基于CNN-BiLSTM-Attention的泥水平衡盾构掘进姿态预测方法

杨聪贞; 陈珂; 刘天瑞

doi:10.12404/j.issn.1671-1815.2504933

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (12) :5255-5265 DOI: 10.12404/j.issn.1671-1815.2504933

交通运输

基于CNN-BiLSTM-Attention的泥水平衡盾构掘进姿态预测方法

杨聪贞 ¹^,² ,
陈珂 ¹^,²^,^* ,
刘天瑞 ¹^,²

作者信息 +

Prediction Method of Slurry Balance Shield Tunneling Attitude Based on CNN-BiLSTM-Attention

YANG Cong-zhen ¹^,² ,
CHEN Ke ¹^,²^,^* ,
LIU Tian-rui ¹^,²

Author information +

文章历史 +

摘要

为提高复杂地层条件下泥水平衡盾构施工的姿态预测精度,保障隧道施工安全与质量,提出一种基于卷积神经网络-双向长短期记忆网络-注意力机制(convolutional neural network-bidirectional long short-term memory-Attention,CNN-BiLSTM-Attention)的盾构姿态预测方法。选取21个关键施工参数作为输入,预测盾头与盾尾的水平、垂直偏差及滚动角、俯仰角6个姿态参数,采用箱型图法、随机森林填补、离散小波变换、Pearson相关性分析及归一化等方法对原始数据进行预处理,并通过网格搜索法对模型进行超参数优化,有效提升了模型的预测性能;通过模型消融实验与对比实验,验证了模型在盾构姿态预测中的优势,并分析了模型各组件对整体预测性能的贡献。结果表明:基于CNN-BiLSTM-Attention的方法能有效提升泥水平衡盾构掘进姿态预测精度,具备良好的工程应用前景。

Abstract

In order to improve the prediction accuracy of slurry pressure balance shield attitude in complex strata and ensure tunneling safety and quality, a shield attitude prediction method was proposed based on a convolutional neural network-bidirectional long short-term memory-Attention (CNN-BiLSTM-Attention). Twenty-one key tunneling parameters were selected as inputs to predict six attitude parameters, including the horizontal and vertical deviations of the shield's head and tail, as well as roll and pitch angles. The raw data was preprocessed using boxplot analysis, random forest imputation, discrete wavelet transform, Pearson correlation analysis, and normalization methods. Model hyperparameters were optimized through grid search to achieve improved predictive performance. Ablation experiments and comparative studies were conducted to validate the model's superiority in shield attitude prediction and analyze the contribution of each component to overall prediction performance. The results show that the CNN-BiLSTM-Attention-based method effectively improves the attitude prediction accuracy of slurry balance shield tunneling, showing promising potential for engineering applications.

Graphical abstract

关键词

泥水平衡盾构 / 姿态预测 / 深度学习 / 数据预处理

Key words

slurry balance shield / attitude prediction / deep learning / data preprocessing

引用本文

引用格式 ▾

杨聪贞, 陈珂, 刘天瑞. 基于CNN-BiLSTM-Attention的泥水平衡盾构掘进姿态预测方法[J]. 科学技术与工程, 2026, 26(12): 5255-5265 DOI:10.12404/j.issn.1671-1815.2504933

YANG Cong-zhen, CHEN Ke, LIU Tian-rui. Prediction Method of Slurry Balance Shield Tunneling Attitude Based on CNN-BiLSTM-Attention[J]. Science Technology and Engineering, 2026, 26(12): 5255-5265 DOI:10.12404/j.issn.1671-1815.2504933

登录浏览全文

4963

注册一个新账户忘记密码

随着中国城市发展对地下空间开发需求的持续增长,盾构法因其施工速度快、安全性高、环境影响小等优点,已广泛应用于城市轨道交通、过江隧道和长距离隧道等工程^[1-2]。在各类盾构工法中,泥水平衡盾构因其对高含水量土层及复杂地层的良好适应性,在中国盾构工程中得到广泛应用^[3-4]。然而,该方法在实际施工过程中仍面临姿态控制难度大、运行参数复杂及精度要求高等问题,易导致隧道轴线偏移、管片错台、渗漏及结构变形等风险^[5]。近年来,中国盾构装备发展迅速,已基本实现从依赖进口到自主设计制造的重大跨越^[6-7]。然而,在极端地质适应性、关键部件长寿命运行及智能化控制等方面,中国仍与国际先进水平存在一定差距,这在一定程度上制约了相关技术向更高层次智能化方向的发展^[8]。

传统姿态控制主要依赖操作人员根据导向系统反馈调节推进系统,该过程高度依赖经验,具有主观性强、实时性差的缺陷^[9]。因此,建立盾构姿态预测模型,提前掌握姿态变化趋势,成为当前研究的重要方向。目前盾构姿态预测方法主要包括几何推理方法、物理建模方法和数据驱动的智能算法。几何推理方法主要基于观测数据构建数学模型来预测姿态变化趋势。潘国荣等^[10]通过改进的空间坐标转换以及空间几何关系的综合分析,建立了盾构姿态的联合平差模型。王春凯^[11]聚焦于盾构姿态控制过程中推力油缸系统的响应特性,推导出推进油缸行程差与盾头垂直偏差之间的数学关系。但由于地质条件和测量误差的影响,几何推理方法的适用性受到很大限制。为了克服几何推理方法的局限性,Sugimoto等^[12]提出了一种基于动力学平衡条件的盾构运动学模型,用于模拟盾构在多层地层和曲线对位条件下的掘进姿态,结合有限元模拟实现对姿态变化的理论预测。Shen等^[13]建立了盾构姿态变化引起的土体位移与荷载计算方法,通过等效弹簧模型模拟盾构外壳与土体之间的力学关系,从理论上解决了盾构俯仰角的预测问题。然而,受限于对理想条件的假设,这些方法在实际工程应用中的适应能力有限^[14]。

为此,许多学者探索了智能算法在盾构姿态预测中的应用。张爱军^[15]构建了基于反向传播(back propagation, BP)神经网络的盾构姿态预测模型,揭示了施工参数与姿态偏差之间的非线性关系。吴惠明等^[16]提出了一种结合支持向量机(support vector machine, SVM)算法的盾构姿态预测模型,在测试集中取得了高达0.863的拟合优度和94.5%的预测准确率。Xiao等^[17]构建了4种机器学习模型和4种深度学习模型对盾构姿态进行系统预测。

现有研究取得了显著进展,但由于盾构姿态数据具有强非线性和时变性等特点,传统机器学习模型和单一深度学习算法在特征提取深度、模型鲁棒性等方面仍存在不足^[18]。融合多种人工智能技术的混合模型已成为提升预测精度与鲁棒性的重要研究方向。王树英等^[19]提出了卷积神经网络(convolutional neural network, CNN)与长短期记忆网络(long short-term memory, LSTM)相结合的方法,提升了盾构竖向姿态的预测精度。Zhou等^[20]引入小波降噪(wavelet domain denoising, WD)技术,构建WD-CNN-LSTM模型,增强了动态预测的稳定性。汪来等^[21]将注意力模型(attention model, AM)与双向长短期记忆网络(bidirectional long short-term memory, BiLSTM)相结合,提高了在非均质地层中的盾构姿态预测精度。

在上述研究基础上,为进一步增强特征提取的全面性与关键信息聚焦能力,提出一种基于卷积神经网络、双向长短期记忆和注意力机制(CNN-BiLSTM-Attention)的泥水平衡盾构掘进姿态预测方法。该方法通过CNN强化空间特征提取,利用BiLSTM捕捉双向长期时序依赖,并引入Attention机制聚焦关键信息,从而更适应复杂施工环境,提升姿态预测精度,为盾构施工的智能化管控提供技术支撑。

1 盾构掘进数据及预处理方法

1.1 工程概况

依托上海轨道交通市域线机场联络线工程(西段)3标段,针对盾构姿态预测任务进行分析。该标段包含两段盾构区间,第一段盾构区间为梅富路工作井——华泾站工作井,区间全长2 184 m;第二段盾构区间为梅富路工作井—2#风井,区间全长5 657 m。两段隧道均采用14 m级泥水平衡盾构机进行施工,隧道管片外径13.6 m,内径12.5 m。

选取第二段盾构区间梅富路工作井——2#风井作为主要研究对象。该区间最小曲线半径为520 m,主要穿越黏土层、粉质黏土层和黏质粉土层,具有一定的透水性与含水率,且沿线地层分布复杂。

1.2 数据采集

盾构掘进姿态受几何参数(如隧道埋深,其增大会扩大扰动范围)、地层参数(如内摩擦角和黏聚力,反映土体抗剪强度)和掘进参数共同影响,其中掘进参数通过推进系统(油缸压力、总推力、速度)、刀盘系统(贯入度、扭矩、转速)、泥水循环系统(进/排浆密度流量、泥水仓/气垫仓压力)和注浆系统(注浆压力)协同控制姿态^[22]。因此,选取上述21个关键施工参数作为输入参数,各参数数据通过传感器以10 s的时间间隔沿隧道掘进方向连续采集。在盾构掘进过程中,盾头水平偏差、盾头垂直偏差、盾尾水平偏差、盾尾垂直偏差、滚动角和俯仰角是最重要的姿态控制指标,盾构机操作人员可以通过观察这些参数的偏差变化,及时调整盾构机的姿态,以确保掘进过程的安全性和工程质量。因此,选取以上6个参数作为输出参数,以表征盾构姿态的变化趋势。

收集了盾构掘进过程中2 150~2 450环的原始数据,由于数据的连续性和质量直接影响预测模型的精度,因此在筛选训练样本时应遵循以下条件:①一环中的数据要保持完整,包含从开始掘进到掘进完成的全部数据,并保持时间序列上的连贯性;②相邻两环之间的数据应保持连贯性,不能有缺失值;③重点关注盾构掘进困难区段所对应的数据,采用该区段的数据训练,有助于提升模型在复杂地质条件下的预测精度。考虑到第2 275~2 375环前后为小半径曲线段施工,且该区段涉及长距离穿越不良地质、近距离穿越重要建(构)筑物及既有铁路,施工环境较为复杂。因此,选择该区间的掘进数据及姿态数据作为研究的数据集,以提高模型对复杂工况的适应性和预测精度。模型的输入及输出参数如表1所示。

1.3 数据预处理

1.3.1 去除停机数据

在盾构掘进过程中,存在大量的停机数据,这些数据对于姿态预测无实际意义,因此需事先剔除。停机状态的识别通常依赖于一组关键掘进参数,包括推进速度(V)、刀盘转速(N)、刀盘扭矩(T)、刀盘贯入度(S)以及总推力(F),这些参数与盾构机的运行状态密切相关,统称为盾构掘进状态指标。当盾构机处于停机状态时,掘进状态指标(D)存在零值;当盾构机开始掘进时,掘进状态指标(D)均不为零。因此,基于这些参数构建二元判别函数识别停机状态并剔除相应数据,如式(1)所示,从而确保训练数据集中仅包含对姿态预测有意义的掘进状态信息。

(1)

$\left\{\begin{array}{l}D=VNTSF\\ \mathrm{掘}\mathrm{进}\mathrm{状}\mathrm{态}=\left\{\begin{array}{ll}\mathrm{正}\mathrm{常}\mathrm{掘}\mathrm{进}\mathrm{状}\mathrm{态},& D\ne 0\\ \mathrm{停}\mathrm{机}\mathrm{状}\mathrm{态},& D=0\end{array}\right.\end{array}\right.$

如图1所示,对5个盾构掘进状态指标的原始数据进行了可视化分析,并选取前3 500个数据样本进行展示。可以发现,掘进过程中存在明显的停机时刻,即当5个盾构掘进状态指标中任一指标存在零值时,剔除对应数据点。经过数据清洗后,最终获得剔除停机数据后的样本总数为30 000个。

1.3.2 异常值剔除

为保证数据集的质量,在剔除停机数据后,还需要进一步识别并剔除数据集中的异常值。采用箱型图(Boxplot)方法进行异常值检测与剔除。该方法基于统计学原理,通过四分位数及四分位距计算异常值的分布范围,具体步骤如下。

(1)计算四分位数和四分位距对每个输入参数的数据集,计算其第一四分位数Q₁和第三四分位数Q₃,并根据式(2)计算四分位距IQR。

(2)IQR=Q₃-Q₁

(2)确定异常值的范围。设定异常值的判定范围,即数据范围的上限和下限,如式(3)所示,超出此范围的数据点视为异常值。

(3)

$\left\{\begin{array}{l}\mathrm{下}\mathrm{限}={Q}_{1}-1.5\mathrm{I}\mathrm{Q}\mathrm{R}\\ \mathrm{上}\mathrm{限}={Q}_{3}+1.5\mathrm{I}\mathrm{Q}\mathrm{R}\end{array}\right.$

(3)删除异常值。对每个参数的数值范围进行约束,箱型图箱体之外的黑点为异常值,去除异常值并保留范围内的数据用于后续分析。

如图2所示,以姿态位移参数为例进行箱型图分析。箱型图中的最下方和最上方线条分别代表剔除异常值后的最小值和最大值;第一四分位数和第三四分位数之间的“箱体”显示了数据中间50%的分布范围;“箱体”内的中位数线表示数据的中心点;此外,超出上下限边界的黑点代表异常值,所有异常数据均被剔除,以确保后续数据分析的有效性。

1.3.3 数据补全

在完成异常值剔除后,需对数据集中因剔除异常点而导致的缺失值进行补全。由于异常值数量占比较大,若直接丢弃会影响样本的完整性和数据的代表性,因此采用随机森林填补法对缺失样本进行补全^[23]。随机森林填补法是一种基于监督学习的非参数统计方法,通过利用数据的内部关联性对缺失值进行预测,尤其适用于多变量的工程数据集。

1.3.4 离散小波变换去噪

盾构机采集得到的运行数据易受到环境噪声和测量误差的影响,需进一步对数据进行去噪处理。在完成缺失值填补后,采用离散小波变换对所有数据进行去噪,选取Daubechies小波族作为小波基函数。如图3所示,去噪前后的数据表明,经过离散小波去噪处理后,数据中的噪声明显降低,信号的细节信息得到保留,有助于提升姿态预测模型的训练精度。

1.3.5 Pearson相关性分析

为进一步优化数据特征,采用Pearson相关性分析方法计算所有输入变量之间的相关性。Pearson相关性分析是一种常用的统计工具,用于衡量多个变量之间的线性相关性,并可用于描述变量之间的正相关、负相关或相关性强弱的程度。其计算方法基于两个变量的协方差与标准差之比,所得相关系数的取值范围为[-1,1],其计算公式为

(4)

$\mathrm{r}=\frac{\stackrel{n}{\sum _{i=1}}({x}_{i}-\stackrel{-}{x})({y}_{i}-\stackrel{-}{y})}{\sqrt{\stackrel{n}{\sum _{i=1}}({x}_{i}{-\stackrel{-}{x})}^{2}}\sqrt{\stackrel{n}{\sum _{i=1}}({y}_{i}{-\stackrel{-}{y})}^{2}}}$

式(4)中:r为Pearson相关系数;x_i、y_i为数据集中第i个样本的观测值;

$\stackrel{-}{x}$

、

$\stackrel{-}{y}$

为样本的平均值;n为样本数量。

如图4所示,推进速度与刀盘贯入度之间的相关系数大于0.8,二者存在较强的线性相关性。为避免冗余特征对模型预测度的干扰,结合工程经验和数据特征分析,剔除了刀盘贯入度这一输入变量,最终保留20个输入参数。

1.3.6 归一化处理

在完成特征筛选后,为消除不同特征量纲对模型训练的影响,对输入参数的训练集进行归一化处理,采用Min-Max标准化方法对原始数据进行线性变换,并将其映射到固定区间[0,1]中。归一化处理不仅有助于提升模型的收敛速度,还能有效降低特征尺度不均衡对预测结果的影响。

2 基于CNN-BiLSTM-Attention的盾构姿态预测方法

2.1 CNN-BiLSTM-Attention混合模型

所提出的基于CNN-BiLSTM-Attention的盾构姿态预测方法,将Attention机制与CNN、BiLSTM相结合,解决盾构施工过程中姿态动态变化难以准确预测的问题。如图5所示,模型的整体架构由五层结构组成,包括输入层、CNN层、BiLSTM层、Attention层和输出层。在这一架构中,CNN负责提取输入数据的局部空间特征,重点分析单个数据节点与邻近节点之间的关联关系,从而增强对盾构掘进状态局部模式的理解。其中,在CNN层后加入Dropout操作可以增加模型鲁棒性和泛化能力,以减少过拟合的风险。随后,利用BiLSTM的双向时序建模能力,捕捉盾构掘进过程中量测数据的全局时间依赖性,解析不同时刻间的动态特征变化,以确保姿态预测对历史数据的敏感性和一致性。最后,由于CNN层与BiLSTM层在全局感知与输入特征自适应筛选方面的局限性,引入Attention机制中的自注意力机制(Self-Attention),自适应地为不同时刻的输入数据分配权重,识别关键时间步的信息和重要特征,克服BiLSTM的长序列信息压缩瓶颈与CNN的局部视野限制。增强模型对关键特征的关注能力,提高预测精度。

2.2 评估指标

采用均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)和决定系数(R-square, R²)作为模型训练效果的评估指标,以衡量预测结果的准确性和模型的整体拟合能力,具体计算公式为

(5)

$RMSE=\sqrt{\frac{1}{n}\stackrel{n}{\sum _{i=1}}({y}_{i}-{\dot{y}}_{i}{)}^{2}}$

(6)

$MAE=\frac{1}{n}\stackrel{n}{\sum _{i=1}}\left|{\dot{y}}_{i}-{y}_{i}\right|$

(7)

${R}^{2}=1-\frac{\stackrel{n}{\sum _{i=1}}({\dot{y}}_{i}{-\stackrel{-}{y})}^{2}}{\stackrel{n}{\sum _{i=1}}({y}_{i}{-\stackrel{-}{y})}^{2}}$

式中:n为样本数量;

${\dot{y}}_{i}$

为预测值;

$\stackrel{-}{y}$

为所有真实值的均值;y_i为真实值。

2.3 超参数优化

超参数优化是深度学习模型训练过程中的关键步骤,不同的超参数设置会对模型的训练过程、收敛速度以及最终预测精度产生显著影响。针对CNN-LSTM-Attention模型的结构,采用网格搜索方法进行超参数优化,从而寻找最优参数配置。基于网格搜索法的实验结果,最终确定的最优超参数配置如表2所示。

2.4 预测结果

所使用的数据集共包含30 000个样本,每个样本由20个输入特征维度组成。数据集按照80%训练集、20%测试集进行划分,其中训练集10%作为验证集,用于评估模型在训练过程中的泛化能力。

CNN-BiLSTM-Attention模型在训练集和测试集上的预测效果如图6所示。可以看出,该模型在6个输出参数上均表现出良好的预测能力,预测值曲线与真实值曲线基本重合,且呈现出相同的变化趋势。这表明模型能够有效捕捉数据的时序特征,并对盾构姿态参数进行精准预测。

训练集和测试集各项评估指标具体数值如表3所示。模型在训练集上的RMSE和MAE均处于较低的水平,且R²均超过0.98,表明该模型对训练数据具有较强的拟合能力。在测试集上,模型的预测值与真实值基本一致,R²均超过0.94,表明模型在测试数据上的预测精度较高,具备良好的泛化能力。然而,对于盾尾水平偏差和盾尾垂直偏差,尽管其R²仍保持较高水平,但RMSE和MAE相对较高,分别为1.658、1.212和2.893、2.173。因此,CNN-BiLSTM-Attention在盾构姿态的水平偏差与角度方面展现出较强的拟合能力,对于垂直偏差的预测则仍有进一步优化的空间。

3 对比实验

为了验证所提出的CNN-BiLSTM-Attention盾构姿态预测模型的优越性,在原数据集的基础上,采用常见的预测模型进行对比分析:①模型消融实验,即从CNN-BiLSTM-Attention模型自身出发,评估各个组件对整体性能的贡献,具体对比BiLSTM、CNN-BiLSTM、BiLSTM-Attention和CNN-BiLSTM-Attention;②不同类别模型的对比实验,选取支持向量回归(support vector regression,SVR)、随机森林(random forest, RF)、门控循环单元(gated recurrent unit,GRU)和CNN-BiLSTM-Attention进行性能比较。

3.1 模型消融实验

消融实验是评估模型各个组件对整体性能贡献的重要方法。其核心思想是逐步去除或修改模型的部分模块,并观察其对最终预测效果的影响,从而量化各个模块在整体架构中的作用。通过该实验,可以确定不同结构对提升模型性能的重要性。对于CNN-BiLSTM-Attention模型,消融实验的重点在于分析CNN层、BiLSTM层和Attention机制对预测性能的影响。结果如表4所示。

实验结果表明,CNN-BiLSTM-Attention模型在所有评估指标上均表现出明显的优势,在多个输出参数上取得了最低误差和最高拟合精度。

相比之下,BiLSTM-Attention模型在部分输出参数的预测中表现良好,特别是在拟合精度和误差控制方面,相较于传统BiLSTM结构有所提升。然而,尽管引入了Attention机制,该模型在处理复杂的特征和长时依赖时仍存在一定局限性,整体弱于CNN-BiLSTM-Attention的表现。

CNN-BiLSTM模型通过在BiLSTM结构之上引入CNN层,在特征提取能力上有所增强,但由于缺乏Attention机制的辅助,未能有效提升模型在数据集上的表现。结果表明,该模型在多个输出参数上的误差相对较大,拟合度较低,表明CNN-BiLSTM结构在时序数据建模和关键时间步选择方面仍存在一定局限性。

单一BiLSTM模型在所有测试任务中的误差较大且拟合度较低。结果表明,仅依赖BiLSTM结构在处理具有复杂时序特征的数据时,缺乏对关键时间步的选择能力,同时无法突出重要时刻的信息,导致预测精度较低。

综上,Attention机制对模型精度提升贡献最大,显著提升了关键时间步的关注能力,降低了误差;BiLSTM-Attention虽较BiLSTM精度更高,但缺乏CNN使特征提取能力受限;CNN-BiLSTM则因缺少Attention无法精准关注关键时间步,预测误差较大。CNN-BiLSTM-Attention则充分结合了三者优势,具备最高精度和最优拟合能力。

3.2 模型对比实验

对SVR、RF、GRU和CNN-BiLSTM-Attention 4种模型在盾构姿态预测任务中的性能进行对比分析,结果如表5所示。CNN-BiLSTM-Attention模型在所有评估指标上均表现最佳,在均方根误差RMSE和平均绝对误差MAE方面,相较于其他模型的预测精度显著提高。例如,在盾头水平偏差预测中,该模型的RMSE为0.419,MAE为0.295,显著低于SVR、RF和GRU。此外,CNN-BiLSTM-Attention在决定系数R²方面同样表现优异,尤其在滚动角和俯仰角的预测方面,R²分别达到0.987和0.993,表明该模型能够高度拟合数据。尽管GRU在部分预测目标上表现较优,且计算复杂度较低,但总体精度仍不及CNN-BiLSTM-Attention。SVR和RF则在大多数预测任务中的误差较大,难以有效建模复杂时序特征。

需要说明,盾构掘进参数也受到岩土条件的影响。因此,后续研究可重点考虑将岩土力学参数与掘进参数进行多维度耦合分析,进而为实际施工提供更精准的智能化参数调整方案。

4 结论

提出了基于CNN-BiLSTM-Attention的泥水平衡盾构掘进姿态预测方法。得出如下主要结论。

(1)基于泥水平衡盾构姿态关键影响因素,选取了21个施工参数作为模型的输入参数,并将盾尾水平偏差、盾尾垂直偏差、盾头水平偏差、盾头垂直偏差、滚动角和俯仰角6个姿态参数作为输出参数,以10 s的时间间隔沿隧道掘进方向连续采集数据,构建模型训练数据集。为进一步提高数据质量,对采集的原始数据进行了剔除盾构停机数据、剔除异常值、数据去噪等预处理。采用Pearson相关性分析方法识别并剔除冗余参数,并对数据进行归一化处理,确保不同量纲的变量能够在统一的数值范围内参与模型训练。最终得到30 000条高质量数据样本作为盾构姿态预测模型的训练数据。

(2)结合CNN、BiLSTM与Attention的优势,采用网格搜索确定模型的最优超参数,构建了基于CNN-BiLSTM-Attention的盾构姿态预测模型。结果表明,该模型在测试集上表现优异,RMSE和MAE均处于较低水平,R²均超过0.94,最高达到0.993。盾头水平偏差、盾尾水平偏差、盾头垂直偏差、盾尾垂直偏差、滚动角和俯仰角的RMSE分别为0.419、1.658、0.573、2.893、0.127和0.218;MAE分别为0.295、1.212、0.415、2.173、0.097和0.134;R²分别为0.975、0.944、0.985、0.972、0.987和0.993。在各项评估指标上,盾头水平偏差和盾头垂直偏差的误差较小,而盾尾垂直偏差和盾尾水平偏差的误差相对较大,说明模型对盾构头部姿态的预测精度相较于尾部更高;滚动角和俯仰角预测误差最小,说明模型在角度类姿态参数上的预测精度最高。

(3)从模型消融实验和不同模型对比实验两个维度进行分析。消融实验表明,BiLSTM模型单独使用时表现最差,而CNN-BiLSTM-Attention组合模型的性能最佳,其中Attention机制的引入对模型精度的提升最为显著。在不同模型对比实验中,选取SVR、RF、GRU进行对比,结果表明CNN-BiLSTM-Attention模型在所有评估指标上均优于其他模型,验证了该方法在盾构姿态预测中的有效性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Lei H Y, Shi L, Hu Y, et al. Ground movement and settlement prediction induced by double-track curvature shield tunneling[J]. Acta Geotechnica, 2024, 19(9): 6179-6193.

[2]	陈阳, 刘文, 刘文黎, 等. 盾构法隧道开挖面稳定性下的多目标优化研究[J]. 科学技术与工程, 2024, 24(18): 7882-7888.

[3]	Chen Yang, Liu Wen, Liu Wenli, et al. Multi-objective optimization study based on the stability of shield tunnel excavation surface[J]. Science Technology and Engineering, 2024, 24(18): 7882-7888.

[4]	任旭东, 张凤凯, 丁万涛, 等. 基于神经网络的泥水盾构地表沉降预测与掘进参数优化[J]. 科学技术与工程, 2025, 25(5): 2090-2099.

[5]	Ren Xudong, Zhang Fengkai, Ding Wantao, et al. Prediction of ground settlement and optimization of tunneling parameters of slurry shield based on neural network[J]. Science Technology and Engineering, 2025, 25(5): 2090-2099.

[6]	潘秋景, 李晓宙, 黄杉, 等. 机器学习在盾构隧道智能施工中的应用——综述与展望[J]. 隧道与地下工程灾害防治, 2022, 4(3): 10-30.

[7]	Pan Qiujing, Li Xiaoyu, Huang Shan, et al. Application of machine learning to intelligent shield tunnelling: review and prospects[J]. Hazard Control in Tunnelling and Underground Engineering, 2022, 4(3): 10-30.

[8]	朱美恒, 陈兆庚, 张冬梅, 等. 基于AWPSO-GRU算法的盾构掘进姿态预测方法:以上海市域铁路机场联络线为例[J]. 科学技术与工程, 2025, 25(14): 6062-6071.

[9]	Zhu Meiheng, Chen Zhaogeng, Zhang Dongmei, et al. Prediction method of shield tunneling attitude based on AWPSO-GRU algorithm—taking the Shanghai suburban railway airport connection line as an example[J]. Science Technology and Engineering, 2025, 25(14): 6062-6071.

[10]	王发民, 孙振川, 张良辉, 等. 汕头海湾隧道超大直径泥水盾构针对性设计及不良地质施工技术[J]. 隧道建设(中英文), 2020, 40(5):735-746.

[11]	Wang Famin, Sun Zhenchuan, Zhang Lianghui, et al. Design of super-large diameter slurry shield used in Shantou Bay Tunnel and construction countermeasures for unfavorable geology[J]. Tunnel Construction, 2020, 40(5):735-746.

[12]	魏晓龙, 林福龙, 孟祥波, 等. 滚刀状态实时诊断技术在超大直径泥水盾构中的应用——以汕头苏埃通道为例[J]. 隧道建设(中英文), 2021, 41(5):865-870.

[13]	Wei Xiaolong, Lin Fulong, Meng Xiangbo, et al. Real-Time diagnosis application of disc cutter in super-large diameter slurry shield: a case study on Shantou Su'ai tunnel[J]. Tunnel Construction, 2021, 41(5):865-870.

[14]	代洪波, 季玉国. 我国大直径盾构隧道数据统计及综合技术现状与展望[J]. 隧道建设(中英文), 2022, 42(5):757-783.

[15]	Dai Hongbo, Ji Yuguo. Statistical analysis of Chinese large-diameter shield tunnel and state-of-art and prospective of comprehensive technologies[J]. Tunnel Construction, 2022, 42(5):757-783.

[16]	简鹏, 杨晨, 游宇嵩, 等. 盾构掘进姿态自动控制技术研究与应用[J]. 隧道建设(中英文), 2023, 43(10): 1795-1800.

[17]	Jian Peng, Yang Chen, You Yusong, et al. Research andapplication of automatic control technology for shield tunneling attitude[J]. Tunnel Construction, 2023, 43(10): 1795-1800.

[18]	潘国荣, 唐杭. 一种基于联合平差的盾构姿态计算方法[J]. 山东科技大学学报(自然科学版), 2013, 32(6): 48-56.

[19]	Pan Guorong, Tang Hang. A new method of shield attitude calculation based on combined adjustment[J]. Journal of Shandong University of Science and Technology(Natural Science), 2013, 32(6): 48-56.

[20]	王春凯. 盾构姿态控制研究[J]. 隧道建设, 2016, 36(11): 1389-1393.

[21]	Wang Chunkai. Analysis of shield attitude control technology[J]. Tunnel Construction, 2016, 36(11): 1389-1393.

[22]	Sugimoto M, Sramoon A, Konishi S, et al. Simulation of shield tunneling behavior along a curved alignment in a multilayered ground[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2007, 133(6): 684-694.

[23]	Shen X, Yuan D J, Jin D L. Influence of shield attitude change on shield-soil interaction[J]. Applied Sciences, 2019, 9(9): 1812.

[24]	胡长明, 侯雅君, 李靓, 等. 盾构竖向姿态的组合预测模型研究[J]. 铁道科学与工程学报, 2021, 18(6): 1521-1528.

[25]	Hu Changming, Hou Yajun, Li Liang, et al. Research on the combined prediction model of shield vertical attitude[J]. Journal of Railway Science and Engineering, 2021, 18(6): 1521-1528.

[26]	张爱军. 上软下硬地层盾构掘进姿态施工参数模糊控制研究[J]. 铁道科学与工程学报, 2018, 15(11): 2920-2927.

[27]	Zhang Aijun. Study of fuzzy control on tunneling parameters of shield attitude inupper-soft and lower-hard ground[J]. Journal of Railway Science and Engineering, 2018, 15(11): 2920-2927.

[28]	吴惠明, 常佳奇, 李刚, 等. 基于支持向量机的盾构掘进姿态预测与施工参数优化方法[J]. 隧道建设(中英文), 2021, 41(S1): 11-18.

[29]	Wu Huiming, Chang Jiaqi, Li Gang, et al. Prediction ofdriving posture and optimization of construction parameters for shield based on support vector machine[J]. Tunnel Construction, 2021, 41(S1): 11-18.

[30]	Xiao H H, Xing B, Wang Y J, et al. Prediction of shield machine attitude based on various artificial intelligence technologies[J]. Applied Sciences-Basel, 2021, 11(21): 10264.

[31]	仉文岗, 严玉苗, 刘汉龙, 等. 基于Transformer-LSTM的泥水平衡盾构姿态预测研究[J]. 应用基础与工程科学学报, 2025, 33(3): 690-700.

[32]	Zhang wengang, Yan Yumiao, Liu Hanlong, et al. Research on mud-water balance shield machine attitude prediction based on Transformer-LSTM[J]. Journal of Applied Basic and Engineering Sciences, 2025, 33(3): 690-700.

[33]	王树英, 汪来, 潘秋景. 基于数据驱动的盾构竖向姿态预测深度学习模型[J]. 中南大学学报(自然科学版), 2024, 55(2): 485-499.

[34]	Wang Shuying, Wang Lai, Pan Qiujing. Data-driven deep learning model of shield vertical attitude prediction[J]. Journal of Central South University, 2024, 55(2): 485-499

[35]	Zhou C, Xu H C, Ding L Y, et al. Dynamic prediction for attitude and position in shield tunneling: a deep learning method[J]. Automation in Construction, 2019, 105: 102840.

[36]	汪来, 王树英, 潘秋景, 等. 基于AM-BiLSTM模型的块石回填土区盾构姿态预测研究[J]. 铁道科学与工程学报, 2023, 20(8): 2948-2960.

[37]	Wang Lai, Wang Shuying, Pan Qiujing, et al. Research of prediction of shield attitude passing the soil-rock mixture backfill area based on the AM-BiLSTM[J]. Journal of Railway Science and Engineering, 2023, 20(8): 2948-2960.

[38]	陈珂, 刘天瑞, 杨钊. 盾构掘进姿态控制技术研究现状与未来展望[J]. 隧道建设(中英文), 2024, 44(6): 1154-1164.

[39]	Chen Ke, Liu Tianrui, Yang Zhao. Current status and future prospects of shield tunneling attitude control technology[J]. Tunnel Construction, 2024, 44(6): 1154-1164.

[40]	张晓琴, 程誉莹. 基于随机森林模型的成分数据缺失值填补法[J]. 应用概率统计, 2017, 33(1): 102-110.

[41]	Zhang Xiaoqin, Cheng Yuying. Imputation of missing values for compositional data based on random forest[J]. Chinese Journal of Applied Probability and Statistics, 2017, 33(1): 102-110.

基金资助

国家自然科学基金区域创新发展联合基金重点项目(U21A20151)

PDF (11948KB)

访问

被引

详细

导航

Received	Published	Revised
2025-07-02	2026-04-28	2025-12-16
Online Date
2026-05-29

摘要