基于CX-SAM-GRU模型的TBM负载预测

周振梁 ,  王曼 ,  岳忆梅 ,  李浩凯

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13665-13677

PDF (29041KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13665-13677 DOI: 10.12404/j.issn.1671-1815.2600094
论文:交通运输

基于CX-SAM-GRU模型的TBM负载预测

作者信息 +

TBM Load Prediction Based on CX-SAM-GRU Model

Author information +
文章历史 +

摘要

隧道掘进机(tunnel boring machine, TBM)在不良地质条件下掘进时,可能因发生超载引发设备损坏或卡机灾害,进而影响工程进度。依托天山胜利隧道工程数据,首先利用IQR(interquartile range)准则筛除循环段数据中的异常值,并对数据进行归一化处理,接着通过ICA-LiNGAM(independent component analysis-based linear non-Gaussian acyclic model)方法筛选与刀盘扭矩和推力两个负载参数因果关系关联强度高的特征参数作为输入特征,最后构建包含自注意力机制的GRU(gated recurrent unit)预测模型,并借助SHAP(Shapley additive explanations)方法分析模型内部决策机制。结果表明,通过特征筛选和引入自注意力机制可以提高模型预测准确性和计算效率。CX-SAM-GRU预测模型对TBM负载刀盘扭矩和推力的拟合优度达到0.899 1和0.955 9,且在不同工程地质条件下具有良好的泛化能力。重要性分析指出推力、推进速度对刀盘扭矩预测结果的影响程度较大,刀盘喷水流量、刀盘转速、推进泵压力对推力预测结果的影响程度较大。该方法对推力多步预测结果的鲁棒性优于刀盘扭矩,且刀盘扭矩预测整体上对靠近的时间步更为敏感。研究结果可为实际工程中TBM负载预测提供理论借鉴,为现场的安全施工提供支撑。

Abstract

In order to mitigate the risk of equipment damage or jamming disasters caused by overloading when a tunnel boring machine (TBM) excavates in adverse geological conditions, which can negatively affect the project schedule, data from the Tianshan Shengli Tunnel project was used to investigate TBM load prediction. First, outliers in the cyclic segment data were removed utilizing the interquartile range (IQR) criterion, and the data was subsequently normalized. Then, feature parameters with strong causal relationships to two load parameters, cutterhead torque and thrust, were selected as input features through the independent component analysis-based linear non-Gaussian acyclic model (ICA-LiNGAM) method. Finally, a gated recurrent unit (GRU) prediction model incorporating a self-attention mechanism (SAM) was constructed, and the internal decision-making mechanism of the model was analyzed utilizing the Shapley additive explanations (SHAP) method. The results show that the prediction accuracy and computational efficiency of the model can be improved through feature screening and the introduction of a self-attention mechanism. A goodness-of-fit (R2) of 0.899 1 and 0.955 9 for the TBM load cutterhead torque and thrust, respectively, is achieved by the CX-SAM-GRU prediction model, and good generalization ability is exhibited under different engineering geological conditions. It is indicated by the importance analysis that the prediction results of cutterhead torque are largely influenced by thrust and advance rate, whereas the prediction results of thrust are largely influenced by cutterhead water spray flow, cutterhead rotation speed, and propel pump pressure. The robustness of this method for multi-step prediction results of thrust is superior to that of cutterhead torque, and the cutterhead torque prediction is generally more sensitive to closer time steps. It is concluded that a theoretical reference for TBM load prediction in practical engineering can be provided, and support for safe on-site construction can be offered.

Graphical abstract

关键词

TBM负载 / 时序预测 / 模型解释 / 因果特征筛选 / 自注意力机制

Key words

TBM load / time series prediction / model interpretation / causal feature screening / self-attention mechanism

引用本文

引用格式 ▾
周振梁, 王曼, 岳忆梅, 李浩凯. 基于CX-SAM-GRU模型的TBM负载预测[J]. 科学技术与工程, 2026, 26(31): 13665-13677 DOI:10.12404/j.issn.1671-1815.2600094
ZHOU Zhen-liang, WANG Man, YUE Yi-mei, LI Hao-kai. TBM Load Prediction Based on CX-SAM-GRU Model[J]. Science Technology and Engineering, 2026, 26(31): 13665-13677 DOI:10.12404/j.issn.1671-1815.2600094

登录浏览全文

4963

注册一个新账户 忘记密码

在现代隧道工程领域,隧道掘进机(tunnel boring machine, TBM)因其具有掘进效率高、施工扰动小、安全性优良等显著优势,已广泛应用于长距离、大断面岩石隧道的施工,成为该领域的关键核心装备[1]。随着掘进地层条件日益复杂,实时、精准地预测TBM运行负载参数对于提高施工效率、保障工程安全以及优化施工过程的重要性愈加突出。
目前,TBM掘进参数辅助决策方法有掘进参数预测、掘进控制参数优化[2]。TBM掘进参数预测研究起步较早,包含理论预测模型、经验预测模型、智能预测模型。其中,理论预测模型通过理论推导、室内试验等方式分析刀盘滚刀与岩体间的相互作用,从而建立围岩条件与掘进参数之间的关系。王超等[3]基于理论力学和岩石破碎学的相关理论,并以Mohr-Coulomb准则和压剪破坏模式为依据构建了滚刀破岩方向推力的计算模型。She等[4]为消除TBM规格差异,提出标准化现场贯入指数,并进行逐步回归分析建立预测模型。然而,上述方法多基于回归拟合,难以准确刻画围岩参数与掘进参数之间复杂的非线性关系,尤其在复杂地层中局限性更为突出。现有理论模型与经验模型预测效果及泛化能力不足,尚未在隧道工程中广泛推广应用。
随着人工智能的迅速发展,基于其强大的非线性关系数据挖掘能力,人工智能技术在围岩分级、TBM掘进参数预测、岩爆预测等领域得到较多应用[5-8]。由于掘进参数与围岩条件密切相关且参数间关联性强,基于机器学习构建预测模型是一种常见思路。仉文岗等[9]提出一种基于随机森林(random forest, RF)算法的预测模型,并结合粒子群优化(particle swarm optimization, PSO)算法、遗传进化算法、差分算法和贝叶斯优化对模型的超参数进行调整。侯少康等[10]构建了基于改进粒子群(improved particle swarm optimization, IPSO)算法优化反向传播(back propagation, BP)神经网络的TBM掘进参数预测模型。然而,这类研究多侧重于算法本身的替换与优化,未能充分考虑掘进数据内在的时序性特征,因而对参数间复杂非线性关系的深度挖掘有限。因此,如何有效利用历史数据的影响因素已成为该领域的研究重点,深度学习模型因其处理序列数据的优势而受到关注。例如,Gao等[11]应用循环神经网络(recurrent neural network, RNN)、长短时记忆(long short-term memory, LSTM)网络和门控循环单元(gate recurrent unit, GRU)进行TBM参数实时预测,结果表明这些递归神经网络模型在多数情况下优于传统机器学习方法。满轲等[12]开发了随机森林与GRU集成的混合模型,取得了良好的预测精度。Liu等[13]利用时域卷积网络(temporal convolutional networks, TCN)构建推进率预测模型,发现其性能优于RNN和LSTM,并分析了不同掘进参数对预测结果的影响程度。张弛等[14]针对TBM稳定掘进段,建立了基于GRU神经网络的预测模型,通过挖掘上升段参数的时间序列信息,有效预测了总推进力和刀盘扭矩,进一步验证了GRU模型在处理不同长度时序输入时的优越泛化能力。综上,考虑时序特征的深度学习模型在捕捉TBM掘进过程的动态非线性关系方面展现出显著潜力,为后续研究提供了重要方向。
目前建立的掘进参数预测模型主要可分为数据预处理、参数选择、模型构建与训练、效果评估、模型解释五个部分,基于现有算法构建的预测模型准确度和泛化性仍稍低,如何提高模型预测准确度和泛化性仍是待解决的问题。通过筛选模型特征可以在提高模型计算效率的同时避免因特征过多导致的过拟合问题,提高模型预测的准确性。各种特征筛选方法也逐渐被运用到参数选择的过程中。朱梦琦等[15]采用基于RF的特征变量重要性计算方法,筛选关键参数作为输入,预测掘进参数与围岩等级。孙嘉豪等[16]则利用相关特征选择算法选取岩爆预测指标构建短期岩爆预测模型。然而,现有特征筛选方法虽能分析变量关系并选取关键参数,但未能量化特征间关联强弱,其价值尚未充分发挥。此外,注意力机制的引入显著提高了时序性数据预测模型的性能。Cao等[17]提出了一种带有残差自注意力机制的时序卷积网络(temporal convolutional network with residual self-attention mechanism, TCN-RSA)用于预测滚动轴承剩余使用寿命,搜索全局信息并增强有用信息,克服了RNN及其变体的固有局限性。Hu等[18]将LSTM与自注意力机制结合,实验证明该混合模型有效提升了光伏功率预测性能。模型“黑箱”问题限制了模型的可用性和可维护性,因此解释模型内部决策机制显得尤为重要。目前,学者采用了不同的模型解释方法实现模型可解释性。例如,Meng等[19]提出了结合自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)、黏菌算法(slime mould algorithm,SMA)和最小二乘支持向量机的预测模型,并通过夏普利加性解释(Shapley additive explanations, SHAP)方法解释确定了盾构停机和水分含量是沉降预测中最具影响力的因素。Zhang等[20]针对高地应力TBM隧道的岩爆风险,提出了基于贝叶斯优化的LightGBM-XGBoost集成学习预测模型,并进一步借助SHAP分析揭示了各关键地质特征对岩爆等级判定的边际贡献,有效提升了模型的透明度与工程适用性。真嘉捷等[21]通过SHAP方法分析发现,土舱压力及盾头、盾尾垂直位移对管片上浮影响显著。现有可解释人工智能方法多侧重于静态特征的重要性分析,而忽视了时间序列数据特有的时序依赖性。
针对现有模型存在的问题,提出一种TBM负载预测方法CX(causal explainable)-SAM-GRU。首先,采用ICA-LiNGAM(independent component analysis-based linear non-Gaussian acyclic model)因果发现算法分析TBM掘进参数间的因果关系,并基于关系强度筛选关键特征作为模型输入,以降低数据复杂度。然后,构建SAM-GRU预测模型,其中GRU负责捕捉时间序列的长期依赖关系,自注意力机制(self-attention mechanism, SAM)则能动态加权不同时间步的特征信息,提升对关键时序信息的捕捉能力。最后,利用SHAP方法对模型预测结果进行解释,量化各特征和时间步对预测的贡献,从而增强模型的可解释性。同时,依托中国天山胜利隧道工程数据,对该方法进行验证。

1 负载预测方法

1.1 总体结构

提出一种新的因果可解释(causal explainable, CX)的深度学习方法CX-SAM-GRU,用于对TBM负载的准确实时预测,方法流程如图1所示。整个研究过程分为独立成分因果发现、负载预测模型建立、预测效果评价和解释三个主要步骤。采用ICA-LiNGAM对TBM实时掘进数据进行因果发现。在因果发现的基础上,建立时序预测模型,对重塑后的时间序列数据进行特征提取和学习,并得到TBM负载的预测结果。最后,通过SHAP方法分析每个特征和每个时间步对全局预测结果的影响,实现模型的可解释性。

1.2 基于独立成分的因果发现

随着传感器技术和物联网的发展,越来越多的掘进参数数据可以被实时采集,基于深度学习的TBM负载实时预测模型的复杂性也随之提高。因此,在构建模型前,需要在保留有用信息的同时,精简输入变量,将最有价值的数据馈送到模型。ICA-LiNGAM是一种探索特征之间因果关系的方法,该方法将独立成分分析(independent component analysis, ICA)和线性非高斯因果模型(linear non-Gaussian acyclic model, LiNGAM)的优势相结合,能够处理非高斯数据,受到多重共线性问题的影响小,计算效率高。ICA-LiNGAM特征因果发现分五步完成,具体步骤如下。

(1)从TBM特征数据矩阵X的每行中减去均值,然后应用ICA算法获得分解X=AS,其中S为具有与X相同的大小并且在其行中包含独立分量的矩阵。估计出混合矩阵W=A-1。

(2)找出W的行的唯一置换,使其产生一个主对角线没有任何零的矩阵$\stackrel{\sim }{\mathit{W}}$。

(3)将$\stackrel{\sim }{\mathit{W}}$的每一行除以其对应的对角线元素,产生对角线上全为1的新矩阵$\stackrel{\sim }{\mathit{W}}\mathit{\text{'}}$。

(4)通过$\hat{\mathrm{B}}=\mathrm{I}-\stackrel{\sim }{\mathit{W}}$计算B的估计$\hat{\mathrm{B}}$。

(5)计算$\hat{\mathrm{B}}$的置换矩阵P,使矩阵$\stackrel{\sim }{\mathit{B}}=\mathrm{P}\hat{\mathrm{B}}{\mathit{P}}^{\mathrm{T}}$尽可能接近严格下三角形。

通过上述过程,得到特征之间的因果关系强度Bij,Bij反映了不同特征间相关性的大小。根据因果关系强度值对特征进行排序,然后设定关系强度阈值对特征进行筛选,将筛选后的特征作为预测模型的输入,在保留有用信息的同时,降低了模型的复杂程度。

1.3 SAM-GRU模型

1.3.1 模型原理

构建了融合自注意力机制的门控循环单元模型,其核心思想是将自注意力机制嵌入双层GRU网络之后,利用GRU提取时序特征,再通过自注意力机制对GRU输出的隐藏状态序列进行重新加权,强化关键时间步的影响,抑制无关或噪声信息的干扰。

1.3.2 模型评估

模型建成后需要有对模型输出统一的评价标准,将模型的输入数据集分为三部分:训练集、验证集和测试集。训练集用于训练模型,提高模型的准确率。验证集用于辅助训练过程,并确定是否存在过拟合或欠拟合。测试集用于测试模型的性能。采用均方误差(mean square error,MSE)、平均绝对误差(mean absolute error,MAE)和R2作为评价指标,在训练过程中,选择MSE作为损失函数。上述指标计算公式分别为

$\mathit{M}\mathit{S}\mathit{E}=\frac{1}{\mathit{n}}‖{\mathit{y}}_{\mathit{i}}-{\hat{\mathrm{y}}}_{\mathrm{i}}{\Vert }^{2}$
$\mathit{M}\mathit{A}\mathit{E}=\frac{1}{\mathit{n}}‖{\mathit{y}}_{\mathit{i}}-{\hat{\mathrm{y}}}_{\mathrm{i}}\Vert $
${\mathit{R}}^{2}=1-\frac{\Vert {\mathit{y}}_{\mathit{i}}-{\hat{\mathrm{y}}}_{\mathrm{i}}{\Vert }^{2}}{\Vert {\mathit{y}}_{\mathit{i}}-\stackrel{-}{\mathit{y}}{\Vert }^{2}}$

式中:yi为真实值;${\hat{\mathrm{y}}}_{\mathrm{i}}$为预测值;$\stackrel{-}{\mathit{y}}$为真实值的均值;n为样本数量。

1.4 预测效果解释

通过因果发现方法挖掘特征间的因果关系网络,并基于因果强度筛选出关键特征作为模型输入。为此,引入SHAP算法,通过计算各特征的Shapley值量化各个特征对预测结果的影响程度。Shapley值的计算公式为

$\begin{array}{l}{\mathit{\varphi }}_{\mathit{j}}\left(\mathit{x}\right)={\sum }_{\mathit{S}\subseteq \mathit{N}\backslash \left\{\mathit{j}\right\}}^{}\frac{\left|\mathit{S}\right|!(\left|\mathit{N}\right|-\left|\mathit{S}\right|-1)!}{\left|\mathit{N}\right|!}\times \\ \left[\mathit{f}\right(\mathit{S}\bigcup \left\{\mathit{j}\right\})-\mathit{f}(\mathit{S}\left)\right]\end{array}$

式(4)中:S为不包含特征j的特征子集;N为特征集合。对于每一个子集S,将特征j加入该子集后模型预测值的变化,然后通过加权平均来计算特征j的贡献。通过SHAP方法,可以得到每个特征和每个时间步对单个样本预测结果的贡献大小,进而实现模型的可解释性。

2 工程实例分析

2.1 工程概况

以天山胜利隧道验证所提方法的可行性。胜利隧道是乌鲁木齐至尉犁高速公路的关键工程,隧道穿越天山山脉,长22.13 km,是世界上最长高速公路隧道,如图2所示。该工程中导洞服务隧道采用由中交天和公司自主研制的两台TBM进行掘进,名字叫“天山号”和“胜利号”,开挖直径为8.43 m,长282 m,重约2 000 t。服务隧道采用TBM施工。提取该项目K89+360~K86+101共3.3 km的掘进样本数据用于演示。该区间围岩均为华力西期花岗岩,避免了岩性差异对最终预测结果的不利影响。基于这条隧道,建立了CX-SAM-GRU方法,用于实时预测刀盘扭矩和推力。这个过程分为三个主要部分:独立成分因果发现、负载预测模型建立、预测效果评估和解释。

2.2 数据收集及预处理

2.2.1 停机数据过滤

从掘进过程中获得的原始数据总共包含约238 494个样本和16个特征。根据掘进是否进行可以将数据分割为无效数据和循环段掘进数据,其中无效数据是刀盘停止过程中的停机阶段,此过程记录数据未有效破岩,对预测结果有很大的负面影响,因此需要过滤掉原始数据集中的停机数据。在实际施工过程中,TBM司机根据施工状况决定是否启动刀盘,因此可以将刀盘扭矩大于0作为循环掘进过程的判别标准,并以此为标准实现停机数据的筛除。

2.2.2 数据异常值处理

对过滤掉停机数据的原始数据集进行统计分析可知,数据呈现非正态分布的特点,故采用IQR方法来实现异常值的识别和剔除。IQR方法是一种基于数据分布的离群点检测方法,其主要思想是通过计算数据的四分位距来确定异常值的阈值。具体步骤如下。

(1)计算数据的第一四分位数Q1、第二四分位数Q2和第三四分位数Q3。

(2)计算IQR=Q3-Q1。

(3)确定一个常数K(本研究中取K=1.5),并计算下限lower=Q1-K×IQR和上限upper=Q3+K×IQR。

(4)如果某个数据点小于lower或大于upper,则将其视为异常值进行剔除。

2.2.3 数据归一化处理

数据归一化可以实现对原始数据的等比例缩放,利用变量的最值将原始数据转换为介于特定界限之间的数据,从而消除量纲和数量级的影响。此外,数据归一化处理可以加快梯度下降的求解速度,提高模型的收敛速度。采用min-max归一化对数据进行处理,将数据线性映射到[0,1]范围内,其计算公式为

$\mathit{x}=\frac{\mathit{x}-{\mathit{x}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{\mathit{x}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{x}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}$

式(5)中:x为原始数据;xmax为数据最大值;xmin为数据最小值。经过上述数据预处理过程后,最终得到157 645个掘进数据作为模型的输入数据集,样本统计特征如表1所示。

2.3 ICA-LiNGAM特征筛选

对于预处理后的数据集,根据ICA-LiNGAM方法分析了包含掘进参数与负载参数的共16个特征之间的因果关系,如图3所示。因果关系是基于0.1的阈值,小于0.1的值通常被认为没有显著的因果关系。从图3可以看出,刀盘扭矩和推力在因果网络的最末端,推进行程和皮带速度在因果网络的最前端。也就是说,司机根据其他参数的变化最终调整推力和刀盘扭矩,从而实现TBM顺利掘进。刀盘扭矩作为最后的决定特征,从皮带速度和推进行程开始,按因果顺序逐层确定。推力位于因果网络的中间层,是影响刀盘扭矩变化的原因之一。

图4显示了各个TBM特征之间的因果关系强度。从图4可以看出,推力是由刀盘转速、推进速度、撑紧压力、推进泵压力、推进缸有杆腔压力、撑紧泵压力、刀盘喷水压力、刀盘喷水流量共同决定的。具体而言,推进泵压力和推进缸有杆腔压力直接决定了推进系统的输出能量,是产生推力的主要动力来源。撑紧压力和撑紧泵压力则通过影响TBM姿态稳定性和掘进阻力间接影响推力大小。合理地提高刀盘转速有助于提升破岩效率,减少掘进阻力,从而影响推力大小。合理的刀盘喷水压力可以起到软化岩体、冷却刀盘、改善渣土流动性的作用,能有效降低刀盘与掌子面之间的摩擦和黏结作用,进而影响推力大小。因此,推力本身代表多个系统相互作用下共同产生的综合变量。

此外,刀盘扭矩是由推力、刀盘转速、推进速度、推进泵压力、推进缸有杆腔压力、皮带泵头压力、刀盘喷水压力、推进行程共同决定的。从工程机理的角度来看,推力决定了刀盘压入掌子面的程度,进而影响刀具与岩土体之间的切削阻力,是导致刀盘扭矩变化的关键因素。推进速度的变化会改变单位时间内的切削体量,从而影响TBM掘进所需要的扭矩。皮带泵头压力反映了出渣效率,出渣效率不佳会引发掌子面压力波动,增大掘进阻力,进而影响扭矩大小。

2.4 CX-SAM-GRU模型构建

模型基于Python语言构建,为了节省训练时间,提高训练精度,采用预训练方法确定模型训练参数。最后,将输入样本划分为训练集(70%)、验证集(15%)和测试集(15%),分别用于模型的训练、验证和测试,输入序列长度为128,预测序列长度为1,迭代次数设置为200次。使用随机搜索方法选择超参数组合,得到最优超参数组合如表2所示。

2.5 预测结果分析

使用CX-SAM-GRU模型对测试集数据的刀盘扭矩和推力进行预测,结果如图5所示。从图5可以看出,预测曲线和测试集曲线的趋势是一致的。误差分布均匀,刀盘扭矩和推力的最大误差绝对值分别为0.194和0.193,在可接受范围内。如图6所示为两个输出变量的R2得分,数据点越接近理想线,密度越高,实时预测效果越好,扭矩和推力R2分别为0.899 1和0.955 9,数据点沿理想线对称分布,并且理想线穿过高密度区域,表明模型中不存在导致结果偏大或偏小的系统性缺陷,误差是随机分布的。

2.6 模型解释分析

如图7和图8所示分别为时间序列特征和输入特征对模型输出的影响。从图7中可以看出,随着时间步向预测时间步接近,时间步对预测结果的贡献整体呈逐渐增长的趋势。从图8可以看出,对于刀盘扭矩,推力、推进速度对最终预测结果的影响程度较大。对于推力,刀盘喷水流量、刀盘转速和推进泵压力对最终预测结果的影响程度较大。

为了探索该模型预测能力的局限性,将实时预测模型扩展为多时间步预测模型。如图9展示了该模型在不同预测时间步长下的多步预测性能。从图9中可以看出,对于相同的预测步长,推力预测的MSE和MAE均低于刀盘扭矩预测,模型在推力预测上的误差整体低于在刀盘扭矩预测上的误差;同时,在多步预测场景下,随着预测时间步长由1增加至20,刀盘扭矩预测的MSE和MAE增长速率分别是137.24%和32.98%,推力预测的MSE和MAE增长速率分别是94.87%和18.85%,模型对推力的预测表现出更稳定的误差变化特征,体现出更优的多步预测鲁棒性。

3 模型预测效果对比分析

3.1 模型结构对比分析

为了验证因果特征筛选、自注意力机制在预测模型中的效果,进行了4组消融试验,结果如表3所示,CX-SAM-GRU模型预测性能最优,GRU模型预测性能最差,这说明引入关系邻接矩阵和自注意力机制有效提高了模型预测的准确性。此外,对于刀盘扭矩,引入自注意力机制对于提升模型预测性能的贡献高于引入关系邻接矩阵的贡献。相反,对于推力,关系邻接矩阵的贡献高于自注意力机制的贡献。这一结果与前面模型解释分析一致,进一步说明了推力预测对于特征更为敏感,扭矩预测对于时间步长更为敏感。CX-GRU模型、SAM-GRU模型、GRU模型预测结果分别如图10~图12所示。

3.2 模型类型影响效果分析

为了验证模型预测性能的优越性,采用极限梯度提升算法(extreme gradient boosting,XGBoost)、多层感知机(multi-layer perceptron,MLP)、LSTM与CX-SAM-GRU模型进行横向对比,结果如图13所示,所构建模型具有最好的预测性能。

图14和图15分别为使用机器学习方法预测TBM负载的结果和R2。与机器学习方法相比,CX-SAM-GRU模型具有很大的优势。从图14可以看出,XGBoost整体预测效果并不理想,当数据波动较大时,无法得到可靠的预测结果,与CX-SAM-GRU模型相比较,存在较多误差较大的预测结果。由图15可知,对于刀盘扭矩预测,XGBoost模型的R2跟CX-SAM-GRU模型的差异不大,但是对于推力预测,XGBoost模型与CX-SAM-GRU模型仍存在较大差距。这是因为XGBoost作为一种决策树模型,其预测结果都是根据特征的条件分布而确定的期望,并不能挖掘特征之间更深层次的关系,而模型的输入数据集中某一点的取值与周围数据点具有复杂的相关性,XGBoost模型无法捕捉到这些交互关系,预测效果不理想。

从图16和图17可以看出,与CX-SAM-GRU相比,MLP、LSTM等深度学习方法对TBM参数的实时预测效果较差。虽然MLP模型能对特征进行非线性变换,提取更深层次的信息,但是模型结构相对简单,无法捕捉长距离依赖关系,对时间序列数据的处理能力最差。LSTM模型预测效果介于CX-SAM-GRU模型与MLP模型之间。与MLP模型相比,LSTM模型和GRU模型虽采用了循环神经网络和门控机制来捕捉时间依赖关系,但是信息在长距离逐步传递过程中可能会丢失或稀释,导致预测结果相对较差。在CX-SAM-GRU模型中,通过引入自注意力机制对GRU网络输出进行加权,使模型能够动态地为不同时间步分配不同的权重。该机制通过捕捉时间步之间的依赖关系,自动识别并强化对当前任务更重要的时间步信息,同时弱化不相关信息或噪声步的影响。这种结构增强了模型对长时间序列中关键信息的聚焦能力,显著提升了时间序列分析的性能。

4 结论

提出了一种基于因果可解释和自注意力机制的人工智能模型CX-SAM-GRU,用于TBM负载时间序列的精确预测与可解释性分析,并依托天山胜利隧道对该方法进行了验证和优化,通过研究得到结论。

(1)基于因果发现筛选输入特征并包含自注意力机制的时间序列预测模型CX-SAM-GRU对TBM负载刀盘扭矩和推力的实时预测评价指标R2分别达到0.899 1和0.955 9,与CX-GRU和GRU模型相比,预测效果更优。

(2)TBM负载预测结果对最近的时间步最敏感,随着时间步的增大,时间步对预测结果的影响越来越小。

(3)与机器学习方法(XGBoost)和深度学习方法(MLP、LSTM)相比,提出的CX-SAM-GRU模型能更好地捕捉长时间序列数据复杂的相关性,预测效果最优。

(4)推力、推进速度是影响刀盘扭矩预测结果的主要特征,刀盘喷水流量、刀盘转速、推进泵压力是影响推力预测结果的主要特征,SHAP方法对预测结果的解释与实际相符,进一步验证了模型预测结果的可靠性。

参考文献

[1]

钱七虎, 李朝甫, 傅德明. 隧道掘进机在中国地下工程中应用现状及前景展望[J]. 地下空间, 2002(1): 1-11, 93.

[2]

Qian Qihu, Li Chaofu, Fu Deming. Application status and prospects of tunnel boring machines in underground engineering in China[J]. Underground Space, 2002(1): 1-11, 93.

[3]

刘耀儒, 侯少康, 魏芳, 等. TBM智能施工研究进展及展望[J]. 隧道建设, 2025, 45(1): 21-45.

[4]

Liu Yaoru, Hou Shaokang, Wei Fang, et al. Research progress and prospects of intelligent TBM construction[J]. Tunnel Construction, 2025, 45(1): 21-45.

[5]

王超, 乔世范, 刘红中. TBM破岩过程的滚刀受力计算模型研究[J]. 工程力学, 2021, 38(10): 54-63.

[6]

Wang Chao, Qiao Shifan, Liu Hongzhong. Research on force calculation model for disc cutters in TBM rock-breaking process[J]. Engineering Mechanics, 2021, 38(10): 54-63.

[7]

She L, Hu C, Li Y, et al. A specific energy and penetration interaction-based method for optimizing TBM operational parameters in hard rock[J]. Tunnelling and Underground Space Technology, 2025, 161: 106585.

[8]

赵思光, 王明年, 童建军, 等. 基于钻进参数多变量特征挖掘的隧道围岩智能分级模型研究[J]. 隧道建设, 2024, 44(12): 2469-2479.

[9]

Zhao Siguang, Wang Mingnian, Tong Jianjun, et al. Research on intelligent classification model of tunnel surrounding rock based on multivariate feature mining of drilling parameters[J]. Tunnel Construction, 2024, 44(12): 2469-2479.

[10]

叶明, 吴根生, 于洪伟, 等. 基于TBM贯入度等级矩阵的围岩分类预测方法[J]. 现代隧道技术, 2024, 61(S1): 205-214.

[11]

Ye Ming, Wu Gensheng, Yu Hongwei, et al. Classification prediction method for surrounding rock based on TBM penetration rate grade matrix[J]. Modern Tunnelling Technology, 2024, 61(S1): 205-214.

[12]

张庆龙, 朱燕文, 马睿, 等. 基于注意力加强Bi-LSTM模型的TBM掘进参数预测研究[J]. 现代隧道技术, 2022, 59(4): 69-80.

[13]

Zhang Qinglong, Zhu Yanwen, Ma Rui, et al. Research on TBM tunneling parameters prediction based on attention-enhanced Bi-LSTM model[J]. Modern Tunnelling Technology, 2022, 59(4): 69-80.

[14]

Wu Z, Wei R, Chu Z, et al. Real-time rock mass condition prediction with TBM tunneling big data using a novel rock-machine mutual feedback perception method[J]. Journal of Rock Mechanics and Geotechnical Engineering, 2021, 13(6): 1311-1325.

[15]

仉文岗, 唐理斌, 陈福勇, 等. 基于4种超参数优化算法及随机森林模型预测TBM掘进速度[J]. 应用基础与工程科学学报, 2021, 29(5): 1186-1200.

[16]

Zhang Wengang, Tang Libin, Chen Fuyong, et al. Prediction of TBM tunneling speed based on four hyperparameter optimization algorithms and random forest model[J]. Journal of Basic Science and Engineering, 2021, 29(5): 1186-1200.

[17]

侯少康, 刘耀儒, 张凯. 基于IPSO-BP混合模型的TBM掘进参数预测[J]. 岩石力学与工程学报, 2020, 39(8): 1648-1657.

[18]

Hou Shaokang, Liu Yaoru, Zhang Kai. Prediction of TBM tunneling parameters based on IPSO-BP hybrid model[J]. Chinese Journal of Rock Mechanics and Engineering, 2020, 39(8): 1648-1657.

[19]

Gao B, Wang R R, Lin C, et al. TBM penetration rate prediction based on the long short-term memory neural network[J]. Underground Space, 2021, 6(6): 718-731.

[20]

满轲, 曹子祥, 刘晓丽, 等. 基于GRU-RF模型的TBM掘进参数预测研究[J]. 应用基础与工程科学学报, 2023, 31(6): 1519-1539.

[21]

Man Ke, Cao Zixiang, Liu Xiaoli, et al. Prediction of TBM tunneling parameters based on GRU-RF model[J]. Journal of Basic Science and Engineering, 2023, 31(6): 1519-1539.

[22]

Liu Z, Wang Y, Li L, et al. Realtime prediction of hard rock TBM advance rate using temporal convolutional network (TCN) with tunnel construction big data[J]. Frontiers of Structural and Civil Engineering, 2022, 16(4): 401-413.

[23]

张弛, 李艳, 王鹏, 等. 基于门控循环单元的全断面掘进机稳定段掘进性能预测[J]. 科学技术与工程, 2022, 22(32): 14443-14450.

[24]

Zhang Chi, Li Yan, Wang Peng, et al. Prediction of tunneling performance in stable stage of tunnel boring machine based on gated recurrent unit[J]. Science Technology and Engineering, 2022, 22(32): 14443-14450.

[25]

朱梦琦, 朱合华, 王昕, 等. 基于集成CART算法的TBM掘进参数与围岩等级预测[J]. 岩石力学与工程学报, 2020, 39(9): 1860-1871.

[26]

Zhu Mengqi, Zhu Hehua, Wang Xin, et al. Prediction of TBM tunneling parameters and surrounding rock grade based on ensemble CART algorithm[J]. Chinese Journal of Rock Mechanics and Engineering, 2020, 39(9): 1860-1871.

[27]

孙嘉豪, 王文杰, 解联库. 基于微震监测和概率优化朴素贝叶斯的短期岩爆预测模型[J]. 岩土力学, 2024, 45(6): 1884-1894.

[28]

Sun Jiahao, Wang Wenjie, Xie Lianku. Short-term rockburst prediction model based on microseismic monitoring and probability-optimized naive Bayes[J]. Rock and Soil Mechanics, 2024, 45(6): 1884-1894.

[29]

Cao Y, Ding Y, Jia M, et al. A novel temporal convolutional network with residual self-attention mechanism for remaining useful life prediction of rolling bearings[J]. Reliability Engineering & System Safety, 2021, 215: 107813.

[30]

Hu Z, Gao Y, Ji S, et al. Improved multistep ahead photovoltaic power prediction model based on LSTM and self-attention with weather forecast data[J]. Applied Energy, 2024, 359: 122709.

[31]

Meng S, Shi Z, Gutierrez M. Interpretable CEEMDAN-SMA-LSSVM hybrid model for predicting shield tunnel-induced settlement[J]. Journal of Rock Mechanics and Geotechnical Engineering, 2025, 17(10): 6179-6194.

[32]

Zhang Q, Zhao X, Du L, et al. Bayesian ensemble learning for rockburst grade prediction in high geo-stress TBM tunnels with SHAP-based interpretability[J]. Engineering Failure Analysis, 2026, 185: 110425.

[33]

真嘉捷, 赖丰文, 黄明, 等. 基于LightGBM-Informer的盾构隧道管片上浮长时间序列预测模型[J]. 岩土力学, 2024, 45(12): 3791-3801.

[34]

Zhen Jiajie, Lai Fengwen, Huang Ming, et al. Based on LightGBM-Informer long time series prediction model for segment floating in shield tunnels[J]. Rock and Soil Mechanics, 2024, 45(12): 3791-3801.

基金资助

国家自然科学基金(52508427)

隧道及地下工程教育部工程研究中心(北京交通大学)开放研究基金(TUC2024-03)

PDF (29041KB)

0

访问

0

被引

详细

导航
相关文章

/

〈 〉