基于CNN-LSTM算法的盾構(gòu)掘進(jìn)姿態(tài)智能預(yù)測(cè)

針對(duì)盾構(gòu)掘進(jìn)過程中參數(shù)易變、軸線難以控制的問題，開發(fā)了一種結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短時(shí)記憶網(wǎng)絡(luò)（LSTM）的盾構(gòu)機(jī)姿態(tài)預(yù)測(cè)模型（CNN-LSTM）。CNN-LSTM模型以盾構(gòu)機(jī)歷史掘進(jìn)參數(shù)為輸入，以未來姿態(tài)參數(shù)為輸出，在成都地鐵19號(hào)線某盾構(gòu)區(qū)間進(jìn)行驗(yàn)證。結(jié)果表明，所提出的CNN-LSTM模型能精確地預(yù)測(cè)盾構(gòu)機(jī)的實(shí)時(shí)姿態(tài)參數(shù)，可輔助現(xiàn)場(chǎng)盾構(gòu)機(jī)操作人員作出高效的施工決策。

盾構(gòu)； 掘進(jìn)參數(shù)； 姿態(tài)控制； 深度學(xué)習(xí)

U455.43A

［定稿日期］2023-04-07

［作者簡介］李佩禪（1994—），男，在讀碩士，主要從事盾構(gòu)掘進(jìn)施工技術(shù)研究工作。

0 引言

盾構(gòu)法施工具有安全、快速、對(duì)環(huán)境影響小和不受地形條件限制等優(yōu)點(diǎn)，目前已廣泛用于地鐵隧道建設(shè)［1］。盾構(gòu)掘進(jìn)姿態(tài)的控制是盾構(gòu)施工過程中的難點(diǎn)，影響隧道結(jié)構(gòu)的安全和施工進(jìn)度。目前，盾構(gòu)機(jī)掘進(jìn)姿態(tài)參數(shù)的控制主要依賴操作人員憑借經(jīng)驗(yàn)進(jìn)行手動(dòng)控制，經(jīng)常導(dǎo)致盾構(gòu)隧道實(shí)際軸線偏離設(shè)計(jì)軸線，延緩施工周期并造成較大的經(jīng)濟(jì)損失。盾構(gòu)掘進(jìn)過程中會(huì)產(chǎn)生海量的數(shù)據(jù)，包括刀盤轉(zhuǎn)速、刀盤扭矩、掘進(jìn)速度、螺旋輸送機(jī)轉(zhuǎn)速、土壓力傳感器的壓力、注漿壓力、盾構(gòu)總推力、各組推進(jìn)油缸行程、掘進(jìn)姿態(tài)等等，各參數(shù)之間具有潛在的關(guān)聯(lián)性，如何有效的利用這些數(shù)據(jù)來指導(dǎo)盾構(gòu)掘進(jìn)安全、快速、高效地進(jìn)行值得深入探索。

目前，利用機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法開展盾構(gòu)掘進(jìn)參數(shù)控制研究已取得一定進(jìn)展。吳惠明等［3］提出了一種基于支持向量機(jī)的盾構(gòu)掘進(jìn)姿態(tài)預(yù)測(cè)和施工參數(shù)優(yōu)化方法。胡長明等［4］提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和支持向量回歸的組合模型，用于預(yù)測(cè)盾構(gòu)豎向姿態(tài)。汪來等［5］提出了一種基于注意力機(jī)制的雙向長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型，對(duì)掘進(jìn)過程中的盾構(gòu)姿態(tài)進(jìn)行預(yù)測(cè)，解決了盾構(gòu)機(jī)在穿越塊石回填土區(qū)段姿態(tài)難以控制的難題。上述研究證明了利用機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法進(jìn)行盾構(gòu)掘進(jìn)參數(shù)控制的可行性。

本文提出了一種結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短時(shí)記憶網(wǎng)絡(luò)（LSTM）的混合深度學(xué)習(xí)模型（CNN-LSTM）用于盾構(gòu)機(jī)掘進(jìn)姿態(tài)的預(yù)測(cè)，并在成都地鐵19號(hào)線某盾構(gòu)區(qū)間進(jìn)行驗(yàn)證。

1 工程概況

本文依托成都軌道交通19號(hào)線二期工程九江北站—龍橋路站區(qū)間開展研究。九江北站—龍橋路站區(qū)間出九江北站后向東在成蒲新快速路下方敷設(shè)一段后向東南方拐彎進(jìn)入198綠地，之后拐入西航港大道下方敷設(shè)進(jìn)入龍橋路站，區(qū)間現(xiàn)狀地理位置見圖1。九江北站—龍橋路站區(qū)間右線YDK71+568.852～YDK75+787.22，明挖區(qū)間右線長度146.809 m，礦山法區(qū)間右線長443.457 m，盾構(gòu)區(qū)間右線長度為3 494.153 m，隧道底板埋深18.2～35.1 m，隧道頂板埋深9.9～26.8 m。

本工區(qū)盾構(gòu)區(qū)間主要穿越地層為中密砂卵石層與密實(shí)砂卵石層，原巖多為強(qiáng)-中等風(fēng)化花崗巖、灰?guī)r及石英砂巖等，局部為強(qiáng)風(fēng)化，卵石含量50%～80%，粒徑2～20 cm，粒徑從龍橋路站至九江北站呈從小變大的趨勢(shì)，九江北站最大可達(dá)40 cm。分選性及磨圓度均一般，夾少量圓礫，中細(xì)砂充填，極少量黏粒充填，厚5～15 m，廣泛分布于區(qū)間段黏性土層之下。隧道在施工時(shí)容易遭遇巖土軟硬不均問題，易給盾構(gòu)掘進(jìn)造成困難。盾構(gòu)同時(shí)在軟硬不同的巖層界面推進(jìn)時(shí)，兩部分不同的阻力差在易引起地層下沉，產(chǎn)生盾構(gòu)方向失控，造成在線路方向上的偏離，應(yīng)合理選擇施工參數(shù)，施工時(shí)遵循勤糾微調(diào)的原則。因此，分析盾構(gòu)機(jī)掘進(jìn)參數(shù)的相互關(guān)系對(duì)保證盾構(gòu)機(jī)正常掘進(jìn)有著重要意義。

本研究旨在預(yù)測(cè)盾構(gòu)機(jī)在地下掘進(jìn)過程中的姿態(tài)和位置。在實(shí)際工程中，盾構(gòu)的位置通常用盾頭水平偏差（HDSH）、盾頭垂直偏差（VDSH）、盾尾水平偏差（HDST）和盾尾垂直偏差（VDST）進(jìn)行描述，如圖2所示。掘進(jìn)里程也可視為一個(gè)偏差值，但相對(duì)于其他4個(gè)偏差值而言，其對(duì)盾構(gòu)隧道質(zhì)量的影響較小，可通過掘進(jìn)速度進(jìn)行估算，預(yù)測(cè)意義較小。因此，本研究選取HDST、VDST、HDSH和VDSH作為預(yù)測(cè)模型的輸出變量，這是盾構(gòu)機(jī)掘進(jìn)過程中最重要的控制指標(biāo)。盾構(gòu)司機(jī)可通過觀察這些參數(shù)的偏差變化及時(shí)調(diào)整盾構(gòu)姿態(tài)。

2 掘進(jìn)參數(shù)相關(guān)性分析

土壓平衡盾構(gòu)的掘進(jìn)參數(shù)多達(dá)數(shù)10個(gè)，不同參數(shù)之間存在一定的相關(guān)性，同時(shí)受地層環(huán)境的影響，由于受地質(zhì)條件離散性、數(shù)據(jù)采集設(shè)備誤差、施工質(zhì)量等因素的影響，工程中掘進(jìn)參數(shù)的采集數(shù)據(jù)時(shí)一系列離散的點(diǎn)，通過數(shù)理統(tǒng)計(jì)手段研究各掘進(jìn)參數(shù)的內(nèi)在規(guī)律和掘進(jìn)參數(shù)對(duì)地層的適應(yīng)性。

九江北站-龍橋路站區(qū)間右線盾構(gòu)區(qū)間共掘進(jìn)334環(huán)，根據(jù)施工現(xiàn)場(chǎng)記錄數(shù)據(jù)，對(duì)現(xiàn)場(chǎng)實(shí)際掘進(jìn)盾構(gòu)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，得出了總推力、刀盤扭矩、刀盤轉(zhuǎn)速等隨著盾構(gòu)機(jī)推進(jìn)的變化規(guī)律曲線和分布直方如圖3和圖4所示。

從圖3中可以看出：在掘進(jìn)的0～150環(huán)，總推力、刀盤扭矩值、掘進(jìn)速度值保持穩(wěn)定，土倉壓力值持續(xù)增加；掘進(jìn)至200環(huán)時(shí)，總推力、土倉壓力值急劇下降，隨后迅速上升；在掘進(jìn)的250～300環(huán)，總推力值波動(dòng)嚴(yán)重，刀盤扭矩和土倉壓力均處于高值；盾構(gòu)機(jī)掘進(jìn)至325環(huán)過后，各項(xiàng)掘進(jìn)參數(shù)下降至平均水平，穩(wěn)定到達(dá)接收端。圖4展示了各關(guān)鍵掘進(jìn)參數(shù)分布直方圖。由圖4可知，中間風(fēng)井—九江北站盾構(gòu)區(qū)間總推力主要分布在2 500～3 000 t，刀盤扭矩主要分布在700～800 t·m，掘進(jìn)速度主要分布在50～70 mm/min，土倉壓力集中在0.5～1.6 bar。

進(jìn)一步，采用Pearson相關(guān)性系數(shù)對(duì)掘進(jìn)參數(shù)相關(guān)性進(jìn)行計(jì)算，如表1所示。Pearson相關(guān)性主要體現(xiàn)的是兩組數(shù)據(jù)間的線性相關(guān)程度，相關(guān)系數(shù)取值為［-1，1］，越接近1表明兩組數(shù)據(jù)正相關(guān)程度越高，反之越接近-1負(fù)相關(guān)程度越高，而相關(guān)系數(shù)接近0表示相關(guān)性較低；Pearson相關(guān)顯著性水平體現(xiàn)的是兩組數(shù)據(jù)線性相關(guān)的可信程度，顯著性水平越接近0，表明線性相關(guān)的顯著性越高。不同掘進(jìn)參數(shù)之間的Pearson相關(guān)系數(shù)和顯著性如表1所示。

通過表1可以發(fā)現(xiàn)：總推力與刀盤扭矩呈正相關(guān)，與推進(jìn)速度和土倉壓力呈負(fù)相關(guān)，且與推進(jìn)速度負(fù)相關(guān)性較強(qiáng)，與土倉壓力負(fù)相關(guān)性較弱；推進(jìn)速度主要與刀盤扭矩和土倉壓力呈正相關(guān)、與總推力呈負(fù)相關(guān)，且與土倉壓力相關(guān)性較強(qiáng)；刀盤扭矩主要與總推力、土倉壓力、推進(jìn)速度有關(guān)，且均表現(xiàn)出正相關(guān)性。Pearson相關(guān)性檢驗(yàn)僅考慮了線性相關(guān)性，而掘進(jìn)參數(shù)之間有可能存在非線性關(guān)系，因此需結(jié)合相關(guān)文獻(xiàn)對(duì)掘進(jìn)參數(shù)之間的關(guān)系做進(jìn)一步研究。

3 基于CNN-LSTM的盾構(gòu)掘進(jìn)姿態(tài)預(yù)測(cè)

3.1 CNN-LSTM模型建立

本文所建立的CNN-LSTM模型如圖5所示。數(shù)據(jù)集包括中間風(fēng)井—九江北站間右線盾構(gòu)區(qū)間共334環(huán)盾構(gòu)掘進(jìn)和姿態(tài)數(shù)據(jù)，由盾構(gòu)機(jī)推力、推進(jìn)速度、刀盤扭矩、土壓參數(shù)、盾頭水平偏差、盾頭垂直偏差、盾尾水平偏差、盾尾垂直偏差構(gòu)成。所提出的CNN-LSTM模型由卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短時(shí)記憶網(wǎng)絡(luò)（LSTM）構(gòu)成。CNN-LSTM模型由t-D環(huán)的掘進(jìn)數(shù)據(jù)（盾構(gòu)機(jī)推力、推進(jìn)速度、刀盤扭矩、土壓參數(shù)）作為輸入，t+1環(huán)的姿態(tài)參數(shù)（盾頭水平偏差、盾頭垂直偏差、盾尾水平偏差、盾尾垂直偏差）作為輸出。當(dāng)掘進(jìn)參數(shù)輸入模型時(shí)，CNN會(huì)自動(dòng)從數(shù)據(jù)中提取自適應(yīng)特征，從而避免手動(dòng)特征提取帶來的誤差。之后，LSTM會(huì)進(jìn)一步提取原始數(shù)據(jù)中的時(shí)間序列相關(guān)性，進(jìn)一步改善預(yù)測(cè)精度。最終，LSTM的輸出進(jìn)入全連接層并由Sigmoid函數(shù)激活，得到預(yù)測(cè)的盾構(gòu)姿態(tài)數(shù)據(jù)。CNN-LSTM模型架構(gòu)參數(shù)設(shè)置見表2。

3.2 模型訓(xùn)練與結(jié)果預(yù)測(cè)

將數(shù)據(jù)集中第一環(huán)—第290環(huán)盾構(gòu)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，第291環(huán)—第334環(huán)數(shù)據(jù)作為測(cè)試集。所有數(shù)據(jù)在訓(xùn)練之前均進(jìn)行歸一化處理。在訓(xùn)練過程中，采用學(xué)習(xí)率為0.001、批量大小為16的Adam算法來優(yōu)化訓(xùn)練過程，并選擇MSE損失作為模型的損失函數(shù)。此外，在訓(xùn)練集中隨機(jī)選擇10%的樣本作為驗(yàn)證集以驗(yàn)證訓(xùn)練過程中的效果。模型在Intel Core i7 2.80 GHz CPU的電腦上共進(jìn)行400輪訓(xùn)練。圖6顯示了CNN-LSTM損失曲線。從圖中可以看出，訓(xùn)練集和測(cè)試集損失曲線下降正常，整個(gè)訓(xùn)練過程中都沒有出現(xiàn)擬合。

圖7展示了本文提出的CNN-LSTM模型的盾構(gòu)姿態(tài)預(yù)測(cè)結(jié)果?？傮w上來看，盾構(gòu)姿態(tài)參數(shù)的預(yù)測(cè)值與實(shí)測(cè)值趨勢(shì)一致。其中，盾頭水平偏差在訓(xùn)練集上的均方根誤差為5.17 mm，在測(cè)試集上的均方根誤差為7.19 mm；盾頭垂直偏差在訓(xùn)練集上的均方根誤差為8.13mm，在測(cè)試集上的均方根誤差為10.51 mm；盾尾水平偏差在訓(xùn)練集上的均方根誤差為8.22 mm，在測(cè)試集上的均方根誤差為9.74 mm；盾尾水平偏差在訓(xùn)練集上的均方根誤差為6.14 mm，在測(cè)試集上的均方根誤差為8.23 mm。由此可見，本文提出的CNN-LSTM盾構(gòu)姿態(tài)預(yù)測(cè)模型精度良好，可以成功地預(yù)測(cè)盾構(gòu)機(jī)姿態(tài)的未來變化趨勢(shì)。

4 結(jié)束語

（1）對(duì)成都地鐵19號(hào)線九江北站—龍橋路站區(qū)間盾構(gòu)區(qū)間掘進(jìn)參數(shù)進(jìn)行了統(tǒng)計(jì)分析，通過分布直方圖、偏度、峰度、平均數(shù)、最大值、最小值、標(biāo)準(zhǔn)差等指標(biāo)分析掘進(jìn)參數(shù)的分布特點(diǎn)，并對(duì)盾構(gòu)關(guān)鍵掘進(jìn)參數(shù)的相關(guān)性進(jìn)行了分析。由于成都地區(qū)砂卵石地層分布廣泛分布，盾構(gòu)掘進(jìn)參數(shù)線性相關(guān)性較弱。

（2）建立了基于CNN-LSTM模型的盾構(gòu)姿態(tài)控制模型，該模型以歷史盾構(gòu)機(jī)推力、推進(jìn)速度、刀盤扭矩、土壓參數(shù)作為輸入變量，以盾頭水平偏差，盾頭垂直偏差，盾尾水平偏差，盾尾垂直偏差作為輸出變量，應(yīng)用Adam優(yōu)化算法進(jìn)行學(xué)習(xí)訓(xùn)練。結(jié)果表明，所提出模型能精準(zhǔn)預(yù)測(cè)盾構(gòu)機(jī)姿態(tài)的未來變化趨勢(shì)。

參考文獻(xiàn)

［1］ 高亞麗.地鐵隧道盾構(gòu)法施工綜述［J］.科技信息，2012（22）：365.

［2］ 秦建設(shè)，朱偉，陳劍.盾構(gòu)姿態(tài)控制引起管片錯(cuò)臺(tái)及開裂問題研究［J］.施工技術(shù)，2004（10）：25-27.

［3］ 吳惠明，常佳奇，李剛，等.基于支持向量機(jī)的盾構(gòu)掘進(jìn)姿態(tài)預(yù)測(cè)與施工參數(shù)優(yōu)化方法［J］.隧道建設(shè)（中英文），2021，41（S1）：11-18.

［4］ 胡長明，侯雅君，李靚，等.盾構(gòu)豎向姿態(tài)的組合預(yù)測(cè)模型研究［J］.鐵道科學(xué)與工程學(xué)報(bào)，2021，18（6）：1521-1528.

［5］ 夏漢庸，尹和軍，徐教煌，等.基于機(jī)器學(xué)習(xí)的多施工參數(shù)盾構(gòu)施工姿態(tài)預(yù)測(cè)［J］.測(cè)繪通報(bào)，2021，No.526（1）：157-160+164.