交通运输基于NGBoost-NSGA-Ⅲ的大直径盾构施工参数多目标优化方法:以杭州地铁6号线江南大道改造提升工程为例

陈阳阳; 刘文; 王志华; 陈健; 艾德米; 朱宏平; 杜彦良

doi:10.12404/j.issn.1671-1815.2504935

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (20) :8782-8790 DOI: 10.12404/j.issn.1671-1815.2504935

交通运输

交通运输基于NGBoost-NSGA-Ⅲ的大直径盾构施工参数多目标优化方法:以杭州地铁6号线江南大道改造提升工程为例

陈阳阳 ¹ ,
刘文 ² ,
王志华 ¹ ,
陈健 ¹ ,
艾德米 ¹^,^* ,
朱宏平 ¹ ,
杜彦良 ³

作者信息 +

Multi-objective Optimization Method for Large-diameter Shield Construction Parameters Based on NGBoost-NSGA-Ⅲ: Jiangnan Avenue Renovation and Upgrading Project in Hangzhou Metro Line 6

Author information +

文章历史 +

摘要

为解决复杂地层条件下大直径盾构施工中掘进效率、能耗与地表沉降的多目标协同优化难题,提出一种基于数据增广的多目标优化框架。该框架创新性融合自然梯度提升(natural gradient boosting,NGBoost)概率预测模型与第三代非支配排序遗传算法(non-dominated sorting genetic algorithm Ⅲ,NSGA-Ⅲ),并引入逼近理想解排序方法(technique for order preference by similarity to an ideal solution,TOPSIS)从Pareto最优解集中筛选最佳盾构操作参数组合。以杭州市某实际盾构工程为案例,针对不同埋深、土体力学特性场景,开展盾构操作参数优化研究。实验结果表明:所提方法对掘进速度、比能及地表沉降的预测精度较高:预测结果与实际结果的均方根误差(root mean square error,RMSE)分别为3.434 8 mm/min、9.166 2 MJ/m³、5.821 0 mm,决定系数(coefficient of determination,R²)分别达到0.775 9、0.844 4、0.902 6;参数优化效果显著,相较优化前,掘进速度提升19.81%,比能降低62.09%,地表沉降降低21.53%。所提出的多目标优化框架可有效平衡大直径盾构施工中的效率、能耗与安全指标,显著提升复杂地层条件下盾构施工的效率与安全水平,并降低施工能耗,为类似工程的参数优化提供可靠技术参考。

Abstract

Large-diameter shield tunneling under complex stratum conditions faces the challenge of multi-objective collaborative optimization of tunneling efficiency, energy consumption, and surface settlement. A multi-objective optimization framework based on data augmentation was proposed. The framework innovatively integrated the natural gradient boosting (NGBoost) probabilistic prediction model, the non-dominated sorting genetic algorithm Ⅲ (NSGA-Ⅲ), and the technique for order preference by similarity to an ideal solution (TOPSIS) method. The TOPSIS method was used to select the optimal combination of shield operating parameters from the Pareto optimal solution set. An actual shield tunneling project in Hangzhou was taken as a case study. Research on the optimization of shield operating parameters was carried out under scenarios with different burial depths and soil mechanical properties. Experimental results demonstrate that high prediction accuracy for tunneling speed, specific energy consumption, and surface settlement is achieved by the proposed method: the root mean square errors (RMSE) between predicted and actual results are 3.434 8 mm/min, 9.166 2 MJ/m³, and 5.821 0 mm, respectively, while the coefficient of determination (R²) reaching 0.775 9, 0.844 4, and 0.902 6. The parameter optimization effect is significant: compared with the pre-optimization state, the tunneling speed is increased by 19.81%, the specific energy consumption is reduced by 62.09%, and the surface settlement is decreased by 21.53%. In conclusion, the proposed multi-objective optimization framework can effectively balance efficiency, energy consumption, and safety indicators in large-diameter shield tunneling. Under complex stratum conditions, it significantly improves construction efficiency and safety level, and reduces construction energy consumption. This framework provides a reliable technical reference for parameter optimization in similar engineering projects.

Graphical abstract

关键词

大直径盾构 / 多目标优化 / NGBoost算法 / NSGA-Ⅲ / TOPSIS方法

Key words

large-diameter shield tunnelling / multi-objective optimization / NGBoost algorithm / NSGA-Ⅲ / TOPSIS method

引用本文

引用格式 ▾

陈阳阳, 刘文, 王志华, 陈健, 艾德米, 朱宏平, 杜彦良. 交通运输基于NGBoost-NSGA-Ⅲ的大直径盾构施工参数多目标优化方法:以杭州地铁6号线江南大道改造提升工程为例[J]. 科学技术与工程, 2026, 26(20): 8782-8790 DOI:10.12404/j.issn.1671-1815.2504935

CHEN Yang-yang, LIU Wen, WANG Zhi-hua, CHEN Jian, AI De-mi, ZHU Hong-ping, DU Yan-liang. Multi-objective Optimization Method for Large-diameter Shield Construction Parameters Based on NGBoost-NSGA-Ⅲ: Jiangnan Avenue Renovation and Upgrading Project in Hangzhou Metro Line 6[J]. Science Technology and Engineering, 2026, 26(20): 8782-8790 DOI:10.12404/j.issn.1671-1815.2504935

登录浏览全文

4963

注册一个新账户忘记密码

随着中国城市化进程的加速,地下空间开发已成为缓解城市交通压力、优化基础设施布局的重要途径^[1-2]。大直径盾构技术因其高效性和安全性,在地铁、跨江隧道及综合管廊等工程中得到了广泛应用^[3-5]。然而,盾构施工过程面临复杂的地层条件(如软土、高承压水地层、跨断层等),导致施工参数(如推力、刀盘转速、注浆压力等)之间存在显著的多目标冲突^[6-8]。例如,提高掘进速度可能加剧刀具磨损和地表沉降,而降低能耗则可能牺牲施工效率^[9]。此外,盾构机在超深埋、高水压等极端工况下的参数控制更为复杂,传统依赖经验公式或单一理论模型的优化方法难以兼顾效率、能耗与安全性的平衡。因此,如何通过智能化手段实现多目标参数的协同优化,成为当前盾构施工领域亟待解决的核心问题。

近年来,机器学习、深度学习在隧道工程施工领域发展迅速,诸多学者围绕盾构施工参数优化开展了广泛研究。张孟喜等^[10]利用自动机器学习框架快速构建了盾构机刀盘前方地表沉降预测模型,并将其作为目标函数,结合粒子群算法(particle swarm optimization,PSO)对气泡舱压力进行优化调整。陈礼博等^[11]融合类别特征梯度提升和第三代非支配排序遗传算法(non-dominated sorting genetic algorithm Ⅲ,NSGA-Ⅲ)对盾构隧道施工参数进行优化,通过智能预测与多目标优化提升了掘进效率、降低了成本和风险。吴贤国等^[12]融合随机森林(random forest,RF)和第二代非支配排序遗传算法(non-dominated sorting genetic algorithm Ⅱ,NSGA-Ⅱ),实现了盾构施工地表沉降安全控制,通过RF预测地表沉降,结合NSGA-Ⅱ优化施工参数,以减少沉降和刀盘磨损。陈阳等^[13]研究了盾构法隧道开挖面稳定性下的多目标优化,采用分层序列法和NSGA-Ⅱ算法,以掘进效率和地表沉降为优化目标,通过实际工程案例验证了该方法的有效性,结果表明,优化后的盾构推力能保持在稳定范围内,提高了施工效率并减少了地表沉降。王金峰^[14]提出了基于PSO-RF-NSGA-Ⅱ的多目标优化框架,用于盾构下穿施工过程中既有隧道的变形预测与控制。

综上可知,使用人工智能方法在参数反演分析、施工机械参数预测与优化、施工控制与风险评估等方面研究成果逐渐丰富,但在掘进速度、能耗与地表沉降多目标强耦合条件下大直径盾构施工参数控制与优化研究仍存在不足。目前研究主要存在的问题包括:传统单目标优化方法难以有效协调多维关系;实际工程中参数与目标间的映射关系高度非线性,现有方法对数据利用不足,导致模型泛化能力受限;施工过程中地层条件实时变化,静态优化模型难以动态调整参数以适应复杂工况;现有方法多依赖专家经验筛选Pareto解集,缺乏系统化、可量化的决策支持工具。

为解决大直径盾构施工参数多目标优化难题,构建融合数据动态更新、机器学习与多目标进化算法的综合优化框架,具体将结合地层特性、施工参数与实时监测数据,搭配交叉验证技术以优化数据表征并避免小样本模型过拟合,引入NGBoost算法量化预测不确定性以给NSGA-Ⅲ提供稳健目标函数,采用带参考点机制的NSGA-Ⅲ算法提升Pareto前沿解的多样性与收敛性,同时通过理想解逼近法对Pareto解集量化排序、动态平衡多目标权重,最终实现盾构施工参数的科学优化。研究成果为复杂地层大直径盾构施工提供了智能化、可量化、动态适配的参数优化新路径,有效应对效率、能耗与安全的多目标协同难题,助力盾构施工由经验决策转向数据驱动智能决策。

1 基于NGBoost-NSGA-III多目标优化框架

所构建的考虑数据更新的多目标优化框架,包括多目标优化技术、优化结果选取方法和模型性能评价方法。

1.1 考虑数据更新的多目标优化方法

构建一个集成自然梯度提升(natural gradient boosting,NGBoost)概率预测模型、NSGA-Ⅲ优化算法与逼近理想解排序方法(technique for order pre-ference by similarity to an ideal solution,TOPSIS)的“预测-优化-决策”闭环多目标优化架构,实现了盾构掘进过程中控制参数的动态调整与优化,如图1所示。具体而言,NGBoost模型基于历史与实时更新数据,进行掘进参数与能耗的概率预测,生成具有不确定性度量的初始解集;NSGA-Ⅲ利用非支配排序与参考点机制,在高维目标空间中实现解集的多样性保持与全局优化;TOPSIS方法则在帕累托最优解集上,基于接近理想解原则,辅助选取最优控制参数方案。最终形成集预测精度、优化效率与决策科学性于一体的盾构参数智能调控框架。该框架可在每一环掘进完成后,利用新采集的数据不断更新模型,实时生成下一环的最优控制参数,实现盾构施工的闭环调控与高效运行。

1.2 考虑数据更新的多目标优化方法

NGBoost是一种概率预测方法,其目标是学习目标变量Y的条件概率分布^[15]。假设目标变量Y服从正态分布,即

(1)P(Y|X=x)≈N[μ(x),σ(x)²]

式(1)中:P为条件概率密度函数;μ(x)和σ(x)分别为输入x的均值和标准差。

模型的输出为条件概率分布参数θ。NGBoost通过最小化负对数似然损失函数来训练模型,可表示为

(2)

$L\left(\theta \right)=-\sum _{i=1}^{N}lnP\left({Y}_{i}\right|{X}_{i})$

式(2)中:X_i为第i个样本的输入特征向量;Y_i为第i个样本的真实输出值。

在参数更新时,NGBoost采用自然梯度计算,而非普通梯度。自然梯度计算公式为

(3)θ_new=θ_old-ηF^-1(ΔL)

式(3)中:θ_new和θ_old分别为更新前和更新后的模型参数;η为学习率;F^-1为Fisher信息矩阵的逆;ΔL为损失函数的梯度。

通过自然梯度的优化方式,NGBoost能够提供每个输入数据的完整预测分布,并量化预测的不确定性。

1.3 考虑数据更新的多目标优化方法

非支配排序遗传算法核心是通过非支配排序和参考点方法优化解集的多样性与均匀性^[16]。NSGA-Ⅲ是一种多目标优化算法,专门用于处理高维目标空间中的优化问题^[17]。

为了优化目标空间中的解分布,NSGA-Ⅲ引入参考点。参考点在目标空间中均匀分布,解与参考点之间的距离d_i计算公式为

(4)

${d}_{i}=\sqrt{\sum _{j=1}^{m}\left[{f}_{j}\right({x}_{i})-{r}_{j}{]}^{2}}$

式(4)中:f_j(x_i)为解x_i在第j个目标上的值;i为解的索引,对应Pareto解集中的第个候选解;r_j为参考点在第j个目标上的值;m为目标数量。

此外,NSGA-Ⅲ通过拥挤距离来保持解集的多样性。对于解x_i,其拥挤距离C_i为目标空间中相邻解的距离和,计算公式为

(5)

${C}_{i}=\sum _{j=1}^{m}[{f}_{j}\left({x}_{i+1}\right)-{f}_{j}\left({x}_{i-1}\right)]$

式(5)中:x_i₊₁和x_i_-1分别为第i个解x_i在第j个目标上排序后的后一个和前一个相邻解;f_j(x_i₊₁)和 f_j(x_i_-1) 分别为解x_i在目标j上排序后相邻解的目标值。

通过这些机制,NSGA-Ⅲ能够有效地处理高维目标空间中的解分布问题,确保解集在Pareto前沿上的均匀分布,同时保持解的多样性,从而提供强大的全局优化能力。

1.4 优化结果选取方法

TOPSIS是一种常用的多目标决策分析方法,用于从Pareto最优解集中选择最优解。该方法通过计算每个解与理想解和负理想解的距离,来评估解的优劣^[18-19]。其核心思想依据方案与理想解的相对接近程度进行排序。设包含N个最优解的Pareto最优解集X={x₁,x₂,…,x_N},其中第i个解在M维目标空间中对应的目标向量可表示为f(x_i)=[f₁(x_i),f₂(x_i),…,f_M(x_i)],则TOPSIS方法的具体步骤如下。

首先,对目标值进行归一化处理,以消除量纲的影响,归一化公式为

(6)

${r}_{ij}=\frac{{f}_{j}\left({x}_{i}\right)}{\sqrt{\sum _{i=1}^{N}{f}_{j}({x}_{i}{)}^{2}}}$

式(6)中:r_ij为第i个Pareto最优解在第j个目标函数上的归一化值。

然后,计算加权归一化决策矩阵,赋予各目标不同的重要性权重系数w_j,即

(7)

${v}_{ij}={w}_{j}{r}_{ij},　\sum _{j=1}^{M}{w}_{j}=1$

式(7)中:w_j为权重系数;v_ij为加权归一化值。

接下来,确定理想解x⁺和负理想解x^-,分别表示所有目标的最优解和最劣解。

(8)

$\left\{\begin{array}{l}{x}^{+}=({v}_{1}^{+},{v}_{2}^{+},\dots,{v}_{M}^{+})\\ {x}^{-}=({v}_{1}^{-},{v}_{2}^{-},\dots,{v}_{M}^{-})\end{array}\right.$

(9)$\left\{\begin{array}{l}{v}_{j}^{+}=\underset{i}{max}{v}_{ij}\\ {v}_{j}^{-}=\underset{i}{min}{v}_{ij}\end{array}\right.$, j=1,2,…,M

随后,计算每个方案与理想解x⁺和负理想解x^-之间的欧几里得距离,计算公式为

(10)

$\left\{\begin{array}{l}{S}_{j}^{+}=\sqrt{\sum _{j=1}^{M}({v}_{ij}-{v}_{j}^{+}{)}^{2}}\\ {S}_{j}^{-}=\sqrt{\sum _{j=1}^{M}({v}_{ij}-{v}_{j}^{-}{)}^{2}}\end{array}\right.$

式(10)中:${S}_{j}^{+}$和${S}_{j}^{-}$分别为第i个Pareto解与理想解x⁺和负理想解x^-之间的欧几里得距离。

最后,计算相对贴近度(closeness coefficient, CC),用于衡量每个方案相对于理想解的接近程度,计算公式为

(11)CC_i=$\frac{{S}_{j}^{-}}{{S}_{j}^{+}+{S}_{j}^{-}}$

式(11)中:0≤CC_i≤1,当CC_i接近于1时,表示该方案越接近理想解,因此排名越靠前。最终,根据CC_i对所有方案进行有效排序,选择最优解。

1.5 模型性能评价方法

使用决定系数(coefficient of determination,R²)与均方根误差(root mean square errors,RMSE)评估回归模型性能。R²衡量模型对数据变异性的解释程度,值范围为0~1,越接近1表示模型能够更好地解释数据的变动。RMSE则通过计算实际值与预测值之间差异的平方根的均值衡量模型预测误差的大小。RMSE越小,表示预测误差越小,模型越精确。

(12)

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

(13)

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

式中:y_i为实际值;${\widehat{y}}_{i}$为预测值;${\stackrel{-}{y}}_{i}$为实际值的均值;n为样本数量。

2 数据来源和处理方法

2.1 工程背景

以杭州地铁6号线江南大道改造提升工程北线为例,开展大直径盾构施工参数预测和控制方法研究。该工程采用泥水平衡盾构机施工,于2019年12月始发,如图2所示。盾构段隧道外径为 11.36 m,内径为10.36 m,衬砌环宽为2 m,管片厚度为50 cm。隧道线路最大纵坡40‰,最小转弯半径800 m。盾构段主要穿越土层为砂质粉土、淤泥质软土、粉砂、粉质黏土和圆砾土,隧道掘进范围地层剖面如图3所示。

本工程掘进范围地层的工程性能较差,土体强度易突降,造成过大的地表沉降等风险。隧道顶部覆土埋深为37.5 m,故盾构机在此区域所承受土体压力较大,施工风险极大。盾构机穿越约505 m长圆砾层,且位于高承压水地层中,面临掘进速度较慢,开挖仓压力波动大等问题。针对以上工程难点,开展大直径盾构施工过程中参数实时预测与控制方法研究。

2.2 输入参数及数据处理

为研究盾构施工过程中关键参数对掘进效率、能耗及地表沉降的影响,参考文献[12-13,20 -22],选取9个输入参数和3个输出参数,共304组数据,建立输入与输出变量之间的映射关系,如表1所示。

输入参数涵盖地层特性、施工控制变量和环境约束条件,以全面分析各因素对盾构掘进性能的影响。其中,埋深反映了盾构机所处地层的围岩压力,较大的埋深会增加推力需求,并可能影响地表沉降;黏聚力和内摩擦角是衡量土体抗剪强度的重要指标,决定了土层的稳定性和盾构推进阻力,较低的黏聚力容易导致刀盘黏结或沉降增大,而较大的摩擦角有助于维持地层结构的稳定性,但也可能增加推进阻力;压缩模量表征了土体的变形特性,较低的压缩模量意味着土体更易压缩,可能导致较大的地表沉降,而较高的压缩模量则可能增加盾构推力需求;推力、刀盘转速和扭矩是盾构机的关键施工控制参数,其中推力决定了推进能力,刀盘转速影响切削效率,而扭矩反映了盾构机克服土层阻力的能力,三者相互作用决定了盾构机的掘进效率;注浆压力用于控制地层沉降并维持开挖面稳定性,过高可能引发渗透破坏,而过低则无法有效支撑地层;气垫仓压力则是维持开挖面稳定性的关键参数。

输出参数选取掘进速度、比能和地表沉降作为评价指标,分别用于衡量施工效率、能耗水平和地层变形。掘进速度反映了盾构施工的效率,受到推力、刀盘转速、土层特性等多因素影响;比能衡量单位体积开挖土体所消耗的能量;地表沉降则衡量盾构施工对地层稳定性的影响,较大的沉降可能对地表建筑物及周围环境造成不良影响。

为保证参数尺度一致性并提高模型训练的稳定性,所有输入参数均经过归一化处理。对于输入变量,采用最小-最大归一化方法,将数据映射到区间[0,1],计算公式为

(14)x'_i=$\frac{{x}_{i}-{x}_{min}}{{x}_{max}-{x}_{min}}$

式(14)中:x_min和x_max分别为x_i的最小值和最大值。

对于输出变量,归一化处理有助于提升模型的收敛速度,同时避免因量纲差异导致的优化偏差,从而提高优化模型的计算效率和预测精度。采用标均值-标准差归一化方法,可表示为

(15)f'_i=$\frac{{f}_{i}-{\mu }_{i}}{{\sigma }_{j}}$

式(15)中:μ_i和σ_j分别为输出变量f_i的均值和标准差。

2.3 考虑数据更新的模型训练方法

为适配盾构施工数据动态生成的特性并提升模型预测可靠性,在模型训练阶段构建考虑数据动态筛选和交叉验证的训练策略。

盾构掘进过程中,地层特性、施工参数等监测数据沿掘进方向持续累积。直接用全部历史数据训练,既会因早期与当前工况差异大的数据干扰预测精度,又会增加计算负荷、降低效率。因此,仅选取靠近当前掘进位置的l组最新数据训练模型,确保训练数据与实时工况高度匹配。模型泛化能力提升方面,采用滚动增量训练与时序5折交叉验证处理数据集,如图4所示。该训练方法首先将预处理后的l组数据随机均匀划分为6份容量相近的子集D₀~D₅。以初始数据集D₀训练基础模型并预测下一阶段数据D₁,随后将D₀和D₁合并更新模型,再对D₂进行预测,依此逐阶段滚动迭代,不断纳入最新施工数据实现模型动态更新。最终通过计算5次验证实验中均方误差(mean squared error,MSE)指标的平均值,综合评估模型稳定性与预测精度。

(16)

$MSE=\frac{1}{n}\sum _{i=1}^{n}({y}_{i}-{\widehat{y}}_{i}{)}^{2}$

3 结果与分析

围绕基于NGBoost-NSGA-Ⅲ的大直径盾构施工参数多目标优化框架展开结果验证与分析,重点从目标预测精度、优化解集特性及多目标协同优化效果三个维度,系统评估所提方法在盾构掘进工程中施工参数优化的有效性。

3.1 基于NGBoost-NSGA-Ⅲ的目标预测

3.1.1 NGBoost超参数优化

使用NSGA-Ⅲ多目标优化算法对NGBoost模型的超参数进行了优化。优化超参数包括:boosting轮数(nrounds)、学习率(learningRate)和叶节点最小样本数(MinLeafSize),结合交叉验证方法在训练集上进行多次评估,NSGA-Ⅲ算法能够有效地搜索超参数空间,找到能够同时优化多个预测目标的最优超参数组合。以前100组数据作为预测模型的输入,优化次数设置为100次,NGBoost超参数范围和结果如表2所示,NSGA-Ⅲ算法优化过程如图5所示。

3.1.2 NGBoost预测结果分析

NGBoost-NSGA-Ⅲ模型训练过程中,参与训练的数据长度l设置为20。分别计算3个目标的RMSE与R²,结果如图6所示,其中掘进速度、比能和地表沉降的RMSE分别为3.434 8 mm/min、9.166 2 MJ/m³、5.821 0 mm,R²分别达到0.775 9、0.844 4、0.902 6。95%置信区间(灰色阴影部分)能够有效覆盖大多数实测数据点,说明模型具有较好的不确定性量化能力。3个目标的置信区间在出现大幅波动时有所增宽,提示此时预测不确定性相应增加,这与实际施工中可能存在刀具磨损加剧、地质性质突变或注浆压力波动等不确定因素有关。

总体而言,NGBoost-NSGA-Ⅲ模型对掘进速度、比能和地表沉降三项指标的预测结果与真实值具有较好的一致性,且能通过置信区间量化不确定性,为后续多目标优化和风险评估提供了可靠的模型支持。

3.2 控制参数Pareto前沿

在完成NGBoost预测模型训练与验证,确保其能精准映射施工参数与掘进速度、比能、地表沉降间非线性关系的基础上,接下来采用NSGA-Ⅲ多目标进化算法对盾构掘进关键参数展开优化,旨在获取兼顾多目标需求的Pareto最优解集。

考虑到算法收敛效率与解集多样性的平衡,NSGA-Ⅲ参数设置如下:种群规模为100,最大迭代次数为100,交叉概率设为0.8,变异概率为0.1。优化过程中,以最大化掘进速度、最小化比能和沉降为目标,通过固定x₁~x₄,求解关键控制变量x₅~x₉的优化结果,关键控制变量的范围根据历史数据最大最小值确定,最终得到较优的Pareto前沿面。以前100个数据作为训练数据为例,得到的Pareto最优面如图7所示。

该前沿面由一系列非支配解构成,任意解在提升某一目标性能时,均不会导致其他目标性能恶化,直观呈现了掘进速度、比能与地表沉降三者间的权衡关系。例如,前沿面上某一解对应的掘进速度提升,需以比能小幅增加或沉降量轻微上升为代价,反之亦然。从前沿面分布形态可见,解集在目标空间中呈现均匀且连续的分布特征,表明NSGA-Ⅲ算法通过参考点机制与拥挤距离计算,有效克服了传统多目标算法在高维空间中解集分散性差的问题,为后续通过TOPSIS方法筛选最优参数组合提供了丰富且优质的决策备选方案。

3.3 三目标优化结果

在通过NSGA-Ⅲ算法获得覆盖掘进效率、能耗控制与地层安全多维度需求的Pareto最优解集后,为精准筛选出兼顾工程实际应用价值的关键控制变量(x₅~x₉)最优组合,使用TOPSIS多目标决策方法进行量化评价与排序。

优化后的掘进速度、比能及地表沉降指标变化趋势如图8所示,可见三项核心指标均呈现显著优化效果,未出现单一目标优化导致其他目标恶化的情况。为量化优化效益,以优化前304组实测数据的平均值为基准进行对比分析(表3),可以看出,掘进速度从24.13 mm/min提升至28.91 mm/min,提升幅度达19.81%,施工效率得到明显改善;比能从24.53 MJ/m³降至9.30 MJ/m³,降幅高达62.09%,能耗节约效果突出;地表沉降从19.00 mm优化至14.91 mm,改善率为21.53%,有效控制了地层变形风险。

上述结果表明,通过TOPSIS方法筛选的最优参数组合,实现了掘进速度、比能与地表沉降三项目标的协同优化,既满足了工程对施工进度的要求,又显著降低了能源消耗和环境影响。

4 结论

提出一种基于数据增广的大直径盾构施工参数多目标优化方法,结合NGBoost机器学习算法与NSGA-Ⅲ进化算法,采用TOPSIS方法选取最优参数组合,显著提高了施工效率,降低了能耗并有效控制了地表沉降。得出如下结论。

(1)所提出的优化框架通过数据归一化和5折交叉验证,提高了模型的稳定性与预测精度。实验结果表明,掘进速度提高了19.81%,比能降低了62.09%,地表沉降改善了21.53%。

(2)基于Pareto最优解集,采用TOPSIS方法进行综合评价和排序,能够有效选择最优的施工控制参数组合,简化了多目标优化决策过程。

(3)本文方法在盾构施工中展现了较高的应用价值,能够有效提高施工效率、降低能耗并确保地层安全,为工程安全性、工期缩短及成本节约提供了科学依据。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	钱七虎, 胡小强, 李树忱, 等. 中国盾构隧道工程关键技术的新进展综述[J]. 隧道建设(中英文), 2024, 44(5): 897-926.

[2]	Qian Qihu, Hu Xiaoqiang, Li Shuchen, et al. Recent advances in key technologies of shield tunnel engineering in China[J]. Tunnel Construction, 2024, 44(5): 897-926.

[3]	El-Hassan H, El-Maaddawy T, Al-Sallamin A, et al. Performance evaluation and microstructural characterization of GFRP bars in seawater-contaminated concrete[J]. Construction and Building Materials, 2017, 147: 66-78.

[4]	秦银平, 李站国, 刘永胜, 等. 我国大直径盾构关键技术及智能建造发展趋势[J]. 隧道建设(中英文), 2024, 44(S1): 25-35.

[5]	Qin Yinping, Li Zhanguo, Liu Yongsheng, et al. Key technologies and development trend of intelligent large-diameter shield tunnel construction in China[J]. Tunnel Construction, 2024, 44(S1): 25-35.

[6]	刘晓东, 刘明虎, 金秀男. 我国大型跨海通道工程技术发展与展望[J]. 东南大学学报(自然科学版), 2023, 53(6): 988-996.

[7]	Liu Xiaodong, Liu Minghu, Jin Xiunan. Technological development and prospect of China's large-scale cross-sea passage project[J]. Journal of Southeast University(Natural Science Edition), 2023, 53(6): 988-996.

[8]	汪洋, 蔡琦, 武雨琪, 等. 超大直径盾构隧道智能建造平台研发与应用[J]. 科学技术与工程, 2025, 25(17): 7351-7364.

[9]	Wang Yang, Cai Qi, Wu Yuqi, et al. Research and application of intelligent construction platform for super-large diameter shield tunneling[J]. Science Technology and Engineering, 2025, 25(17): 7351-7364.

[10]	Liu W L, Chen Y, Liu T X, et al. Shield tunneling efficiency and stability enhancement based on interpretable machine learning and multi-objective optimization[J]. Underground Space, 2025, 22: 320-336.

[11]	Chen Y Y, Liu W, Ai D M, et al. Real-time model updating for prediction and assessment of under-construction shield tunnel induced ground settlement in complex strata[J]. Journal of Computing in Civil Engineering, 2025, 39(2): 1-25.

[12]	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.

[13]	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.

[14]	李强, 甘鹏路. 复合地层盾构刀具磨损控制技术研究[J]. 现代隧道技术, 2020, 57(1): 168-174.

[15]	Li Qiang, Gan Penglu. On cutter wearing control technology of the shield passing through mixed strata[J]. Modern Tunnelling Technology, 2020, 57(1): 168-174.

[16]	张孟喜, 范杰, 吴惠明, 等. 基于AG-PSO的泥水平衡盾构地表沉降掘进主控参数优化与应用[J]. 现代隧道技术, 2024, 61(S1): 223-233.

[17]	Zhang Mengxi, Fan Jie, Wu Huiming, et al. Optimization of main controI parameters for ground settIement during slurry balance shieId tunnelling based on AG-PSO and its applicaüon[J]. Modern Tunnelling Technology, 2024, 61(S1): 223-233.

[18]	陈礼博, 张明书, 陈海勇, 等. 基于CatBoost-NSGA-Ⅲ的盾构隧道施工参数分析及优化控制[J]. 隧道建设(中英文), 2024, 44(8): 1587-1598.

[19]	Chen Libo, Zhang Mingshu, Chen Haiyong, et al. Analysis and optimal control of shield tunnel construction parameters using categorical boosting-nondominated sorting genetic algorithm-Ⅲ[J]. Tunnel Construction, 2024, 44(8): 1587-1598.

[20]	吴贤国, 冯宗宝, 刘俊, 等. 基于RF-NSGA-Ⅱ的盾构施工地表沉降安全控制多目标优化[J]. 中国安全科学学报, 2022, 32(8): 45-51.

[21]	Wu Xianguo, Feng Zongbao, Liu Jun, et al. Multi-objective optimization of surface settlement safety controlduring shield construction based on RF-NSGA-Ⅱ[J]. China Safety Science Journal, 2022, 32(8): 45-51.

[22]	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.

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

[24]	王金峰. 基于PSO-RF-NSGA-Ⅱ盾构下穿施工既有隧道变形预测与优化控制[J]. 隧道建设(中英文), 2023, 43(5): 745-753.

[25]	Wang Jinfeng. Prediction and optimization control of deformation of existing tunnel induced by undercrossing of shield tunnel based on particle swarm optimization-random forest-nondominated sorting genetic algorithm Ⅱ[J]. Tunnel Construction, 2023, 43(5): 745-753.

[26]	Tony D, Anand A, Daisy Y D, et al. NGBoost: natural gradient boosting for probabilistic prediction[C]// Proceedings of the 37th International Conference on Machine Learning. Vienna: International Machine Learning Society, 2019: 2690-2700.

[27]	龚磊, 秦拥军, 田元, 等. 基于响应面与非支配排序遗传算法Ⅱ对沙漠砂混凝土配合比优化[J]. 科学技术与工程, 2025, 25(13): 5571-5578.

[28]	Gong Lei, Qin Yongjun, Tian Yuan, et al. Optimization and performance study of desert sand concrete mix proportion based on response surface and NSGA-Ⅱ algorithm[J]. Science Technology and Engineering, 2025, 25(13): 5571-5578.

[29]	Ma H P, Zhang Y J, Sun S Y, et al. A comprehensive survey on NSGA-Ⅱ for multi-objective optimization and applications[J]. Artificial Intelligence Review, 2023, 56(12): 15217-15270.

[30]	陈仁朋, 王志腾, 吴怀娜, 等. 基于FAHP法和区间数改进TOPSIS法的盾构隧道下穿建筑物风险评估[J]. 上海交通大学学报, 2022, 56(12): 1710-1719.

[31]	Chen Renpeng, Wang Zhiteng, Wu Huaina, et al. Risk assessment for shield tunneling beneath buildings based on interval improved TOPSIS method and FAHP method[J]. Journal of Shanghai Jiao Tong University, 2022, 56(12): 1710-1719.

[32]	施玮, 吴坚. 基于DEMATEL和TOPSIS的低空安防系统方案多属性评价方法[J]. 科学技术与工程, 2025, 25(14): 6109-6117.

[33]	Shi Wei, Wu Jian. A multi-attribute evaluation method for low-altitude security system solutions based on DEMATEL and TOPSIS[J]. Science Technology and Engineering, 2025, 25(14): 6109-6117.

[34]	孔祥勋. 土岩复合地层土压盾构偏载效应分析与调姿推力分配方法[D]. 哈尔滨: 哈尔滨工业大学, 2022.

[35]	Kong Xiangxun. Analysis of bias-load effect and allocation method of posture-adjustment thrust for EPB shield in soil-rock composite strata[D]. Harbin: Harbin Institute of Technology, 2022.

[36]	王祥, 刘俊, 曹源, 等. 基于LightGBM-NSGA-Ⅲ的盾构姿态多目标优化[J]. 铁道标准设计, 2024, 69(7): 130-137.

[37]	Wang Xiang, Liu Jun, Cao Yuan, et al. Multi-objective optimization of shield attitude based on LightGBM-NSGA-Ⅲ[J]. Railway Standard Design, 2024, 69(7): 130-137.

[38]	吴贤国, 刘俊, 曹源, 等. 基于CatBoost-NSGA-Ⅲ算法的盾构姿态预测与优化[J]. 中国安全科学学报, 2024, 34(8): 69-77.

[39]	Wu Xianguo, Liu Jun, Cao Yuan, et al. Shield attitude prediction and optimization based on CatBoost-NSGA-Ⅲ algorithm[J]. China Safety Science Journal, 2024, 34(8): 69-77.

基金资助

国家重点研发计划(2023YFC3805700)

国家自然科学基金(52538007)

国家自然科学基金(52378302)

国家自然科学基金(52192664)

PDF (9883KB)

访问

被引

详细

导航

Received	Published	Revised
2025-07-02	2026-07-18	2026-01-07
Online Date
2026-08-04

摘要