基于人工智能預測巖體條件對TBM 掘進速度的影響研究

袁曉潔，薛新華

（四川大學水利水電學院，四川 成都 610065）

0 引言

在目前很多土木工程大型施工項目中，隧道工程往往是一個重要的行進項目。隧道掘進機（TBM）作為地下隧道工程施工的重要工具，因其具有安全、經濟的優勢，同時可以避免露天挖掘和爆破所帶來的風險而廣泛使用[1］。但由于TBM 挖掘工作中對巖體條件極其敏感，往往會導致挖掘工作的效率降低，因此準確地預測TBM 在巖石環境中的掘進性能非常重要，大多數的TBM 性能預測模型都是通過預測ROP 實現。

過去有許多學者基于各種因素與TBM 的ROP 之間的相關性研究，建立了ROP 的預測模型。例如，Gao 等[2］基于長短期記憶（LSTM）神經網絡提出的ROP 預測模型；Gong 和Zhao[3］利用非線性回歸分析建立起ROP 的統計預測模型。但是一些研究發現這些模型存在無法解決非線性和復雜問題的缺點。

隨著計算機科學的發展，基于人工智能對TBM 的性能預測得到廣泛應用。Benardos 和 Kaliampakos[4］應用人工神經網絡（ANN）建立TBM 推進率的預測模型；Yagiz 和 Karahan[5］將粒子群優化（PSO）用于掘進速度的預測；Grima 等[6］利用自適應神經模糊推理系統（ANFIS）進行TBM 性能的模擬。研究表明利用人工智能算法對TBM 性能進行預測在很多情況下都能提供可靠的結果。

國內外學者通過大量研究發現，ROP 受許多因素影響，因此，很難確定所有的相關參數。實際上，沒有必要將所有的變量作為輸入參數，因為一些參數之間具有較強的相關性。

本文利用兩種人工智能算法，基于三個TBM 隧道項目的185 組數據，選取與TBM 性能有較強的相關性的三個參數（UCS、RQD 和DPW）建立ROP 預測模型。根據四個統計指標對建立的兩種模型的精度進行對比分析。

1 人工智能算法

1.1 數據處理組合算法

數據處理組合算法（group method of data handing，GMDH），也稱為感應學習算法或自組織算法，是一種模擬大腦進行過程的算法，由Ivakhnenko 于1971 年為預測河流中的魚群而提出[7］。由于數據處理組合算法具有前饋神經網絡的結構，因此人們常將它作為前饋神經網絡的一種，稱之為多項式網絡[8］。圖1 所示模型結構是一個典型的4 輸入、單輸出的GMDH 網絡。

圖1 GMDH 模型的典型網絡結構

GMDH 網絡可分為輸入層、隱藏層和輸出層三部分，首先由輸入層（第0 層）各神經元兩兩交叉組合產生第一層神經元。假設GMDH 網絡的第k 層有e 個神經元，那么網絡的下一層（第k+1 層）便會產生Ce2=0.5e2-0.5e 個神經元（見圖2）。由于GMDH 網絡中除輸入層神經元外，輸出層及各隱藏層神經元之間的關系滿足式（1）所示的Ivakhnenko 多項式關系（以圖2 中Pk,m神經元為例）：

圖2 神經元的產生

式中：Pk,m、Pk-1，i和Pk-1，j分別表示網絡中第層中第m、i 和j個神經元的輸出值，且P0，i表示網絡第0 層（輸入層）中第i個神經元Xi；C1～C6均為多項式系數。

GMDH 網絡中根據各神經元所對應的輸出誤差均方差來進行神經元的篩選。圖3 是被選中的神經元兩兩交叉組合產生下一層神經元的示意圖。

圖3 層內神經元的選擇

重復神經元選擇的步驟，直至下一層神經元的誤差均比上一層的大，則將輸出誤差均方差最小的神經元作為系統的最終輸出。至此，所構造的網絡模型即為最優模型。輸入和輸出參數之間的一般聯系可以用 Kolmogorov-Gabor 多項式來表示，如下式所示[9］：

1.2 多表達式編程

多表達式編程（multi expression programming，MEP）是遺傳編程（GP）的一種變體，以其多表達能力而突出，可以采用線性染色體編碼多個解決方案 。

以 函 數 集F ={*，+，-， ／}和 終 端 集T ={x0， x1， x2}為 例，對MEP 的編碼方式進行闡述。圖4（a）左邊的數字表示基因指數，右邊（b）是MEP 染色體通過從上到下的順序翻譯的表達式，它們對應的基因樹狀圖見圖5。

圖4 樁長30m 時水平承載力與樁徑變化的曲線

圖5 MEP 染色體編碼的表達式

由于MEP 染色體可以編碼多個解決方案，因此通常通過控制MEP 染色體中所有表達的適應度后，選擇出最佳的表達式。一個染色體的適應值通過下列兩個公式求出[10-11］：

其中：式（3）為基因的誤差計算，i 為基因序號，k 為樣本的序號，n 為樣本數量，Mk,j為基因的運算結果，Ak為樣本對應的實際結果，式（4）為染色體的最終適應值求解公式。

2 數據分析

本文選取來自美國皇后區水隧道項目、伊朗卡拉吉—德黑蘭隧道項目和埃塞俄比亞GilgelGibell 水電項目[12，13］的185組數據用于建立預測TBM 掘進速度的模型。鑒于影響ROP的因素較多，本文參考Javad 和 Narges 等[14］的研究，選取與掘進速度有較強相關性的三個參數，即UCS、RQD 和DPW。表1 和表2 分別為數據集的皮爾遜相關性分析結果和統計分析指標。從表中可以得出，選取的三個參數與ROP 的相關性顯著，且具有一個較為廣泛的分布范圍。

表1 參數的皮爾森相關性分析

表2 實驗數據的統計參數

3 模型建立與評價

為了方便對比分析，將收集的185 組數據按照3∶1 的比例劃分為訓練集（139 組）和測試集（46 組）兩部分，用于ROP 預測模型的建立和測試。

3.1 統計指標

首先，為評價三個模型的預測精度，本文選擇決定系數（R2）、平均絕對誤差（MAE）、均方根誤差（RMSE）和相對平方根誤差（RRSE）等統計指標。其計算方程式如下：

式中：n 為數據總數；Xm、Xp分別為測量值和預測值；X 為測量值的平均值。

3.2 GMDH 模型

3.2.1 參數設置

為得到最優模型，根據試錯策略，本文將隱藏層層數設置為1 層，單層神經元總數限制在3 個以內。輸入參數為UCS、RQD 和DPW，輸出參數為TBM 的掘進速度ROP，見圖6。

圖6 GMDH 預測模型網絡結構

3.2.2 GMDH 結果分析

根據上述GMDH 網絡結構的參數設置，建立 ROP 預測模型，最優模型的具體結果見表3 和圖7。

表3 GMDH 模型中的多項式系數總結

圖7 GMDH 模型預測結果和測量結果對比

從圖7 中可以得知，訓練集的決定系數為0.915，測試集為0.904，總的決定系數為0.913，展現了GMDH 模型預測的可靠性，說明GMDH 模型可以為TBM 的掘進速度提供一個良好的預測精度。

3.3 MEP 模型建立

3.3.1 參數設置

建立MEP 模型首先需要對初始參數進行選擇，因此參考Wang 和 Yin[14］研究中的最優參數設置，并與試錯法結合，得到表4 中本文的MEP 最優參數設置。

表4 MEP 參數的最優組合設置

3.3.2預測結果分析

結果見圖8。由圖8 的可得，MEP 模型的訓練集和測試集決定系數分別為0.884 和0.919，總的決定系數為0.885，說明基于MEP 提出的預測模型不僅精度良好，且適用于其他隧道項目ROP 的預測，可以為實際應用提供參考。

圖8 MEP 模型預測結果和測量結果對比

3.4 模型對比分析

將基于兩種人工智能算法提出的ROP 預測模型進行對比，統計指標結果見圖9。兩個預測模型的結果表明，GMDH模型的決定系數（0.913）高于MEP 模型（0.885）。決定系數作為模型性能的重要決定指標，數值越接近1，則表明這個模型的相關性能越好。對于MAE、RMSE 和RRSE 等三個指標，值越小則模型的預測性能越優。

從圖9 的結果中可以得出，兩種模型的決定系數都在0.90左右，而另外三個誤差評價指標也都低于0.5，表明兩種方法都可以在預測ROP 方面提供一個較好的精度。這兩種人工智能算法都可以為實際工程的應用提供參考。

圖9 三種ROP 預測模型的統計指標

4 結論

1）基于GMDH 和MEP 提出的兩個ROP 預測模型都能提供一個較高的預測精度，預測結果與實際測量結果誤差較小，它們的決定系數分別為0.913 和0.885，且三個誤差評價指標都低于0.5。

2）將GMDH 和MEP 模型進行對比分析，發現兩種算法都能提供一個計算公式，但GMDH 的預測精度高于MEP，且GMDH 的計算效率更高，因此，在預測TBM 的性能方面GMDH 可能更適用。

3）本文用于建立模型的數據集來自三個隧道項目，獲得的誤差較低，如果全部來自同一個項目或局部區域，可能獲得一個更低的誤差。