基于深度神經網絡的圍巖無側限抗壓強度預測

江 南，李叔敖，褚長海

（盾構及掘進國家重點實驗室 河南 鄭州 450001)

隧道掘進機（TBM)已經廣泛應用于公路隧道、鐵路隧道以及采礦工程中[1]。相較于傳統鉆爆法，TBM 掘進法具有施工快速、安全、自動化程度高等優點[2～3]。但其地質條件適應性差一直都是其面臨的主要問題。在TBM 施工中，主控司機通過緩慢試掘和觀察巖渣進來評估圍巖參數，再通過反復調整掘進參數直至其保持穩定，這種依賴人工經驗調節掘進參數的施工效率低下，且容易使得掘進參數與巖體參數匹配性差；此外，圍巖劇烈變化時，主控司機可能無法實時有效地對當前圍巖的參數進行感知，導致掘進參數無法適應當前復雜多變地質環境變化，容易造成卡機，地質災害，甚至引發人員傷亡事故[4]。總之不良的地質條件會極大地影響TBM 掘進效能，故使用TBM 掘進法需要專業的經驗豐富的主司機，需要更加詳細的地質資料。但是傳統的地質預報手段，如超前鉆孔，地震波檢測，地質雷達等，均需要耗費額外的時間與設備，而且其產生的地質數據常常是不連續的[5]，難以完整反映掌子面圍巖的實時地質狀況。

由于掘進參數可以看作是圍巖與TBM 相互作用結果的動態反映，當前有許多利用掘進參數預測圍巖性質的工作。李蓬喜等使用LSTM 模型對TBM 實時巖體條件進行預測，取得了較高的圍巖類別預測準確率[6]。劉斌等使用支持向量回歸算法對圍巖參數如單軸抗壓強度UCS，脆性指數BI，薄弱面間距DPW 和不連續面方向α 進行預測，取得了較低的均方百分比誤差[7]。總體來說目前基于各種機器學習算法的圍巖性質預測工作均取得了一定的進展，但大部分工作集中在預測圍巖巖石等級或巖體類別上，而對于圍巖的無側抗壓強度的預測工作較少。

本文依托青島地鐵1 號線工程，使用分組的全連接神經網絡，隨機森林，支持向量機算法通過100s 內的掘進參數對掌子面圍巖的無側限抗壓強度進行預測，實現實時的掌子面圍巖地質判別，為TBM 主司機提供實時地質參考，對保證施工安全具有重要意義。

1 工程項目與設備概況

青島地鐵1 號線是青島已經投入使用的一條跨海線路，其全長60·11km，起于王家港站，途經黃島區、市南區、市北區、李滄區和城陽區5 個市轄區，止于東郭莊站，總體大致呈南北走向。共設置41 座車站，全部為地下車站。

本文使用的數據為青島地鐵1 號線人民廣場站-衡山路站的TBM 掘進數據，其中衡山路-天目山區間的地質狀況如圖1 所示。

圖1 人民廣場站到衡山路站區間地質簡圖

人民廣場站-衡山路站區間內的圍巖主要成分為閃長巖，石英二長巖，花崗斑巖，風化程度為微風化到中風化。使用的掘進設備分別為中船重工生產的DS6290-TBM-015，TBM 運行時數據每10s 采集1 次，數據中心記錄了TBM掘進過程中總推進力，刀盤扭矩，刀盤轉速，推進速度，撐靴壓力在內的195 類數據。

2 算法描述

根據文獻[5～7]研究成果，本文構造的神經網絡接受的輸入為100s 內的總推進力，推進速度，刀盤扭矩，刀盤轉速，兩組撐靴壓力。由于青島地鐵1 號線每10s 采集一次掘進參數，故神經網絡輸入為10×6 的矩陣。訓練時批量大小為200，即每次訓練時隨機從訓練集中抽取200 個樣本進行神經網絡的訓練。為了提升模型的收斂速度，對原始的輸入參數做了歸一化處理。

根據項目地勘資料，本文將圍巖無側限抗壓強度進行one-hot 編碼，如表1 所示。編碼后的無側限抗壓強度用于與神經網絡的輸出進行softmax 交叉熵損失函數計算，從而衡量神經網絡的輸出結果與實際情況之間的差異，指導神經網絡中的參數更新。

表1 無側限抗壓強度編碼表

先對輸入按照屬性分別進行全連接，然后總體全連接的方式構建神經網絡，具體網絡結構如圖2 所示。

圖2 模型結構圖

本文將構建的網絡分為2 個階段，第一階段對每個字段如推進速度，總推進力等分別進行3次全連接操c 作，第一階段共有18 層全連接層，第二階段對第1 階段的結果進行拼接，并進行3次全連接操作。相比于僅依靠當前時刻的掘進數據來進行圍巖無側限抗壓強度的推斷，使用更大時間范圍的掘進數據一般會獲得更穩定的結果，但在更大的輸入尺度上直接進行全連接操作會導致計算量過大，不利于神經網絡訓練，本文使用先分組全連接，再進行融合全連接的方式相比于直接在整個輸入向量上做全連接操作的方式參數量和計算量均有一定的減小。

損失函數：本文將每種無側限抗壓強度轉化為one-hot 向量，進行損失函數計算時使用帶權交叉熵損失函數進行訓練時模型損失計算，確定預測值與標注值之間的差距，并通過反向轉播指導模型參數更新如下

其中，yc為數據集標注類別，是一個長度為N的one-hot 向量；pc表示預測樣本屬于第c個類的概率；wc表示帶權交叉熵權值；N表示數據集的類別數，本文實驗中N是7。

優化算法：通過反向傳播計算出的梯度進行參數更新的算法。本文使用的Adam 算法進行參數更新。Adam是隨機梯度下降算法的擴展算法，結合AdaGrad 和RMSProp 兩種優化算法的優點。對梯度的一階矩估計和二階矩估計進行綜合考慮，計算出更新步長。

3 圍巖無側限抗壓強度預測

3.1 數據預處理

對掘進循環進行劃分，分為空推段、上升段和穩定段，空推段刀盤還未接觸巖壁，TBM 處于空轉狀態。上升段則是過計算斜率的方法，尋找刀盤扭矩開始出現大幅增長的時間點，該時間點作為上升段起點。穩定段則是通過變點識別算法尋找刀盤扭矩的拐點，從而確定穩定段的起點。本文基于上升段和穩定段構建圍巖無側限抗壓強度的預測模型并根據施工經驗和3σ準則對異常值進行識別剔除。

3.2 開發環境及超參數設置

本文使用的軟硬件環境如表2 所示。超參數方面，BatchSize 設置為100，初始學習率設置為3e-4。訓練7 萬次。每個神經元使用標準化的何凱明初始化[8]（he_uniform)進行參數的初始化。

表2 模型使用硬件與軟件版本情況

3.3 模型評價指標

為了檢驗本文所提出算法有效性，本文采用正確率為評價指標，計算公式如下

其中，Nr為無側限抗壓強度預測正確的樣本數；Nt為無側限抗壓強度預測的總樣本數。

3.4 模型驗證

實驗過程中選取1/10 樣本做測試集，剩余9/10 用作訓練集（表3)。

表3 模型準確率結果

表3 的結果表明基于深度神經網絡的圍巖無側限抗壓強度預測模型對于圍巖的無側限抗壓強度預測表現良好，甚至當測試數據來源于和訓練時線路不同的線路時，模型準確率雖有下降，但仍能保有有一定的準確率。

4 結語

以100s 內的TBM 總推進力、推進速度、刀盤扭矩、刀盤轉速和撐靴壓力為輸入，圍巖的無側限抗壓強度類別為輸出，基于全連接神經網絡算法構建了圍巖的實時抗壓強度預測模型，模型在青島地鐵1 號線人民廣場站到衡山路站區間的左線右線進行訓練和驗證，取得了較好的準確率，對TBM 施工中掘進參數的選取調整優化有一定幫助，為相關工程人員提供參考。