地質突變條件下基于組合模型的圍巖等級和TBM掘進參數預測

滿 軻,曹子祥,劉曉麗,宋志飛,柳宗旭,劉汭琳,武立文

(1.北方工業大學土木工程學院,北京 100144; 2.清華大學水沙科學與水利水電工程國家重點試驗室,北京 100084)

硬巖隧道掘進機(TBM)施工具有可連續操作、機械化程度高、開挖速度快、工程質量高等優點,已被廣泛應用于深埋隧道的施工中[1-2]。TBM多應用于城市地鐵、穿山隧道和深地實驗室等工程,這些工程所處的地質環境均較復雜。當TBM施工遇到地質突變時,僅依靠主司機的施工經驗進行掘進參數調整會大幅降低工程的掘進效率和安全性[3-4]。TBM開挖深埋隧道時,圍巖等級的變化會產生一系列的深部巖石力學問題,如果處理不當會出現坍塌、卡機、埋機等事故[5-6]。因此,有必要對地質突變條件下,掌子面前方的圍巖等級和TBM掘進參數進行預測,以指導主司機科學地調整掘進參數,并輔助施工人員采取較安全的圍巖支護方式。

近年來,眾多學者采用機器學習算法分析TBM掘進參數與圍巖地質情況的相關性來預測TBM掘進參數和圍巖等級[7-10]。圍巖等級預測方面:張海龍等[11]基于TBM掘進參數(推力、扭矩、貫入度),構建了圍巖強度快速估算的新方法;盧瑾等[12]通過3DEC建立了TBM滾刀破巖三維仿真模型,分析了不同地質條件對TBM掘進速率的影響;Liu等[13]通過構建SA-BPNN模型,對單軸抗壓強度、脆性指數、薄弱面之間的距離、不連續面的方向4個巖體參數進行了預測分析;李宏波[14]以推力切深指數(FPI)和刀盤扭矩旋轉切深指數(TPI)為輸入參數,通過自組織神經網絡聚類和最小二乘支持向量機的組合模型(SOM-SVM)改進圍巖等級識別預測,對Ⅱ、Ⅲ、Ⅳ級圍巖識別的平均準確率為83.67%;張娜等[15]以花崗巖和石灰巖地層為例,分別采用分步回歸法和聚類分析法對巖石單軸抗壓強度、巖體體積節理數和圍巖等級進行預測,巖石單軸抗壓強度和巖體體積節理數的預測結果誤差均小于18%,圍巖等級預測值與實際值基本相符;奚明華[16]通過對不同圍巖條件下TBM掘進參數和掘進載荷分布規律的分析,利用隨機森林算法以刀盤轉速、刀盤扭矩、推進速度、總推進力為輸入,圍巖等級為輸出,建立了圍巖等級識別模型,識別準確率高達98.8%。掘進參數預測方面:閆長斌等[17]基于巖體指標和TBM掘進參數構建了多元非線性回歸TBM凈掘進速率預測模型,總體預測誤差未超過10%;Mahdevari等[18]基于巖體特性和TBM掘進參數運用SVR模型預測了掘進速度,預測結果的均方誤差為0.0013、擬合優度R2為0.9903;Zhu等[19]利用人工神經網絡模型將刀盤扭矩、刀盤轉速、總推力和推進速度作為輸入變量,對凈掘進速度進行預測分析,最終驗證了通過歷史數據預測TBM掘進性能的可能性;羅華等[20]建立了以巖石飽和單軸抗壓強度和完整性系數為變量的TBM掘進速率經驗模型,并對吉林引松供水隧道工程的掘進參數貫入度、推力、扭矩進行了預測,預測結果的平均相對誤差均小于15.5%;張哲銘等[21]基于最小二乘支持向量機(LS-SVM)算法構建了TBM掘進參數(推進速度、刀盤轉速、總推力、刀盤扭矩)的預測模型,其中刀盤轉速和總推力預測結果的R2均大于0.8;Ma等[22]基于秦嶺隧道南段施工數據,采用隨機森林算法選取了影響TBM掘進速度的主要特征因素:推力、轉速、單軸抗壓強度、體積節理數,利用BPNN模型和SVR模型對推進速度進行預測分析;Gao等[23]采用RNN模型、LSTM模型、GRU模型實現了扭矩、速度、推力、腔室壓力的實時預測,預測精度高于多元回歸模型,并且可以對TBM掘進時采集的時間連續原位數據進行分析和預測;Zhang等[24-25]分別提出了BiGRU-ATT模型和PSO-BiLSTM模型,可對刀盤扭矩、推進速度、總推力、刀盤功率進行準確預測。

現有對圍巖等級和TBM掘進參數的預測多數是采用傳統機器學習算法,這些算法并沒有充分利用TBM掘進參數數據集的歷史信息,預測準確度偏低。利用優化算法與深度學習算法結合的TBM掘進參數預測模型的輸入參數較多,模型復雜,導致模型在其他工程中應用的難度較大。由于實際工程中的巖體參數是通過實驗室測得的,與巖體真實值存在一定誤差,所以將巖體參數作為預測模型輸入會進一步增大預測誤差,預測結果對實際工程的指導意義較小。并且現在地質突變條件對圍巖等級和TBM掘進參數預測的影響(有利或無利)研究較少。

為了充分利用TBM掘進參數數據集的歷史信息,充分發揮深度學習算法與傳統機器學習算法各自的優勢,本文構建了雙向長短期記憶(bidirectional long short-term memory,BiLSTM)網絡與支持向量機回歸(support vector regression,SVR)算法相結合的BiLSTM-SVR模型,以期提高預測模型準確度和魯棒性。目前,TBM隧道工程掘進參數預測研究最多的包括推力(F)、扭矩(T)、轉速(N)、凈掘進速度(νPR)和施工速度(νAR)[24,26-29],又由于掘進參數開挖比能(ESE)對工程中圍巖支護和成本控制具有重要影響,故選擇掘進參數F、T、νPR、νAR、N、ESE進行研究,將其作為BiLSTM-SVR模型的輸入變量,實現對圍巖等級和各個掘進參數的預測。

1 BiLSTM-SVR模型

TBM掘進過程中,掘進參數數據集具有明顯的時序性。由于TBM掘進參數是圍巖和TBM之間相互作用的結果[30-31],因此掘進參數可以反映圍巖地質信息。BiLSTM網絡和SVR算法都已在掘進參數的時間序列樣本預測上取得了較好成果[32-34]。

1.1 BiLSTM網絡

循環神經網絡(recurrent neural networks,RNN)可以對具有時間序列的樣本進行預測,但當處理較長序列樣本時,RNN訓練時往往會出現樣本信息梯度消失或梯度爆炸現象,嚴重影響訓練效果[35]。因此,在RNN的隱藏層節點上引入“門”控操作,產生了一種長短期記憶(long short-term memory,LSTM)網絡[36],引入的“門”控操作較大地提高了神經網絡的性能。

雙向循環神經網絡((bidirectional recurrent neural networks,BRNN)是在RNN結構基礎上加了一個反向循環傳播層,雙向傳播網絡結構可以同時利用前向傳播和反向傳播的信息?；贐RNN結構,將LSTM單元代替RNN單元,從而形成了BiLSTM網絡。BiLSTM網絡可以彌補LSTM不能進行反向傳播信息的缺點[37]。BiLSTM網絡隱藏層輸出值的具體計算方法見文獻[25,32,38]。

1.2 SVR算法

SVR算法在沒有增加計算復雜度的同時通過非線性映射方法將訓練樣本映射到高維空間,在高維空間實現樣本的線性或非線性回歸。SVR算法對中、小規模數據樣本集的學習效果較好,可以有效解決神經網絡算法中經常出現的局部極值問題,引入的核函數有效避免了維度災難問題[39]。SVR算法詳細推導過程見文獻[35]。

1.3 BiLSTM-SVR模型構建

用于圍巖等級預測和TBM掘進參數預測的BiLSTM-SVR模型預測流程如圖1所示。

圖1 BiLSTM-SVR模型預測流程Fig.1 Prediction process of BiLSTM-SVR model

各數據集在進行BiLSTM-SVR模型的訓練之前先進行歸一化處理[38],達到消除數據間量綱差異的目的。歸一化處理之后的訓練集數據通過BiLSTM模型和SVR模型的訓練分別得到各自模型的輸出值,以BiLSTM模型和SVR模型預測結果的誤差絕對值最小為損失函數,通過該損失函數確定各單一模型的最優權重(式(1)),最后BiLSTM-SVR模型利用訓練集計算出的最優權重進行測試集數據預測,得到圍巖等級預測值和TBM掘進參數預測值。

(1)

2 BiLSTM-SVR模型驗證

2.1 工程概況及數據集建立

本文的工程背景為新疆某引水隧洞工程,隧洞埋深為200～700m,標段全長為34.751km,開挖斷面直徑為7.8m;TBM型號為QJYC078。本標段利用BQ法進行隧道圍巖穩定性評價,主要分為Ⅱ級、Ⅲ級和Ⅳ級,再進一步將Ⅲ級圍巖細分為Ⅲ-a級圍巖與Ⅲ-b級圍巖。TBM主要技術參數及掘進數據集參見文獻[40],其中Ⅱ級圍巖掘進數據共67組、Ⅲ-a級圍巖掘進數據共75組、Ⅲ-b級圍巖掘進數據共61組、Ⅳ級圍巖掘進數據共53組。

為了使現有的各單一圍巖等級達到地質突變條件,將各圍巖等級(Ⅱ級、Ⅲ-a級、Ⅲ-b級和Ⅳ級)進行排列組合,共形成了24種組合類型,見表1。各地質突變類型的數據集由各單一圍巖等級數據集的前50組數據構成,共200組數據,其中訓練集180組數據,測試集20組數據。將Ⅱ級、Ⅲ-a級、Ⅲ-b級、Ⅳ級圍巖等級用數值1、2、3、4替代,便于預測模型的預測值輸出。

表1 圍巖等級的組合類型Table 1 Combination form of surrounding rock grades

2.2 圍巖等級預測

將F、T、νPR、νAR、N、ESE作為BiLSTM-SVR模型的輸入變量,各圍巖等級替代值作為BiLSTM-SVR模型的輸出變量。

對訓練集采用五折交叉驗證法選取BiLSTM-SVR模型的參數值:BiLSTM模型設置3層隱藏層;最大迭代周期為800,學習率下降周期為500;初始學習率為0.005,學習率下降因子為0.2;模型采用Adam算法進行權重更新;模型的損失函數為均方誤差。SVR模型的超參數C和γ采用網格搜索方法進行優化處理,其搜索范圍為(2-10,210),搜索步距為20.5,RBF函數作為核函數。

選擇均方根誤差(RMSE)、平均絕對百分比誤差(MAPE)和平均絕對誤差(MAE)對預測圍巖等級的準確度進行評價。RMSE、MAPE和MAE越小,均表明預測模型對測試樣本的預測準確度越高。

由表2可知,BiLSTM-SVR模型對圍巖等級的預測準確度較高,RMSE均小于0.0265、MAPE均小于0.95%:10、18、22、24組合的誤差較大,MAPE均大于0.79%,即在地質突變條件下預測Ⅱ級圍巖時準確度較低。Ⅲ-b級和Ⅳ級圍巖預測時,各組合類型的誤差均較小,MAPE基本小于0.4%,即在地質突變條件下預測Ⅲ-b級和Ⅳ級圍巖時準確度較高。TBM開挖Ⅱ級和Ⅲ-a級圍巖時,由于圍巖穩定性高,掘進參數的波動范圍較小,TBM在開挖Ⅲ-b級和Ⅳ級圍巖時則相反。TBM掘進參數的波動范圍越大、數據集越復雜,越有利于預測模型挖掘到巖機相互作用規律,但數據集信息過度復雜時會造成預測模型預測結果的過度擬合。當預測Ⅱ級和Ⅲ-a級圍巖等級時,各種組合訓練集的數據信息較復雜導致了BiLSTM-SVR模型的預測結果存在過擬合現象。

表2 BiLSTM-SVR模型預測圍巖等級誤差分析Table 2 Error analysis of predicting surrounding rock grades with BiLSTM-SVR model

BiLSTM-SVR模型預測圍巖等級的結果看似過于理想(表2),主要原因包括該組合模型集成了BiLSTM模型和SVR模型各自的優勢,模型的預測準確度和魯棒性較高,對于挖掘復雜數據集輸入特征與輸出特征之間規律的能力更強;模型輸入特征與輸出特征之間的相關性較高(關聯度均大于0.75),模型輸入特征可以較準確地反映輸出特征的變化趨勢。但如果遇到更復雜的地質環境仍需對BiLSTM-SVR模型的預測效果做進一步的研究。

2.3 掘進參數預測

將掘進參數F、T、νPR、νAR、N、ESE作為BiLSTM-SVR模型的輸入變量,依次取這6個參數之一作為BiLSTM-SVR模型的輸出變量。

對訓練集采用五折交叉驗證法來選取BiLSTM-SVR模型的參數值:BiLSTM模型設置2層隱藏層;最大迭代周期為1000,學習率下降周期為700;初始學習率為0.005,學習率下降因子為0.2;模型采用Adam算法進行權重更新;模型的損失函數為均方誤差。SVR模型的超參數C和γ采用網格搜索進行優化處理,其搜索范圍為(2-10,210),搜索步距為20.1,Sigmoid函數作為核函數。

選擇誤差評價指標R2、RMSE、MAPE、MAE對BiLSTM-SVR模型預測各掘進參數的結果進行準確度評價。由圖2可知,BiLSTM-SVR模型對F和T的預測準確度最高,對νPR和ESE的預測準確度最低。νAR的R2最大,RMSE、MAPE、MAE相對較小,即νAR的預測準確度相對較高。BiLSTM-SVR模型預測各掘進參數的R2平均值均大于0.8715、RMAE平均值均小于0.1722、MAPE平均值均小于0.5%、MAE平均值均小于0.1324。

圖2 各預測模型預測掘進參數誤差平均值Fig.2 Average error of predicting tunnelling parameters for each prediction model

BiLSTM-SVR模型比單一BiLSTM模型和SVR模型的R2平均提高了6.53%,RMSE平均降低了41.96%,MAPE平均降低了40.60%,MAE平均降低了0.4101。BiLSTM-SVR模型的預測準確度高于單一的BiLSTM模型和SVR模型,即進行單一預測模型組合可以有效提高預測模型的預測準確度。TBM掘進參數數據集具有較強的時序性,因此可以充分利用BiLSTM網絡具有記憶信息和擁有反向傳播機制的優點;在現有數據集規模有限的情況下,也可以充分利用SVR算法適合中、小樣本學習、強魯棒性的優點。BiLSTM-SVR模型很好地整合了BiLSTM模型和SVR模型各自的優勢,從而其預測準確度比單一預測模型高。BiLSTM模型的預測準確度高于SVR模型說明處理時序數據時預測模型具有記憶信息機制會提高模型的預測準確度。

定義最后2個圍巖等級相鄰時的組合形式為漸進突變,若不相鄰則為間隔突變。由圖2可知,漸進突變的組合形式相較于間隔突變的組合形式BiLSTM-SVR模型預測準確度更高。

圍巖突變條件下圍巖的穩定性較低,會加劇巖爆、突涌水、卡機等現象的出現,進而掘進參數的變化范圍會加大。TBM掘進參數的波動范圍越大、數據集越復雜,越有利于預測模型充分挖掘到巖機相互作用規律,但當數據集信息過度復雜時會造成預測模型過度擬合。當測試集的掘進參數數據來自Ⅱ級圍巖和Ⅲ-a級圍巖時,各種組合的訓練集數據信息較復雜導致了BiLSTM-SVR模型的預測結果存在過擬合現象,預測準確度變低。同樣當組合形式是間隔突變時,數據集信息較復雜使得BiLSTM-SVR模型的預測結果出現過擬合現象,導致預測準確度變低。

一般的TBM數據采集頻率為0.2Hz,即每5s就有TBM參數寫入傳感器。以此采集頻率來計算采集50個數據大約需要100s,TBM大約掘進4～10.5cm,說明人為創建的24種地質突變類型在較短距離內圍巖等級就會發生改變。這些地質突變條件已經屬于較復雜的地質環境,而BiLSTM-SVR模型仍有如此高的預測準確度和魯棒性,證明此模型可以為TBM智能化施工提供一定的參考。

3 結 語

a.BiLSTM-SVR模型預測24種組合類型的圍巖等級的準確度較高,預測結果的RMSE均小于0.0265、MAPE均小于0.95%,MAE均小于0.0160。測試樣本為低圍巖等級的預測準確度比高圍巖等級高。當預測圍巖等級的訓練集數據信息較復雜以及組合類型是間隔突變時會導致BiLSTM-SVR模型的預測結果存在過擬合現象,導致預測準確度變低。

b.BiLSTM-SVR模型的推力和扭矩的預測準確度最高,凈掘進速度和開挖比能的預測準確度最低。凈掘進速度和開挖比能受不良地質環境的影響較大,它們的巖機相互作用規律較難充分挖掘。BiLSTM-SVR模型各掘進參數的R2平均值均大于0.8715、RMSE平均值均小于0.1722、MAPE平均值均小于0.5%、MAE平均值均小于0.1324。

c.BiLSTM-SVR模型比單一BiLSTM模型和SVR模型的擬合優度平均提高了6.53%,均方根誤差平均降低了41.96%,平均絕對百分比誤差平均降低了40.60%,平均絕對誤差平均降低了0.4101。BiLSTM-SVR模型預測掘進參數時的預測準確度和魯棒性高于單一的BiLSTM模型和SVR模型,即進行單一模型的組合可以有效地提高預測模型的準確度和魯棒性。

d.本文構建的BiLSTM-SVR模型具有較高的預測準確度和魯棒性,如果TBM場景和參數信息有較大改變,該模型的通用性依然能夠得到保障。開挖比能的大小對規劃工期和預估施工成本具有重要的指導意義,提高開挖比能預測精度是下一步工作的重點。由于驗證BiLSTM-SVR模型在地質突變條件下預測準確度的數據集有限,所以還需進一步通過大量工程數據驗證該預測模型的泛化性。