0 引言
隨著機械化施工設備、技術的不斷發展,以及人工成本的提高和對安全的愈發重視,全斷麵隧道掘進機(tunnel boring machine,TBM)在地下工程建設,尤其在超長隧道(洞)施工中得到了愈發廣泛的應用。TBM施工具有安全、高效、成洞質量高和對環境擾動小等優(you) 點,根據以往工程經驗,TBM的施工速度一般為(wei) 鑽爆法的3~10倍。且當隧道(洞)長度大於(yu) 6km或長徑比大於(yu) 600時,TBM法相較鑽爆法表現出 更優(you) 的經濟性。表1示出中國部分隧道(洞)工程中TBM的應用情況。
表1 中國部分隧道(洞)工程中TBM的應用情況
國外TBM施工技術起步較早。1953年,美國人羅賓斯研製出一台直徑為(wei) 7.85 m的TBM,利用回轉刀盤開挖(即同時破碎岩體(ti) 及掘進)隧洞整個(ge) 斷麵,得到成功應用,被認為(wei) 是第1台現代意義(yi) 上的TBM。國外發達國家在TBM施工方麵積累了較為(wei) 豐(feng) 富的經驗,典型的TBM施工隧道(洞)工程包括英吉利海峽隧道、南非萊索托水利輸水隧洞、瑞士聖格 達基線隧道、日本東(dong) 京灣渡海公路隧道、西班牙 Guadiaro隧洞、美國紐約Queens輸水隧洞等。我國TBM施工技術發展起源於(yu) 20世紀50年代,先 後經曆了探索、引進、聯合製造和自主研發4個(ge) 階段,湧現出中鐵工程裝備集團有限公司(簡稱中 鐵裝備)、中國鐵建重工集團股份有限公司、上海隧 道工程股份有限公司、中交天和機械設備製造有限 公司、北方重工集團有限公司等TBM製造企業(ye) ,生產(chan) 的TBM產(chan) 品性能已達到國際領先水平。隨著 TBM機械設備的不斷發展、自動化和智能化技術的不斷集成,采用TBM施工逐漸成為(wei) 未來長隧道(洞)建設的優(you) 先選擇和發展趨勢。TBM機械係統通常配備了上百個(ge) 傳(chuan) 感器監測設備的運行狀況,可實時記錄大量的運行參數,並在不斷發展,例如中鐵裝備2015年生產(chan) 的TBM(用於(yu) 引鬆工程)每秒可采集199個(ge) 參數,而2020年生產(chan) 的 TBM(用於(yu) 引綽濟遼工程)每秒已可采集達401個(ge) 參數。TBM可以看作大型岩石試驗機,其掘進破岩過程 通常可近似看作對岩石進行扭、推的組合作用。眾(zhong) 多室內(nei) 試驗、數值仿真和現場測試等研究表明,TBM的運行參數可反映圍岩與(yu) TBM之間的岩-機相互作用。近幾年來,TBM運行數據開始得到針對性的收集和分析利用,推動了TBM智能施工的發展。在傳(chuan) 統 施工經驗的基礎上,進一步研究數據驅動方法以指導工程建設已經成為(wei) 當前的發展熱點。TBM 的操控目標是實現安全高效破岩施工。然而,TBM 對不良地質較為(wei) 敏感,受限於(yu) 圍岩和地質條件的複雜性和不確定性、施工過程的變異性及掘進控 製的經驗依賴性,施工中常麵臨(lin) 各種地質災害、掘進效 率低等問題。因此,在TBM施工過程中,圍岩條件的實時感知、施工地質災害的快速預測預警、掘進控製參數的優(you) 化決(jue) 策是具有重大意義(yi) 的研究課題。
1)圍岩條件的實時感知方麵。TBM對於(yu) 地質條件變化的適應性較差,在掘進過程中需要根據圍岩條 件和工程經驗進行掘進參數的調控,掘進性能受不良地質條件的約束較為(wei) 嚴(yan) 重。同時,圍岩條件也是隧 道(洞)支護結構設計、施工方式選擇和施工安全性評價(jia) 的主要依據。然而,長隧道(洞)往往穿越多個(ge) 具有複雜地質條件的地層,施工前的地勘鑽孔無法 覆蓋整個(ge) 洞線,且刀盤和掌子麵間的空間較為(wei) 狹窄, 通過傳(chuan) 統勘探和現場測試方法獲取圍岩參數具有較大的挑戰性,在某些複雜地質條件下無法有效獲取準確的圍岩分類來指導TBM施工。因此,研究 TBM 掘進過程掌子麵近前方圍岩條件的實時感知和 預測方法至關(guan) 重要。
2)施工地質災害的快速預測預警方麵。隧道(洞)作為(wei) 長距離的隱蔽工程,常常麵臨(lin) 複雜且多變的地質條件,故TBM施工中可能遭遇各種施工地質災害,例如軟岩大變形(TBM卡機)、突湧水、岩爆、塌方 和不良氣體(ti) 泄露等,若未得到及時的預測和防控,可能 引發重大的安全風險。TBM 施工中常見地質災害及占比如圖1所示。地質災害往往具有突發性,及時且準確地預測不同地質災害風險是指導有效防控和保證施工安全的關(guan) 鍵環節。因此,研究針對不同地質 災害的快速或動態預測預警方法是目前隧道(洞)施工領域的一個(ge) 難點問題。
3)掘進控製參數輔助決(jue) 策方麵。TBM在不同地 質條件下的適應性掘進是當前掘進控製的研究重點。目前TBM掘進控製主要依賴於(yu) TBM駕駛員的施工經驗,但由於(yu) 地質的不確定性、相關(guan) 破岩理論的模 糊性及經驗的差異性,常麵臨(lin) 掘進效率低、刀具磨損大,甚至出現各種地質災害等問題因此,基於(yu) TBM 運行參數和圍岩條件來尋找最優(you) 控製參數值,從(cong) 而實現提高TBM掘進效率、降低刀盤滾刀磨損(即降 低換刀頻率)和減小TBM掘進破岩能耗等優(you) 化目標是目前的研究熱點。
圖1 TBM施工中常見地質災害及占比
近年來,眾(zhong) 多研究人員針對前述研究課題開展了大量的探索性研究,提出了多種有借鑒價(jia) 值的思路和方法,並在已有曆史數據集上取得了較好的結果,但對其係統性的綜述還相對缺乏。本文對相關(guan) 研究成果進行歸納總結,首先以引鬆工程3標段為(wei) 例,介紹TBM運行參數及運行數據的基本情況,分析TBM 控製參數及掘進循環各工作階段劃分;然後,通過文獻調研近年來TBM智能施工相關(guan) 的研究進展, 對TBM掘進過程隧道(洞)圍岩智能感知、地質災害預測預警以及TBM掘進控製參數輔助決(jue) 策3個(ge) 方麵 的研究進展進行綜述;最後,探討目前研究中存在的 瓶頸及後續研究展望,以期為(wei) TBM智能施工的相關(guan) 研究提供借鑒參考。
1 TBM運行參數及運行數據
目前,TBM 設備已可采集上百個(ge) 運行參數,詳細記錄設備工作狀況。近年來,TBM曆史運行數據已被國內(nei) 外的設備廠商及研究人員重視起來,成為(wei) 開展TBM智能施工相關(guan) 研究的基礎。有效破岩階段的關(guan) 鍵運行參數或構造的綜合特征指標可用於(yu) 訓練機器學習(xi) 模型。在圍岩條件感知、災害風險預測預警、掘進控 製參數優(you) 化決(jue) 策等方麵取得了初具規模的探索性研究成果。為(wei) 了更好地開展TBM智能施工相關(guan) 研究,需對TBM運行控製參數、關(guan) 鍵性能參數,以及運行數據規律、有效破岩數據等進行分析研究。本節以引鬆工程3標段為(wei) 例,介紹TBM運行參數及運行數據的基本情況和規律。
1.1 TBM運行參數
1.1.1 工程概況
引鬆工程3標段引水隧洞采用中鐵裝備2015年生產(chan) 的“永吉號”敞開式TBM施工,施工長度達20198 m,開挖洞徑為(wei) 8.03 m。“永吉號”敞開式TBM的主要技術參數如表2所示。
表2 “永吉號”敞開式TBM的主要技術參數
在TBM整個(ge) 掘進施工過程中,以1 Hz的頻率采集TBM運行數據,並以d為(wei) 存儲(chu) 單位。2015年7月至2018年2月,共記錄802d,每天收集約86400條TBM運行數據,最終獲得40.8億(yi) 條數據形成數據庫,完整地記錄了TBM設備在不同地層和運行條件下的實際工作性能。在數據庫中,每條數據包含191個(ge) TBM機器參數(如推進速度、刀盤轉速、刀盤轉矩、總推進力等)、時間戳信息和相應的樁號信息。
1.1.2 TBM運行參數分析
TBM施工以掘進循環為(wei) 工作單位,即TBM從(cong) 啟動到關(guan) 閉並完成1次推進的過程。在1個(ge) 完整的TBM掘進循環中,TBM各運行參數先從(cong) 0增加到穩定值,然後再下降到0; 受限於(yu) 推進油缸的最大行程,正常情況下每個(ge) 掘進循環的進尺約為(wei) 1.80 m。圖2示出某一天中4個(ge) 關(guan) 鍵運行參數的變化情況,共計包含26個(ge) 掘進循環的數據。直接控製參數為(wei) 刀盤轉速(n)和推 進速度(v),是TBM駕駛員在掘進施工過程中的主要調控參數,屬於(yu) 主動參數。設備的基本性能參數為(wei) 總推進力(F)和刀盤轉矩(T),屬於(yu) 被動參數。在掘進過程中,TBM駕駛員通常根據F和T的實時監測值調 整主動參數,改善TBM的掘進狀態,使其與(yu) 圍岩條件相適應。
圖2 某一天中4個(ge) 關(guan) 鍵TBM運行參數的變化情況
表3示出TBM掘進破岩過程中的4個(ge) 基本參數。TBM掘進控製參數設置值與(yu) 實測值對比示例如圖3所示。在大部分掘進循環中,控製參數的設置值與(yu) 實測值均有較好的一致性。其中,n的設置值與(yu) 傳(chuan) 感器實測值幾乎重合,數據波動非常小; v的傳(chuan) 感器實測值也基本分布在設置值附近,具有較好的重合性,但相對於(yu) n可明顯看出v的波動性較大,其實測值在設置值的一定範圍內(nei) 上下波動。這是由於(yu) 實測值相對設置值會(hui) 有一定的滯後性,且在參數上升段,控製參數n達到相對穩定值(調整相對較小),而v仍在不斷調整的階段。故在參數上升階段v的百分誤差(δ)較大,這是導致推進速度v中較大δ值相對較多的一個(ge) 原因。此外,推進速度v實測數據中存在的一些異常值是導致較大δ值的另一個(ge) 原因。
表3 TBM掘進破岩過程中的4個(ge) 基本參數
圖3 TBM掘進控製參數設置值與(yu) 實測值對比示例
綜上所述,在TBM掘進過程中,控製參數的實測值均能較好趨近其設置目標值,這從(cong) 一定程度上說明掘進控製的有效性,通過調控v和n來優(you) 化TBM工作性能是可行的。目前,大部分TBM設備製造商均采用n和v作為(wei) TBM直接控製參數。
1. 2 TBM運行數據
1. 2. 1 TBM 掘進循環劃分
根據TBM掘進施工中運行參數的變化規律,可將一個(ge) 完整掘進循環劃分為(wei) 5個(ge) 工作階段,包括啟動段 (P1)、空推段(P2)、參數上升段(P3)、穩定段(P4)和 停機段(P5)。其中,P3和P4 為(wei) TBM有效破岩階段。典型TBM掘進循環劃分示意如圖4所示。
圖4 典型TBM掘進循環劃分示意圖
1)啟動段(P1):TBM啟動,TBM駕駛員設置n的目標值,n從(cong) 0逐漸增加至設定值。 在後續其他工作階段對n不調整或僅(jin) 進行微調。
2)空推段(P2):TBM剛啟動時,刀盤還未接觸掌子麵(即刀盤與(yu) 掌子麵間存在較小的間隙,這是為(wei) 避免換步和下一循環啟動時刀具衝(chong) 擊岩體(ti) 損壞而將刀盤後退一小段距離所致)。在空推段,TBM駕駛員設置v的目標值,v從(cong) 0開始迅速增加。當刀盤前進至接觸圍岩時會(hui) 產(chan) 生振動響應,TBM駕駛員則會(hui) 通過調控將v迅速降低至一個(ge) 較低值,從(cong) 而導致出現“下降沿”,下降沿的終點即為(wei) P3階段的起點。該階段刀盤並未產(chan) 生破岩作用,可視為(wei) 無效數據。
3)參數上升段(P3):刀盤開始切削岩體(ti) 並進行破岩,各運行參數(除n)值均快速波動上升。參數上升段可視為(wei) “試驗段”,TBM駕駛員通常基於(yu) 該工作階段的設備響應調整穩定段的掘進控製參數值。
4)穩定段(P4):各運行參數達到相對穩定的值, TBM將保持相對穩定的狀態不斷向前掘進。
5)停機段(P5):推進油缸達到最大行程,各運行參數值逐漸減小至0,表明當前掘進循環結束。該過程中,TBM未進行破岩,所記錄的數據也為(wei) 無效破岩數據。
1.2.2 TBM 運行數據預處理方法
在掘進破岩過程中,各運行參數數據的變化是TBM機械係統與(yu) 圍岩之間的岩-機相互作用的一種反映。根據1.2.1節可知,TBM 掘進破岩的有效數據為(wei) 參數上升段和穩定段。其中,參數上升段各運行參數數據由較小值波動增加至較大的穩定值,相較於(yu) 穩定段包含更大的取值範圍,蘊含更豐(feng) 富的岩-機相互作用信息。因此,參數上升段通常是觀察掘進狀態和掘進控製參數自適應調整的重要階段。眾(zhong) 多研究人員提出了不同的TBM運行數據預處理方法來獲取有效破岩數據,從(cong) 而為(wei) 開展數據驅動研究提供數據基礎。一個(ge) 典型的TBM運行數據標準化預處理方法可參考文獻,包括以下5個(ge) 步驟。1)無效破岩數據剔除。通過構造狀態判別函數 來剔除非掘進零值數據、空推段及停機段的無效破岩數據。構造的狀態判別函數(SDF)見式(1):
SDF = f(v)·f(n)·f(F)·f(T)。 (1)
2)掘進循環各工作階段劃分。通過識別“下降沿”獲取參數上升段起點,采用累積和法識別穩定段起點等,實現各工作階段劃分。
3)穩定段數據的異常值剔除。主要采用基於(yu) 四分位點的箱線圖法剔除穩定段數據的異常值。需要說明的是,有些學者認為(wei) 部分“異常值”為(wei) 反映TBM工作狀態的數據,不應剔除。
4)有效運行數據提取。提取參數上升段前30s數據和穩定段(去掉開始和結束的部分數據)一定範圍的數據作為(wei) 有效運行數據。
5)地質條件信息匹配與(yu) 編碼處理。采用獨熱編 碼(One-Hot)方法對工程現場的地質條件標簽數據進行編碼處理,將地質條件數據的每個(ge) 類別表示為(wei) 一個(ge) 向量。目前,研究人員在TBM 運行數據的工作階段劃分、有效破岩數據提取、基本性能參數分析等方麵開展了相應的探索研究。然而,TBM運行數據的變化情況受到駕駛員操作經驗和習(xi) 慣的影響,因此,所提出的標準化TBM運行數據預處理方法應建立在配套的TBM 施工規範化操作流程基礎上。此外,TBM可采集的運行參數越來越多,對各參數間的相關(guan) 性及其與(yu) 地質條件之間的關(guan) 聯性應進行更深入的分析研究。
2 TBM掘進過程隧道圍岩智能感知
2. 1 隧道圍岩分類及預測發展現狀
圍岩條件通常可采用圍岩分類(或圍岩分級)來表示。其中,在水工隧洞中采用圍岩分類的表述,而在鐵路和公路隧道中采用圍岩分級的表述。本文統一采 用圍岩分類來進行描述。圍岩分類的概念最早由霍夫曼於(yu) 1774年在對石灰岩進行係統分類時提出;後經不斷研究,圍岩分類從(cong) 單一指標向多指標發展,並從(cong) 定性描述向定量分析發展。目前,不同學者和行業(ye) 標準中已經提出了多種工程岩體(ti) 分類方法。 Bieniawski在調查300多條隧道(洞)工程後,於(yu) 1973 年提出岩體(ti) 質量分類(RMR)係統。RMR係統主要考慮岩體(ti) 的單軸抗壓強度、岩石質量指標值、節理間距、節理條件、地下水條件5個(ge) 參數和相應的修正係數對岩體(ti) 的質量進行評分,並將岩體(ti) 質量分為(wei) Ⅰ—Ⅴ5個(ge) 等級。Barton 等提出的岩體(ti) 質量分類Q係統也是一種經典的岩體(ti) 分類方法,該係統考慮了岩體(ti) 的完整性、地下水條件、地應力和節理特征,並使用6個(ge) 參數確定反映圍岩穩定性的岩體(ti) 質量指數。根據Hoek-Brown準則,通過考慮結構和不連續麵條件對岩體(ti) 力學性質的影響,Hoek提出了地質強度指數,以實現對工程岩體(ti) 質量的分類。2002年, Barton修訂了Q係統方法,並說明了改進Q係統與(yu) RMR係統之間的對應關(guan) 係。我國主要使用的圍岩分 類方法還包括岩體(ti) 基本質量指標法(BQ法)和水利水 電圍岩工程地質分類法(HC法)。不同的岩體(ti) 分類方法已廣泛應用於(yu) 隧道、采礦和其他地下工程。然而,基於(yu) 圍岩分類指標的傳(chuan) 統分類方法通常用於(yu) 施工前的地質勘探階段,各分類方法的指標參數較難在施工過程中快速獲取。
此外,對於(yu) 大多數分類方法,各指標與(yu) 岩體(ti) 分類間的映射關(guan) 係不明確,且幾乎沒有考慮各 指標分布的隨機性。鑽探是目前工程中最常用的地勘手段,也是地質 工程師評價(jia) 地質條件及設計人員開展設計工作的最主要依據。然而,由於(yu) 隧道(洞)一般較長,且工程地質 條件複雜多變,通過地質勘察鑽孔很難揭示隧道(洞) 施工區域精細的圍岩分類分布情況。為(wei) 解決(jue) 圍岩靜態 分類所存在的不足,圍岩的動態分類得到了關(guan) 注和發展。目前,基於(yu) 不同物探原理的超前地質預報技術已成為(wei) 圍岩動態分類的常用手段,根據方法和原理的 不同可分為(wei) :地質調查法、地質雷達法、TSP法、TGP法、彈性波反射法、電磁波反射法等。例如,榮耀等綜合TGP 探測、地質雷達探測和掌子麵編錄法3種超前地質預報技術,由粗到細地實現對隧道圍岩分 類的動態預測;孫洋等以椿樹埡隧道為(wei) 實例,結合 TSP、地質雷達和工程地質推斷法對隧道圍岩條件進行動態分類預測;韓永琦基於(yu) TSP 預報數據對鐵 路隧道圍岩分類進行定量和動態劃分;陳水龍研究TSP地震信息與(yu) 圍岩力學參數的響應關(guan) 係,並基於(yu) 此構建了圍岩動態分類體(ti) 係。不同的超前地質預報方法均存在一定的局限性,將多種超前地質預報技術相結合和將不同方法的預測結果進行相互印證,可以提高圍岩分類預報的準確率。
目前,機器學習(xi) 等人工智能算法在圍岩分類上的 應用成為(wei) 一個(ge) 重要的發展方向。 隧道(洞)施工中,常用的圍岩分類方法(如BQ法、HC法、RMR法等)均是簡單地對圍岩條件和地質條件相關(guan) 指標進行計算和求和,未考慮各指標的影響權重;同時,由於(yu) 各物探參數數據的解譯仍依賴人為(wei) 的主觀判斷,故在複雜地質環境下,上述圍岩分類理論方法和超前地質預報方法的有效性將會(hui) 受到限製。此外,由於(yu) 工程係統的複雜非線性,也在一定程度上限製了傳(chuan) 統的統計分析和回歸模型在圍岩分類上的應用效果。近年來,不同的機器學習(xi) 算法已經在圍岩智能分類上取得了較多的研 究成果。例如:汪學清等將TSP法的地震波信號作為(wei) SVM模型的輸入,實現對隧道圍岩分類的預測; 馬世偉(wei) 等利用KNN分類器構建了岩體(ti) 結構、賦存環境、地質構造等方麵的7個(ge) 指標參數與(yu) 岩體(ti) 分類間的非線性映射關(guan) 係;甘海龍基於(yu) 現場實測數據檢驗了BP神經網絡在圍岩分類中的可行性;Santos等采用因子分析法對RMR參數進行降維得到3個(ge) 公共因子,並在此基礎上建立了人工神經網絡(ANN) 預測岩體(ti) 分類;Jalalifar 等建立了基於(yu) 模糊推理係統和多元回歸分析的2個(ge) 模型,以準確預測岩體(ti) 質量分類,結果表明模糊推理係統模型具有更優(you) 的預測精度。將不同機器學習(xi) 模型引入圍岩分類預測研究中,可在一定程度上減小人工判斷的主觀性,並提高岩體(ti) 分類的準確性。
2. 2 TBM掘進過程圍岩條件感知方法研究現狀
圍岩的不確定性和不良地質條件是TBM開挖過 程中的主要風險。隨著工程建設規模的不斷增大,對在TBM掘進過程中能夠實時、快速預測圍岩分類提出了迫切的需求。然而,岩體(ti) 理論分類方法的參數通常是基於(yu) 現場試驗或室內(nei) 試驗測得,故無法在TBM掘進過程中實時獲取各指標參數。此外,采用不同超前地質預報技術均需要額外的設備及時間成本;且TBM刀盤與(yu) 掌子麵間距離狹小,特別對於(yu) 護盾式TBM,圍岩始終被護盾和管片遮擋,故提前安裝地質預 報設備也具有一定的難度。
2. 2. 1 預測方法及模型
TBM是一個(ge) 複雜的機械係統,其掘進破岩過程中通過傳(chuan) 感器自動采集的上百個(ge) 運行參數,可反映運行狀況信息和岩-機相互作用規律,並可用於(yu) 預測岩體(ti) 條件。因此,以TBM關(guan) 鍵運行參數(或綜合特征指標)作為(wei) 機器學習(xi) 模型的輸入,實現對隧道掌子麵近前方區域圍岩分類的快速預測成為(wei) 近幾年的研究熱點。采用的機器學習(xi) 算法主要分為(wei) 監督學習(xi) 和無監督學習(xi) 2類。在無監督學習(xi) 中,所采用的算法主要為(wei) 聚類分析算法,例如:Zhang 等采用 K-means++聚類 算法,基於(yu) 刀盤推力、刀盤轉矩和日掘進速度3個(ge) 參數 將圍岩分為(wei) 5類;蘇國韶等采用譜聚類算法,基於(yu) 總推進力、刀盤轉矩和貫入度3個(ge) 參數將圍岩分為(wei) 4 類。基於(yu) K-means++聚類和譜聚類的圍岩分類示例如圖5所示。
圖5 基於(yu) K-means++聚類和譜聚類的圍岩分類示例
在監督學習(xi) 中,主要采用神經網絡、支持向量機和決(jue) 策樹等分類算法,例如:Salimi 等利用回歸樹模型建立推力貫入指標(IFP)與(yu) 岩體(ti) 質量參數(單軸抗壓 強度、岩石質量指標和岩體(ti) 節理係數)間的相關(guan) 性;朱夢琦等利用Gini不純度指標篩選6個(ge) TBM運行參數,將其作為(wei) AdaCost分類器的輸入實現對圍岩分類的預測;Liu等基於(yu) 8個(ge) TBM運行參數、IFP和轉矩貫入指標(ITP )作為(wei) 模型輸入,構建 AdaBoost-CART 模型,實現對圍岩分類的預測;Wu等首先通過岩體(ti) 可掘性指標和聚類算法將隧道工程現場圍岩劃分為(wei) 4種類別,然後基於(yu) 深度神經網絡(deep neural network,DNN)構建了10個(ge) TBM關(guan) 鍵運行參數與(yu) 圍岩條件之間的映射關(guan) 係;Hou等通過構建兩(liang) 級學習(xi) 的Stacking集成學習(xi) 分類器實現了對圍岩分類的預測。表4示出了基於(yu) TBM運行數據的圍岩分類預測部分成果。
表4 基於(yu) TBM運行數據的圍岩分類預測部分成果
2.2.2 輸入特征選擇
目前基於(yu) TBM運行數據的圍岩分類預測研究中,多采用TBM設備傳(chuan) 感器采集的實時運行參數或綜合特征指標(如ITP和IFP 等),部分研究中分類器采用的輸入特征如表4所示。特征選取方式主要分為(wei) 3類:
1)根據工程經驗或參考他人研究成果進行選擇,多采用刀盤轉矩(刀盤滾動力)、總推進力(刀 盤法向力)、推進速度、貫入度、刀盤轉速等反映TBM開挖負荷或效率的基礎參數。
2)目前大多數研究人員采用特征重要性分析方法,即通過基於(yu) 決(jue) 策樹(或隨機森林)算法的特征變量重要性計算方法(利用Gini指標或信息熵指標)等對TBM運行參數(剔除冗餘(yu) 特征及常值/零值特征後)進行特征重要性排序,直接篩選或通過基於(yu) 包裹式特征選擇方法篩選圍岩分類預測最重要或 貢獻最大的若幹特征參數。具體(ti) 而言,包裹式特征選擇方法即從(cong) 特征集合中依次選擇1~N(N為(wei) 特征總個(ge) 數)作為(wei) 特征子集訓練預測模型,並根據模型性能進行評價(jia) ,選擇最優(you) 的特征子集。例如: Hou等首先通過方差濾波剔除方差為(wei) 0的特征,其次采用高相關(guan) 濾波剔除高相關(guan) 冗餘(yu) 特征,最後基於(yu) 隨機森林的Gini指數對特征重要性進行排序,最終得到10個(ge) 關(guan) 鍵運行參數作為(wei) 圍岩分類預測模型的輸入特征;何偉(wei) 依托新疆YE工程,依次采用方差濾波、高相關(guan) 濾波、隨機森林特征重要性排序和包裹式特征選擇方法,從(cong) 228個(ge) 特征中得到了14個(ge) 圍岩分類模型的關(guan) 鍵輸入特征。
3)采用知識驅動方法進行特征篩選。以中國水利水電科學研究院陳祖煜院士團隊為(wei) 代表的多個(ge) 研究團隊均發現,對於(yu) 一個(ge) 正常掘進循環(可認 為(wei) 圍岩條件不變)中的有效破岩數據,總推進力(F)與(yu) 貫入度(Pr)呈現過原點的線性關(guan) 係(即正比例關(guan) 係),而刀盤轉矩(T)與(yu) 貫入度(Pr)呈現有截距的線性關(guan) 係。TBM掘進循環中F-Pr和T-Pr擬合關(guan) 係曲線示例如圖6所示。因此,Zhang等采用了總推進力和貫入度的擬合斜率a、截距b及回歸係數R2 F ,刀盤轉矩和貫入度的擬合斜率kTPI 和回歸係數R2T ,以及刀盤直徑、刀具數量共計7個(ge) 特征作為(wei) 模型輸入預測圍岩分類。
圖6 TBM掘進循環中F-Pr 和T-Pr 擬合關(guan) 係曲線示例
2.2.3 樣本不平衡應對策略
在現有研究中,很多學者使用了不同的單分類器(如SVM、KNN、神經網絡和決(jue) 策樹等)預測圍岩分類。 然而,在實際隧道(洞)工程中,屬於(yu) 不同圍岩分類的樣本比例往往相差較大。例如:在引鬆工程3 標段中,Ⅲ類和Ⅳ類圍岩的總占比達到約87%,而Ⅱ類和Ⅴ類圍岩的樣本相對較少。因此,圍岩分類 通常屬於(yu) 樣本不平衡情況下的預測問題。對於(yu) 這類問題,單分類器很容易陷入對多數類樣本的過擬合問題中,導致對少數類樣本的預測性能較差。集成學習(xi) 是一種強大的技術,通過特定的方式將多個(ge) 單分類器集成,形成更強的分類器;常見的集成學習(xi) 分類器包括:隨機森林(RF)、梯度下降樹( GBDT)、Stacking集成學習(xi) 模型等。研究表明,集成學習(xi) 模型具有很強的泛化能力,在不平衡數據集上往往表現出更好的分類效果。 除了采用集成學習(xi) 策略外,克服樣本不平衡問題的其他方法包括使用過采樣技術或欠采樣技術改變不同類別的樣本數量比例,或采用代價(jia) 敏感學習(xi) 提升模型對不平衡樣本集中少數類樣本的預測精度。表5示出樣本不平衡下分類模型預測效果的改進方法,其中過采樣/欠采樣技術和代價(jia) 敏感學習(xi) 在本文中不進行過多介紹。 以上這些方法可以在一定程度上提升模型對少數類樣本預測性能,但總體(ti) 而言,樣本數量仍是限製少數類樣本預測精度的最主要因素。
表5 樣本不平衡下分類器預測效果的改進方法
總體(ti) 而言,大數據和人工智能技術的發展和成功應用,推動了各專(zhuan) 業(ye) 領域對數據的重視。結合TBM運行數據和機器學習(xi) 模型為(wei) 隧道(洞)施工中圍岩條件的實時感知和預測提供了一種可行的思路。雖然目前已經構建了不同的預測模型,且表現出了較好的圍岩分類效果,但最終實現更好的工程應用仍需著力於(yu) 從(cong) 2方麵進行改進提高預測性能:1)從(cong) 模型角度構建更加精確的預測模型;2)從(cong) 數據角度引入多源數據或更多其他工程數據為(wei) 模型提供更多的可解釋變量或學習(xi) 信息,並針對樣本不平衡數據集的有效應對策略等方麵進行深入研究。
3 TBM掘進過程地質災害預測預警
對米兰国际在线娱乐地質災害的預測方法進行綜述,介紹近年來在TBM施工地質災害智能預測方麵開展的研究及探索工作,包括隧道塌方風險預測和TBM卡機風險預測2個(ge) 方麵。除了塌方和卡機,隧道突湧水和岩爆也是TBM施工中的常見災害,其中突湧水預測目前多采用層次分析法、模糊數學、可靠度理論、貝葉斯網 絡和神經網絡等方法構建各致災因素指標(包括地質構造因素、水文地質條件因素和施工監測因素等)與(yu) 突湧水風險之間的映射關(guan) 係;岩爆預測目前多為(wei) 基於(yu) 信號拾取算法和人工智能模型對微震監測信號進行識別、分析,從(cong) 而實現對岩爆的定位及烈度預測。由於(yu) 利用TBM 運行數據進行岩爆和突湧水預測的研究仍相對較少,本文對這2種地質災害的預測預警不展開詳細介紹。
3. 1 隧道(洞)施工地質災害預測方法
根據對國內(nei) 外TBM施工隧道(洞)工程的不完全統計,隧道(洞)TBM施工中典型的施工地質災害問題包括軟岩擠壓大變形(易導致TBM卡機)、岩爆、突湧水、瓦斯氣體(ti) 湧出和圍岩失穩塌方等。各種施工地 質災害若未得到有效預測和及時防控處理,將可能給隧道(洞)施工帶來重大的安全風險,甚至引發事故,出現人員傷(shang) 亡。在TBM掘進過程中,對不同施工地質災害的快速和有效預測,可指導防控措施設置,對保證TBM的施工安全具有重要意義(yi) 。對於(yu) 隧道(洞)工程不同施工地質災害,預測方法可歸納總結為(wei) 以下5類。
1)經驗分析方法。在已建工程積累的施工經驗的基礎上,利用不同的統計分析手段,構建圍岩條件、施工要素和各施工地質災害之間的經驗關(guan) 係。該方法通常考慮的因素不全麵,適用於(yu) 特定工程,推廣應用的效果相對較差,多用於(yu) 早期的隧道(洞)工程建設中。
2)理論分析方法。 基於(yu) 岩土體(ti) 工程領域不同的力學理論對不同地質災害的產(chan) 生機製進行理論推導和計算,或對一些災害的機製試驗結果進行分析總結,從(cong) 而針對不同施工地質災害提出相應的理論判據等,可實現對不同災害風險的評價(jia) 和預測。該方法通常對實 際工程進行了合理的簡化和假設,由於(yu) 不同地質災害的致災機製通常非常複雜且涉及因素眾(zhong) 多,導致所構建的理論分析模型較難應用於(yu) 複雜地質條件下實際工程的施工地質災害預測。
3)數值仿真方法。該方法是模擬隧道(洞)施工過程和分析災害發生風險的常用手段,隨著眾(zhong) 多學者的不斷研究,目前已經發展出多種數值仿真方法,如有限元法(FEM)、離散元法(DEM)和耦合FEM-DEM法等。數值模型的計算效果比較好,但具有較強的網格依賴性,且需要對數值模型的各部分單元設置合理的本構模型和參數值。此外,建立大型工程的複雜模型是耗時費力的過程,且對於(yu) 長大隧道(洞)工程,數值方法通常隻針對典型和關(guan) 鍵段進行施工前的安全評價(jia) 及分析。因此,數值仿真方法同樣較難應用於(yu) 隧道(洞)TBM 施工過程中的地質災害實時預測。
4)監控測量方法。采用不同監測設備對各災害發生前的征兆(關(guan) 鍵參量)進行監測,當出現特殊監測信號或關(guan) 鍵參量監測值達到某一閾值時,表明有地質災害發生或存在災害風險。例如,根據微震監測信號實現對岩爆災害的預測,根據應力、位移、微震、激光點雲(yun) 、紅外等內(nei) 部力場-外部機器視覺的聯合監測信號實現對深部岩體(ti) 工程強突湧水災害的實時監測預警。在長大隧道(洞)施工中,采用監控測量方 法會(hui) 額外增加設備和時間成本,且由於(yu) TBM機身振動 和現場施工噪聲等幹擾,會(hui) 在一定程度上影響對微震等聲波信號的識別。對於(yu) 護盾式TBM,由於(yu) 圍岩始終 被襯砌管片和護盾遮擋,較難在現場進行傳(chuan) 統監測設備的安裝和測量工作。
5)機器學習(xi) 方法。 通過不同機器學習(xi) 算法構建 直接或間接關(guan) 鍵致災因子與(yu) 具體(ti) 施工地質災害間的映 射關(guan) 係模型,從(cong) 而實現對工程地質災害的有效預測。該方法可以結合前述任意一種方法,通過機器學習(xi) 強大的非線性映射關(guan) 係處理能力構建預測模型,從(cong) 而代替傳(chuan) 統的人工分析和判斷,提高對不同地質災害風險的預測準確率。
3.2 隧道(洞)塌方風險預測預警研究現狀
塌方是隧道(洞)TBM施工過程中的典型地質災害,可能導致護盾和刀盤的卡機、機器損壞、工期延長、 成本增加,甚至人員傷(shang) 亡和其他重大損失。塌方與(yu) 隧道(洞)圍岩的開挖卸荷失穩緊密相關(guan) ,其影響因素十分複雜,許多學者針對此進行了研究。圍岩失穩風 險分析和預測方法可分為(wei) 4類:1)理論分析方法; 2)監控測量方法;3)數值仿真方法;4)機器學習(xi) 方法。
3.2.1理論分析方法
采用一定的合理假設將實際問題數學化,並基於(yu) 力學機製分析隧道(洞)開挖後圍岩的穩定性。該方法的理論框架主要包括極限平衡法和極限分析法。許多學者對這2種方法進行了研究和擴展,並基於(yu) 各種改進的理論分析方法對圍岩穩定性和塌方風險分析進行了大量研究工作。例如:黃躍基於(yu) 塊體(ti) 極限平衡理論分析了新疆某山嶺隧道塌方事故的整個(ge) 過程;Fraldi等參考Hoek-Brown破壞準則,在塑性理論領域中借助變分法推導得出了隧道塌方的精確解;嚴(yan) 若明等在Hoek-Brown 破壞準則下,運用極限分析原理分析了淺埋圓形隧道的塌方破壞機製。由於(yu) 影響隧道(洞)塌方的因素較為(wei) 複雜,理論分析方法往往在一定程度上簡化了實際工程情況,故對於(yu) 複雜地質條件下的隧道(洞)施工風險分析及預測,該方法仍存在較大的局限性。
3.2.2 監控測量方法
監控測量方法通過監測預警信號或征兆(如隧道拱頂沉降、圍岩收斂變形、圍岩內(nei) 部壓力和襯砌管片應力)來評估隧道(洞)塌方的風險。其中,相對變形和變形加速度是評價(jia) 圍岩穩定性最常用的指標。此外,一些學者利用微震監測技術,通過分析隧 道圍岩失穩前的微震事件的變化特征、數量和微震能量,對隧道塌方風險進行評估。圖7示出隧洞爆破施工過程中微震特征參數演化過程。可以看出,隨著 逐漸接近塌方發生時刻,出現微震b值逐漸達到最低值、大震級事件逐漸增多、微震事件主頻中低頻占比逐漸增高等現象,這說明基於(yu) 微震指標的塌方行性。然而,對於(yu) 大規模的隧道(洞)工程,布設監測設備的成本通常較高,且微震信號在一定程度上受TBM 機身振動和現場其他施工噪聲的幹擾,增加了通過微震監測技術識別有效信號的難度。此外,對於(yu) 使用護盾式TBM和預製管片施工建造的隧道(洞),圍岩在TBM掘進過程中始終被護盾和襯砌管片遮擋,安裝變形監測設備較為(wei) 不便。
圖7 隧洞爆破施工過程中微震特征參數演化過程
3.2.3 數值仿真方法
數值仿真方法是分析解決(jue) 工程問題的重要技術手段。許多學者采用不同的數值方法研究了岩體(ti) 開挖卸荷後的穩定性和塌方風險。例如:Fraldi等在研究中對圓形岩石隧道塑性塌方的數值模擬和分析方法進行了比較;劉利生等結合數值模擬和現場監測方法研究了穿越傾(qing) 斜斷層隧道的塌方力學機製;孫萍等采用二維離散元(DEM)對秦嶺Ⅲ號隧道塌方過程的3個(ge) 階段進行了數值仿真;Li等基於(yu) 非連續變形分析(DDA)方法對隧道塌方進行了數值模擬,並通過與(yu) 縮尺物理模型試驗的對比驗證了數值方法的有效性,隧道塌方過程的DDA模擬結果如圖8所示;馬正逵采用基於(yu) 離散元法的3DEC軟件建立隧道塌方的數值仿真模型,研究了不同層理角度和岩體(ti) 完整性下的圍岩坍塌破壞機製。采用連續模擬方法(如有限元和有限差分)通常將圍岩作為(wei) 連續體(ti) 進行處理, 通過屈服區(或塑性區)等間接評價(jia) 圍岩的穩定性,與(yu) 實際塌方情況存在一定出入。而采用離散元方法可以較好地模擬出塌方的過程和最終塌落體(ti) ,但由於(yu) 對運 動、受力、變形等要素都進行了假設,理論嚴(yan) 謹性方麵存在一些不足,且參數標定和複雜模型的建模較為(wei) 困難。此外,數值方法多用於(yu) 災害的事前或事後分析,無法在隧道(洞)施工過程中實時預測塌方風險。
3.2.4 機器學習(xi) 方法
基於(yu) 機器學習(xi) 的塌方預測研究中,一方麵以現場施工情況和地質條件數據作為(wei) 模型輸入,構建塌方風險分析或預測模型。例如:蘇永華等選取影響塌方的若幹因素(包括BQ值、跨度、埋深、地下水情況、偏壓角情 況和設計施工質量及施工工況),采用粗糙集補齊算法對缺失信息進行修複,並構建了基於(yu) 廣義(yi) 回歸神經網絡 的塌方量預測模型;李澤荃等提出基於(yu) 事故樹和貝 葉斯網絡的隧道塌方風險概率估計方法。另一方麵,近年來已經有一些學者開始針對基於(yu) TBM運行參數或綜 合特征指標的塌方災害預測方法進行了研究。基本思 路為(wei) 利用“正常”掘進段的數據訓練機器學習(xi) 模型,並根 據塌方段附近區域預測精度下降的現象,通過設置閾值 評價(jia) 塌方風險。Chen等和劉詩洋等分別采用深度置信網絡和卷積神經網絡以及“五推一”時間序列預 測法,通過預測誤差評價(jia) 指標對ITP或IFP的預測結果進行分析,構建了塌方預測的評價(jia) 判據;其中ITP預測值可以通過控製參數n和v轉換為(wei) T預測值,不同TBM 掘進循環段的時間-轉矩曲線如圖9所示。Guo等通過將上升段TBM運行參數作為(wei) LSTM模型輸入,預測了穩定掘進段的轉矩和推力,並基於(yu) 此提出3階段分 析方法實現塌方預測。Hou等建立基於(yu) Adam LSTM的比能預測模型,並根據塌方及鄰近區域預測結果精度下降和離散程度增大的規律,通過對統計指標的閾值分析構建預警指標體(ti) 係,並形成TBM掘進過程的塌方預警方法,某一水工隧洞塌方實例的預警結果如圖10所示。基於(yu) TBM運行數據的隧道(洞)塌方預測預警的相關(guan) 成果總結如表6所示。
圖8 隧洞塌方過程的DDA模擬結果
圖9 不同TBM掘進循環段的時間-轉矩曲線
R2 為(wei) 擬合優(you) 度;MAPE 為(wei) 平均絕對百分比誤差;Cvre 為(wei) 變異係數的相對誤差。
圖10 某一水工隧洞塌方實例的預警結果
目前,針對利用TBM運行數據和綜合特征指標(如IFP、ITP、Se)來實現塌方預警的研究仍處於(yu) 探索階段,且由於(yu) 工程現場的塌方實例較少,構建的預測模型和預警指標體(ti) 係的有效性仍需要結合更多工程進行驗證和進一步研究。 此外,需要注意的是,表6中的相關(guan) 研究均是建立在地質條件具有一定的連續變化性的條件下,而對於(yu) 突發性的塌方並不一定能有效地實現預測預警。在這些方法的基礎上,結合超前地質預報等手段的多源數據信息 進行綜合判斷,有望取得更好的塌方災害預測預警效果。
3.3 TBM卡機風險預測研究現狀
TBM卡機分為(wei) 刀盤卡機和護盾卡機2種類型。當圍岩破碎、自穩能力差時,開挖後圍岩易破碎坍塌而導致刀盤被卡,通常可采用增大刀盤轉矩、超挖、超前注漿等方式避免或進行脫困處理;而護盾卡機多發生在高地應力和複雜地質條件的施工區域,通常脫 困處理更為(wei) 困難,既影響施工安全,又增加施工的工期 和成本。因此,對於(yu) TBM卡機的評價(jia) 或預測多聚焦於(yu) 圍岩擠壓大變形引起的護盾卡機。
表6 基於(yu) TBM運行數據的隧道(洞)塌方預測預警的成果總結
TBM護盾卡機風險評價(jia) 的前提是準確預測圍岩與(yu) 護盾的擠壓作用力,分析圍岩對TBM掘進的摩阻力大小,其影響因素可以歸納為(wei) 3類。1)岩體(ti) 性質因素: 岩體(ti) 強度(如單軸抗壓強度Rc和抗拉強度σt)、彈性模量(E)、地質強度指數等。2)TBM相關(guan) 因素: 超挖量(ΔD)、護盾長度(L)、推進速度(v)、最大推力(FI)等。3)其他影響因素: 隧道直徑(D)、地應力(σ0)、圍岩與(yu) 護盾間的摩擦因數(μ)、回填距離(l)等。已有的TBM護盾卡機風險分析和預測研究方法 主要包括4類: 1)經驗方法; 2)理論分析方法; 3) 數值仿真方法; 4)人工智能方法。
3.3.1 經驗方法
在TBM護盾卡機風險預測的早期研究中,主要是根據工程經驗建立評價(jia) 圍岩擠壓變形程度的指標,並基於(yu) 此分析TBM的卡機風險。例如: Aydanö等定義(yi) 了完整岩石的強度與(yu) 上覆壓力的比值,並根據日本 隧道(洞)工程的經驗進行總結,認為(wei) 當比值小於(yu) 2.0 時會(hui) 出現擠壓條件。1998年,Hoek提出岩體(ti) 單軸 抗壓強度與(yu) 地應力的比值可作為(wei) 評估潛在隧道(洞) 擠壓風險的指標。Hoek等提出隧道(洞)應變圖 可用於(yu) 評估擠壓條件下的TBM卡機問題;隧道應變的經驗公式在2000年Terzaghi講座中被提出。此外,一些研究人員對圍岩與(yu) TBM之間的相互作用關(guan) 係 進行了初步的定性分析,並取得了一定的成果。然而,經驗方法往往考慮的因素較少,而且由於(yu) 隧道 (洞)工程麵臨(lin) 的施工環境通常較為(wei) 複雜,導致經驗模型對特定的具體(ti) 工程具有良好的效果,但較難拓展應 用於(yu) 其他隧道(洞)工程。
3.3.2 理論分析方法
對於(yu) TBM護盾卡機問題,理論分析方法主要是基於(yu) 力學理論分析,得到岩體(ti) 開挖卸荷後的應力狀態,並基於(yu) 此計算和分析圍岩收斂變形發展以及圍岩與(yu) 護盾間的相互作用。例如: Carranza-Torres等提出基於(yu) 收斂約束法的圍岩擠壓變形評價(jia) 方法; 溫森等考慮了隧洞掌子麵和襯砌支護的影響,使用收斂約束法和風險分析計算了圍岩對護盾的壓力;Zhang等使用改進的Vlachopoulos-Diederichs方法得到隧道(洞)的縱向變形剖麵,並推導出擠壓地層中護盾卡機的理論計算模型。但是理論分析往往簡化了實際工程,且沒有考慮TBM掘進過程的影響。
3.3.3 數值仿真方法
各種數值仿真模型已在TBM護盾卡機分析中得到了廣泛應用。即基於(yu) 一定的假設,依次計算得到圍岩與(yu) 護盾的接觸麵積、圍岩擠壓護盾的壓力、TBM掘進中需克服的摩擦阻力,進而分析TBM護盾卡機的風險。例如: Hasanpour等提出了在擠壓地層和不良地質條件下雙護盾TBM施工的數值仿真模型,並基於(yu) 此分析了TBM掘進過程中的卡機風險;黃興(xing) 等提出了卸荷圍岩的擠壓大變形本構模型,並通過數值 仿真分析了不同刀盤擴挖量下的TBM卡機情況,基於(yu) 數值仿真的卡機判斷示意如圖11所示;Sun等提出了一種改進的三維有限差分模型模擬嚴(yan) 重節理岩體(ti) 中的TBM護盾卡機現象,通過采用合適的本構模型和設置合理的材料參數,所建立的數值模型能夠很好地 反映實際TBM護盾卡機的力學機製目前,數值仿真 方法仍是分析TBM護盾卡機問題的主要、有效手段。然而,該方法通常需要針對特定的工程建立具體(ti) 的數值模型,當工程規模較大且工程地質條件較為(wei) 複雜時,模型的建立和計算可能需要耗費大量的時間。此外,數值仿真模型通常模擬隧道(洞)工程的具體(ti) 施工段,而非整個(ge) 洞線,因此不便於(yu) 及時分析或快速預測TBM 掘進過程中所有施工段的卡機風險。
圖11 基於(yu) 數值仿真的TBM護盾卡機判斷示意圖
3.3.4 人工智能方法
近年來,人工智能技術已成為(wei) 解決(jue) 岩土體(ti) 工程問題的有力工具,並在TBM掘進性能預測、岩體(ti) 質量預測和圍岩響應預測等方麵進行了有效應用。BM 護盾卡機風險等級的預測屬於(yu) 分類問題,可以從(cong) 2方麵入手進行研究,即直接預測和間接預測(預測隧道圍岩擠壓或隧道圍岩收斂)。1)直接預測。直接將卡機影響因素作為(wei) 模型的 輸入來預測卡機風險。例如:Lin等構建了貝葉斯網絡模型,可通過掌子麵前方的地質信息預測TBM卡機的概率;Hasanpour等通過數值仿真構建樣本庫,並通過貝葉斯網絡模型預測卡機概率;頡芳弟等收集了隧洞TBM 施工的地質條件數據,篩選卡機的13個(ge) 風險因素和7個(ge) 風險事件,並基於(yu) 動態貝葉斯網絡實現對卡機風險的預測,無證據條件下的TBM卡機貝葉斯網絡模型如圖12所示。
圖12 無證據條件下的TBM卡機貝葉斯網絡模型
2)間接預測。先通過機器學習(xi) 模型預測隧道(洞)圍岩擠壓力或收斂變形,並基於(yu) 預測結果分析圍岩與(yu) 護盾間擠壓力和TBM掘進所受的總摩阻力, 進行卡機風險評價(jia) 。例如:Feng等構建了貝葉斯網絡模型,並利用支護剛度、岩體(ti) 質量指標Q值、 隧道(洞)埋深、隧道(洞)直徑和強度應力比5個(ge) 參 數,實現了對隧道(洞)圍岩擠壓風險的預測; Mahdevari等構建人工神經網絡(ANN),並基於(yu) 共計9個(ge) 地質條件參數和岩體(ti) 參數作為(wei) ANN模型輸入,實現了對隧洞圍岩收斂變形的預測;同年,Mahdevari 等應用支持向量機(SVM)的回歸模型預測了隧洞圍岩的收斂變形,與(yu) ANN模型相比,SVM模型表現出更好的預測性能。需要注意的是,機器學習(xi) 模型的訓練效果依賴於(yu) 大量且有效的數據樣本,而對於(yu) TBM護盾卡機等工程問題,通過現場監測或已有工程獲得的數據樣本總量相對較少,無法充分考慮到施工可能麵臨(lin) 的各種情況。對於(yu) TBM護盾卡機風險預測問題,數值仿真是一種解決(jue) 實際工程中缺乏典型卡機實例樣本的有效手段。可通過人為(wei) 設置卡機影響因素的組合,計算不同工況和 卡機風險的數值樣本,並將數值樣本作為(wei) 一種“專(zhuan) 業(ye) 知識”引導機器學習(xi) 模型進行學習(xi) 和訓練。目前,關(guan) 於(yu) 利用數值模擬構建TBM護盾卡機樣本的研究仍相對較少。Hasanpour 等使用數值模擬手段構建了不同卡機風險的3600 個(ge) 樣本對貝葉斯網絡進行訓練。然而,其數值模型中圍岩采用彈塑性本構,無法有效考慮圍岩的時效蠕變特性,且數值模型中也沒有考慮TBM掘進過程(推進速度)等因素的影響。為(wei) 此,Hou等提出了基於(yu) 數值樣本引導學習(xi) 的TBM卡機風險預測方法,通過考慮7個(ge) 卡機影響因素,計算3萬(wan) 多個(ge) 不同卡機風險等級的數值樣本作為(wei) “知識”引導RF模型進行學習(xi) 和訓練,解決(jue) 了工程中缺乏典型卡機實例樣本的問題。對於(yu) 基於(yu) 數值樣本引導學習(xi) 的TBM卡機風險預測方法,在數值樣本中僅(jin) 考慮了推進速度、超挖量、彈性模量、圍岩強度、地應力、TBM最大推進力和摩擦因 數7個(ge) 影響因素。然而,TBM護盾卡機涉及影響因素眾(zhong) 多,如隧道(洞)洞徑、TBM 長度、回填層的回填距離、特殊地質條件等因素未在模型中進行考慮,有待在後續研究中進一步完善。此外,該方法對新工程(包括不同工況和設備)的適用性也有待在後續研究中進行檢驗。
4 TBM掘進參數輔助決(jue) 策
目前,在TBM掘進施工過程中,TBM駕駛員通常根據試掘進段(即TBM掘進循環中的參數上升段)的數據分析當前設備的運行狀況,結合施工經驗設置適應當前圍岩條件的掘進控製參數。隨著TBM施工經驗的不斷積累和對TBM掘進破岩過程中岩-機相互作用機製的深入了解,國內(nei) 的TBM製造廠商和施工專(zhuan) 家 已經總結出一套相對完整的掘進控製專(zhuan) 家經驗。但由於(yu) TBM駕駛員水平的參差不齊、不同工程間的差 異性,以及需要在掘進過程中對圍岩分類準確判斷等 原因,經驗方法在實際工程應用中仍存在一定的局限性。故TBM 駕駛員在實際施工中通常采取相對“保守的掘進控製方式,導致在很多情況下TBM以次優(you) 或較差的控製參數掘進破岩。因此,有必要開展TBM掘進控製參數優(you) 化的研究工作,從(cong) 而為(wei) TBM駕駛員調控掘進參數提供輔助決(jue) 策,在保證TBM施工安全的同時,提高掘進效率,降低施工成本。TBM掘進參數輔助決(jue) 策主要包括2種方法:1)掘進參數的預測;2)掘進控製參數的優(you) 化。
4.1 TBM掘進參數預測研究現狀
對TBM掘進參數預測的研究起步較早,預測模型可以分為(wei) 理論預測模型、經驗預測模型和智能預測模型3類。其中,理論預測模型通過室內(nei) 試驗或力學分析研究刀盤滾刀與(yu) 岩體(ti) 間的相互作用,從(cong) 而建立岩體(ti) 條件參數和TBM性能參數間的關(guan) 係。 較為(wei) 經典的理論預測模型是基於(yu) 室內(nei) 滾刀線性切割試驗得出的CSM模型,得到了眾(zhong) 多學者的應用和拓展研究。Yagiz在CSM模型中引入岩體(ti) 斷裂指數和脆性指 數,並基於(yu) 此構建了TBM推進速度的回歸預測模型;周思陽等對TBM破岩過程的刀盤推力進行力學分析和計算推導,並基於(yu) 此構建了TBM總推進力的預測模型。經驗預測模型是基於(yu) 不同的統計分析手段對曆史施工實例進行分析,從(cong) 而構建圍岩和地質條件與(yu) TBM性能參數間的經驗關(guan) 係。Hassanpour等基於(yu) 回歸分析建立了IFP 與(yu) 地質條件參數(如單軸抗壓強度、節理間距和岩石質量指標值)間的統計關(guan) 係式; Bruland通過統計分析方法建立了圍岩條件與(yu) TBM 推進速度、利用率、滾刀磨損之間的關(guan) 係。對於(yu) TBM掘進參數的輔助決(jue) 策,主要指的是上述3類模型中的智能預測模型。TBM掘進參數的預測即利用隧道(洞)工程中TBM良好掘進段的曆史數據對機器學習(xi) 模型進行訓練(即學習(xi) 數據中蘊含TBM 駕駛員豐(feng) 富的操作經驗);對於(yu) 新施工段,可基於(yu) 預訓練好的模型預測TBM的掘進性能參數或直接給出TBM掘進控製參數的合理(或較優(you) )值,為(wei) TBM駕駛員評估設備運行狀態和調整掘進控製參數提供 指導和依據。侯少康等建立了IPSO-BP 預測模型,利用TBM掘進循環參數上升段前30s的5個(ge) 掘進參數變化特征(均值和線性擬合斜率)和3個(ge) 地 質參數作為(wei) 模型數據,實現了對穩定段推進速度、總推進力和刀盤轉矩的預測,基於(yu) IPSO-BP 的刀盤轉矩和總推進力預測結果如圖13所示;Gao等使用3種遞歸神經網絡實現對TBM刀盤轉矩、推進速度、推進力等參數的預測,可指導TBM駕駛員進行掘 進參數的適應性調整;曹晉鐠等采用長短期記憶網絡(LSTM)建立了TBM 穩定推力和轉矩的預測模型,並研究了圍岩等級信息的輸入與(yu) 否對模型預 測精度的影響;Xu等評估了7種不同的機器學習(xi) 模型對TBM推進速度、刀盤轉速、總推進力和刀盤轉矩4個(ge) 參數的預測效果。
圖13 基於(yu) IPSO-BP的刀盤轉矩和總推進力預測結果
TBM掘進參數的預測依賴於(yu) 不同地質條件下充足且質量良好的曆史掘進數據,並基於(yu) 此訓練機器學習(xi) 模型直接預測得到較優(you) 的控製參數,或者預測出TBM的性能參數響應為(wei) 駕駛員調整控製參數提供參考。曆史數據反映了經驗豐(feng) 富的TBM駕駛員操作行為(wei) ,而考慮到人為(wei) 操作的主觀性和保守性,通過該方法 預測得到的控製參數組合通常是當前地質條件下的一種合理解而非最優(you) 解。故進行TBM掘進參數的優(you) 化 研究仍具有較大的必要性。
4.2 TBM掘進參數優(you) 化研究現狀
TBM掘進參數優(you) 化指在已知圍岩條件下,通過設置具體(ti) 的決(jue) 策策略或采用優(you) 化算法在決(jue) 策變量的可行域範圍內(nei) 尋找控製參數取值的最優(you) 組合,實現既定的一個(ge) 或多個(ge) 優(you) 化目標。TBM掘進控製參數優(you) 化的相關(guan) 研究成果總結如表7所示。
4.2.1 單目標優(you) 化
單目標優(you) 化方麵,王超基於(yu) 非線性支持向量回歸(NSVR)建立TBM掘進載荷預測模型,並結合改進PSO算法,分別決(jue) 策出以最小化比能和最大化掘進速度為(wei) 優(you) 化目標的最優(you) 控製參數結果; 梁軍(jun) 博首先分別建立了基於(yu) GBDT的圍岩分類預測模型和基於(yu) 神經網絡與(yu) 隨機森林集成的推進速度預測模型,然後以最大化推進速度為(wei) 優(you) 化目標,分別通過窮舉(ju) 法、粒子 群算法和遺傳(chuan) 算法求解出最優(you) 的TBM控製參數組合。
表7 TBM掘進控製參數優(you) 化相關(guan) 研究成果總結
4.2.2 多目標優(you) 化
多目標優(you) 化方麵,陶宇帆在構建的掘進參數預測模型的基礎上,以最大化掘進速度和最小化掘進比能為(wei) 目標提出了能效比指標,並通過尋找約束條件範圍內(nei) 的最大能效比得到最優(you) 控製參數(即n和Pr) 的取值組合; Liu等基於(yu) 灰狼算法優(you) 化廣義(yi) 神經網絡(GWO-GRNN)構建推進速度和地麵沉降預測模型,然後以最大化推進速度和最小化地麵沉降為(wei) 優(you) 化目標構建多目標優(you) 化數學表達,並通過NSGA-Ⅱ算法 求解Pareto最優(you) 前沿,最後通過合理範圍限界和加權和法決(jue) 策出最優(you) 解;王瑞睿通過試驗和數值模擬得到TBM掘進相關(guan) 指標的約束可行域,並以最小化掘 進速度和刀具壽命2部分成本為(wei) 優(you) 化目標,構建了TBM控製參數的優(you) 化決(jue) 策方法,基於(yu) 最低施工成本的TBM控製參數優(you) 化結果如圖14所示; Wang等基於(yu) 聚類分析將工程現場的岩體(ti) 條件分為(wei) 3類,並根據不同岩體(ti) 類別下TBM掘進參數的取值範圍設置各決(jue) 策變量的可行域,然後以最大化推進速度、最小化滾刀磨損、最小化刀盤振動和最小化能耗為(wei) 優(you) 化目標,基於(yu) 多目標差分進化算法求解了最優(you) 控製參數組合;候少康等考慮貫入度、破岩能耗和滾刀磨損3個(ge) 優(you) 化目標,構建了TBM掘進控製參數的多目標優(you) 化框架及相應數學表達,采用DE-NSGA-Ⅱ算法求解Pareto最優(you) 前沿,並提出平衡安全和效率的滿意解確定準則,即在Ⅰ—Ⅲ類圍岩下側(ce) 重掘進效率(取90%分位貫入度處的Pareto 解),在Ⅳ和Ⅴ類圍岩下側(ce) 重施工安全(取80%分位貫入度處的Pareto解),某TBM掘進實例的Pareto最優(you) 前沿解如圖15所示。圖中f1、f2和f3分別表示貫入度的倒數、破岩能耗和滾刀磨損3個(ge) 優(you) 化目標。
圖14 基於(yu) 最低施工成本的TBM控製參數優(you) 化結果
圖15 某TBM掘進實例的Pareto最優(you) 前沿解
目前,針對TBM掘進參數的單目標優(you) 化研究相對較多,主要圍繞最大化掘進效率(即推進速度最大或工期最短)或者最小化破岩能耗2類優(you) 化目標構造多目標優(you) 化問題,並提出相應的最優(you) 解求解方法。而對於(yu) 綜合考慮多個(ge) 目標(如掘進效率、施工成本、能耗等)的多目標優(you) 化研究相對較少,已有成果多為(wei) 近3年開展的研究工作,仍處於(yu) 探索階段。TBM掘進參數的優(you) 化對曆史數據的依賴性較低,難點主要在於(yu) 構建合適的約束條件(即可行域)、目標函數以及確定各目標的合理權重占比等方麵。針對具體(ti) 的圍岩和地質條件,綜合考慮不同優(you) 化目標實現對TBM掘進參 數的多目標優(you) 化決(jue) 策,仍將是TBM智能施工領域的一個(ge) 研究重點。
5 TBM智能施工研究展望
5.1 多源數據互補信息的利用
地下工程問題往往較為(wei) 複雜,以往工程問題中的機器學習(xi) 模型通常隻考慮了單一或較少的數據源,未充分利用可監測多源數據的互補信息提高模型的泛化性能。 例如:對於(yu) 本文的地質災害預測預警,僅(jin) 依靠TBM運行數據通常是不夠的,可通過結合更多的監測手段(如超前地質預報等)輔助進行災害風險的判斷。一些學者以TBM出渣圖形為(wei) 對象進行研究,通過 特征提取或圖像智能分類,實現了對圍岩性質或類別的劃分。故對於(yu) 本文中的圍岩分類預測,可以考慮結合TBM出渣的圖像等信息提高分類的準確性。綜上所述,有必要采用多源數據融合驅動方法,並 重點關(guan) 注多模態異構數據特征融合方法、數據缺失或 稀疏區域的處理方式、多源數據特征的權重調節機製等方麵。
5.2 專(zhuan) 業(ye) 機製知識-數據的融合驅動
機器學習(xi) 等人工智能模型的訓練通常需要足量且具有代表性的數據樣本,目前構建的機器學習(xi) “黑箱”模型主要依賴於(yu) 曆史數據,當數據不全麵時容易造成預測的不合理,對於(yu) 取值域外數據的預測效果較差,且缺乏可解釋性。目前對於(yu) 數據與(yu) 先驗專(zhuan) 業(ye) 機製的融合驅動研究仍有待形成係統可靠的方法體(ti) 係。陳祖煜等基於(yu) 吉林引鬆工程和內(nei) 蒙古引綽濟遼工程,介紹了知識驅動方法和數據驅動方法在TBM智能施工機器學習(xi) 中的應用,分析了知識驅動的優(you) 勢和特點,在數據的數量和質量不夠完善時,知識驅動可能具有更優(you) 的預 測效果。對於(yu) 專(zhuan) 業(ye) 機製知識與(yu) 數據融合驅動方麵,一些學者提出了類似3種融合模式(或融合模型),可概括為(wei) :知識啟發(串聯模型)、知識約束(並聯模型)和 知識啟發-約束混合(混合模型)。馬睿等通過混凝土拱壩溫度場的預測實例,驗證了專(zhuan) 業(ye) 機製知識與(yu) 數據融合驅動的優(you) 勢,相較於(yu) 單純的數據驅動模型具有更準確、合理的預測結果;專(zhuan) 業(ye) 機製知識與(yu) 數據融合驅動的3種基本模型如圖16所示。後續工作中應更深入地研究專(zhuan) 業(ye) 機製知識與(yu) 數據驅動模型的融合方式或作用模式,以及通過多個(ge) 工程 應用驗證其有效性及適用性。
5.3 新工程/工況應用場景的遷移學習(xi)
工程問題往往具有較強的複雜性和不確定性,同時,機器學習(xi) 模型建立的前提是樣本獨立同分布的假設。因此,根據已有工程數據訓練好的模型在很多情況下對新工程和新工況的適用性較差。一方麵,由於(yu) 岩體(ti) 工程的複雜性和不同工程間的差異性,訓練好的預測模型難以直接應用於(yu) 新工程;另一方麵,新工程的建設初期,數據樣本較少,無法用於(yu) 訓練高精度預測模型。例如:對於(yu) 災害預測問題,典型的標簽樣本較少,難以直接訓練獲得高精度的學習(xi) 模型。一些學者已經意識到基於(yu) 曆史數據建立模型對新工程應用的局限性,並開展了相應的探索及分析研究。遷移學習(xi) 即利用具有“豐(feng) 富”的曆史數據樣本開展機器學習(xi) , 通過特定的遷移學習(xi) 策略(如實例遷移、特征遷移和 參數遷移)使得輔助域上的預訓練模型可有效地應用 於(yu) 新工程,這也是該領域應關(guan) 注的一個(ge) 研究重點。
圖16 專(zhuan) 業(ye) 機製知識與(yu) 數據融合驅動的3種基本模型
6 結論與(yu) 展望
1)TBM掘進循環可劃分為(wei) 啟動段、空推段、參數 上升段、穩定段和停機段5個(ge) 工作階段。其中,參數上升段和穩定段為(wei) 有效破岩階段,為(wei) 開展TBM數據機器 學習(xi) 的基礎。所提出標準化的TBM運行數據預處理方法應建立在配套的TBM施工規範化操作流程基 礎上。
2)TBM掘進過程的圍岩智能感知方法主要包括無監督學習(xi) (聚類分析)和監督學習(xi) (神經網絡、支持向量機、決(jue) 策樹、集成學習(xi) 等)2種。為(wei) 實現更好的工程應用,後續仍需從(cong) 模型角度構建更加精確的預測模型;並從(cong) 數據角度引入多源數據或更多其他工程數據為(wei) 模型提供更多的可解釋信息,以及開展不平衡數據集的應對策略研究。
3)TBM掘進過程的塌方預測預警一方麵是基於(yu) 現場施工情況和地質條件數據構建分析模型(如貝葉斯網絡)或預測模型;另一方麵是基於(yu) “正常”掘進數據訓練TBM運行參數或綜合特征指標預測模型,並根據塌方段的預測精度下降等現象構建預警指標。後續仍需結合多工程實例開展深化研究,並研究超前地質預報等多源數據的融合利用方法。
4)TBM掘進過程的卡機風險可通過將卡機影響因素輸入貝葉斯網絡或分類器進行直接預測,也可通過先預測圍岩擠壓力或收斂變形,進而進行間接預測。 一些研究人員提出構建數值樣本作為(wei) “專(zhuan) 業(ye) 知識”來 進行引導學習(xi) 的思路,但研究中考慮的影響因素仍不全麵,有待進一步完善;且所提方法對於(yu) 新工程應用場 景的適應性需分析論證。
5)TBM掘進參數預測即利用良好掘進段的曆史數據得到預訓練模型,並基於(yu) 此預測新施工段的掘進性能參數或直接預測掘進控製參數,但通常為(wei) 合理解而非最優(you) 解;而TBM掘進參數優(you) 化即通過構建單目標 或多目標優(you) 化問題,並在可行域範圍內(nei) 求解控製參數的最優(you) 組合。後續工作應聚焦於(yu) 約束條件、目標函數,各目標權重設置等方麵。
6)TBM智能施工的後續研究可重點利用多源數據互補信息增強預測模型的泛化性能,通過專(zhuan) 業(ye) 知識機製和數據的融合驅動來提高預測結果的合理性,采用有效的遷移學習(xi) 方法來提高預訓練模型對新工程/工況應用場景的適用性。