人工智能技術優化TBM在巖石力學與巖土工程中的應用

陳瀚 華南農業大學水利與土木工程學院

TBM是利用高速旋轉的刀盤上，滾刀同時進擠壓和剪切進行破巖推進，能使隧道整體輪廓一次成型的大型機械，其四大基本功能有：掘進、導向、出渣與支護。相比鉆爆法，無論是在施工進度、安全、環境及質量等方面，還是在人力資源的安排配置方面，采用TBM的施工都有一個質的飛越。但TBM施工的適應性較差，一旦遇到圍巖擠壓變形、軟弱破碎帶等的不良環境問題，不如鉆爆法靈活，使之投入和現場施工風險較高。由于地質環境復雜多變，TBM因其自身結構存在諸如施工手段單一、對于地質條件適應性差等多數原因[1]，國內許多學者圍繞TBM的發展應用提出了許多方面的研究。

人工智能是在計算機科學、控制論、信息論、心理學、語言學等多種學科相互滲透的基礎發展起來的一門新興學科，主要用于模仿和實現人類的智能行為[2]，而人工智能與機器學習相結合具有極大的發展潛力。TBM投入施工已經有許多年，其中所得到的大量數據，完全可以應用到數據化、智能化的發展中。人工智能已經向集成發展邁進，如何將巖土工程等運用到TBM的基礎工程建設所獲得的大數據與智能互聯技術有效結合且運用在實際工程中，如何有效利用智能化機器學習的方式對TBM掘進裝備進行不同選型、不同地質和不同評價的判斷，以及操控作業、安全維護和停機診斷等系列智能操作，將是未來巖土工程領域的重點技術挑戰和行業競爭所趨。

一、TBM載入人工智能的部分內容

（一）TBM智能分析選型及掘進適應性

采用TBM施工，合理選型是關鍵。不同支撐類型的TBM對不同巖土體介質有不同的適應性，而TBM的掘進適應性也需要考慮許多因素的影響。適應性評價的方法有較為多種，主要有模糊評價模型、綜合評價法、神經網絡法等。許多綜合科學評估，實質上是適應性評價，而適應性評價已在多個領域得到成功的運用。

何小新等[3]基于人工智能技術、人工神經網絡與范例推理系統，智能化了掘進機方案的設計，能夠做到TBM的優化選型，構建了TBM只能化選型方案的生產系統原型。

人工智能雖然逐漸開始應用于TBM領域，并且構建了許多模型系統、模型試驗，但目前在實際工程操作中難以廣泛應用，不具備普適性，因此構建完善的選型及掘進適應性評價決策系統，使之運用到工程有普適性、高效性和準確性，是未來研究的一個方向。

（二）地質環境識別與掘進狀態感知的智能判斷

在實際工程中，首先需要對掘進的地質進行前期的勘測與研究，其方法往往是鉆孔取芯，但因隧洞是掘進深入的工程，往往在勘測與研究過程中存在一定的偏差。目前，TBM掘進機在施工運用的操作上，依然以施工者的經驗作為操控的主要基礎，當遇到地質環境改變，掘進狀態發生異常時，均依靠人為調整TBM的推力、轉矩、刀盤轉速等機器參數。

高地應力地區存在脆硬完整巖體，隨著地殼構造運動發生，巖體中產生和儲存著彈性應變能，初始應力也隨之提高。一旦開挖，出現自由邊界，切向應力急劇增加，能量進一步集中，受到積聚的應力作用，巖塊會產生突發性脆性破碎、飛散，并產生巨大聲響，形成“巖爆”現象，巖爆會引起施工損害，造成人身安全問題[4]。

為進行地質環境與掘進狀態的智能判斷，需要研究地質環境信息及掘進狀態感知系統，這在智能化需求中是關鍵一環。同時也需要掘進機器能實時識別自身的掘進狀態，因而需要在參數輸入的基礎上，連通到機器“大腦”，最后反饋輸出，進行相應調整。不僅如此，將巖爆預測和超前巖爆預處理措施進行人工智能化，也是一項科學挑戰。微震監測系統是目前較有效的巖爆預測系統，系統可以監測內部的破裂情況，并進行蓄能情況分析再根據系統所預測的巖爆規模、等級和應力集中部位，提前釋放掌子面前方圍巖的應力，降低巖爆等級與規模[5]。

（三）多系統掘進作業的智能分析與協同控制

TBM掘進機裝備實際上是綜合許多子系統、承擔多樣任務和具有高協調性的機械掘進裝備。因此，在未來不斷推進掘進裝備的無人操作與智能作業是十分有益處的，也因而對TBM多系統的自主掘進作業、智能分析和協同控制提出更大的科學挑戰。

新一代智能隧道掘進機的設計制造，其核心應聚焦在環境與狀態感知、施工參數自適應動態調控、多目標優化、多系統協調控制等問題上[6]。在原有的傳統隧道掘進技術之上，需要突破和創新TBM掘進機原有的瓶頸，實現長距離、深埋深、智能化與安全高效掘進，使全斷面隧道掘進機技術革新有革命性的進步，也對我國在巖土工程、隧道工程中自主創新能力和跨越發展有重要意義。

二、TBM人工智能化優化的應用與現有研究基礎

（一）智能化優化的應用

TBM與人工智能結合的現有的研究基礎，絕大多數考慮的是從參數調整抑或模型試驗等進行提升和優化，但如果加入人工智能，可以突破思維的限制，找到更多的方向。

張清[7]提出了人工智能專家系統在巖石力學和巖石工程中的使用情況，研究某一問題可以同時考慮多種影響因素，相比起數學模型考慮影響因素數目受到限制，把專家系統引入巖石力學與巖石工程領域。

人工智能技術引進我國后，在各行業均有滲透，而在前人基礎上加入新技術進行研究，能對現有的工程領域提供更多可操作性。人工智能技術能在施工中保障施工人員的安全，保證圍巖的穩定，能做到不在掘進中停機，抑或產生嚴重沉降，同時能提高掘進速度，穩定掘進方向，實現自主化，工作人員有更多精力投入到其余的觀測當中，避免疲勞或數據過多造成的認知負荷與操作失誤。

（二）TBM智能化現有研究基礎

在施工地質的超前勘探方面，比起TBM原有的超前鉆機基礎上有許多國內外學者進行了相應研究：Yue等[8]提出了基于鉆進參數分析的“數字智能鉆機”技術，但在理論上存在尚未突破的問題。在掘進狀態和巖機信息感知方面：杜志國[9]創建了基于虛擬儀器的振動模態理論、振動檢測系統、多參數磨損預測公式和監測方法，但難以在現場進行實測數據的動態化分析、互饋，不能做到實際的動態評價識別是其不足之處。目前，國內外信息化管理平臺的功能還不完善，常用在施作業的監測與管理，仍難以解決隧道掘進機掘進時大量的實時數據與歷史信息綜合分析與探索的問題。

如今TBM掘進機的性能主要集中在效率、推進和轉矩預測模型建立等的研究。然而往往需要基于某項工程的掩體類型和掘進機參數來建立模型，同時不同巖體影響參數也需要進行考慮，而在巖體多變環境下如何選擇可靠的預測模型對TBM推理和掘進性能進行更為準確的預測且實時達到最優破巖效率，仍是亟待解決的問題。

（三）TBM智能化設想

TBM進行隧道掘進作業時周圍面臨著圍巖壓力、沖擊荷載和復雜多變的地質環境，在掘進過程中結合監控和人工操作，難以自行實現掘進狀態的精確感知和識別。因此有必要研發融合高精傳感技術的液壓元件是實現狀態監測與智能化控制的基礎。

一直以來，對于所獲得的數據缺乏有效的優化和有利的決策手段，掘進參數根據人為經驗進行分析決策，其描述仍以分描述性分析為主，即發現問題并加以應對，難以摒棄傳統思維。因此，未來的研發應該引入機器自主學習與大數據技術，研究自主的事前預測技術以及反向決策反饋。

每100臺TBM每5年能夠產生32000億條數據，但由于定義不統一、數據分析不透明等原因，多源海量數據并不能得到充分利用。因此需要將大數據處理平臺和云計算平臺引入隧道掘進中，實驗數據的采集、傳輸、和分析是相當必要的。

三、總結與展望

人工智能無處不在，如何在智能時代讓傳統的科技TBM更上一層，是未來必不可少的研究，各門學科相互滲透產生的效果是進來科學發展的特點。打破傳統的掘進模式，突破掘進效率和壽命瓶頸，實現TBM掘進長距離、智能化、安全高效是TBM智能化的目標，而實現掘進狀態感知識別、掘進參數工況自適應動態調控掘進參數數據計算、參數云計算智能優化和決策以及多系統協同控制是TBM智能化的核心問題。通過以上的分析，相信隨著科技不斷革新發展和研究人員的探索和努力，人工智能技術優化TBM必將使巖石力學與巖石工程達到一個新的高度，其發展前景廣闊無限。