基于CNN-LSTM算法的盾構掘進姿態(tài)智能預測

針對盾構掘進過程中參數易變、軸線難以控制的問題，開發(fā)了一種結合了卷積神經網絡（CNN）和長短時記憶網絡（LSTM）的盾構機姿態(tài)預測模型（CNN-LSTM）。CNN-LSTM模型以盾構機歷史掘進參數為輸入，以未來姿態(tài)參數為輸出，在成都地鐵19號線某盾構區(qū)間進行驗證。結果表明，所提出的CNN-LSTM模型能精確地預測盾構機的實時姿態(tài)參數，可輔助現場盾構機操作人員作出高效的施工決策。

盾構； 掘進參數； 姿態(tài)控制； 深度學習

U455.43A

［定稿日期］2023-04-07

［作者簡介］李佩禪（1994—），男，在讀碩士，主要從事盾構掘進施工技術研究工作。

0 引言

盾構法施工具有安全、快速、對環(huán)境影響小和不受地形條件限制等優(yōu)點，目前已廣泛用于地鐵隧道建設［1］。盾構掘進姿態(tài)的控制是盾構施工過程中的難點，影響隧道結構的安全和施工進度。目前，盾構機掘進姿態(tài)參數的控制主要依賴操作人員憑借經驗進行手動控制，經常導致盾構隧道實際軸線偏離設計軸線，延緩施工周期并造成較大的經濟損失。盾構掘進過程中會產生海量的數據，包括刀盤轉速、刀盤扭矩、掘進速度、螺旋輸送機轉速、土壓力傳感器的壓力、注漿壓力、盾構總推力、各組推進油缸行程、掘進姿態(tài)等等，各參數之間具有潛在的關聯性，如何有效的利用這些數據來指導盾構掘進安全、快速、高效地進行值得深入探索。

目前，利用機器學習/深度學習算法開展盾構掘進參數控制研究已取得一定進展。吳惠明等［3］提出了一種基于支持向量機的盾構掘進姿態(tài)預測和施工參數優(yōu)化方法。胡長明等［4］提出了一種基于BP神經網絡和支持向量回歸的組合模型，用于預測盾構豎向姿態(tài)。汪來等［5］提出了一種基于注意力機制的雙向長短時記憶神經網絡模型，對掘進過程中的盾構姿態(tài)進行預測，解決了盾構機在穿越塊石回填土區(qū)段姿態(tài)難以控制的難題。上述研究證明了利用機器學習/深度學習算法進行盾構掘進參數控制的可行性。

本文提出了一種結合了卷積神經網絡（CNN）和長短時記憶網絡（LSTM）的混合深度學習模型（CNN-LSTM）用于盾構機掘進姿態(tài)的預測，并在成都地鐵19號線某盾構區(qū)間進行驗證。

1 工程概況

本文依托成都軌道交通19號線二期工程九江北站—龍橋路站區(qū)間開展研究。九江北站—龍橋路站區(qū)間出九江北站后向東在成蒲新快速路下方敷設一段后向東南方拐彎進入198綠地，之后拐入西航港大道下方敷設進入龍橋路站，區(qū)間現狀地理位置見圖1。九江北站—龍橋路站區(qū)間右線YDK71+568.852～YDK75+787.22，明挖區(qū)間右線長度146.809 m，礦山法區(qū)間右線長443.457 m，盾構區(qū)間右線長度為3 494.153 m，隧道底板埋深18.2～35.1 m，隧道頂板埋深9.9～26.8 m。

本工區(qū)盾構區(qū)間主要穿越地層為中密砂卵石層與密實砂卵石層，原巖多為強-中等風化花崗巖、灰?guī)r及石英砂巖等，局部為強風化，卵石含量50%～80%，粒徑2～20 cm，粒徑從龍橋路站至九江北站呈從小變大的趨勢，九江北站最大可達40 cm。分選性及磨圓度均一般，夾少量圓礫，中細砂充填，極少量黏粒充填，厚5～15 m，廣泛分布于區(qū)間段黏性土層之下。隧道在施工時容易遭遇巖土軟硬不均問題，易給盾構掘進造成困難。盾構同時在軟硬不同的巖層界面推進時，兩部分不同的阻力差在易引起地層下沉，產生盾構方向失控，造成在線路方向上的偏離，應合理選擇施工參數，施工時遵循勤糾微調的原則。因此，分析盾構機掘進參數的相互關系對保證盾構機正常掘進有著重要意義。

本研究旨在預測盾構機在地下掘進過程中的姿態(tài)和位置。在實際工程中，盾構的位置通常用盾頭水平偏差（HDSH）、盾頭垂直偏差（VDSH）、盾尾水平偏差（HDST）和盾尾垂直偏差（VDST）進行描述，如圖2所示。掘進里程也可視為一個偏差值，但相對于其他4個偏差值而言，其對盾構隧道質量的影響較小，可通過掘進速度進行估算，預測意義較小。因此，本研究選取HDST、VDST、HDSH和VDSH作為預測模型的輸出變量，這是盾構機掘進過程中最重要的控制指標。盾構司機可通過觀察這些參數的偏差變化及時調整盾構姿態(tài)。

2 掘進參數相關性分析

土壓平衡盾構的掘進參數多達數10個，不同參數之間存在一定的相關性，同時受地層環(huán)境的影響，由于受地質條件離散性、數據采集設備誤差、施工質量等因素的影響，工程中掘進參數的采集數據時一系列離散的點，通過數理統(tǒng)計手段研究各掘進參數的內在規(guī)律和掘進參數對地層的適應性。

九江北站-龍橋路站區(qū)間右線盾構區(qū)間共掘進334環(huán)，根據施工現場記錄數據，對現場實際掘進盾構數據進行統(tǒng)計，得出了總推力、刀盤扭矩、刀盤轉速等隨著盾構機推進的變化規(guī)律曲線和分布直方如圖3和圖4所示。

從圖3中可以看出：在掘進的0～150環(huán)，總推力、刀盤扭矩值、掘進速度值保持穩(wěn)定，土倉壓力值持續(xù)增加；掘進至200環(huán)時，總推力、土倉壓力值急劇下降，隨后迅速上升；在掘進的250～300環(huán)，總推力值波動嚴重，刀盤扭矩和土倉壓力均處于高值；盾構機掘進至325環(huán)過后，各項掘進參數下降至平均水平，穩(wěn)定到達接收端。圖4展示了各關鍵掘進參數分布直方圖。由圖4可知，中間風井—九江北站盾構區(qū)間總推力主要分布在2 500～3 000 t，刀盤扭矩主要分布在700～800 t·m，掘進速度主要分布在50～70 mm/min，土倉壓力集中在0.5～1.6 bar。

進一步，采用Pearson相關性系數對掘進參數相關性進行計算，如表1所示。Pearson相關性主要體現的是兩組數據間的線性相關程度，相關系數取值為［-1，1］，越接近1表明兩組數據正相關程度越高，反之越接近-1負相關程度越高，而相關系數接近0表示相關性較低；Pearson相關顯著性水平體現的是兩組數據線性相關的可信程度，顯著性水平越接近0，表明線性相關的顯著性越高。不同掘進參數之間的Pearson相關系數和顯著性如表1所示。

通過表1可以發(fā)現：總推力與刀盤扭矩呈正相關，與推進速度和土倉壓力呈負相關，且與推進速度負相關性較強，與土倉壓力負相關性較弱；推進速度主要與刀盤扭矩和土倉壓力呈正相關、與總推力呈負相關，且與土倉壓力相關性較強；刀盤扭矩主要與總推力、土倉壓力、推進速度有關，且均表現出正相關性。Pearson相關性檢驗僅考慮了線性相關性，而掘進參數之間有可能存在非線性關系，因此需結合相關文獻對掘進參數之間的關系做進一步研究。

3 基于CNN-LSTM的盾構掘進姿態(tài)預測

3.1 CNN-LSTM模型建立

本文所建立的CNN-LSTM模型如圖5所示。數據集包括中間風井—九江北站間右線盾構區(qū)間共334環(huán)盾構掘進和姿態(tài)數據，由盾構機推力、推進速度、刀盤扭矩、土壓參數、盾頭水平偏差、盾頭垂直偏差、盾尾水平偏差、盾尾垂直偏差構成。所提出的CNN-LSTM模型由卷積神經網絡（CNN）和長短時記憶網絡（LSTM）構成。CNN-LSTM模型由t-D環(huán)的掘進數據（盾構機推力、推進速度、刀盤扭矩、土壓參數）作為輸入，t+1環(huán)的姿態(tài)參數（盾頭水平偏差、盾頭垂直偏差、盾尾水平偏差、盾尾垂直偏差）作為輸出。當掘進參數輸入模型時，CNN會自動從數據中提取自適應特征，從而避免手動特征提取帶來的誤差。之后，LSTM會進一步提取原始數據中的時間序列相關性，進一步改善預測精度。最終，LSTM的輸出進入全連接層并由Sigmoid函數激活，得到預測的盾構姿態(tài)數據。CNN-LSTM模型架構參數設置見表2。

3.2 模型訓練與結果預測

將數據集中第一環(huán)—第290環(huán)盾構數據作為訓練數據，第291環(huán)—第334環(huán)數據作為測試集。所有數據在訓練之前均進行歸一化處理。在訓練過程中，采用學習率為0.001、批量大小為16的Adam算法來優(yōu)化訓練過程，并選擇MSE損失作為模型的損失函數。此外，在訓練集中隨機選擇10%的樣本作為驗證集以驗證訓練過程中的效果。模型在Intel Core i7 2.80 GHz CPU的電腦上共進行400輪訓練。圖6顯示了CNN-LSTM損失曲線。從圖中可以看出，訓練集和測試集損失曲線下降正常，整個訓練過程中都沒有出現擬合。

圖7展示了本文提出的CNN-LSTM模型的盾構姿態(tài)預測結果。總體上來看，盾構姿態(tài)參數的預測值與實測值趨勢一致。其中，盾頭水平偏差在訓練集上的均方根誤差為5.17 mm，在測試集上的均方根誤差為7.19 mm；盾頭垂直偏差在訓練集上的均方根誤差為8.13mm，在測試集上的均方根誤差為10.51 mm；盾尾水平偏差在訓練集上的均方根誤差為8.22 mm，在測試集上的均方根誤差為9.74 mm；盾尾水平偏差在訓練集上的均方根誤差為6.14 mm，在測試集上的均方根誤差為8.23 mm。由此可見，本文提出的CNN-LSTM盾構姿態(tài)預測模型精度良好，可以成功地預測盾構機姿態(tài)的未來變化趨勢。

4 結束語

（1）對成都地鐵19號線九江北站—龍橋路站區(qū)間盾構區(qū)間掘進參數進行了統(tǒng)計分析，通過分布直方圖、偏度、峰度、平均數、最大值、最小值、標準差等指標分析掘進參數的分布特點，并對盾構關鍵掘進參數的相關性進行了分析。由于成都地區(qū)砂卵石地層分布廣泛分布，盾構掘進參數線性相關性較弱。

（2）建立了基于CNN-LSTM模型的盾構姿態(tài)控制模型，該模型以歷史盾構機推力、推進速度、刀盤扭矩、土壓參數作為輸入變量，以盾頭水平偏差，盾頭垂直偏差，盾尾水平偏差，盾尾垂直偏差作為輸出變量，應用Adam優(yōu)化算法進行學習訓練。結果表明，所提出模型能精準預測盾構機姿態(tài)的未來變化趨勢。

參考文獻

［1］ 高亞麗.地鐵隧道盾構法施工綜述［J］.科技信息，2012（22）：365.

［2］ 秦建設，朱偉，陳劍.盾構姿態(tài)控制引起管片錯臺及開裂問題研究［J］.施工技術，2004（10）：25-27.

［3］ 吳惠明，常佳奇，李剛，等.基于支持向量機的盾構掘進姿態(tài)預測與施工參數優(yōu)化方法［J］.隧道建設（中英文），2021，41（S1）：11-18.

［4］ 胡長明，侯雅君，李靚，等.盾構豎向姿態(tài)的組合預測模型研究［J］.鐵道科學與工程學報，2021，18（6）：1521-1528.

［5］ 夏漢庸，尹和軍，徐教煌，等.基于機器學習的多施工參數盾構施工姿態(tài)預測［J］.測繪通報，2021，No.526（1）：157-160+164.