基于長短期記憶神經網絡的復合地層盾構姿態控制研究

梁 琳,李 新,王 達,吳卓霖

(1.中建市政工程有限公司,北京 100071;2.中國建筑一局(集團)有限公司,北京 100161;3.中南大學 土木工程學院,湖南 長沙 410075)

0 引言

盾構掘進偏移表明盾構機的運動軌跡偏離設計隧道軸線(the Design Tunnel Axis,DTA),這是盾構隧道施工質量低下的重要原因之一[1]。盾構掘進偏移的發生會給以后的作業帶來安全隱患。盾構隧道襯砌采用管片連續組合形成,管片在盾尾處拼裝成環形[2]。因此,盾構掘進偏移會使管片的裝配過程復雜化,并引起管片的損壞以及漏水[3]等隧道質量問題。此外,如果掘進偏移過大,則實際掘進路線可能完全偏移原本的DTA,對隧道工程的成本和進度構成嚴重的影響。

對盾構姿態的控制不良是造成掘進偏移的主要原因。在盾構隧道施工中,DTA是一種可供參考的最佳路徑。然而,由于盾構質量不能時刻高效保證;在不同地層,各部分摩擦阻力各不相同;盾構操作高度復雜等因素都將導致盾構姿態在實際應用中難以控制。因此,盾構機的運動軌跡就會圍繞DTA呈蛇形[4]。目前,盾構機的操作與控制是采用基于反饋的方法。具體而言就是將基于自動導航系統測量的實時姿態和位置信息作為對盾構司機的反饋。由于控制過程必須在偏差發生一段時間后才能產生影響和效果,因此,該反饋就會存在控制不及時的問題。這也是造成盾構掘進呈蛇形運動的主要原因[5]。此外,盾構掘進過程中還存在姿態和位置控制的滯后效應,即在盾構機司機下達修正盾構姿態和掘進路線的指令后,盾構機還會存在一個從偏移路線向DTA轉化的過程,該修正過程就會存在一定的偏差。因此,只有盾構司機提前操作,才可以防止過度偏差的發生。但是,該指令均是由盾構司機的經驗發出,具有很大的不確定性,這也進一步加劇了盾構機的蛇形運動。

為了進一步控制盾構掘進和姿態,就需要提前預測出未來的盾構姿態來支持駕駛員在發生偏差之前進行調整,從而可以有效克服傳統基于反饋的方法存在的難題。這種控制思想被稱為基于預測的方法,對于盾構掘進的精確控制和隧道質量的提高至關重要。基于預測的控制方法的主要問題是建立預測模型。該預測模型可以通過輸入相關參數的歷史數據來確定未來一段時間的盾構姿態參數。

研究初期,許多研究人員嘗試利用理論和數值分析方法研究盾構姿態的預測和控制機理。這些研究主要討論了盾構機姿態和位置的定義、測量和運動學,但對其預測的分析有限[5]。同時,預測技術在盾構掘進中的應用主要集中在盾構性能、地表沉降和開挖面穩定性的預測上。因此,建立有效的盾構機姿態預測模型仍然是一個挑戰。

盾構姿態的預測可以看作是一個序列預測問題[6]。因此,將根據里程數變化的特征參數——“盾首水平偏差”進行插值法,將其轉化為符合序列預測的參數;再進行一系列的數據預處理與歸一化;最后構建、訓練出長短期記憶神經網絡模型,用該模型來預測盾構姿態參數——盾首水平偏差,從而給盾構駕駛員提前提供盾構姿態變化趨勢,盡早作出盾構姿態調整。

1 方法理論

1.1 循環神經網絡

循環神經網絡(Recurrent Neural Network,RNN)是一種特殊的神經網絡結構,它是根據“人的認知是基于過往的經驗和記憶”這一觀點提出的。它與其他神經網絡不同的是:它不僅考慮前一時刻的輸入,而且賦予了網絡對前面內容的一種“記憶”功能[7]。

循環神經網絡中的“循環”即一個序列當前的輸出與前面的歷史輸出也有聯系。具體的表現形式為網絡會對前面的信息進行記憶并應用于當前輸出的計算中,即隱藏層之間的節點不再無連接而是有連接的,并且隱藏層的輸出不僅包括輸入層的輸出還包括上一時刻隱藏層的輸出。

1.2 長短期記憶

長短期記憶(Long Short-Term Memory,LSTM)是一種特殊的RNN,主要是為了解決長序列訓練過程中的梯度消失和梯度爆炸問題。簡單而言,就是相比普通的RNN能夠在更長的序列中有更好的表現。

LSTM的內部通過門控狀態來控制傳輸狀態,記住需要長時間記憶的信息,忘記不重要的信息;而不像普通的RNN那樣只能夠機械地使用一種記憶疊加方式。本研究采用LSTM對盾首水平偏差進行模擬預測。

2 案例分析

2.1 工程概況

某地鐵盾構段區間長約956 m,隧道埋深約16.3～19.5 m,采用土壓平衡盾構機。設計隧道均為單洞單線,隧道采用單層襯砌型式,外徑6.2 m,內徑5.5 m,管片寬度采用1.2 m和1.5 m兩種形式。本區間段穿越地層主要為素填土層、雜填土層、粉質黏土層、沙礫層等,圍巖如圖1所示。

圖1 圍巖示意

2.2 數據預處理

該案例采取了580環的里程數據和盾首水平偏差數據。為了使盾首水平偏差達到序列數據的要求,同時又具有實際空間意義,本文在原有數據的基礎上采用了鄰近插值法(本文是采用序列預測的算法模型,基本原理就是根據歷史數據,尤其是鄰近的歷史數據得到未來的預測值)。最終,以里程每1.5 m插入一個盾首水平偏差值,數據集前5行展示如表1所示。

表1 插值法處理后的數據集部分展示

2.2.1 空白數據與異常值

對于空白數據,研究人員通常進行探索性數據分析(Exploratory Data Analysis,EDA)來識別缺失的值。因為每環進行一次人工數據采集,所以在實際工程中該數據集就不是一個連續的,那么每一個數據對算法模型都有很重要的意義。因此,當出現空白數據時,不要輕易將其刪除,更不要輕易地將空數據所屬的一行樣本刪掉。觀察能否通過人工補齊數據,最后再考慮使用插值法、隨機森林回歸等機器學習方法,通過已有的數據來補全空白值。

盾構姿態參數的時間序列是通過單變量模型進行預測的,單變量模型只使用自身的歷史發展,不使用其他相關變量。該案例中不考慮使用多個相關變量作為輸入的多變量模型。

對于異常值,在每個隧道段中,有學者刪除了空數據、數據的前2.5%和后2.5%以及任何異常值。隨后,他們將操作參數的平均值作為一個樣本計算出來。現場采集的數據大多是不可以直接輸入模型訓練。原始數據含有大量噪聲甚至會有很多陡然升高或降低的尖點數據,這些都可能造成大量的異常值。原始數據分布如圖2所示。這時通常會編譯一套自定義函數,快速地篩選出異常數據。

圖2 原始數據分布

2.2.2 歸一化

發現并處理完缺失值、異常值后,需要繼續研究如何處理數據和特征,以進一步增強深度學習的預測能力。通過觀察,里程數、盾首水平偏差等特征值的均值、最小值、最大值和標準差的差別非常大。這就說明所有的數據尺度是不同的,而一些機器學習、深度學習模型受數據尺度的影響很大。因此,本文需要選用Min-max標準化操作。歸一化操作旨在將行和列對齊并轉化為一致的規則,確保所有行和列在算法學習中得到平等對待,讓數據的處理保持一致[8]。

Min-max標準化采用一個公式替換列中的每一個值,此公式如下:

(1)

式中:m為Min-max標準化后的值;

x為標準化之前原來的值;

xmin為該列的最小值;

xmax為該列的最大值。

使用該公式后,可以發現每列所有的值都會位于0～1。

3 模型建立

3.1 數據劃分

在本文的序列預測中,采用每5個連續序列數據預測一個步長后的單個數據。因此,滑動窗口每次也只往后滑動一步。根據這個規律,筆者通過相關函數構造出數據特征集和標簽集(也叫做預測集)。同時,選出460個樣本處理后的數據集訓練序列預測模型,利用剩余的115個樣本對訓練后的模型進行評價。數據點隨機分成訓練集和測試集,分別為80%和20%。

3.2 精度評價方法

使用測試集數據時,使用平均絕對誤差(Mean Absolute Error,MAE)和決定系數(R2)對訓練后的模型進行評估,定義如下:

(2)

(3)

3.3 模型的建立與訓練

本文采用1個全連接層,8個神經元的LSTM。經過多次循環迭代訓練后,將測試集中的預測值與實際值進行可視化,如圖3所示,豎軸顯示仍為標準化之后的數值,不影響觀察與比較預測值與實際值之間的貼合度。

圖3 測試集中的預測值與實際值分布

通過觀察預測值曲線與實際值曲線:從整體上,兩種曲線很貼近,相似度很高;從趨勢變化上,尤其在第23行、第45行等處的測試集數據,對突然出現的陡然上升或下降,也進行了及時的模擬預測。總的來說,LSTM對盾構姿態的盾首水平偏差的預測是可行的。

通過調整不同位置油缸的推力,可以對盾構的姿態進行修正。因此,當模型預測到盾構姿態即將發生顯著偏差時,盾構駕駛員可以提前調整盾構運行參數(模型的輸入變量),使偏差減小到零。手動控制有明顯的延時,需要一定的反應時間。而且在調整過程中,偏差還會繼續擴大。調整強度難以精確控制,導致盾構姿態不斷波動。因此,必須研究基于預測模型的自動控制技術,才能提高控制效果,從根本上解決盾構姿態偏離的問題。

4 結語

(1)本文改進并應用了一種基于深度學習模型的盾構姿態預測方法。該方法融合了鄰近插值法、最大-最小歸一化和長短期記憶神經網絡等理論,對盾首水平偏差進行了序列預測。結果表明,該模型在對盾構姿態參數的變化趨勢和數值精確預測上都具有可行性,可供類似工程參考利用。

(2)雖然該LSTM模型具有良好的預測性能,但仍存在一定的局限性。對于基于預測的盾構掘進控制方法,本文僅討論了預測模型的建立部分,而控制部分沒有進行充分的研究。建議今后融合隧道、計算機與自動化等多個專業的知識,進一步開發基于預測模型的自動控制系統。