數據和知識雙驅動下的土壓平衡盾構結泥餅事件預警模型

胡 珉， 王 伊， *， 沈 輝

(1. 上海大學悉尼工商學院， 上海 201800； 2.上海大學-上海城建集團建筑產業化研究中心， 上海 200072； 3. 上海隧道工程有限公司， 上海 200032)

0 引言

結泥餅事件是采用土壓平衡盾構進行隧道施工時常見的施工問題。當刀盤切削后的渣土附著在刀盤表面或土艙內部并積聚和固結時，盾構施工將會受到嚴重的影響。結泥餅事件不僅會導致施工效率大幅下降、對施工質量和設備安全帶來威脅，而且還會引起土艙壓力的波動從而導致大幅度的地表沉降。一旦泥餅完全固結則難以逆轉，往往需通過人工開艙的方式進行清理。這不但會影響正常的施工進度，還會造成額外的成本支出和人員操作風險。在泥餅尚未完全固結時，及時發現并預警，以便施工方通過沖洗刀盤、改良土體等方式進行先期處理，可以阻止泥餅固結事件的發生。然而，泥餅的形成機制較為復雜，識別過程中容易與其他施工現象混淆，在實際施工中很難實現結泥餅事件的早期發現。

對于結泥餅事件，工程案例分析是最為直接有效的分析手段。通過記錄某一施工項目的結泥餅事件發生過程，描述結泥餅事件發生前后的具體表現并分析成因，可為后續結泥餅事件的發現與預防提供方向性指導。如： 王用斌[1]分階段分析了佛山地鐵結泥餅事件前的掘進參數變化情況，指出了土壓力、推進速度、總推力、刀盤轉矩等掘進參數在易結泥餅地質隧道施工中的變化特點; 傅鑫暉等[2]、溫法慶等[3]從地層、盾構選型、施工因素等角度分析結泥餅事件的成因及表現，并指出發生結泥餅事件時會出現“速度降低、土壓力不穩定、推力及轉矩逐漸增大、渣溫升高”等現象; 鄧如勇[4]綜合多個刀盤結泥餅事件案例的表現，總結了刀盤外部結泥餅時可能出現的7種現象。這些案例描述和總結了結泥餅事件的相關現象，但并沒有形成通用性、清晰化的規則或模型，難以直接用于其他工程結泥餅事件的自動化判斷。

為探究結泥餅事件的機制成因，基于理論模型及模擬試驗的方法也被用于土壓平衡盾構結泥餅事件的風險識別。如： Alberto-Hernandez等[5]指出，影響泥餅固結的因素包括土質參數、鋼材表面參數和環境參數等； Barzegari等[6]研究了土壤中含水量變化對泥餅固結的影響，發現當含水量為20%～52%時，泥餅固結的概率最大； Thewes等[7]基于室內模型試驗研究了黏土附著盾構設備表面的力學機制，建立了基于土壤稠度和塑性指標的結泥餅風險預測圖，可用于前期的設備選型和施工計劃制定； Bang等[8]通過室內模型試驗比較了不同開口率、刀盤旋轉方向和刀盤轉速下的泥餅固結情況，發現刀盤雙向旋轉、刀盤轉速低都可能提升刀盤結泥餅的概率。為快速準確評估盾構的泥餅固結隱患，Oliveira等[9]設計了一種專門用于測量土壤中黏土含量的裝置，以推斷盾構的泥餅固結趨勢； 袁大軍等[10]通過盾構模型刀盤結泥餅試驗，提出了轉矩指數和轉矩指數變化率2個指標用于檢測結泥餅事件。這些研究為結泥餅事件的特征分析提供了理論基礎，但還不能直接用于結泥餅事件預警。

近年來，學者們開始嘗試利用實時施工數據探索。結泥餅事件的預警機制。如： 夏毅敏等[11]、Fu等[12]根據刀盤中心溫度的最大值及冷卻速率判斷刀盤表面是否存在泥餅； 文獻[13]提出了基于刀盤轉動慣量變化趨勢判斷刀盤結泥餅的方法。考慮到結泥餅事件與多個施工數據有關，文獻[14]選取了刀盤推力、刀盤轉矩、推進速度、渣土溫度4個施工參數，采用BP神經網絡建立結泥餅事件檢測模型； Zhai等[15]使用隨機森林方法建立了自動更新的盾構結泥餅事件預警模型，基于施工參數的環統計特征更新預警策略。然而，不同工程項目中結泥餅事件的施工參數表現不盡相同，難以構造完備的結泥餅事件訓練集；其次，結泥餅事件存在一個逐漸形成和固結的過程，采用BP神經網絡等非時序的機器學習方法，難以學習時序數據變化特征，這也影響了對結泥餅事件的識別成功率。

綜上所述，工程案例為結泥餅事件提供了經驗支持，基于試驗數據和施工數據的方法提供了結泥餅事件診斷的另外一個視角，但是目前這2種方法都還沒有達到實際應用的階段，未能被實際工程應用。為了幫助施工人員早期發現結泥餅事件，及時采取措施，減少不必要的開艙操作，本文將工程經驗與施工數據相結合，提出一種數據和知識雙驅動下的土壓平衡盾構結泥餅事件預警模型，一方面從數據驅動的角度分析實時時序數據并從中發現掘進異常；另一方面從大量歷史施工經驗中提煉知識，進行結泥餅特征早期識別，提升結泥餅事件預警的準確性，從而減少結泥餅事件的發生。

1 結泥餅事件預警模型

為實現對土壓平衡盾構結泥餅事件的有效預警，從數據建模和知識推理2個角度出發設計結泥餅事件預警模型，其中結泥餅事件知識主要來源于文獻及實際施工工程案例。

1.1 關聯施工參數

基于文獻案例，從實時掘進參數、基礎施工參數和盾構基本情況3方面整理了與結泥餅事件相關的影響因素(見表1)，為結泥餅事件判斷規則和基于實時施工數據的結泥餅事件異常發現算法的構建奠定基礎。

表1 結泥餅事件關聯工程參數Table 1 Engineering parameters related to mud-cake event

結合文獻及工程對工程參數的提及頻率和盾構的傳感器常規配置情況，選取了實際盾構項目普遍可獲取的以下11個參數作為與結泥餅事件關聯的關鍵工程參數： 推進速度、總推力、刀盤轉矩、土壓力、土質類型、改良劑配比、改良劑用量、掘進模式、刀盤類型、開口率和刀具配置。渣土溫度、刀盤溫度等參數因多數土壓平衡盾構中未安裝相關傳感設備而未選用。

1.2 預警模型框架

基于結泥餅事件文獻及工程案例數據的分析，提出數據和知識雙驅動下的土壓平衡盾構結泥餅事件預警模型(MCEW_DK)，模型框架如圖1所示。該模型由2個子模型組成： 數據驅動的結泥餅異常診斷子模型和知識驅動結泥餅事件診斷子模型。考慮到盾構結泥餅事件中施工參數具有隨時間逐漸變化的特點，借鑒穩健時序異常檢測算法(robust anomaly detection for time-series data，RADTD)[33]能學習多維時間序列的時序變化特征的優勢，基于結泥餅事件相關的施工參數的多維時間序列數據，建立數據驅動的結泥餅異常診斷子模型(data-driven sub-model for mud-cake event anomaly detection，DMCAD)，檢測多維時序數據的異動情況，從而得到結泥餅事件發生的概率；從工程案例出發，基于工程經驗規則，建立知識驅動結泥餅事件診斷子模型(knowledge-driven sub-model for mud-cake event diagnosis，KMCED)，根據工程狀態特征與結泥餅規則的匹配程度，判斷結泥餅事件發生的概率。由式(1)綜合2個子模型的判斷，計算結泥餅事件的最終預警結果。

圖1 數據和知識雙驅動下的土壓平衡盾構結泥餅事件預警模型Fig. 1 Mud-cake event early warning model for earth pressure balance shield driven by both data and knowledge

pk=h[f(Zk),g(Xk)]。

(1)

式中：pk為第k環的結泥餅事件預警概率；f(Zk)為DMCAD子模型輸出的結泥餅事件概率；g(Xk)為KMCED子模型輸出的結泥餅事件發生概率；h(·)為綜合判斷函數。

考慮到DMCAD與KMCED子模型方法單獨檢測時誤報率較高，為提高預警可信度，本文中選用因子相乘計算。

2 數據驅動的結泥餅異常診斷子模型

結泥餅事件發生前后，盾構多個施工數據都會發生一些有別于正常情況的波動，本文從多維時間序列數據異常診斷的角度對結泥餅事件進行分析。

2.1 時序異常檢測方法概述

目前，工程上對結泥餅事件的數據采集還不完整，缺少此類事件的標準數據集和足夠的數據標簽，難以直接學習結泥餅事件的參數時序特征，因此，本文選擇了無監督多維時序異常檢測算法RADTD，進行結泥餅事件的異常檢測。

RADTD算法[33]是一種基于數圖轉換和快速自學習的時間序列異常檢測方法，利用負選擇思想、無閾值遞歸圖(unthresholded recurrence plot，URP)和極限學習機自編碼器(extreme learning machine autoencoder，ELM-AE)，能夠將時間序列數據轉換為圖矩陣的形式，并通過快速學習和重構檢測到時間序列中的異常，具有對負樣本依賴度低、魯棒性高等特點。

2.2 異常診斷子模型構建

圖2 數據驅動的結泥餅異常診斷子模型Fig. 2 Data-driven sub-model for mud-cake event anomaly detection

3 知識驅動的結泥餅事件診斷子模型

知識驅動的結泥餅事件診斷子模型(KMCED)以文獻和實際施工工程案例中的經驗知識為基礎，提取后形成規則庫，用于模糊推理機的實時結泥餅事件診斷。

3.1 結泥餅事件知識庫構建

圍繞第2節中選取的實時掘進參數、基礎施工參數和盾構基本情況的相關參數及結泥餅事件發生的條件因素，進行了詳細的調研，構建了土壓平衡盾構結泥餅事件的知識規則庫。規則庫中的知識采用模糊If-Then產生式規則進行表達，既可以與實際經驗表達習慣基本一致，又體現經驗知識的模糊性、不確定性以及規則的強度。規則表示法如式(2)所示。

ThenyisBl。

(2)

各規則的模糊條件中，隸屬度函數的確定主要參考隸屬度函數的建立原則[34-35]、結合工程實時參數的分布及變化特征進行設計。由于施工參數數據多為正態分布，同時實際數據可能存在波動性，選用梯形作為隸屬度函數，其比常見的三角隸屬度函數更容易擬合實際情況。梯形隸屬度函數的最大隸屬度區間根據工程案例中的數據區間確定，同時考慮數據的波動性和部分案例的描述沖突，將中心值兩側10%左右劃定為重疊區域。

此外，結泥餅事件規則的可信度分為高、中、低3種程度，各規則的可信度從文獻及工程案例基于項集的支持度計算獲得[36]，第l條規則的支持度計算公式如式(3)所示。

(3)

式中： Numl為包含規則l的文獻及工程案例數; Num為文獻及工程案例總數。

最終得到37條結泥餅事件的診斷規則。結泥餅事件規則示例見表2。

表2 結泥餅事件規則示例Table 2 Examples of mud-cake event rules

3.2 結泥餅事件規則推理機

利用知識規則庫中的模糊規則，模糊推理機基于工程數據，采用Mamdani模糊推理法進行推理。具體步驟如下：

1)取每環的盾構基本情況、基礎施工參數及實時掘進參數數據為原始輸入量X，對其模糊化處理，求出輸入量X關于對應語言變量F中各定性值的隸屬度。

2)計算規則前提部分模糊命題的邏輯組合。對于給定的輸入X，可以求出對第l條規則的適用度如式(4)所示。

(4)

3)通過模糊推理可得每條模糊規則的輸出量模糊集合Bl的隸屬度函數如式(5)所示。

μBl(y)=alμBl(y)。

(5)

式中μBl(y)為第l條規則中輸出量y的模糊隸屬度函數。

4)輸出量的總隸屬度的模糊合集如式(6)所示。

μB(y)=max(μB1(y)，…，μBl(y)，…，μBN(y))。

(6)

5)采用加權平均的清晰化方法，可求得對應掘進環號與結泥餅事件的隸屬度如式(7)所示。

(7)

式中P(y)為結泥餅事件發生概率。

4 工程應用

4.1 工程概況

南京市某地鐵隧道施工區間的隧道總長為734.514 m，結構斷面形式為圓形，施工采用1臺外直徑為6 200 mm的土壓平衡盾構。隧道中心埋深為15.3～22.7 m。由于地質條件復雜，盾構采用滾刀加刮刀組合，刀盤為中心支撐的、帶胸板輻條型刀盤，刀盤開口率為42.7%。在本區間100—300環，盾構所穿越地層分別為粉質黏土與粉土互層、淤泥質粉質黏土、強風化泥質砂巖和中風化泥質砂巖。工程地質剖面如圖3所示。

圖3 工程地質剖面圖Fig. 3 Engineering geological profile

數據和知識雙驅動下的土壓平衡盾構結泥餅事件預警模型(MCEW_DK)自100環后在該隧道區間上運行，用于實時跟蹤盾構推進狀態、預警盾構結泥餅事件。從工程中獲取的盾構推進數據包括實時施工參數、實時施工狀態和盾構基本情況。

DMCAD子模型基于實時施工參數數據由總推力、刀盤轉矩、推進速度和頂部土壓力組成，并取每100 mm凈行程為一個采樣點。為保留連續推進段的工程數據，模型剔除了推進速度為0的施工數據，并刪除了傳感器采集異常等導致的離群點。在模型診斷時輸入多維時間序列的長度L=30，時間窗口長度設為20，步長為1，每次輸入自編碼器學習的URP圖個數為10，輸出為多維施工數據時間子序列的結泥餅事件概率。KMCED子模型除了采集實時掘進參數數據(總推力、刀盤轉矩、推進速度和土壓力)外，還采集刀盤開口率、刀具類型等盾構基本情況和土質類型、改良劑配比、改良劑用量等基礎施工參數(見表3)，推理機根據實時數據按環分析結泥餅事件的概率。2個子模型的結果結合后，輸出最終MCEW_DK模型的預警概率。參照其他歷史工程模擬中的預警效果，結泥餅事件報警閾值人工設定為0.6。

表3 工程參數的輸入樣式Table 3 A set of engineering parameter examples

4.2 模型預警情況

MCEW_DK模型在施工區間中監測結泥餅事件的預警概率以環為單位統計和檢驗，當環預警概率大于設定閾值0.6時，記為1次結泥餅事件預警。MCEW_DK模型輸出的結泥餅預警結果顯示，模型最早于236環出現了結泥餅事件預警，此后報警環為246、247、249、250環。然而，在252環的盾構例行檢查中，施工人員開艙檢查，并沒有發現明顯的結泥餅現象。施工方在分析時并不完全確信模型的預警結果與結泥餅現象有關。盾構恢復推進后，模型在259、260、261、262、264、265、266、267、268環發出預警，并在267環預警概率達到最大。結合現場施工反饋，265環后施工效率明顯降低，故268環盾構停機開艙檢查，發現土艙內存在嚴重的泥餅固結現象(見圖4)，此后開艙清理工作持續了2 d。恢復推進后，模型除270環有一次誤報外，此后盾構推進狀態正常。這一工程事件說明，在掘進狀態下，MCEW_DK模型對結泥餅事件的檢測效果較好，能夠早于開艙時間發現結泥餅事件并進行預警。值得一提的是，除閾值判斷外，基于結泥餅事件預警結果的施工開艙決策還需要結合模型預警連續性及其他施工條件進行分析。

(a) (b)圖4 盾構土艙內部結泥餅情況Fig. 4 Mud cake in excavation chamber

4.3 模型預警結果對比分析

泥餅在高溫和高壓的共同作用下形成，但在實際工程中難以精確把握泥餅的形成進度，導致很難判斷泥餅的實際形成時間。經過專家事后研判，推斷實際結泥餅的區間為258—268環。為進一步分析MCEW_DK模型的效果，將模型結果與DMCAD子模型及KMCED子模型的檢測結果進行了對比。3個模型的預警結果如圖5—7所示。圖中用淺紅色標注專家研判的實際結泥餅區間，并用紅色三角標注開艙處理結泥餅的位置(268環)。

圖5 100—300環段MCEW_DK模型預警結果Fig. 5 MCEW_DK′s results in ring 100～300

圖6 100—300環段DMCAD子模型預警結果Fig. 6 DMCAD′s results in ring 100～300

圖7 100—300環段KMCED子模型預警結果Fig. 7 KMCED′s results in ring 100～300

4.3.1 MCEW_DK模型預警結果分析

由圖5可知： 1)共存在15環報警，其中9環位于實際結泥餅區間內，占全部結泥餅環的81.81%； 2)相對其他2個子模型，MCEW_DK模型的報警次數最少，有效降低了數據驅動及知識驅動下模型預警的誤報率； 3)臨近開艙位置時，隨著盾構的推進，模型預警的結泥餅事件概率呈逐環上升態勢，且267環的預警概率達到了峰值，早于實際盾構開艙時間，表明了MCEW_DK模型對結泥餅事件的敏感性； 4)隨著泥餅固結情況的惡化，判斷為結泥餅事件的概率不斷增加，而在泥餅開艙處理后，模型能夠迅速識別到盾構推進狀態的改變，結泥餅事件發生概率驟降。

4.3.2 DMCAD模型預警結果分析

由圖6可知： 1)200環后檢測到的異常概率開始呈波動上升的趨勢，在 221環的結泥餅事件概率就超過了設定閾值，最終報告結泥餅事件預警共52環，所有專家標記的結泥餅區間都能夠被準確識別； 2)DMCAD子模型對盾構施工狀態較為敏感，能夠發現盾構實時施工參數數據的異常變化、較早報告異常施工現象，有助于早期識別結泥餅事件； 3)DMCAD子模型的預警范圍持續時間較長，即使在268環開艙處理以后的連續20余環里，仍然判斷盾構施工狀態異常，此期間的數據異動無法用結泥餅事件解釋，可能與盾構的其他施工情況有關。因此，僅通過DMCAD子模型將難以有效鑒別結泥餅事件，可能會出現較多的誤報。

4.3.3 KMCED模型預警結果分析

由圖7可知： 1)結泥餅事件概率超過報警閾值的共有25環，有10環在標記的實際結泥餅事件區間內，占全部結泥餅環的40%，可見結合施工經驗生成的知識規則庫，KMCED子模型可以識別到符合盾構結泥餅事件相關經驗特征的掘進環號； 2)最早一次預警出現在231環，早于實際結泥餅事件區間，且在處置泥餅后，預警概率驟降，可見子模型對泥餅辨識的靈敏性； 3)KMCED子模型也會出現誤報，結泥餅事件最大預警概率出現在236環，而此后252環的開艙顯示實際并不存在結泥餅事件，這可能由于工程經驗的不完備性所致。

4.3.4 模型預警結果比較

為比較MCEM_DK模型與DMCAD和KMCED 2個子模型的預警效果，計算了各模型的準確率和誤報率。準確率表示模型預警環在結泥餅標記環中占的比例，反映了模型對實際結泥餅區間的覆蓋情況；誤報率表示模型預警環在非結泥餅環中占的比例，反映了模型將正常環誤識別為結泥餅環的誤報情況。為保證預警機制的可行性，使用F1分數綜合準確率和誤報率這2個指標，評判預警效果。

各模型預警結果顯示，在0.6的設定閾值下，DMCAD子模型能夠預警所有結泥餅標記環，但受誤報率影響，F1分數僅為0.35；KMCED子模型的預警效果稍優于DMCAD子模型，F1分數為0.56；MCEM_DK模型在準確率接近的情況下誤報率僅40.00%，F1分數為0.69，可以看出預警效果明顯優于其他2個子模型。

由此可見，MCEM_DK模型通過集成2個子模型，大大減少了2個子模型單獨檢測時出現的誤報，預警的結泥餅環同時滿足經驗知識和數據建模視角下的判別標準，更有利于檢測到結泥餅事件出現的節點。

4.3.5 閾值設定探究

在實際應用中，報警閾值的設定會影響模型預警的準確率和誤報率。本文討論了報警閾值設定對模型預警結果的影響。在南京地鐵工程項目中，各模型在不同閾值下的預警結果如表4和表5所示。

表4 報警閾值為0.5時的預警結果Table 4 Warning results under alarm threshold of 0.5

表5 報警閾值為0.6時的預警結果Table 5 Warning results under alarm threshold of 0.6

施工過程中的報警閾值參考其他歷史工程模擬中的誤報率和準確率設定。出于安全考慮，將閾值設定為0.5以上能夠成功預警更多結泥餅環，但同時也會導致誤報環較多、檢修成本大幅增加。若從安全和經濟等多角度考慮，為減少開艙次數，可將報警閾值設定為0.6或者更高。實際應用時，應結合工程實際選擇模型的報警閾值。

5 結論與展望

本文從數據建模和知識推理2個角度提煉土壓平衡盾構結泥餅事件的典型特征，提出了數據和知識雙驅動下的土壓平衡盾構結泥餅事件預警模型。該模型應用于南京某地鐵隧道施工項目，并將預警結果與單一形式子模型進行對比，得出如下結論：

1)數據和知識雙驅動下的預警模型通過結合數據挖掘技術和歷史工程經驗知識，能夠對土壓平衡盾構的結泥餅事件進行有效預測，其在0.6的報警閾值下環預警F1分數為0.69，具有預警準確率高、誤報率低的優點，預警效果優于單一形式的子模型。

2)在南京市某地鐵隧道工程應用中，數據和知識雙驅動下的預警模型從264環到268環連續報警，報警開始時間明顯早于人工發現的時間，這有助于在實際施工過程中及時采取措施。

3)預警模型的報警閾值設定會同時影響預警結果的準確率和誤報率，其與施工安全和經濟成本緊密相關，該閾值設定須結合工程實際需要進行調整。

4)數據和知識雙驅動下的預警模型充分利用已知工程數據，將數據建模和知識推理方法結合，降低了數據建模和知識推理單獨應用時的誤報率，達到準確、及時預警的目的，具有較高的工程應用價值。

5)預警模型的預警結果受不完備的經驗知識和施工數據噪聲大的限制，在實際應用中需要結合環預警的連續性進一步研判，但高頻次的預警能力有助于建立更為靈敏的結泥餅事件預警機制。

本文根據現有文獻及歷史工程建立預警模型，當前結泥餅事件相關工程經驗還不完備,如噴嘴布設等工程參數對泥餅的影響還有待后續補充完善。隨著工程案例的補充，結泥餅事件知識庫還將不斷更新完善，這也有助于細化結泥餅事件的類型和應用場景，進一步提高模型預警的準確率。另外，本文提出的數據與知識雙驅動下的預警模型還可應用于其他難辨識的盾構異常事件預警中，推進構建用于診斷多種異常事件的施工預警體系。