煤炭工程

作者：沈远伟,刘红丽,朱昊,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 , 可掘性预测 , 围岩分级 , 巷道掘进 , 智能优化算法 , 深度学习,

复杂多变的围岩条件易引发掘进过程中全断面隧道掘进机（TBM）负载剧烈波动、刀具磨损加剧、推进效率降低等问题。为建立精准的可掘性预测与围岩分级方法，为TBM 掘进参数优化及施工组织提供科学支撑，提出一种融合灰狼优化（GWO）、变分模态分解（VMD）、麻雀搜索算法（SSA）与长短期记忆网络（LSTM）的智能模型（GWO-VMD-SSA-LSTM），用于实现TBM可掘性的精确预测与围岩分级。测试结果显示，该模型在测试集上的平均绝对误差（MAE）为0.4324、均方根误差（RMSE）为0.6005、平均绝对百分比误差（MAPE）为1. 5486%、决定系数(R2)为0. 9527，性能显著优于其他对比模型，具备更强的预测精度与泛化能力。基于此，进一步构建了基于FPI的围岩分级体系，实现了围岩可掘性等级的快速判定。工程验证表明，该方法能够有效反映不同岩层的掘进难易程度，可为复杂地质条件下TBM掘进施工提供智能化辅助决策支持。

来源：2025年第8期

《煤炭工程》期刊编辑部

查看煤炭工程杂志2025年第8期