论文抢“鲜”看|满轲,刘晓丽教授团队-基于主成分分析（PCA）与门控循环单元（GRU）神经网络的TBM掘进岩体分类预测

本文以兰州水源地建设工程为背景，针对隧道掘进机（TBM）施工中因围岩适应性差易引发地质灾害、影响工程安全与效率的问题，提出了一种结合主成分分析（PCA）与门控循环单元（GRU）的神经网络模型（PCA–GRU），旨在实现TBM掘进过程中岩体分类的快速、准确预测。研究通过对九个输入参数进行PCA降维，将所得综合指标作为GRU网络的输入，构建并优化了预测模型。结果表明，该模型能在约20秒内完成预测，其准确率、宏平均精确率和宏平均召回率分别达到0.9667、0.963和0.9763，性能优于GRU、LSTM等对比模型，并且通过降维有效提升了Ⅱ、Ⅲ、Ⅳ级岩体的预测精度。结论认为，PCA–GRU模型具有强大的泛化能力，适用于不同岩体类别及岩性占比变化的工况，能为TBM施工提供可靠的决策支持。