基于機器學習的盾構掘進參數預測

熊英健，賈思楨，劉四進，杜昌言，歷朋林

(1.西南交通大學交通隧道工程教育部重點實驗室,成都 610031; 2.中鐵十四局集團大盾構工程有限公司,南京 211800)

引言

盾構法施工具有適應性強、施工快速安全、對周圍環境影響小的優點,已成為城市地鐵施工的首選方法。我國在大直徑盾構制造和應用方面持續取得突破性進展,推動地鐵建造朝著更大斷面的方向發展。

在盾構機施工過程中,盾構掘進參數的設置往往由盾構司機依照自身經驗進行操作,這不利于保證施工效率和施工安全。若盾構掘進參數設置不當,易引發掌子面失穩、盾構掘進姿態不良、刀具磨損、刀盤結泥餅等諸多問題。目前,眾多學者也就此展開了相關研究。王洪新等[1]基于模型試驗結果,建立土壓平衡盾構掘進的數理模型,并推導出總推力、土倉壓力、螺旋機轉速、掘進速度間關系的數學表達式。徐前衛[2]通過試驗得出了推進速度、螺旋機轉速和刀盤開口率等主要盾構施工參數與土層特性之間的適應性聯系。江華等[3]推導了盾構推力的理論計算公式,得到了盾構推力與刀盤開口率成反比,盾構推力與渣土的內摩擦角成正比的結論。張志奇等[4]針對盾構掘進速率與刀盤扭矩進行多元回歸分析,得到適用于復雜地層的掘進參數回歸模型。李杰等[5]建立了盾構掘進速度的參數模型,得到了復合地層下盾構掘進速度的最優化掘進參數。于云龍等[6]建立標準推力-標準力矩修改特征空間,修正了傳統盾構掘進速度模型。

近年來,由于大數據和人工智能技術大發展,越來越多的學者使用機器學習的方法預測盾構掘進參數,并取得了較好的預測結果。李超等[7]采用BP人工神經網絡方法建立了復合地層條件下盾構掘進參數的預測模型。李港等[8]發現考慮數據時間相關性的LSTM模型比隨機森林模型對TBM的總推力和刀盤扭矩體現出更好的預測能力。黃靚鈺等[9]建立了可輸出盾構掘進速度、推力等掘進參數的BP神經網絡水下巖溶盾構掘進參數預測模型。羅維平等[10]通過網格搜索方法以及5折交叉驗證法進行模型超參數調整,建立了盾構切口泥水壓力的隨機森林預測模型。范文超等[11]建立基于BP神經網絡的復合地層超大直徑泥水盾構掘進參數預測模型,定量預測刀盤轉矩、刀盤能耗和平均泥水壓力。仉文崗等[12]將4種常見的超參數優化算法與隨機森林預測模型相結合來預測TBM的掘進速度,發現使用貝葉斯優化能以最短的耗時及最高的精度完成對掘進速度的預測。張哲銘等[13]以原始數據中均勻提取的樣本、RBF核函數和10 折交叉驗證建立的LS-SVM模型可以較為準確地預測穩定段中的刀盤扭矩、刀盤推力、總推力、推進速度。HOU等[14]為提高有限元數據下盾構掘進參數匹配的準確性,提出了基于支持向量機(SVM)和指數調整慣性權重免疫粒子群優化(EAIW-IPSO)的匹配模型。WANG等[15]通過降噪分析、互相關分析 (CCA)和長短期記憶 (LSTM) 網絡相結合,使用隧道參數和地質數據作為輸入來預測隧道掌子面泥水壓力。LIN等[16]發現主推力、貫入度、泡沫量和注漿量與推進速度有很強的相關性,并且發現所有智能模型的性能都優于經驗方法。SHI等[17]提出了一種結合變分模式分解(VMD)、經驗小波變換(EWT)和長短期記憶(LSTM)網絡的新型混合多步預測模型,用于預測盾構機刀盤扭矩,并取得了95%以上的準確率。

目前,針對盾構掘進參數的預測模型在劃分數據集時多采用先隨機打亂數據再劃分訓練集與測試集的方法,這種做法不可避免地會導致在測試集中的數據受到原數據集中與其相鄰的且又被劃分到訓練集中的數據影響。此外,許多對掘進參數的預測分析也未考慮地層物理力學參數的影響。故依托濟南市濟濼路穿黃隧道工程,在劃分數據集時考慮施工先后順序,并從土體的粗細程度、軟硬程度、密實程度和滲透能力4個維度對土體物理力學性質進行描述,考慮土體分布對掘進參數的影響,使用LSTM模型、隨機森林模型與BP神經網絡對盾構的總推力和掘進速度進行預測,為盾構在相似地層中掘進時提供參數選取和建立模型的參考。

1 工程背景

濟南市濟濼路穿黃隧道工程位于濟南市天橋區,起點位于黃河南岸老城濟濼路與濼口南路交叉口以南約300 m,向北依次下穿二環北路、繞城北高速高架、南岸大堤、黃河、北岸大堤,鵲山村,后接現狀國道G309。濟濼路穿黃隧道工程被譽為“萬里黃河第一隧”,是國內在建最大直徑的盾構隧道,也是黃河上第一條公路地鐵合建的隧道。工程線路走向見圖1。

圖1 濟南市濟濼路穿黃隧道線路走向Fig.1 The route direction of the Yellow River Tunnel on Jiluo Road in Jinan City

濟濼路穿黃隧道工程采用泥水平衡盾構施工。盾構機最大掘進速度為45 mm/min,最大回縮速度為1 600 mm/min。盾構機的推進系統布置了56個油缸,最大推力為199 504 kN。盾構刀盤為常壓進倉式刀盤,開口率約為50%,最大工作壓力為7.5 bar。刀盤開挖直徑為15.74 m,最大超挖量為50 mm。刀盤的額定扭矩為37 594 kN·m,脫困扭矩為50 751 kN·m,轉速為2 rpm。

隧道盾構段斷面凈空如圖2所示。管片外徑為15.20 m,內徑為13.90 m,分為上下兩層,上層為三車道層,下層則分成四倉,分別是軌道交通、煙道、縱向逃生通道和管廊。

圖2 盾構凈空斷面(單位:m)Fig.2 Clearance section of shield (unit: m)

盾構隧道東線地層斷面如圖3所示。盾構區間最小覆土厚度11.2 m,僅為0.73倍洞徑,土體受施工擾動敏感。盾構段圍巖以黏性土為主,局部為砂層及鈣質結核層,表層為粉土,地下水與黃河河水聯系較為密切,盾構施工時砂層可能發生大的滲透變形破壞;局部粉質黏土中結核含量高,富集成層,掘進過程會面臨半軟半硬地層,可能發生盾構機抬頭、偏移或被卡住、蛇行推進等現象。因此,選擇合理的掘進參數對降低盾構掘進過程中發生事故的概率至關重要。

圖3 盾構隧道東線地層縱斷面(單位:m)Fig.3 The stratum longitudinal section of the east line of shield tunnel (unit: m)

2 預測模型原理

2.1 LSTM模型原理

長短期記憶模型(Long-Short Term Memory,LSTM)[18]能夠使用門控制器來有效處理循環神經網絡面臨的梯度衰減和梯度爆炸問題。信息在各個長期記憶單元間的流動由LSTM模型中的輸入門(It)、輸出門(Ot)和遺忘門(Ft)來控制。LSTM單元結構圖如圖4所示,其中LSTM的輸入為Ct-1、Ht-1和Xt,輸出為Ct和Ht。Ct-1和Ht-1分別為上一時間步的記憶細胞和隱藏狀態;Xt為當前時間步的輸入;Ct和Ht分別為當前時間步的記憶細胞和隱藏狀態。

圖4 LSTM單元結構Fig.4 LSTM unit structure

輸入門、遺忘門和輸出門計算公式如下所示。

It=σ(XtWxi+Ηt-1Whi+bi)

(1)

Ft=σ(XtWxf+Ht-1Whf+bf)

(2)

Ot=σ(XtWxo+Ht-1Who+bo)

(3)

(4)

(5)

隱藏狀態Ht計算公式如下所示。

Ht=Ot⊙tanh(Ct)

(6)

式中,Wxi、Wxf、Wxo、Wxc和Whi、Whf、Who和Whc為權重參數;bi、bf和bo、bc為偏差參數;σ、tanh為激活函數;⊙為按元素乘法,而不是矩陣乘法。

2.2 隨機森林模型原理

在機器學習中,隨機森林是屬于集成學習中的bagging算法(Bootstrap aggregating,引導聚集算法)。這是一種基于大量決策樹的算法,采用bootstrap重抽樣方法從數據集中隨機選擇多個子樣本,并且將每個決策樹都在子樣本上進行訓練。當決策樹的每個節點需要分裂時,使用某種策略隨機從子樣本的眾多屬性中選擇一個屬性作為該節點的分裂屬性,持續此步驟直至不能再分裂為止。這樣就建立了大量的決策樹,構成了隨機森林。最終預測結果將通過對所有樹的概率預測求平均值確定。隨機森林因其眾多的優點而成為最為流行的機器學習模型之一,例如:(1)即使面對高維度的數據也不需要降維和特征選擇;(2)通過feature importance可以判斷特征的重要程度;(3)通過降低結果的方差,可以有效避免過擬合。隨機森林模型見圖5。

圖5 隨機森林模型Fig.5 Random forest model

2.3 反向傳播(BP)神經網絡原理

BP神經網絡是一種監督式的學習方法。BP神經網絡的結構組成包括輸入層、隱含層和輸出層,輸入層與輸出層的節點個數分別為輸入參數個數與輸出參數個數。隱含層個數與隱含層節點個數是決定BP神經網絡預測精度的重要因素。在確定隱含層的節點個數時,如果節點個數太少,則將導致訓練過程中出現欠擬合的情況,而節點個數太多,不僅會導致訓練過擬合,還會增加訓練時間。隱含層層數與隱含層節點個數主要根據預測精度不斷調整[19]。模型結構如圖6所示。

圖6 BP神經網絡結構Fig.6 BP neural network structure

BP神經網絡的運算過程包括2個部分。首先是前向傳播部分,在輸入樣本后,輸入數據從輸入層經過隱含層到輸出層。當隱含層的輸入為xi時,則當前隱含層的輸出值yi計算式則如下

(7)

式中,sigmod為激活函數;wij為節點的連接權重;bij為節點閾值。

然后是反向傳播部分,使用反向傳播算法對神經網絡的權重和閾值進行訓練優化,試圖使輸出結果與預期結果的差距盡可能小。重復以上的運算過程對權重和閾值進行訓練,當輸出誤差的平方和小于指定值時停止訓練,并且保存此時神經網絡的權重和閾值。

3 工程應用

3.1 數據預處理

隨著盾構機的掘進,大量的掘進參數被實時輸出,選取濟南市濟濼路穿黃隧道工程的參數進行分析。對泥水盾構機來說,主要的掘進參數有掘進速度、刀盤轉速、刀盤扭矩、總推力、切口水壓等。除了盾構機輸出的掘進參數,土層參數和幾何參數也對盾構的總推力和掘進速度產生較大影響。常見的土層參數有隧道上覆土體加權密度、土體含水量、內摩擦角等。常見的幾何參數有隧道埋深、隧道洞身圍巖所處斷面的地下水位與斷面直徑等。

3.1.1 異常數據處理

濟南黃河隧道東線原始數據每10 s采集1次,研究段的原始數據2 741 984組,掘進參數2 816個,由于盾構設備在掘進過程中會出現不穩定的數據波動,因此,在對數據進行分析前,需要將某些異常點進行剔除。

首先,選取掘進狀態下的盾構掘進數據,剔除每個操作段內前10%的數據,避免盾構啟動時的數據波動影響[20]。接著,對每環掘進狀態下,所有時間步的數據求均值,剔除偏差幅度之和最大的一組數據再求均值并剔除偏差數據,如此反復,每環保留90%的數據,并以此求出均值作為該環的一組數據。最后,使用拉依達準則對數據進行處理,若某環數據距離均值大于3倍標準差,則剔除該環。

在對數據處理中發現,當盾構掘進到黃河大堤附近時,掘進參數出現大量的“異常數據”,此處的“異常數據”是因為特殊工程地質產生的真實值,故不對其剔除。

經過數據清洗后,提取出1 130組(環)數據,盾構關鍵掘進參數18個。

3.1.2 篩選輸入數據

隧道幾何參數:由于斷面直徑為常數,為考慮斷面直徑的影響,故選取隧道埋深H與斷面直徑D的比值深跨比H/D作為幾何參數。

工程地質參數:由于本工程為穿黃隧道,因此水位線高度作為輸入參數。在考慮地層對掘進參數的影響時,為準確描述土體的物理力學狀態,采用了4個維度來描述,分別是土體的粗細程度、軟硬程度、密實程度和滲透能力;其中,粗細程度用粒徑大小區分,軟硬程度用液性指數區分,密實度用標準貫入擊數區分,滲透能力用滲透系數區分。對開挖面內的粗細程度、軟硬程度、密實程度和滲透能力按照不同土層所占面積進行加權平均。4個維度的等級標準如表1所示。

表1 地層物理力學參數Table 1 Physical and mechanical parameters of strata

盾構施工參數:施工參數選取掘進用時、平均軸線偏差、刀盤扭矩、掘進速度、總推力、刀盤轉速、切口水壓、氣泡倉壓力、盾尾油脂量、HBW油脂消耗量、EP2油脂消耗量、進漿比重、出漿比重、進漿流量、出漿流量、注漿量、盾尾間隙最大值和盾尾間隙總值。在預測相應的輸出參數時將剔除輸入參數中的該項。

為提高模型的運算速度,使用皮爾遜相關性系數(Pearson correlation coefficient)對盾構施工參數進行篩選。對所有盾構施工參數進行兩兩分析,選取與預測參數皮爾遜系數大于0.2的參數作為輸入參數。若輸入參數間的皮爾遜相關系數大于0.9,則剔除其中一項[21]。

皮爾遜相關系數是度量兩個變量間相關程度的有效手段,其值介于-1與1之間。皮爾遜相關系數公式如下

(8)

借助熱力圖可以清晰地反映變量間的相關性,如圖7和圖8所示,圖中相關性系數較大的呈現深色,相關性系數較小的呈現淺色。

圖7 總推力與輸入參數的熱力圖Fig.7 Heat diagram of total thrust and input parameters

圖8 掘進速度與輸入參數的熱力圖Fig.8 Heat diagram of tunneling speed and input parameters

總推力作為輸出參數時篩選出17個輸入參數,其中氣泡倉壓力與總推力極強相關,水位線高度、深跨比、粗細程度與總推力強相關,滲透能力與總推力則是極弱相關。

掘進速度作為輸出參數時篩選出15個輸入參數,其中掘進用時、HBW油脂消耗量與掘進速度為強相關,滲透能力、軟硬程度與掘進速度則是極弱相關。

3.1.3 數據標準化

為減小不同輸出參數量綱和尺度差異的影響,提高擬合精度和速度,在建立模型之前采用標準化方法對訓練集數據進行處理。計算公式如下

(9)

3.2 評價指標

為評估模型的擬合程度和預測效果,采用均方誤差(MSE)最小時的模型對訓練集進行評估,并使用平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)和平均絕對誤差(MAE)對測試集的預測結果進行評價,計算公式如下

(10)

(11)

(12)

(13)

3.3 確定超參數

超參數是指在模型訓練前或者訓練中人為調整的參數。當驗證集的MSE最小時,選取此時的參數組合作為模型的超參數。

在搭建LSTM模型時,結合使用一維卷積層(Conv1D)處理長序列,因為它能利用卷積核對特征進行提取,學習保留有用的信息,而只刪除不重要的細節。卷積層常與池化層(Pooling層)相結合,對特征稀疏處理,減少數據運算量。LSTM模型的網絡結構設定為1個輸入層、1個一維卷積層、1個Pooling層、2個LSTM隱含層、1個Flatten層、1個Dense層、1個Dropout層(Dropout=0.5)和1個輸出層。使用Flatten層將多維的輸入一維化,便于和后續的全連接層進行連接。

在模型訓練過程中,將模型的迭代次數Epoch、一維卷積層單元數Unit、LSTM隱含層單元數Units_1與Units_2、學習率Lr作為待尋超參數,對其搜索尋優,其余參數采用默認值。LSTM模型的超參數如表2所示。

表2 LSTM模型的超參數Table 2 Hyperparameters of LSTM model

隨機森林模型的超參數亦使用搜索尋優確定,采用10折交叉驗證算法對模型的超參數進行確定。在訓練集中,將數據分為10組,每次從中隨機抽取1組數據作為驗證集,并對剩下9組數據進行訓練,重復訓練和驗證過程10次,每次都使用不同的驗證集進行驗證,最后取10次驗證集的表現進行平均得到最終的MSE。隨機森林模型的超參數如表3所示。

表3 隨機森林模型的超參數Table 3 Hyperparameters of random forest model

在構建BP神經網絡時,將其網絡結構設定為1個輸入層(激活函數為sigmod)、1個隱含層、1個Dropout層(Dropout=0.5)和1個輸出層。優化器設置為Adam。

目前使用BP神經網絡對盾構掘進參數預測的文章,所使用的計算隱含層節點的經驗公式自變量少有考慮訓練樣本數量的影響。故采用以下經驗公式對隱含層節點數量進行計算。

(14)

式中,Nh為隱含層節點數;Ns為訓練集樣本數;Ni為輸入層節點數;No為輸出層節點數;α為2～10范圍內的常數。

超參數的選擇可以反映模型的特點,LSTM模型的迭代次數小于BP神經網絡,盡管LSTM的模型復雜度大于BP神經網絡,但小的迭代次數反映了LSTM較小的模型計算成本;對于隨機森林,決定其精度主要與n_estimators(決策樹的數目)有關;對于BP神經網絡而言,3層神經網絡可通過調整節點個數逼近任意復雜度的連續函數,且滿足精度要求,故本文僅建立了一個隱含層[22]。BP神經網絡的超參數如表4所示。

表4 BP神經網絡超參數Table 4 Hyperparameters of BP neural network

3.4 建立預測模型

首先將數據預處理后的1 130組數據按照施工先后順序以8∶2的比例分為訓練集和測試集,其中隨機森林模型與BP神經網絡的訓練集打亂順序,而LSTM模型的訓練集不做處理。在訓練集中訓練確定模型,并在測試集中評估預測參數和實際參數的誤差。預測模型的流程如圖9所示。

圖9 預測模型流程Fig.9 The process of prediction model

將訓練集中1/10的數據劃分為驗證集,驗證集中的誤差如表5所示。

表5 LSTM模型、隨機森林模型和BP神經網絡的均方誤差(MSE)Table 5 Mean square error (MSE) of LSTM model, random forest model and BP neural network

由表5可知,對于總推力預測精度:LSTM>BP神經網絡>隨機森林;對于掘進速度預測精度:BP神經網絡> LSTM>隨機森林。BP神經網絡的平均誤差最小,除總推力的誤差略大于LSTM模型之外,掘進速度的誤差顯著小于另外兩個模型,這與BP神經網絡的迭代次數有關;LSTM總推力模型精度最高,這與其節點神經元數量最大有關;隨機森林模型總推力和掘進速度的誤差在3種模型中都是最大的,并且其需要調整的超參數多,搜索范圍廣。

3.5 模型預測結果與分析

對測試集的226組數據進行誤差分析,對應環號范圍為990～1 241環。對總推力和掘進速度的預測結果如圖10～圖15所示。

圖10 總推力預測結果Fig.10 Prediction results of total thrust

由圖10可見,3種模型對總推力的預測均取得了不錯的預測效果,預測值曲線與真實值的曲線吻合程度頗高,特別是LSTM模型,在曲線波動劇烈的區間內還能保持著較小的誤差。3種模型預測總推力的相對誤差如圖11所示。

圖11 預測總推力相對誤差Fig.11 The relative error of predicted total thrust

由圖11可見,3種模型大部分誤差都控制在10%以內,且誤差趨勢在1 180環之前大致相同。在1 180～1 220環范圍內,隨機森林模型的預測誤差與LSTM模型和BP神經網絡的預測誤差相差較大,并且有多個環的隨機森林模型預測相對誤差超過10%。3種模型的相對誤差占比如圖12所示。

圖12 總推力相對誤差占比Fig.12 The relative error proportion of total thrust

通過對3種模型相對誤差都大于10%的環段結合縱斷面圖進行分析,發現993～1 005環處于黃河主河槽向大堤過渡段,1 079環附近為濼口險工向地面過渡段,土壓均變化急劇;1141環附近環段內受到北繞城高速高架橋樁基的影響;1 182環附近遇到了黏質粉土與鈣質結核。說明模型對總推力預測出現較大誤差主要是地形的劇烈變化導致的。為減小盾構在穿越樁基時地表沉降,適當增大掘進工作面的推力[23]及盾構機的總推力[24],可將預測值擴大5%～10%。在土壓急劇變化時,預測值偏激進,即土壓增加,預測值偏大,土壓減小,預測值偏小,可減小或擴大預測值5%～10%以減小誤差。

對掘進速度的預測結果如圖13～圖15所示。

圖13 掘進速度預測結果Fig.13 The relative error of predicted tunneling speed

由圖13可見,LSTM模型和BP神經網絡對掘進速度的預測取得了不錯的效果,預測曲線與真實曲線吻合程度較高,而隨機森林模型對小部分環段的曲線吻合有一些偏差。相對誤差如圖14所示。

圖14 預測掘進速度相對誤差Fig.14 The relative error proportion of tunneling speed

由圖14可見,LSTM模型與BP神經網絡大部分的誤差都控制在15%以內,且誤差趨勢大致相同。隨機森林模型的預測誤差較大,有多個環的相對誤差超過15%。3種模型的相對誤差占比如圖15所示。

圖15 掘進速度相對誤差占比Fig.15 The relative error proportion of tunneling speed

通過對3種模型相對誤差都大于15%的環段結合縱斷面圖進行分析,發現1 035～1 047環段為黃河大堤段向濼口險工段過渡段,此段水壓急劇下降,掌子面內及刀盤附近存在鈣質結核;1 061～1 071環與1 210～1 221環盾構處于直線與平曲線過渡段。說明對掘進速度預測產生較大誤差主要受地形與線路變化的影響。受平曲線影響,掘進速度會略有降低[25],可對預測值減小15%～20%以縮小誤差。

基于測試集的數據,LSTM模型、隨機森林模型和BP神經網絡對總推力和掘進速度的評價指標數值分別如表6和表7所示,3種模型的訓練耗時如表8所示。

表6 總推力預測結果Table 6 Prediction results of total thrust

表7 掘進速度預測結果Table 7 Prediction results of tunneling speed

表8 模型訓練耗時 sTable 8 Training time of the model

在MAPE、RMSE和MAE三個評價指標中,RMSE對異常點的敏感程度要大于MAPE和MAE,即如果模型在某點處的預測值誤差較大,會對RMSE的值有較大影響。同時,由于RMSE和MAE的誤差大小與實際值的量綱和尺度有關,故僅對其在不同模型預測同一掘進參數時進行比較。MAPE在考慮預測值與真實值的誤差之上,還考慮了誤差與真實值之間的比例,其值越小,說明預測模型的精確度越高。

由表6可知,LSTM模型預測總推力的精確度顯著高于另外兩個模型,并且它在異常點處的預測值誤差也偏小。隨機森林模型的誤差在3種模型中最大,并且在異常點處的預測值誤差偏大。BP神經網絡的預測精度則處于兩者之間。

由表7可知,LSTM模型預測掘進速度的精準度最高,異常點外的誤差小。BP神經網絡的精準度略低于LSTM模型,但顯著高于隨機森林模型。

由表8可知,在訓練模型方面,隨機森林模型的訓練時間最短,平均訓練時間在4 s以內,優于LSTM模型并且顯著優于BP神經網絡,這是由于后兩者的迭代次數過多導致的。

由表6～表8可知,LSTM模型的預測效果最好,符合施工精度要求,并且模型訓練耗時在可接受范圍內;BP神經網絡的預測效果中等,但其訓練時間過長;隨機森林模型雖然訓練時間短,但其預測效果卻不如前兩者。

4 結論

依托濟南市濟濼路穿黃隧道東線工程,按照施工順序劃分數據集,采用4個維度描述土體的物理力學狀態,建立了基于LSTM模型、隨機森林模型和BP神經網絡的預測模型,定量預測盾構機總推力和掘進速度,得出以下主要結論。

(1)LSTM模型在按照施工順序預測總推力和掘進速度時,平均相對誤差僅為3.72%和7.41%,精準度高,誤差小,模型訓練時間均在20 s以內,時間成本較低,整體表現優于隨機森林模型和BP神經網絡,特別是在預測總推力時,其效果十分顯著。BP神經網絡存在計算精度較低、時間成本高昂的缺點。經綜合考慮,在預測盾構總推力和掘進速度時應選擇LSTM模型。

(2)在地形地貌發生劇烈變化以及盾構掘進線路在直線與平曲線過渡時,盾構的總推力以及掘進速度將發生較大波動,此時文中使用的3種模型都出現了較大的偏差,其中LSTM表現最好,預測結果相對誤差偏大的組數僅占4%與10.2%,并且總體平均誤差不超過10%,滿足施工要求。

(3)隨機森林模型雖然訓練時間短、總體誤差基本滿足施工要求,但其預測結果的相對誤差在總推力和掘進速度出現劇烈波動的環段處偏大,并且數量偏多,因此在按施工順序對總推力和掘進速度預測時不是優選。