機器學習方法在盾構隧道工程中的應用研究現(xiàn)狀與展望

陳湘生 ,曾仕琪 ,韓文龍 ,蘇棟

（深圳大學 a.土木與交通工程學院；b.濱海城市韌性基礎設施教育部重點實驗室；c.深圳市地鐵地下車站綠色高效智能建造重點實驗室，深圳 518060）

隨著經(jīng)濟水平的不斷發(fā)展，交通運輸需求日益增長，而隧道能有效利用地下空間、節(jié)約地面土地資源，在交通運輸基礎設施（包括鐵路、公路和城市軌道交通）建設中的比重越來越大。盾構工法因具有對地面影響小、掘進速度快、作業(yè)面安全等優(yōu)勢，在隧道建設中被廣泛采用。隨著人工智能技術的涌現(xiàn)與發(fā)展，盾構隧道工程建設也從過去追求高速、機械化向高質(zhì)量、智能化方向發(fā)展。

在“大數(shù)據(jù)”背景下，盾構隧道建設呈現(xiàn)出高容量數(shù)據(jù)存儲能力、高效實時數(shù)據(jù)處理能力和高強多源異構適應性的“三高”需求，機器學習（Machine Learning，ML）方法開始成為分析隧道工程建設“大數(shù)據(jù)”的新工具。機器學習的吸引力源自它獨特的信息處理能力，如具有非線性、高并行性及高容錯性的學習和泛化能力[1]。機器學習通過足量的樣本輸入對數(shù)據(jù)特征進行學習，再對數(shù)據(jù)進行回歸擬合分析，進而對具有相似模式的新輸入進行有效分析和預測[2]。自20 世紀80 年代初以來，就有學者嘗試使用機器學習相關方法來解決實際工程問題[3-4]，隨著相關研究成果的積累和技術的發(fā)展，機器學習算法已能在一定程度上提高盾構隧道工程的智能分析與決策水平，增強對掘進過程中設備狀態(tài)以及施工風險的預測與控制，促進地下空間工程向智能、安全、綠色方向發(fā)展[5]。

回顧并總結機器學習方法在盾構隧道工程中的設備狀態(tài)分析、盾構性能預測、地質(zhì)參數(shù)研究、地表變形預測和隧道病害預測等5 個方面的應用研究現(xiàn)狀，分析相關研究的進展和不足，并對機器學習方法在盾構隧道工程中的應用研究前景進行分析與展望，旨在推動機器學習方法在盾構隧道工程中的應用研究。

1 機器學習方法基本原理

基于人工智能的數(shù)據(jù)分析算法發(fā)展歷程如圖1所示。作為人工智能的核心，機器學習是一種通過先構建算法模型、再根據(jù)輸入數(shù)據(jù)自動解析數(shù)據(jù)內(nèi)在聯(lián)系的技術，其可洞察輸入數(shù)據(jù)中的關聯(lián)關系，幫助使用者更好地做出預測并進行決策。隨著研究的深入，機器學習的研究者發(fā)現(xiàn)可以讓人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）自行學習如何抓取數(shù)據(jù)的特征，這種方式尤其適用于文字、圖像和聲音等數(shù)據(jù)，于是演變出了一種新的機器學習方法——深度學習（Deep Learning，DL）。深度學習以人工神經(jīng)網(wǎng)絡算法為基礎，根據(jù)學習過程中的樣本數(shù)據(jù)自適應地構建（訓練）出基本規(guī)則，極大地拓展了機器學習算法的智能性。如今，機器學習及相關算法憑借其智能特性被廣泛應用于數(shù)據(jù)挖掘、計算機視覺與圖像處理、預見性維護等領域。

圖1 基于人工智能的數(shù)據(jù)分析算法發(fā)展歷程[6]Fig.1 Development history of data analysis algorithms based on artificial intelligence[6]

機器學習的核心原理是通過輸入信息訓練計算機模仿人與動物“從經(jīng)驗中學習成長”的天性，其基于直接從數(shù)據(jù)中“學習”信息的計算方法，而不依賴于預設的方程模型。當訓練樣本數(shù)量增加時，訓練出的模型性能相應提升，從而能更好地解決實際問題。機器學習算法可分為4 種基本類型：監(jiān)督學習（Supervised Learning，SL）、非監(jiān)督學習（Unsupervised Learning，UL）、半監(jiān)督學習（Semi-Supervised Learning，SSL）和強化學習（Reinforcement Learning，RL）[7]。

1）監(jiān)督學習：通過人工預設的訓練特征和輸出結果來訓練模型，使模型具有預測未來輸出的能力[7]。常見的算法有：決策樹、人工神經(jīng)網(wǎng)絡、支持向量機、樸素貝葉斯、隨機森林等。監(jiān)督學習主要用于分類和回歸問題[8]。

2）非監(jiān)督學習：從輸入信息中解析出隱藏在數(shù)據(jù)中的內(nèi)在結構[9]。常見的算法有：聚類算法、降維算法等，主要用于解決聚類和降維問題。

3）半監(jiān)督學習：將監(jiān)督學習與非監(jiān)督學習相結合的一種學習方法。一般半監(jiān)督學習的目標是找到一個函數(shù)迎合（回歸任務），然后用分類任務的信息去優(yōu)化回歸函數(shù)。

4）強化學習：訓練模型通過與輸入信息的反復交互來學習處理任務。這種學習方法使模型面對動態(tài)環(huán)境能夠做出一系列決策，從而使任務獎勵期望最大化。

機器學習模型的建立通常包含以下幾個步驟：收集數(shù)據(jù)、預處理數(shù)據(jù)和提取特征、訓練模型、調(diào)整模型[10]。

1）收集數(shù)據(jù)。收集數(shù)據(jù)的常見方法是運用信號處理或聚類技術來匯聚數(shù)據(jù)，如通過模擬仿真或傳感器測量獲得目標設備或系統(tǒng)的相關數(shù)據(jù)。

2）預處理數(shù)據(jù)和提取特征。在提取特征之前，大多數(shù)數(shù)據(jù)集都需要進行預處理，包括刪除異常值和異常趨勢、處理丟失的數(shù)據(jù)以及對數(shù)據(jù)進行歸一化。特征提取是機器學習最重要的步驟之一，它將原始數(shù)據(jù)轉變成適合機器學習算法的信息。特征提取消除了各類測量數(shù)據(jù)中的冗余現(xiàn)象，有助于學習階段的泛化，而泛化是避免對特定樣本過擬合的關鍵。

3）訓練模型。主要步驟包括選擇訓練和驗證的數(shù)據(jù)、選擇訓練的算法、反復訓練和評估分類模型。在盾構隧道工程中常用的模型有盾構設備狀態(tài)預測模型、地表沉降預測模型及隧道病害預測模型等。

4）調(diào)整模型。通過技術手段提高模型性能，常用方法包括調(diào)節(jié)模型參數(shù)、添加或修改訓練數(shù)據(jù)、變換或提取新特征。

盾構隧道工程中常使用的機器學習基本算法有人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）、支持向量機（Support Vector Machine，SVM）、回歸樹（Regression Tree，RT）、隨機森林（Random Forests，RF）等，常使用的深度學習算法有卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）、循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Networks，RNN）、生成對抗網(wǎng)絡（Generative Adversarial Network，GAN）等。同時，以上算法與其他人工智能方法相結合并改進得到的復合人工智能方法可使機器學習模型有更高的準確率。

2 機器學習方法在盾構隧道工程中的應用研究現(xiàn)狀

在盾構掘進過程中，可以采集大量的數(shù)據(jù)資料，如圍巖參數(shù)、盾構狀態(tài)及施工數(shù)據(jù)等，部分數(shù)據(jù)能反映盾構掘進設備與周圍環(huán)境的相互作用規(guī)律。通過這些數(shù)據(jù)訓練得到的機器學習模型不僅有助于解決盾構工程中信息處理不足、集成化不足、分析水平差等問題，還能對工程相關信息進行匯總并解析其中的關聯(lián)性，從而對盾構隧道的設計、施工與運維發(fā)揮重要的作用。

基于機器學習的盾構工程管理應用是通過對盾構隧道建設中的相關工程數(shù)據(jù)進行整理存儲和分類關聯(lián)，基于不同機器學習方式進行分析，將所得分析模型形成相關數(shù)據(jù)庫，再使用編程軟件構建機器學習應用管理信息平臺（如圖2）。目前，機器學習方法在盾構隧道工程中的應用主要包括盾構設備狀態(tài)分析與掘進性能預測、地質(zhì)參數(shù)反演與地表變形預測、隧道病害監(jiān)測與預測等[11]。

圖2 機器學習應用管理示意圖Fig.2 Schematic diagram of machine learning application management

2.1 基于機器學習的盾構設備狀態(tài)分析與掘進性能預測

盾構機的設備狀態(tài)和掘進性能對隧道建設的施工效率、質(zhì)量和安全有著決定性影響，而機器學習方法在盾構掘進機運行情況識別與相關性能預測兩個方面具有較好的適應能力和較大的應用空間。

2.1.1 基于機器學習的盾構設備狀態(tài)分析

盾構機組成復雜，在施工過程中容易出現(xiàn)各種故障；且因其在地下空間挖掘前進，出現(xiàn)故障時排查異常困難。刀盤作為盾構機的主要組成部分，是盾構設備故障的主要來源。針對刀盤故障問題，研究人員重點研究了基于機器學習算法的刀盤故障診斷方法。Jin 等[12]建立一個排除無效和異常數(shù)據(jù)的函數(shù)來識別盾構機運行狀態(tài)，開發(fā)了基于多算法優(yōu)化的隧道掘進機刀盤扭矩實時預測方法。Guo等[13]提出了一種將多個稀疏自編碼器（Sparse Autoencoder，SA）與長短期記憶神經(jīng)網(wǎng)絡（Long-Short Term Memory，LSTM）相結合的基于時間序列預測刀盤故障的方法。Mahmoodzadeh 等[14]使用高斯過程回歸（Gaussian Process Regression，GPR）、支持向量機、決策樹和K 近鄰（K-Nearest Neighbor，KNN）4 種機器學習方法，基于實測數(shù)據(jù)來預測TBM 刀具的壽命。Han 等[15]提出了一種基于BP 神經(jīng)網(wǎng)絡（Back Propagation Neural Network，BPNN）的復雜機械設備故障預測模型。Elbaz 等[16]將基于神經(jīng)網(wǎng)絡的數(shù)據(jù)預處理方法與遺傳算法（Genetic Algorithm，GA）相結合，來預測刀具的壽命。Zou等[17]把盾構開挖參數(shù)輸入能自動檢索特征的算法中，然后將自動檢索出的特征輸出作為反向傳播網(wǎng)絡的輸入完成預測，從而對盾構機將出現(xiàn)的故障進行診斷。

由于隧道盾構機是實時運作，如果對監(jiān)測數(shù)據(jù)分析只體現(xiàn)靜態(tài)關聯(lián)性，難以對實際工程進行管控指導。因此，需要對數(shù)據(jù)動態(tài)特征進行匯總解析，研究基于時序特征的狀態(tài)分析方法。Rumelhart等[18]在20 世紀80 年代以人工神經(jīng)網(wǎng)絡結構為基礎提出了循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN），循環(huán)神經(jīng)網(wǎng)絡中的復式結構具有類似計算機內(nèi)存的短時存儲功能，可利用這一特性來處理與時間變化相關的問題[19]，該方法近年也被應用于隧道掘進機故障診斷研究中。Gao 等[20]基于盾構施工過程中采集得到的實際運行數(shù)據(jù)，采用循環(huán)神經(jīng)網(wǎng)絡、長短期記憶神經(jīng)網(wǎng)絡和門控循環(huán)單元網(wǎng)絡（Gated Recurrent Unit Networks，GRU）3 種模型實時預測盾構運行參數(shù)和性能，結果表明，循環(huán)神經(jīng)網(wǎng)絡模型的效果最好。Sun 等[21]應用長短時網(wǎng)絡，將盾構機傳感器的時間序列數(shù)據(jù)作為初始數(shù)據(jù)來預測和診斷泥餅形成、刀具磨損、泥漿管堵塞和地面沉降等。Huang 等[22]基于吉林松花江引水隧道數(shù)據(jù)，選擇與刀盤扭矩最密切相關的10 個特征量作為輸入變量，提出了一種基于長短期記憶網(wǎng)絡的隧道掘進刀盤扭矩實時預測方法。Qin 等[23]提出了一種結合卷積神經(jīng)網(wǎng)絡和長短期記憶神經(jīng)網(wǎng)絡來提取隱式特征和序列特征的方法，可根據(jù)設備運行狀態(tài)參數(shù)來預測盾構設備的刀盤扭矩。

盾構設備監(jiān)測信息復雜、特征繁多，基于未調(diào)整的原始數(shù)據(jù)無法訓練出高精度的預測模型，因此，機器學習模型預測的準確率在很大程度上取決于數(shù)據(jù)預處理的效果。循環(huán)神經(jīng)網(wǎng)絡對時序特征有著極強的學習能力，被廣泛應用于盾構設備狀態(tài)的分析中，但其存在訓練優(yōu)化慢、計算能力需求大等不足，在盾構設備狀態(tài)分析與預測中仍有很大的拓展空間。

2.1.2 基于機器學習的盾構掘進性能預測

在盾構施工過程管理中，盾構機的推進速率、刀盤荷載及土倉壓力等性能指標對工期管理和成本把控具有重要意義。傳統(tǒng)研究主要通過理論模型、室內(nèi)試驗和模擬仿真等預測盾構機的性能，但通常僅能分析某一方面的性能。基于現(xiàn)場實測數(shù)據(jù)，運用回歸分析、模糊數(shù)學或者神經(jīng)網(wǎng)絡等機器學習算法，可綜合分析盾構施工過程中的設備狀況、性能指標與圍巖參數(shù)的內(nèi)在聯(lián)系等，從而達到較高的預測精度。

針對盾構的掘進效率問題，研究人員基于圍巖信息等數(shù)據(jù)，利用機器學習方法訓練掘進效率分析模型。Salimi 等[24]對伊朗兩個硬巖隧道項目盾構工程現(xiàn)場監(jiān)測數(shù)據(jù)進行分析，研果表明，支持向量機算法在盾構性能預測中具有較好的效果。Fattahi等[25]比較了支持向量回歸和差分進化算法（Differential Evolution Algorithm，DE）、人工蜂群算法（Artificial Bee Colony Algorithm，ABC）和重力搜索算法（Gravitational Search Algorithm，GSA）等算法對盾構性能預測精度的影響，發(fā)現(xiàn)不同算法的預測結果差異較小。Stypulkowski 等[26]建立并評估了基于巖土參數(shù)與設備操作參數(shù)的盾構推進預測神經(jīng)網(wǎng)絡回歸模型，發(fā)現(xiàn)相關數(shù)據(jù)有巨大預測潛力。Afradi 等[27]使用人工神經(jīng)網(wǎng)絡和支持向量機方法預測了伊朗Beheshtabad 輸水隧道施工中的盾構掘進貫入度，研究結果表明，支持向量機的預測結果較人工神經(jīng)網(wǎng)絡的結果更精確。Fattahi 等[28]提出使用模擬退火算法（Simulated Annealing，SA）、螢火蟲算法（Firefly Algorithm，F(xiàn)A）、入侵雜草優(yōu)化算法（Invasive Weed Optimization，IWO）和洗牌蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）等優(yōu)化算法改進的人工神經(jīng)網(wǎng)絡模型，提高了間接預測盾構推進效率算法的計算效率。Gao 等[29]基于杭州第二水源工程輸水隧道監(jiān)測數(shù)據(jù)，分別采用了長短期記憶神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)元網(wǎng)絡和傳統(tǒng)的時間序列模型（Time series analysis，TSA）來預測盾構掘進貫入度，結果表明長短期記憶神經(jīng)網(wǎng)絡的預測性能更好。

更多基于機器學習算法的盾構掘進性能預測研究和應用案例見表1。從表1 可知，大多數(shù)學者主要基于地質(zhì)數(shù)據(jù)進行掘進效率預測，部分學者也基于盾構機的工作參數(shù)，如轉速、功率、推力等指標進行研究，但參數(shù)相對較少。目前大多數(shù)研究選用小時作為研究時間單位，但其尺度過大，不足以反映盾構設備掘進的時間變化特性，影響了預測的精度。

表1 基于機器學習的掘進效率預測模型的參數(shù)與算法對比Table 1 Comparison of parameters and methods of the measured data-driven tunneling efficiency prediction model

現(xiàn)場采集數(shù)據(jù)的速度往往大于現(xiàn)有機器學習方法的分析速度，為解決這一問題，近年來計算能力更加高效的算法，如深度神經(jīng)網(wǎng)絡（Deep Neural Network，DNN）[23,39]及動態(tài)回歸樹[40]等，也逐漸用于建立基于現(xiàn)場數(shù)據(jù)的機器學習預測模型。Yagiz等[41]應用人工神經(jīng)網(wǎng)絡和非線性多元回歸模型（Multiple Nonlinear Regression Analysis，MNRA）來預測隧道掘進機的性能。Xu 等[42]基于馬來西亞某隧道工程的現(xiàn)場監(jiān)測和室內(nèi)試驗數(shù)據(jù)，使用監(jiān)督機器學習算法來預測隧道掘進效率。Armaghani 等[43]基于馬來西亞彭亨—雪蘭莪排水隧道的實測數(shù)據(jù)對盾構推進速度進行了預測分析，結果表明，粒子群算法（Particle Swarm Optimization，PSO）與人工神經(jīng)網(wǎng)絡相結合的模型預測性能更強。Feng 等[44]基于中國東北地區(qū)引松供水隧道工程中采集到的數(shù)據(jù)，使用深度信念神經(jīng)網(wǎng)絡（Deep Belief Neural Network，DBNN）對盾構掘進效率進行預測分析，結果表明深度信念神經(jīng)網(wǎng)絡預測能力強、操作簡單。Mahdevari 等[45]基于支持向量機，開發(fā)了一種新型回歸模型來預測硬巖條件下盾構機的掘進效率。Sun 等[46]在圍巖勘察信息的基礎上，研究隧道掘進機的運行行為（尤其是動力行為），并采用隨機森林算法對其推進速度進行預測。Li 等[47]基于盾構掘進過程中的監(jiān)測數(shù)據(jù)，利用長短期記憶網(wǎng)絡對盾構機實時總推力和刀盤工作變化規(guī)律狀態(tài)進行提前預測，研究表明，這一方法比傳統(tǒng)理論模型有更好的預測能力。

研究人員也基于機器學習算法，對土倉/泥水壓力、姿態(tài)控制等性能指標進行預測研究。對于泥水平衡式盾構機[48]，泥水壓力是控制盾構隧道施工沉降與變形的關鍵。Wang 等[49]先通過典型關聯(lián)分析法去除隧道工作面壓力監(jiān)測信息中的噪聲，然后通過長短期記憶網(wǎng)絡對泥水平衡盾構機在含有泥巖的混合地層條件下的漿液壓力進行預測，保證了預測的精準度。Li 等[50]采用循環(huán)神經(jīng)網(wǎng)絡挖掘泥漿壓力和其他參數(shù)之間的復雜關系，預測施工過程中所需的泥漿壓力值，顯著提高了隧道掘進中泥漿系統(tǒng)的魯棒性。Zhou 等[51]提出一種基于進化神經(jīng)網(wǎng)絡的泥漿氣室壓力預測控制方法，以保證泥水平衡盾構隧道開挖面的穩(wěn)定性。

在盾構姿態(tài)預測與控制方面，Zhou 等[52]提出了基于小波變換噪聲濾波器、卷積神經(jīng)網(wǎng)絡特征提取器和長短期記憶預測器的盾構隧道姿態(tài)和位置的預測框架，用于確定盾構機的姿態(tài)和位置。Wang等[53]建立了基于小波變換和雙向長短期記憶法的動態(tài)調(diào)節(jié)模型來預測盾構機前進速度和扭矩，研究結果表明，該模型具有較高的預測準確度。Wang 等[54]針對盾構掘進過程中軸線姿態(tài)偏差難以準確預測和修正的問題，提出了一種基于盾構掘進數(shù)據(jù)驅動的軸線姿態(tài)偏差預測和修正方法。Zhang 等[55]采用主成分分析法研究掘進輸入?yún)?shù)的相互關聯(lián)，并應用門控循環(huán)神經(jīng)網(wǎng)絡算法實時預測盾構的掘進姿態(tài)。

以上研究表明，目前機器學習方法對盾構機關鍵性能（如掘進效率、土倉/泥水壓力、姿態(tài)調(diào)整等）預測的應用取得了一定的進展，多數(shù)預測模型輸入信息以地層勘察數(shù)據(jù)為主，以盾構掘進過程中的設備參數(shù)為輔。通常先進行不同輸入與預測結果的相關性分析，進而篩選出最具相關性的輸入特征，再將該特征導入合適的機器學習回歸算法訓練預測模型。

實際工程驗證表明，基于這一思路建立的預測模型比直接用非線性回歸算法訓練的預測模型的準確度更高。

2.2 基于機器學習的地質(zhì)參數(shù)反演與地表變形預測

盾構掘進過程中的監(jiān)測數(shù)據(jù)包含了地質(zhì)工況及周邊環(huán)境的動態(tài)變化信息（如圖3），研究人員可通過相應機器學習方法構建模型，對盾構隧道工程地質(zhì)信息進行反演識別，并對盾構掘進引起的地表變形進行預測。

圖3 變形因素的相互關系Fig.3 Relationship among deformation factors

2.2.1 基于機器學習的地質(zhì)參數(shù)反演

盾構隧道等地下工程存在于地下巖土體中，巖土材料具有非均質(zhì)、非連續(xù)、非線性等特點，傳統(tǒng)的勘察方法成本高，獲取的巖土參數(shù)信息有限，而理論和數(shù)值計算方法不能很好地解決盾構掘進擾動影響下的地層巖土參數(shù)問題[56]。機器學習算法可以利用施工過程的監(jiān)測數(shù)據(jù)進行反演分析，計算地質(zhì)體的實時“等效參數(shù)”[57]，成為解決相關問題的重要方法。Liang 等[58]提出了一種基于模糊反向傳播神經(jīng)網(wǎng)絡的新反向分析方法，并使用該方法由現(xiàn)場測量的位移來反演地下圍巖力學參數(shù)和初始應力。Suwansawat 等[59]提出了基于人工神經(jīng)網(wǎng)絡確定盾構掘進施工參數(shù)、地表變形和圍巖參數(shù)相關性的方法。郝哲等[60]提出了一種利用微分法和人工神經(jīng)網(wǎng)絡方法相結合的反演巖體力學參數(shù)的方法，該方法先對訓練參數(shù)進行優(yōu)化，再使用位移數(shù)據(jù)訓練人工神經(jīng)網(wǎng)絡，從而對圍巖力學參數(shù)進行反演分析。高攀科等[61]針對一般BP 神經(jīng)網(wǎng)絡中部分數(shù)據(jù)有缺陷的情況，提出了一種基于改進BP 神經(jīng)網(wǎng)絡的軟弱巖石位移反分析方法。

在盾構掘進過程中，準確獲取掌子面地質(zhì)信息有助于設置最佳盾構作業(yè)參數(shù)，使盾構機獲得更好的掘進效率。然而，由于盾構機的封閉性設計及較窄的作業(yè)面使操作人員無法直接觀察周圍環(huán)境，利用機器學習方法間接識別地質(zhì)條件成為研究熱點之一。Yu 等[62]為了充分利用所有收集到的現(xiàn)場數(shù)據(jù)來提高地質(zhì)構造識別模型的性能，提出了一種新的約束密集卷積自編碼器和基于深度神經(jīng)網(wǎng)絡的半監(jiān)督學習方法。Zhang 等[63]提出一種綜合程序來預測隧道掘進機的地質(zhì)條件（即巖體類型），該程序基于盾構作業(yè)的4 類數(shù)據(jù)，即刀盤速度、刀盤扭矩、推力和推進速率，采用層次平衡迭代歸約和聚類算法進行分析。Yang 等[64]建立基于盾構機作業(yè)數(shù)據(jù)的地質(zhì)條件自動預測模型，利用K 聚類算法進行聚類分析，再根據(jù)地質(zhì)數(shù)據(jù)識別地質(zhì)類型。Erharter等[65]基于在建設中的布倫納隧道收集到的數(shù)據(jù)，對比了多層感知器和長短期記憶神經(jīng)網(wǎng)絡在巖體特性自動分類中的性能表現(xiàn)，結果表明，長短期記憶神經(jīng)網(wǎng)絡識別效果更貼合實際工況。Liu 等[66]提出基于分類回歸樹和集成學習模型相結合的方法來預測圍巖分類，對松花江輸水隧道建設的監(jiān)測數(shù)據(jù)進行分析，結果表明該混合方法的準確率較高。Kim 等[67]提出一種具有6 個隱藏層的深度神經(jīng)網(wǎng)絡方法，基于盾構掘進過程中的監(jiān)測數(shù)據(jù)對地質(zhì)類型進行分析與分類。Shi 等[68]用深度神經(jīng)網(wǎng)絡方法與傳統(tǒng)數(shù)據(jù)挖掘方法分別對地質(zhì)類型進行預測，結果表明，深度神經(jīng)網(wǎng)絡方法可以更準確地估計開挖前的地質(zhì)條件。Yu 等[69]為充分利用盾構掘進過程中產(chǎn)生的海量未標注數(shù)據(jù)和有限標注數(shù)據(jù)，提出一種基于深度神經(jīng)網(wǎng)絡半監(jiān)督方法建立的巖體類型預測模型。Zhao 等[70]提出了一種基于實時數(shù)據(jù)驅動的智能預測隧道地質(zhì)條件的方法，該方法基于前饋多輸出人工神經(jīng)網(wǎng)絡算法，預測結果優(yōu)于常見的隨機森林、支持向量機等方法。

以上研究表明，基于機器學習方法的圍巖參數(shù)反演和地質(zhì)識別在盾構隧道工程中有廣泛的應用前景。然而，目前反演的信息主要是地層的巖土類型與空間分布，能夠實現(xiàn)巖土類型與力學參數(shù)同時反演和預測的研究還有待進一步開展。

2.2.2 基于機器學習的地表變形預測

盾構機在施工過程中會與地層發(fā)生較強的相互作用（如圖4），對盾構掘進過程控制不當會導致地層產(chǎn)生較大變形，對周邊環(huán)境產(chǎn)生危害。因此，地表變形預測與控制是保證隧道掘進安全的重要措施之一。為減少盾構施工引起的地表變形及對周邊環(huán)境的負面影響，研究人員基于機器學習方法研究掘進參數(shù)與地表變形之間的內(nèi)在關聯(lián)，以期達到實時精準預測地表變形的效果。

圖4 不同施工階段的地面沉降[71]Fig.4 Ground settlement at different stages of construction[71]

基于機器學習的地表變形預測研究中，孫鈞等[71]利用人工神經(jīng)網(wǎng)絡技術研究了城市地鐵盾構隧道施工擾動引起的地表變形和沉降機理，建立的人工神經(jīng)網(wǎng)絡模型可以準確預測工作面前方5 m 的地表沉降。Suwansawat 等[59]提出了一種基于人工神經(jīng)網(wǎng)絡的方法預測地表沉降問題，該方法具有將輸入映射到輸出模式的能力，并將所有影響參數(shù)納入到地表沉降預測中。Kohestani 等[72]對比了隨機森林方法和人工神經(jīng)網(wǎng)絡方法預測盾構隧道引起的最大地表沉降，結果表明隨機森林預測精度更高。Pourtaghi 等[73]為了最大限度地降低隧道開挖的風險，提出了一種基于小波網(wǎng)絡與人工神經(jīng)網(wǎng)絡相結合的最大地表沉降預測方法。Zhang 等[55]提出了基于隨機森林算法的土壓平衡盾構沉降智能控制方式，可以預測隧道施工引起的沉降，且在沉降超過容許值時優(yōu)化盾構運行參數(shù)。Chen 等[74]比較了回歸神經(jīng)網(wǎng)絡和隨機森林及其他4 種常見數(shù)據(jù)挖掘方法預測隧道引起沉降的效果，結果表明，6 種機器學習算法中回歸神經(jīng)網(wǎng)絡和隨機森林方法的表現(xiàn)最好。Cao 等[75]提出了一種在小樣本情況下對地面沉降進行預測的深度學習模型，該方法通過長短記憶神經(jīng)網(wǎng)絡對每個分量進行預測并疊加以獲得最終的預測結果。Zhang 等[76]綜述了相關機器學習算法及其在地下工程中的應用，對比了包括極限梯度提升、多元自適應回歸樣條、人工神經(jīng)網(wǎng)絡和支持向量機等算法在預測支撐開挖引起的最大側向變形的準確性。更多基于機器學習方法進行地層變形預測的研究參見表2。

表2 不同特征參數(shù)隧道施工變形預測方法Table 2 Tunnel construction deformation prediction method with different characteristic parameters

通過對基于機器學習的地質(zhì)參數(shù)反演和地表變形預測研究的綜述可知，盾構施工長期在復雜環(huán)境下進行，監(jiān)測系統(tǒng)采集的數(shù)據(jù)大部分是相似的無特征信息。傳感器在施工現(xiàn)場不僅布設困難，而且容易受到現(xiàn)場施工作業(yè)影響（如設備損壞、丟失和供電中斷等問題），從而導致監(jiān)控數(shù)據(jù)無效或缺失[77]。同時，大量標記無效的樣本數(shù)據(jù)會導致機器學習算法的訓練樣本數(shù)據(jù)不足，給地質(zhì)參數(shù)反演和地表變形預測帶來困難。因此，采用在實驗室中的模擬工況下采集的實驗數(shù)據(jù)來訓練機器學習模型，對實驗數(shù)據(jù)與監(jiān)測數(shù)據(jù)之間的數(shù)值及特征差異進行分析，再通過遷移學習技術來應用實驗數(shù)據(jù)訓練模型，在實測數(shù)據(jù)樣本不足的情況下，這是一種可行的修正預測模型的方法，但目前相關的成功案例還鮮見報道。

2.3 基于機器學習的隧道病害監(jiān)測與預測

隧道健康狀態(tài)是隧道建設過程及后期運營階段的重要監(jiān)測內(nèi)容。目前，研究人員已經(jīng)開展了基于機器學習算法的隧道病害監(jiān)測研究，并通過分析隧道健康情況，建立了隧道病害預測模型，服務盾構隧道的管養(yǎng)。Cha 等[84]利用深層結構卷積神經(jīng)網(wǎng)絡自動學習圖像特征的能力，結合滑動窗口技術實現(xiàn)對混凝土裂縫的檢測識別。在探地雷達的信號處理方面，深度學習也發(fā)揮著巨大作用。Besaw等[85]利用深度信念網(wǎng)絡從探地雷達反射信號中提取出復雜數(shù)據(jù)的有效特征，提供了一種雷達數(shù)據(jù)異常檢測和分類的新方法。Makantasis 等[86]采用卷積神經(jīng)網(wǎng)絡分層構造高層次特征，實現(xiàn)隧道病害類型的自動識別。Chen 等[87]基于東北地區(qū)引松供水盾構隧道工程的監(jiān)測數(shù)據(jù)，開發(fā)與深度置信網(wǎng)絡相結合的時間序列預測方法，可預測隧道墻體的倒塌危害。

對于隧道運營期監(jiān)測數(shù)據(jù)的處理，采用傳統(tǒng)機器學習方法的缺點在于需要手動定義目標的特征，對于復雜場景中的數(shù)據(jù)來說，目標的特征并不具體，很難定量描述。深度學習的發(fā)展改變了此現(xiàn)狀，它通過卷積神經(jīng)網(wǎng)絡等算法進行特征提取，有效實現(xiàn)監(jiān)測和檢測數(shù)據(jù)中異常信息的分類和位置信息的獲取。由于隧道襯砌結構病害特征的相似性以及結構的復雜性，在隧道襯砌檢測方面，目前用深度學習實現(xiàn)多種病害分類的相關研究較少。

3 機器學習方法在盾構隧道工程中的應用難點與發(fā)展方向

學者們在基于機器學習方法（如圖5）的盾構設備狀態(tài)分析與掘進性能預測、地質(zhì)參數(shù)反演與地表變形預測、隧道病害監(jiān)測與預測等方面（如圖6）取得了一定的研究成果，提升了盾構隧道工程的勘察、設計、施工與運營水平，但該方法仍有進一步研究和發(fā)展的空間，在實際工程中的普遍推廣也存在一些困難。

圖5 參考文獻涉及的算法統(tǒng)計Fig.5 Statistics of research methods in the literature involved in this paper

圖6 參考文獻涉及的研究目的統(tǒng)計Fig.6 Statistics of research purpose in the literature involved in this paper

3.1 應用難點與不足

目前，機器學習方法在盾構隧道工程中應用的主要難點與不足主要表現(xiàn)在以下幾個方面。

1）機器學習的預測實用性因盾構工程實時采集信息能力不足而受限。實時監(jiān)測數(shù)據(jù)能極大增強機器學習算法的即時預測能力，但盾構設備本身構造復雜，施工環(huán)境惡劣，隧道掘進過程中難以為大量監(jiān)測儀器提供合適的安裝空間；盾構設備狹長且位于地層中，監(jiān)測設備采集到的數(shù)據(jù)難以實時傳送到收集終端，這些因素都限制了機器學習預測方法的普及和推廣。

2）盾構隧道工程實測信息的數(shù)據(jù)模態(tài)、樣本類別、信息結構等特征差異大，現(xiàn)階段主要是通過數(shù)據(jù)類型轉化及人工修正等方式來進行數(shù)據(jù)歸一化，但處理過程需要大量的人工標注，主觀性大，可能會導致數(shù)據(jù)內(nèi)部某些潛在特征被忽視。因此，需要深入挖掘數(shù)據(jù)背后的產(chǎn)生機制，識別異常樣本的特征，探明關鍵性因素并進行人工標注，但目前面向機器學習的多源異構數(shù)據(jù)處理方法還有待進一步研究。

3）相較于傳統(tǒng)的數(shù)值解析法或經(jīng)驗公式法，基于盾構隧道工程實測數(shù)據(jù)的機器學習預測模型通常具有更高的擬合精度，但要達到高精度，需要耗費大量運算時間與計算能力進行模型訓練。因此，限制機器學習算法在盾構工程中大面積推廣應用的一大原因就是現(xiàn)場計算能力。在隧道掘進現(xiàn)場，由于數(shù)據(jù)采集或監(jiān)測設備提供的平臺計算能力不足，難以滿足利用實測數(shù)據(jù)訓練機器學習算法的需求，因此，需探索與云計算或硬件加速等相結合的技術。

3.2 未來發(fā)展方向

機器學習方法是基于現(xiàn)有數(shù)據(jù)分析理論上的更高層次的分析方法，其在盾構隧道工程中的應用主要包括裝備運行狀態(tài)識別、關鍵參數(shù)關聯(lián)分析、刀具故障預測、地層參數(shù)識別等，相關研究可提高施工管理水平、減少盾構施工對鄰近環(huán)境的影響。隨著5G 傳感、物聯(lián)網(wǎng)、云計算、北斗通信等新技術的快速迭代，盾構機實測數(shù)據(jù)的存儲數(shù)量和質(zhì)量、實時性都將得到持續(xù)發(fā)展，這對機器學習方法來說是“如虎添翼”。然而，機器學習算法要真正達到在實際工程中廣泛應用的水平，未來還需在以下方面進行探索和發(fā)展。

1）海量多源數(shù)據(jù)的匯聚。不同廠家生產(chǎn)的隧道掘進機監(jiān)控設備存在差異，采集的信息不同源且不兼容。可通過遠程服務器根據(jù)對應的端口協(xié)議匯總數(shù)據(jù)，以此集成不同工程、不同設備、不同隧道的監(jiān)測信息，通過大數(shù)據(jù)訓練來增強機器學習模型的泛化能力，而這需打破現(xiàn)有數(shù)據(jù)的管理壁壘。

2）基于云計算和5G 技術的機器學習算法開發(fā)。盾構隧道工程相關的機器學習模型訓練計算成本高，因此，現(xiàn)有大多數(shù)機器學習分析模型是采集數(shù)據(jù)后在實驗室平臺進行訓練。與云計算相結合的遠程訓練模式是滿足工地實時計算需求的可行途徑，即工地監(jiān)測端負責數(shù)據(jù)匯總，上傳至云端進行機器學習訓練、優(yōu)化、預測，再將結果返回至工地端。在云計算模式下，與5G 無線通信技術相結合的機器學習算法是盾構工程需要探索的方向。

3）盾構隧道工程智能管控平臺構建。隨著盾構隧道掘進數(shù)據(jù)的不斷累積，以及智能算法能力的不斷提升，可以構建以機器學習方法為核心的盾構隧道工程智能管理模式和平臺（如圖7 所示），逐步實現(xiàn)盾構隧道工程在設計、施工及運營環(huán)節(jié)的信息匯聚、智能決策和智能管控，促進隧道工程由信息化往智能化、自動化方向邁進。

圖7 基于機器學習的智能管理模式Fig.7 Intelligent management mode based on machine learning

4 結論

作為人工智能方法的重要組成部分，機器學習是工程信息化的重要發(fā)展方向。機器學習算法能夠深入挖掘盾構隧道監(jiān)測大數(shù)據(jù)的隱含特征，為盾構裝備狀態(tài)識別與性能預測、地質(zhì)識別與地表變形預測，隧道健康監(jiān)測與預警等方面提供技術支持。筆者總結了當前機器學習技術在盾構隧道工程中應用研究的主要進展與不足，并結合當前實際技術水平展望后續(xù)應用研究的主要方向，以期為隧道工程智能化發(fā)展添磚加瓦。