Quantitative estimation of TBM disc cutter wear from in-situ parameters by optimization algorithm improved back-propagation neural network: A case study of a metro tunnel in Guangzhou, China
Notice bibliographique
Résumé
Unplanned worn disc cutters maintenance can cause casualty and financial loss. Good knowledge of cutter wear will facilitate the design of the excavation plan and elongate cutter life. Cutter wear is subject to multiple influential factors, which can be regarded as a nonlinear multivariate question. Back propagation neural network (BPNN), a robust machine learning method in this field, can shed light on it. A shield tunneling section from Metro Line 18 in Guangzhou, China, only encounters hard rock strata. There are 49 manually measured cutter wear. The tunnel boring machine records over 250 types of parameters per second with a real-time logging system. According to 28 types of influential parameters from previous studies, 14 input parameters are selected to reflect the effect of machine, geology, and operation on the output, cutter wear, which is quantified as the average radial reduction of cutter ring. By extrapolation and interpolation, a dataset with 1434 samples is established from the Pan-nan section. Cutter wear is distributed to each ring within the inspection section with a published model. To overcome the inherent weakness of BPNN, we apply SMBO (Sequential Model-based Optimization) and GA (Genetic Algorithm) and compare their effectiveness. SMBO and GA returns model with R2 of 0.968 and 0.971. Error tracing reveals GA model tends to overestimate records with slight wear.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».