基于CEEMDAN-TCN組合模型的圍巖質(zhì)量等級(jí)預(yù)測(cè)評(píng)價(jià)

喬金麗, 陳 帥, 陳小強(qiáng), 郝剛立, 胡建幫, 孫永濤

(1. 河北工業(yè)大學(xué)土木與交通學(xué)院, 天津 300401; 2. 山東惠裕土木工程有限公司, 山東 濟(jì)南 250101; 3. 河北地質(zhì)大學(xué)城市地質(zhì)與工程學(xué)院, 河北 石家莊 050031)

0 引言

圍巖等級(jí)識(shí)別一直是業(yè)內(nèi)研究的熱點(diǎn)問(wèn)題,但在圍巖等級(jí)識(shí)別技術(shù)的使用上,普遍采用傳統(tǒng)的TSP、Q、TST、RMR識(shí)別系統(tǒng)及ML算法[1-5]。使用這些傳統(tǒng)方法時(shí),需要先對(duì)巖石的強(qiáng)度和巖石完整性指數(shù)等力學(xué)參數(shù)進(jìn)行長(zhǎng)時(shí)間的人工現(xiàn)場(chǎng)測(cè)試,再手動(dòng)輸入系統(tǒng)中進(jìn)行識(shí)別,且參數(shù)取證的數(shù)量極少,導(dǎo)致圍巖等級(jí)的劃分往往與實(shí)際情況存在一定程度的偏差。而智能算法能夠高效地處理數(shù)量繁多且復(fù)雜的非線性圍巖參數(shù),也可以在指標(biāo)數(shù)量較少的情況下對(duì)隧道圍巖進(jìn)行精準(zhǔn)分級(jí),因而被廣泛地應(yīng)用于隧道圍巖的分級(jí)判別工作。

經(jīng)研究發(fā)現(xiàn),針對(duì)圍巖等級(jí)的識(shí)別預(yù)測(cè),許多學(xué)者主要考慮了如巖體完整性、單軸抗壓強(qiáng)度、泊松比、內(nèi)摩擦角等巖體力學(xué)參數(shù),證明了這些巖體力學(xué)參數(shù)是圍巖等級(jí)判定的重要因素[6-7]。隨著智能算法的發(fā)展,國(guó)內(nèi)外已經(jīng)有不少學(xué)者將智能分類算法應(yīng)用到圍巖分類領(lǐng)域。例如: Hou等[8]提出了一種堆疊集成分類器,利用TBM作業(yè)數(shù)據(jù)實(shí)時(shí)預(yù)測(cè)巖體的類別;Wu等[9]提出了一種基于數(shù)據(jù)挖掘的TBM-圍巖互饋感知方法,分析了與圍巖類別相關(guān)度較高的幾個(gè)掘進(jìn)參數(shù),并將其作為圍巖等級(jí)預(yù)測(cè)的輸入特征,基于DNN神經(jīng)網(wǎng)絡(luò)建立了不同巖體條件下的實(shí)時(shí)預(yù)測(cè)模型;李宏波[10]提出了一種基于自組織神經(jīng)網(wǎng)絡(luò)聚類(SOM)和最小二乘支持向量機(jī)(SVM)相結(jié)合的圍巖等級(jí)識(shí)別方法;朱夢(mèng)琦等[11]基于集成CART算法的隨機(jī)森林模型實(shí)現(xiàn)了巖體類別的實(shí)時(shí)感知;Liu等[12]提出了一種基于分類回歸樹和 AdaBoost算法的組合學(xué)習(xí)預(yù)測(cè)模型,對(duì)隧道掌子面前方的圍巖等級(jí)進(jìn)行識(shí)別預(yù)測(cè)。

雖然上述采用的智能模型被廣泛應(yīng)用于圍巖等級(jí)的識(shí)別,但是在面對(duì)海量的歷史數(shù)據(jù)時(shí),它們對(duì)原始序列中的歷史特性不能夠很好地捕捉和分析,在長(zhǎng)期記憶性方面也有所欠缺;并且由于圍巖數(shù)據(jù)量龐大,這些機(jī)器學(xué)習(xí)模型因不能高效地處理數(shù)據(jù)而導(dǎo)致梯度爆炸或者過(guò)擬合的現(xiàn)象發(fā)生,因而影響其對(duì)隧道掌子面處圍巖質(zhì)量等級(jí)的預(yù)測(cè)精度。本文采用深度學(xué)習(xí)算法中的時(shí)間卷積網(wǎng)絡(luò)(temporal convolutional network,TCN)可有效解決這一問(wèn)題。

在面臨波動(dòng)性大、復(fù)雜性高的海量圍巖數(shù)據(jù)時(shí),若將全部原始信號(hào)一次性輸入至TCN算法中進(jìn)行預(yù)測(cè)可能會(huì)存在一定的誤差,而利用CEEMDAN分解算法[13](complete EEMD with adaptive noise,簡(jiǎn)稱CEEMDAN分解)則可以對(duì)原始序列進(jìn)行平穩(wěn)化處理,將其分解為有限個(gè)本征模態(tài)分量(intrinsic mode function,簡(jiǎn)稱IMF分量),并且將有限個(gè)IMF分量相加后仍能繼續(xù)保持原信號(hào)所具有的性質(zhì)。本文利用訓(xùn)練后的TCN模型分別對(duì)CEEMDAN分解后得到的各個(gè)IMF分量進(jìn)行預(yù)測(cè),然后將各個(gè)IMF分量的預(yù)測(cè)結(jié)果疊加重構(gòu)得到最終的預(yù)測(cè)結(jié)果,很大程度上提高了僅使用單一TCN模型進(jìn)行預(yù)測(cè)的精度。

綜合上述分析及有關(guān)研究[14-18],本文以包括圍巖的巖體完整性指數(shù)、單軸抗壓強(qiáng)度、內(nèi)摩擦角、黏聚力、變形模量、泊松比、堅(jiān)固性系數(shù)和彈性抗力系數(shù)在內(nèi)的8個(gè)巖體力學(xué)參數(shù)為依據(jù),結(jié)合利用完備性高、計(jì)算速度快、分解效果好的CEEMDAN分解算法及處理能力高效、時(shí)序數(shù)據(jù)挖掘功能強(qiáng)大、梯度穩(wěn)定、預(yù)測(cè)精度高的TCN神經(jīng)網(wǎng)絡(luò)[19],遵循“先分解再重構(gòu)”的原則,建立一種基于CEEMDAN-TCN組合模型的圍巖等級(jí)預(yù)測(cè)模型,以期為隧道開挖過(guò)程中準(zhǔn)確、高效地識(shí)別預(yù)測(cè)掌子面處圍巖質(zhì)量等級(jí)提供理論依據(jù)。

1 基本理論

1.1 CEEMDAN分解理論

CEEMDAN分解算法是通過(guò)對(duì)原始信號(hào)添加足夠多的正負(fù)成對(duì)的輔助白噪聲而得到一個(gè)新信號(hào),并對(duì)新信號(hào)進(jìn)行I次經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,簡(jiǎn)稱EMD分解),得到I個(gè)第1階分量;然后通過(guò)對(duì)I個(gè)第1階分量取均值,得到最終的第1階分量和第1階殘差; 經(jīng)K次迭代后,殘差信號(hào)為單調(diào)函數(shù),停止迭代,最終得到K個(gè)IMF分量。該算法很好地解決了EMD分解算法中隨機(jī)噪聲殘留的問(wèn)題。因此,CEEMDAN分解算法相較EMD分解算法具備更好的完備性、更快的計(jì)算速度、更好的模態(tài)分解結(jié)果等優(yōu)點(diǎn)。CEEMDAN的具體分解步驟如圖1所示。

圖1 CEEMDAN分解步驟

1.2 TCN算法理論

對(duì)于海量歷史數(shù)據(jù)來(lái)說(shuō),TCN算法不僅具備強(qiáng)大的處理功能,還擁有良好的長(zhǎng)期記憶分析能力,可大大提升模型的預(yù)測(cè)精度。因此,TCN算法可以很好地應(yīng)用于超大數(shù)據(jù)的預(yù)測(cè)領(lǐng)域。

TCN算法包括2層膨脹因果卷積和激活函數(shù)ReLU。ReLU定義如下:

(1)

式中x為輸入值。

膨脹因果卷積網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。膨脹因果卷積結(jié)構(gòu)采樣的步長(zhǎng)受到膨脹系數(shù)d的控制,d=1時(shí)表示對(duì)全部的輸入數(shù)據(jù)均進(jìn)行采樣,d=2時(shí)表示每2個(gè)數(shù)據(jù)中選取1個(gè)作為輸入數(shù)據(jù)。通常情況下,隨著隱藏層數(shù)的增加,膨脹系數(shù)d以2的指數(shù)逐層增加。因?yàn)榇嬖谂蛎浵禂?shù)d,所以可以用較少的隱藏層去獲得足夠大的感知范圍。因此,膨脹因果卷積結(jié)構(gòu)不僅很好地解決了因果卷積存在的問(wèn)題,而且使整個(gè)神經(jīng)網(wǎng)絡(luò)具備了長(zhǎng)期記憶性,有利于提取更多的歷史信息。t時(shí)刻的膨脹因果卷積運(yùn)算結(jié)果

圖2 膨脹因果卷積網(wǎng)絡(luò)結(jié)構(gòu)

(2)

式中:F為濾波器大小;X為輸入向量;d為膨脹系數(shù);*為提取特征信息的卷積操作;m為卷積核大小;f(i)為第i個(gè)元素的卷積核;t為時(shí)間序列;xt-d·i表示只對(duì)過(guò)去的數(shù)據(jù)進(jìn)行卷積操作。

1.3 CEEMDAN-TCN組合算法理論

本文基于CEEMDAN信號(hào)分解方法及深度學(xué)習(xí)算法TCN,提出一種基于CEEMDAN-TCN組合模型的圍巖等級(jí)預(yù)測(cè)模型,其建模的一般步驟如下。

1)對(duì)收集到的圍巖等級(jí)原始信號(hào)進(jìn)行分解,以降低其非線性、非平穩(wěn)性對(duì)TCN模型產(chǎn)生的不利影響,通過(guò)CEEMDAN算法對(duì)原始信號(hào)進(jìn)行分析處理后,最終得到多組IMF分量和1組殘余分量。

2)分別對(duì)分解得到的各個(gè)子信號(hào)進(jìn)行歸一化處理,采用窗口滑動(dòng)的處理方式,以被選定采樣長(zhǎng)度的時(shí)間點(diǎn)數(shù)據(jù)為特征、下一個(gè)時(shí)間點(diǎn)數(shù)據(jù)為標(biāo)簽,構(gòu)建TCN預(yù)測(cè)模型,并用優(yōu)化算法來(lái)調(diào)整預(yù)測(cè)模型的超參數(shù)。

3)使用訓(xùn)練集訓(xùn)練優(yōu)化后的TCN預(yù)測(cè)模型,通過(guò)單步預(yù)測(cè)即可得到各個(gè)子信號(hào)的預(yù)測(cè)結(jié)果,將所有分量的結(jié)果疊加重構(gòu)后得到最終圍巖等級(jí)預(yù)測(cè)結(jié)果。

CEEMDAN-TCN組合模型預(yù)測(cè)流程如圖3所示。

圖3 CEEMDAN-TCN組合模型預(yù)測(cè)流程

2 模型評(píng)價(jià)指標(biāo)

為進(jìn)一步驗(yàn)證提出的基于CEEMDAN-TCN組合模型對(duì)于圍巖等級(jí)識(shí)別預(yù)測(cè)的準(zhǔn)確性,本文以平均絕對(duì)誤差(MAE)、平均絕對(duì)百分比誤差(MAPE)、均方根誤差(RMSE)、均方誤差(MSE)及擬合系數(shù)R25個(gè)評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行驗(yàn)證分析,計(jì)算公式如下。

(3)

(4)

(5)

(6)

(7)

3 工程實(shí)例

3.1 工程概況

本文數(shù)據(jù)來(lái)源于榕江關(guān)埠引水工程,該工程是韓江、榕江、練江三江水系連通工程的子工程之一,工程輸水線路總長(zhǎng)為34.97 km,其中山嶺段輸水隧洞總長(zhǎng)約27.71 km。工程總布置示意如圖4所示。該工程由1#、2#TBM掘進(jìn)機(jī)分別自上、下游向山體內(nèi)掘進(jìn),2臺(tái)機(jī)器接觸點(diǎn)處原設(shè)計(jì)為豎井,稱“1#、2#TBM設(shè)備接收井”,接收井外徑為32.0 m,內(nèi)徑為24.50 m,深度為55.25 m。榕江水經(jīng)輸水隧洞從普寧市北山村山腳的北坑水庫(kù)附近進(jìn)入出水池,再經(jīng)出水池溢流堰分水至北山村輸水明渠和北山東輸水渠,最終匯入練江。本文選擇樁號(hào)區(qū)段0～19 693 m的巖體力學(xué)參數(shù)對(duì)圍巖質(zhì)量等級(jí)進(jìn)行研究。

圖4 工程總布置示意圖

3.2 數(shù)據(jù)處理

根據(jù)榕江關(guān)埠引水工程地質(zhì)報(bào)告以及相關(guān)研究資料,本研究以圍巖的巖體完整性指數(shù)(Kv)、單軸抗壓強(qiáng)度(Rc)、內(nèi)摩擦角(φ)、黏聚力(c)、變形模量(E)、泊松比(μ)、堅(jiān)固性系數(shù)(f)和彈性抗力系數(shù)(k)作為輸入目標(biāo),以圍巖等級(jí)作為輸出目標(biāo),對(duì)圍巖質(zhì)量等級(jí)預(yù)測(cè)的初始數(shù)據(jù)進(jìn)行處理分析。其中,巖體力學(xué)參數(shù)數(shù)據(jù)是依據(jù)《水利水電工程地質(zhì)勘察規(guī)范》進(jìn)行圍巖工程地質(zhì)分類,并根據(jù)《引調(diào)水線路工程地質(zhì)勘察規(guī)范》進(jìn)行TBM施工適宜性分級(jí),最終根據(jù)勘探揭露隧洞的巖石強(qiáng)度、巖體完整性和結(jié)構(gòu)面狀態(tài)得到。

3.2.1 圍巖等級(jí)及力學(xué)參數(shù)

由榕江關(guān)埠引水工程地質(zhì)報(bào)告可知,樁號(hào)區(qū)段0～19 693 m的圍巖等級(jí)分布如表1所示。可以看出,各樁號(hào)區(qū)段下的圍巖等級(jí)具有唯一性,表示TBM在該樁號(hào)區(qū)段下的開挖工作是在同一圍巖質(zhì)量等級(jí)下進(jìn)行的,為CEEMDAN-TCN組合模型的圍巖等級(jí)精準(zhǔn)預(yù)測(cè)提供了便利性。各級(jí)圍巖下的主要力學(xué)參數(shù)均值如表2所示。

表1 各個(gè)樁號(hào)區(qū)段下的圍巖等級(jí)對(duì)應(yīng)表

表2 各級(jí)圍巖下的力學(xué)參數(shù)均值對(duì)應(yīng)表

3.2.2 Akima函數(shù)內(nèi)插分析

由表1和表2可以看出,各樁號(hào)區(qū)段均具有相應(yīng)的巖體力學(xué)參數(shù)均值,但各樁號(hào)區(qū)段中點(diǎn)僅有圍巖等級(jí)數(shù)據(jù),而沒(méi)有圍巖的各項(xiàng)具體參數(shù),無(wú)法充分考慮到巖體的不連續(xù)性特質(zhì)。根據(jù)所掌握的原始圍巖等級(jí)數(shù)據(jù),基于同一圍巖等級(jí)下巖體參數(shù)局部連續(xù)的性質(zhì),本研究決定在同一圍巖下采用Akima插值法對(duì)缺失及量少信號(hào)處進(jìn)行補(bǔ)充。Akima插值法在考慮了要素導(dǎo)數(shù)值效應(yīng)的同時(shí)具備了最優(yōu)逼近和收斂的特質(zhì)。因此,Akima插值法所得的擬合曲線比其他插值法的擬合曲線更光順、更自然。

根據(jù)表1和表2的數(shù)據(jù),將各樁號(hào)段中點(diǎn)的巖體完整性指數(shù)繪制成散點(diǎn)圖,如圖5所示。由于里程跨度很大,所以各個(gè)數(shù)據(jù)點(diǎn)的數(shù)據(jù)缺失量也很大。因此,本文利用Akima插值法對(duì)圖5進(jìn)行擬合分析,擬合結(jié)果如圖6所示,擬合出的巖體完整性曲線不僅波動(dòng)趨勢(shì)與圖5吻合,并且所得到的曲線也更加光滑、自然。因此,由擬合后的巖體完整性曲線可以得出每米對(duì)應(yīng)的巖體完整性數(shù)據(jù)。將表1和表2中其余7個(gè)力學(xué)參數(shù)采取同樣的手段進(jìn)行擬合,通過(guò)Akima內(nèi)插的方法,最終得到0～19 476 m上完整且合理的巖體力學(xué)參數(shù)。

圖5 巖體完整性指數(shù)散點(diǎn)圖

圖6 基于Akima函數(shù)的巖體完整性指數(shù)擬合曲線

3.3 構(gòu)建CEEMDAN-TCN組合預(yù)測(cè)模型

3.3.1 CEEMDAN分解

運(yùn)用Akima內(nèi)插法得到0～19 476 m的巖體力學(xué)參數(shù)建立圍巖等級(jí)預(yù)測(cè)數(shù)據(jù)庫(kù),取其前90%作為模型的訓(xùn)練樣本,后10%作為測(cè)試樣本。

首先,采用CEEMDAN算法對(duì)圍巖等級(jí)數(shù)據(jù)進(jìn)行分解,設(shè)置0.5倍標(biāo)準(zhǔn)差和300次范圍內(nèi)的白噪聲,IMF分量個(gè)數(shù)在3～9個(gè)內(nèi)進(jìn)行調(diào)整,不斷計(jì)算在不同迭代停止條件下的分量重構(gòu)誤差。結(jié)果表明,IMF分量個(gè)數(shù)設(shè)置為4時(shí),CEEMDAN分解效果最佳。因此本文設(shè)置IMF分量個(gè)數(shù)為4,以殘余分量極值點(diǎn)≤1作為迭代停止條件,對(duì)原始的圍巖等級(jí)序列進(jìn)行CEEMDAN分解。CEEMDAN分解如圖7所示。可以看出: 1)分量IMF1—IMF3波動(dòng)明顯,頻率較高,為高頻分量; 2)分量IMF4頻率較小,為低頻分量,主要反映圍巖等級(jí)的變化趨勢(shì)。

(a) IMF1

3.3.2 TCN模型參數(shù)設(shè)置

為了提高TCN預(yù)測(cè)模型的訓(xùn)練效率,需要針對(duì)上述分解的各個(gè)子序列進(jìn)行歸一化處理,并對(duì)TCN模型進(jìn)行超參數(shù)設(shè)置。因上述計(jì)算得出IMF分量個(gè)數(shù)為4,故本文采用4個(gè)TCN模塊堆疊的模型進(jìn)行預(yù)測(cè),各模塊的濾波器數(shù)量為[64,32,16,1];膨脹系數(shù)為[1,2,4,8];卷積核尺寸均為2;Epoch的值設(shè)為180;Batchsize的值設(shè)為35;丟失率為0.1;模型選取Adam算法作為網(wǎng)絡(luò)優(yōu)化器;MSE為損失函數(shù);初始學(xué)習(xí)率設(shè)置為0.001。設(shè)定好合適的超參數(shù)后,使用訓(xùn)練集訓(xùn)練經(jīng)過(guò)優(yōu)化的TCN預(yù)測(cè)模型,通過(guò)單步預(yù)測(cè)得到各個(gè)子信號(hào)的預(yù)測(cè)結(jié)果,并將所有分量的結(jié)果疊加重構(gòu),得到最終基于CEEMDAN-TCN組合預(yù)測(cè)模型的圍巖等級(jí)預(yù)測(cè)結(jié)果,如圖8所示。

圖8 基于CEEMDAN-TCN組合模型的圍巖等級(jí)預(yù)測(cè)結(jié)果

3.3.3 預(yù)測(cè)結(jié)果分析

由圖8可以看出: 1)模型的預(yù)測(cè)值與真實(shí)值趨勢(shì)基本一致,模型對(duì)Ⅱ、Ⅲ、Ⅴ級(jí)圍巖的預(yù)測(cè)效果較好,精度較高;2)模型對(duì)Ⅳ級(jí)圍巖的預(yù)測(cè)效果雖不如Ⅱ、Ⅲ、Ⅴ級(jí)圍巖,但僅在該級(jí)圍巖所在區(qū)段兩端的過(guò)渡區(qū)發(fā)生偏差,中間吻合部分的區(qū)段范圍明顯大于在過(guò)渡段的范圍值之和。

總體來(lái)看,預(yù)測(cè)結(jié)果吻合的區(qū)段范圍遠(yuǎn)大于偏差區(qū)段范圍,證明本文提出的CEEMDAN-TCN組合預(yù)測(cè)模型對(duì)于圍巖等級(jí)的預(yù)測(cè)具備較高的預(yù)測(cè)能力。

3.4 對(duì)比分析

為進(jìn)一步驗(yàn)證CEEMDAN-TCN組合預(yù)測(cè)模型的準(zhǔn)確性,與EMD-TCN和TCN 2種預(yù)測(cè)模型進(jìn)行對(duì)比分析,分析結(jié)果如圖9所示。可以看出: 1)3種預(yù)測(cè)模型的預(yù)測(cè)值走向均與真實(shí)值走向大體一致,但由紅色表示的CEEMDAN-TCN模型的圍巖等級(jí)預(yù)測(cè)折線相較另外2種模型更加接近實(shí)際的圍巖等級(jí)預(yù)測(cè)折線;2)0～645 m區(qū)段CEEMDAN-TCN模型的預(yù)測(cè)結(jié)果與實(shí)際值僅偏差2 m,精度較高,而TCN模型和EMD-TCN模型的預(yù)測(cè)結(jié)果與實(shí)際值分別偏差了121、208 m,誤差相對(duì)較大;3)645～1 046 m區(qū)段3種模型的預(yù)測(cè)結(jié)果均與實(shí)際值接近;4)1 046～1 368 m區(qū)段下3種預(yù)測(cè)模型的折線雖較為接近,但可明顯看出CEEMDAN-TCN模型的預(yù)測(cè)結(jié)果與真實(shí)值接近的區(qū)段范圍比另外2種模型長(zhǎng),預(yù)測(cè)精度相對(duì)較高;5)最后的Ⅴ級(jí)圍巖所在區(qū)段僅有CEEMDAN-TCN和TCN 2種模型的預(yù)測(cè)結(jié)果與真實(shí)值接近,而EMD-TCN模型的預(yù)測(cè)結(jié)果存在112 m的偏差,誤差較大。

圖9 3種模型對(duì)圍巖等級(jí)的預(yù)測(cè)結(jié)果

以上表明了本文提出的基于CEEMDAN-TCN組合模型的圍巖等級(jí)預(yù)測(cè)結(jié)果更好,與真實(shí)情況的吻合度更高。

3種預(yù)測(cè)模型的性能指標(biāo)計(jì)算結(jié)果如表3所示。可以看出: 1)基于CEEMDAN-TCN的預(yù)測(cè)算法的性能均優(yōu)于另外2種算法,MAE相比EMD-TCN、TCN 2種模型分別下降了0.226、0.101;2)MAPE相比EMD-TCN、TCN 2種模型分別下降了0.03、0.014;3)RMSE相比EMD-TCN、TCN 2種模型分別下降了0.017、0.021;4)MSE相比EMD-TCN、TCN 2種模型分別下降了0.137、0.101;5)擬合度R2相比于EMD-TCN、TCN 2種模型分別提高了10%、7.4%。

表3 3種預(yù)測(cè)模型的性能指標(biāo)計(jì)算結(jié)果

以上CEEMDAN-TCN模型的4種誤差指標(biāo)均比EMD-TCN、TCN 2種模型小。因此,無(wú)論是從擬合精度還是誤差指標(biāo)來(lái)看,都足以證明基于CEEMDAN-TCN組合預(yù)測(cè)模型的預(yù)測(cè)效果優(yōu)于EMD-TCN、TCN 2種模型。

4 結(jié)論與討論

1)以地質(zhì)報(bào)告中的工程現(xiàn)場(chǎng)巖體力學(xué)參數(shù)數(shù)據(jù)為依據(jù),利用Akima內(nèi)插法對(duì)信號(hào)缺失的部分進(jìn)行補(bǔ)充,為圍巖等級(jí)預(yù)測(cè)提供了數(shù)據(jù)支撐。

2)CEEMDAN-TCN組合模型對(duì)Ⅱ、Ⅲ、Ⅴ級(jí)圍巖的預(yù)測(cè)效果較好,精度較高;對(duì)Ⅳ級(jí)圍巖的預(yù)測(cè)效果雖不如其他圍巖等級(jí),但僅在該級(jí)圍巖所在區(qū)段兩端的過(guò)渡區(qū)發(fā)生偏差,中間巖體等級(jí)吻合部分的區(qū)段明顯要大于在過(guò)渡段的區(qū)段;模型的擬合精度高達(dá)95.2%。因此,總體上該組合模型對(duì)各級(jí)圍巖的預(yù)測(cè)有著一定的準(zhǔn)確性,可以實(shí)現(xiàn)TBM掘進(jìn)面處圍巖等級(jí)的準(zhǔn)確預(yù)測(cè),在圍巖識(shí)別領(lǐng)域具有較強(qiáng)的工程實(shí)用性,為研究地質(zhì)預(yù)測(cè)提供了一種新的方法。

3)在CEEMDAN-TCN組合預(yù)測(cè)模型與EMD-TCN、TCN 2種模型對(duì)比分析中顯示,CEEMDAN-TCN組合模型的MAE相比EMD-TCN、TCN 2種模型分別下降了0.226、0.101;MAPE相比EMD-TCN、TCN 2種模型分別下降了0.03、0.014;RMSE相比EMD-TCN、TCN 2種模型分別下降了0.017、0.021;MSE相比EMD-TCN、TCN 2種模型分別下降了0.137、0.101;擬合度R2相比于EMD-TCN、TCN 2種模型分別提高了10%、7.4%。綜合上述結(jié)果,說(shuō)明本文采用的CEEMDAN-TCN組合模型相較于另外2種模型對(duì)于圍巖等級(jí)的預(yù)測(cè)精度更高、實(shí)踐性更強(qiáng)。在實(shí)際工程中,有助于掘進(jìn)機(jī)中各參數(shù)隨著圍巖等級(jí)的變化而作出及時(shí)的調(diào)整。

針對(duì)復(fù)雜的圍巖信息收集和安全、高效地掘進(jìn),引入智能算法進(jìn)行預(yù)測(cè)圍巖等級(jí)從而指導(dǎo)施工是一種可靠且較為成功的嘗試。但是由于實(shí)際中巖體信息的缺失,基于同種圍巖等級(jí)下局部連續(xù)性質(zhì),采用了一種連續(xù)的手段對(duì)數(shù)據(jù)進(jìn)行了補(bǔ)充,雖然預(yù)測(cè)結(jié)果擬合度較高,但仍存在一定范圍的偏差。隨著數(shù)據(jù)的累積,能夠建立較為真實(shí)的圍巖信息庫(kù),進(jìn)一步完善CEEMDAN-TCN組合模型的預(yù)測(cè)準(zhǔn)確度,從而在實(shí)際應(yīng)用中,能夠提供一種更加實(shí)用、可靠的方法去更好地指導(dǎo)施工。