基于門控循環單元的全斷面掘進機穩定段掘進性能預測

張弛, 李艷, 王鵬, 劉沛, 梁科森

(中南大學機電工程學院，長沙 410083)

隨著綜合國力的不斷提升，中國正成為世界隧道工程技術發展最快的國家，全斷面隧道掘進機(tunnel boring machine, TBM)產業規模和市場規模均已是全球首位[1]。全斷面隧道掘進機施工法與鉆爆法相比，具有開挖速度快、施工安全性高、隧道成型質量好、工程造價低的優點，在深長硬巖隧道中應用廣泛[2-3]。安全和高效掘進是TBM施工中的兩大主要目標，而開展TBM施工中的掘進性能預測是實現安全和高效掘進的基礎。為此，中外學者進行了大量的研究，掘進性能預測方法主要包括基于模擬掘進實驗的理論方法、經驗公式方法和機器學習預測方法。

TBM掘進性能預測理論方法通過開展模擬掘進實驗分析單個滾刀上的受力，進而計算出整個刀盤所需的總推進力、刀盤扭矩等參數[4-5]。模擬掘進實驗通常可分為全尺寸實驗和縮尺實驗, Gertsch等[6]基于全尺寸盤形滾刀開展破巖實驗，記錄不同刀間距和貫入度下滾刀的三向力，分析滾刀參數和掘進參數的不同組合對掘進性能的影響；Ma等[7]通過開展縮尺掘進實驗分析了圍壓對盤形滾刀法向力、滾動力、切削系數和比能的影響；Yin等[8]通過開展全尺寸線性破巖實驗分析了節理間距等參數對巖石破碎性能的影響。

經驗公式方法通常采用線性或非線性方法來建立TBM掘進性能預測模型，這種模型通常以巖體力學參數作為輸入變量，預測TBM掘進參數。王健等[9]采用巖體質量分級(rock mass rating, RMR)系統建立了掘進速率、施工進度、利用率和場切深指數(field penetration index, FPI)的經驗公式，并基于吉林引松工程數據驗證了模型的預測效果；Yagiz等[10]利用RMR系統來預測TBM利用率的研究，發現TBM利用率與RMR存在著一定的相關性，且這種相關性由巖體參數和TBM設計參數共同決定。

由于不同隧道的地質存在差異、巖體力學參數稀缺等原因，理論和經驗公式方法有很大的局限性。隨著人工智能技術的快速發展，近年來，越來越多的研究人員開始采用機器學習方法進行TBM掘進性能預測研究。趙光祖等[11]利用模擬退火算法和遺傳算法對BP(back propagation)神經網絡進行優化，進而用于TBM掘進性能預測，得到了較傳統BP神經網絡更好的預測效果；周小雄等[12]為預測TBM穩定段性能參數，提出了一種融合注意力機制的雙向長短時記憶神經網絡，實現了對穩定掘進段推力和扭矩的預測；侯少康等[13]提出了一種利用改進粒子群算法優化BP神經網絡的預測模型，實現了對TBM穩定段掘進參數的預測。朱夢琦等[14]采用基于集成分類與回歸樹(classification and regression trees, CART)算法的AdaCost實現了對TBM穩定掘進時的掘進參數預測。謝士平[15]利用改進的BP神經網絡進行了超特長隧洞TBM掘進速度的預測；Liu等[16]利用BP神經網絡集成模擬退火算法，實現對圍巖參數的預測。Adoko等[17]以巖石類型、單軸抗拉強度等巖體參數并結合總推進力作為輸入特征，基于模糊推理系統建立了FPI預測模型。

綜上所述，目前的TBM掘進性能預測研究主要是運用TBM結構設計參數、巖體參數等數據開展研究，對掘進循環不同的階段變化考慮不足。同時由于不同工程的施工設備和作業地質環境差異明顯，因此存在較大的場地特異性和局限性。鑒于此，依托新疆某供水工程，基于大量TBM掘進數據，充分考慮了各掘進參數及圍巖情況對掘進性能參數的影響，借助門控循環單元(gated recurrent unit, GRU)神經網絡構建TBM掘進性能預測模型，為實現TBM安全高效掘進提供參考和借鑒。

1 施工數據分析與預處理

1.1 工程概況

工程數據源自新疆某引水工程Ⅱ標段，采用1臺國產敞開式TBM施工，標段總長約25 km。從Ⅱ標段TBM信息存儲系統中提取約750天的施工數據，依據圍巖等級進行數據量統計，如圖1所示。該標段地質巖性主要為凝灰巖及凝灰角礫巖，Ⅱ～Ⅴ類圍巖占比分別為54.24%、8.17%、24.74%、6.16%和6.68%，以Ⅱ類和Ⅲ類圍巖居多，各類圍巖等級下數據豐富，圍巖地質環境總體較好，為之后的研究提供了良好的數據基礎。

圖1 圍巖類別占比

1.2 數據預處理

由于TBM的施工特點，數據系統中儲存了大量停機、換刀、圍巖支護、設備維修等非工作狀態數據，對掘進性能預測沒有太大價值，因此采用王超[18]提出的二值狀態判別法剔除非工作狀態數據。

剔除掉非工作狀態數據后，由于傳感器故障、操作失誤等原因，TBM 工作狀態數據中還存在多種類型的異常值。觀察發現，這些異常值以極大值為主且呈現脈沖特性，通常出現在推進速度這一掘進參數中，如圖2所示。

圖2 某個時間段中推進速度極大值異常點

表1 推進速度參數

圖3 剔除異常值后TBM施工片段

1.3 掘進循環劃分

由于敞開式TBM的獨特結構，其掘進過程具有典型的步進式特征(即掘進循環)。一個掘進循環內TBM各掘進參數變化趨勢可分為空推段、上升段和穩定段3個階段[19]，如圖4所示。①空推段：從TBM啟動到刀盤與掌子面接觸；②上升段：滾刀接觸巖石，推進力、扭矩等掘進參數快速增大，直至刀盤完全貫入巖體；③穩定段：TBM各掘進參數保持穩定直到循環結束。研究TBM上升段掘進參數是保障穩定掘進的前提，通過掘進循環上升段參數來預測穩定段TBM掘進性能，為駕駛員設定穩定段的掘進參數提供借鑒和指導，進而實現安全高效掘進。

圖4 TBM單個掘進循環的階段劃分

2 穩定段掘進性能預測模型構建

2.1 算法原理

預測模型的輸入輸出均為時間序列數據，循環神經網絡(recurrent neural network, RNN)在處理時間序列時具有明顯優勢，然而由于梯度消失和梯度爆炸問題的存在，使得RNN神經網絡處理長時間序列數據的能力不足。GRU神經網絡是對傳統RNN的改進，通過改變神經元的內部結構，解決了梯度消失問題，由于內部結構簡單、超參數少、訓練快速的特點，實現了對長時序列的有效處理，基本結構單元如圖5所示，其數學描述為

圖5 GRU結構示意圖

(1)

2.2 輸出輸入特征選擇

上升段和穩定段為巖-機相互作用的階段，駕駛員通常根據上升段掘進參數的數值變化，依據施工經驗判斷TBM工作狀態，調整穩定段掘進參數。其中，總推進力和刀盤扭矩是駕駛員判斷TBM工作狀態的主要運行參數，是設定TBM控制參數的重要依據[19]。因此，選取總推進力和刀盤扭矩作為預測模型的輸出參數，由此預測TBM穩定段掘進性能。

掘進過程中TBM上傳感器記錄的掘進參數種類繁多，從這些掘進參數中選擇最優的參數對降低預測模型復雜度，提高預測精度有十分重要的意義。采用過濾法(特征相關性分析)從多參數中選取最優輸入特征，對工程Ⅱ標段的掘進參數進行相關性分析，部分掘進參數之間的相關性熱力圖如圖6 所示。

圖6 部分掘進參數相關性熱力圖

由圖6可知，與總推進力相關性較高的掘進參數為：刀盤扭矩(0.84)、刀盤轉速設定值(0.73)、刀盤轉速(0.72)、推進速度設定值(0.63)、推進速度(0.28)；與刀盤扭矩相關性較高的掘進參數為：總推進力(0.84)、推進速度設定值(0.83)、推進速度(0.68)、刀盤轉速設定值(0.55)、刀盤轉速(0.53)。參數A與參數B之間的相關性越高，說明參數A對參數B的依賴程度越強，在模型中能提供的新信息就越少。部分相關性較強的輸入參數如表2所示，在預測模型構建時，相關性較強的參數取其中一個作為輸入。

表2 部分相關性較強的輸入參數組合

根據過濾法所得結果，選取刀盤扭矩、總推進力、刀盤轉速、推進速度為模型的輸入特征組合。另外，基于隨機森林(random forest, RF)特征重要性排序[20]及工程經驗，選取貫入度為輸入特征。

圍巖等級也會對掘進參數產生較大影響，如圖7所示。依據工程地勘實測數據，將圍巖等級信息與掘進參數進行對應，以One-Hot編碼的形式作為模型輸入。某個樣本中輸入參數如表3所示。

圖7 不同圍巖等級下TBM主要掘進參數均值對比

表3 某個樣本中輸入輸出參數數值

2.3 模型結構及評價指標

神經網絡結構、超參數的設置均會對模型的性能產生很大影響。經多次試驗調優，最終確定模型采用三層隱藏層結構，每層包含60個神經元，設置訓練次數epochs為100次，批量大小batch_size為100，學習率lr為0.001。參考目前的普遍研究基礎，選用均方誤差(mean square error，MSE)和Adam作為編譯模型時的損失函數和優化器

為了量化模型預測誤差，選擇擬合優度R2和平均絕對百分比誤差(mean absolute percentage error,MAPE)兩個評價指標，計算公式分別為

(2)

(3)

式中：yai為實際值；ypi為預測值；i為樣本號；n為測試集總數。

3 結果分析與討論

將提取出的2 715個掘進循環數據，按9∶1的比例劃分訓練集(共2 444個循環)與測試集(共271個樣本)，輸入預測模型，驗證GRU神經網絡模型預測效果，并與傳統RNN模型預測結果進行對比分析。

3.1 GRU與RNN模型預測精度對比

以掘進循環上升段前60 s的數據作為輸入，采用相同的結構和參數分別建立GRU及RNN掘進載荷預測模型，對掘進循環穩定段的總推進力和刀盤扭矩均值進行預測，結果如圖8所示。可以看出：GRU模型得益于門機制的使用，因此對總推進力和刀盤扭矩的預測吻合度較RNN模型均有所提高，且預測偏差大的樣本數較少，同時并未增加過多的模型訓練時間。另外，由于刀盤扭矩為受多參數影響的被動量，具有更大的不確定性，因此兩模型對總推進力的預測擬合度均比刀盤扭矩要高。

圖8 兩種模型預測結果對比

兩模型的預測評價指標結果如表4所示。可以看出：GRU模型對總推進力預測的擬合優度R2為0.929，對刀盤扭矩的擬合優度R2為0.909，均在0.9以上；對掘進參數的預測平均絕對百分比誤差MAPE都低于RNN模型且均在12.25%以內。總體來說，GRU模型的預測精度要優于RNN模型。

表4 不同模型預測精度對比

3.2 模型對不同長度時序輸入適應能力

為進一步驗證所設計的GRU模型能夠準確預測穩定段掘進性能，選取不同時長的上升段數據作為輸入變量進行預測。以上升段開始為起點，分別取上升段前30 s、前60 s、前90 s的數據作為模型輸入，對比分析不同長度時序輸入下模型的預測精度。

在Ryzen7 3700X處理器上前30 s、前60 s、前90 s輸入的模型訓練時長分別為：5、9、16 min，預測精度如圖9所示。可以看出：不同時序長度輸入情況下，總推進力和刀盤扭矩的預測精度變化不大且均較好，兩個掘進參數擬合優度R2均在0.867以上，平均絕對百分比誤差MAPE均小于13.84%。總體來說，所用GRU模型在應對不同長度時序輸入時，均能保持較高的預測精度，模型泛化力較強。

圖9 不同上升段時間序列輸入的預測精度對比

4 結論

依托新疆某供水工程TBM原始掘進數據，選用總推進力、刀盤扭矩、刀盤轉速、推進速度和貫入度5個參數作為預測模型輸入特征，并將圍巖等級以One-Hot形式作為地質參數輸入，建立了TBM穩定段掘進性能預測模型，實現對穩定段總推進力和刀盤扭矩的預測。得出如下主要結論。

(1)以上升段TBM各掘進參數和圍巖等級作為輸入參數，分別構建GRU和RNN神經網絡模型，對比分析兩種預測模型對穩定段總推進力F和刀盤扭矩T均值的預測精度。結果表明：GRU神經網絡模型對兩個掘進參數的預測擬合優度R2均在0.9以上，平均絕對百分比誤差MAPE均小于12.25%，較RNN模型的預測精度更高。

(2)在應對不同長度時序(上升段前30 s、前 60 s、前90 s)輸入時，GRU模型均能保持較高的預測精度，模型的靈活性和泛化力較好。