曹梦炫,冯昌如,朱梦圆,张超凡

单位：1. 陕西正通煤业有限责任公司，陕西 咸阳 7136992. 西安科技大学 能源学院，陕西 西安 710054

关键词：TBM , GWO , RBF神经网络 , NSGA Ⅱ , TOPSIS , 多目标优化 , 掘进参数优化 , 掘进比能,

在煤矿巷道TBM掘进过程中，掘进参数对推进效率、能耗及刀具磨损的影响显著，且三者之间存在复杂的非线性耦合关系。传统的经验调参方式或单目标优化方法难以同时兼顾效率、成本与安全性。为此提出一种集成灰狼优化算法（GWO）、径向基神经网络（RBF）、非支配排序遗传算法Ⅱ（NSGA Ⅱ）与逼近理想解排序法（TOPSIS）的多层级智能优化方法，该方法融合了元启发式优化、非线性建模、多目标进化与决策排序，可实现掘进参数的全流程优化控制。首先，通过RBF神经网络构建掘进参数与推进速度、掘进比能、刀具磨损量之间的非线性映射模型，并采用GWO算法优化其超参数以提高预测精度；其次，采用NSGA Ⅱ实现多目标优化，获得Pareto最优解集；最后，通过TOPSIS-熵权法筛选出综合最优的掘进参数方案。以正通煤业TBM实测数据为案例开展验证，结果表明：在最优方案条件下，推进速度提高23.97%，掘进比能下降26.44%，刀具磨损量降低43.67%。该方法在提升掘进效率的同时，显著降低了能耗与刀具损耗，实现了效率、成本与安全性的协同优化，具备良好的工程适用性与推广价值。

来源：2025年第9期

《煤炭工程》期刊编辑部

查看煤炭工程杂志2025年第9期