胡 珉， 王 伊， *， 沈 輝

(1. 上海大學(xué)悉尼工商學(xué)院， 上海 201800； 2.上海大學(xué)-上海城建集團(tuán)建筑產(chǎn)業(yè)化研究中心， 上海 200072； 3. 上海隧道工程有限公司， 上海 200032)

0 引言

結(jié)泥餅事件是采用土壓平衡盾構(gòu)進(jìn)行隧道施工時(shí)常見(jiàn)的施工問(wèn)題。當(dāng)?shù)侗P(pán)切削后的渣土附著在刀盤(pán)表面或土艙內(nèi)部并積聚和固結(jié)時(shí)，盾構(gòu)施工將會(huì)受到嚴(yán)重的影響。結(jié)泥餅事件不僅會(huì)導(dǎo)致施工效率大幅下降、對(duì)施工質(zhì)量和設(shè)備安全帶來(lái)威脅，而且還會(huì)引起土艙壓力的波動(dòng)從而導(dǎo)致大幅度的地表沉降。一旦泥餅完全固結(jié)則難以逆轉(zhuǎn)，往往需通過(guò)人工開(kāi)艙的方式進(jìn)行清理。這不但會(huì)影響正常的施工進(jìn)度，還會(huì)造成額外的成本支出和人員操作風(fēng)險(xiǎn)。在泥餅尚未完全固結(jié)時(shí)，及時(shí)發(fā)現(xiàn)并預(yù)警，以便施工方通過(guò)沖洗刀盤(pán)、改良土體等方式進(jìn)行先期處理，可以阻止泥餅固結(jié)事件的發(fā)生。然而，泥餅的形成機(jī)制較為復(fù)雜，識(shí)別過(guò)程中容易與其他施工現(xiàn)象混淆，在實(shí)際施工中很難實(shí)現(xiàn)結(jié)泥餅事件的早期發(fā)現(xiàn)。

對(duì)于結(jié)泥餅事件，工程案例分析是最為直接有效的分析手段。通過(guò)記錄某一施工項(xiàng)目的結(jié)泥餅事件發(fā)生過(guò)程，描述結(jié)泥餅事件發(fā)生前后的具體表現(xiàn)并分析成因，可為后續(xù)結(jié)泥餅事件的發(fā)現(xiàn)與預(yù)防提供方向性指導(dǎo)。如： 王用斌[1]分階段分析了佛山地鐵結(jié)泥餅事件前的掘進(jìn)參數(shù)變化情況，指出了土壓力、推進(jìn)速度、總推力、刀盤(pán)轉(zhuǎn)矩等掘進(jìn)參數(shù)在易結(jié)泥餅地質(zhì)隧道施工中的變化特點(diǎn); 傅鑫暉等[2]、溫法慶等[3]從地層、盾構(gòu)選型、施工因素等角度分析結(jié)泥餅事件的成因及表現(xiàn)，并指出發(fā)生結(jié)泥餅事件時(shí)會(huì)出現(xiàn)“速度降低、土壓力不穩(wěn)定、推力及轉(zhuǎn)矩逐漸增大、渣溫升高”等現(xiàn)象; 鄧如勇[4]綜合多個(gè)刀盤(pán)結(jié)泥餅事件案例的表現(xiàn)，總結(jié)了刀盤(pán)外部結(jié)泥餅時(shí)可能出現(xiàn)的7種現(xiàn)象。這些案例描述和總結(jié)了結(jié)泥餅事件的相關(guān)現(xiàn)象，但并沒(méi)有形成通用性、清晰化的規(guī)則或模型，難以直接用于其他工程結(jié)泥餅事件的自動(dòng)化判斷。

為探究結(jié)泥餅事件的機(jī)制成因，基于理論模型及模擬試驗(yàn)的方法也被用于土壓平衡盾構(gòu)結(jié)泥餅事件的風(fēng)險(xiǎn)識(shí)別。如： Alberto-Hernandez等[5]指出，影響泥餅固結(jié)的因素包括土質(zhì)參數(shù)、鋼材表面參數(shù)和環(huán)境參數(shù)等； Barzegari等[6]研究了土壤中含水量變化對(duì)泥餅固結(jié)的影響，發(fā)現(xiàn)當(dāng)含水量為20%～52%時(shí)，泥餅固結(jié)的概率最大； Thewes等[7]基于室內(nèi)模型試驗(yàn)研究了黏土附著盾構(gòu)設(shè)備表面的力學(xué)機(jī)制，建立了基于土壤稠度和塑性指標(biāo)的結(jié)泥餅風(fēng)險(xiǎn)預(yù)測(cè)圖，可用于前期的設(shè)備選型和施工計(jì)劃制定； Bang等[8]通過(guò)室內(nèi)模型試驗(yàn)比較了不同開(kāi)口率、刀盤(pán)旋轉(zhuǎn)方向和刀盤(pán)轉(zhuǎn)速下的泥餅固結(jié)情況，發(fā)現(xiàn)刀盤(pán)雙向旋轉(zhuǎn)、刀盤(pán)轉(zhuǎn)速低都可能提升刀盤(pán)結(jié)泥餅的概率。為快速準(zhǔn)確評(píng)估盾構(gòu)的泥餅固結(jié)隱患，Oliveira等[9]設(shè)計(jì)了一種專(zhuān)門(mén)用于測(cè)量土壤中黏土含量的裝置，以推斷盾構(gòu)的泥餅固結(jié)趨勢(shì)； 袁大軍等[10]通過(guò)盾構(gòu)模型刀盤(pán)結(jié)泥餅試驗(yàn)，提出了轉(zhuǎn)矩指數(shù)和轉(zhuǎn)矩指數(shù)變化率2個(gè)指標(biāo)用于檢測(cè)結(jié)泥餅事件。這些研究為結(jié)泥餅事件的特征分析提供了理論基礎(chǔ)，但還不能直接用于結(jié)泥餅事件預(yù)警。

近年來(lái)，學(xué)者們開(kāi)始嘗試?yán)脤?shí)時(shí)施工數(shù)據(jù)探索。結(jié)泥餅事件的預(yù)警機(jī)制。如： 夏毅敏等[11]、Fu等[12]根據(jù)刀盤(pán)中心溫度的最大值及冷卻速率判斷刀盤(pán)表面是否存在泥餅； 文獻(xiàn)[13]提出了基于刀盤(pán)轉(zhuǎn)動(dòng)慣量變化趨勢(shì)判斷刀盤(pán)結(jié)泥餅的方法?？紤]到結(jié)泥餅事件與多個(gè)施工數(shù)據(jù)有關(guān)，文獻(xiàn)[14]選取了刀盤(pán)推力、刀盤(pán)轉(zhuǎn)矩、推進(jìn)速度、渣土溫度4個(gè)施工參數(shù)，采用BP神經(jīng)網(wǎng)絡(luò)建立結(jié)泥餅事件檢測(cè)模型； Zhai等[15]使用隨機(jī)森林方法建立了自動(dòng)更新的盾構(gòu)結(jié)泥餅事件預(yù)警模型，基于施工參數(shù)的環(huán)統(tǒng)計(jì)特征更新預(yù)警策略。然而，不同工程項(xiàng)目中結(jié)泥餅事件的施工參數(shù)表現(xiàn)不盡相同，難以構(gòu)造完備的結(jié)泥餅事件訓(xùn)練集；其次，結(jié)泥餅事件存在一個(gè)逐漸形成和固結(jié)的過(guò)程，采用BP神經(jīng)網(wǎng)絡(luò)等非時(shí)序的機(jī)器學(xué)習(xí)方法，難以學(xué)習(xí)時(shí)序數(shù)據(jù)變化特征，這也影響了對(duì)結(jié)泥餅事件的識(shí)別成功率。

綜上所述，工程案例為結(jié)泥餅事件提供了經(jīng)驗(yàn)支持，基于試驗(yàn)數(shù)據(jù)和施工數(shù)據(jù)的方法提供了結(jié)泥餅事件診斷的另外一個(gè)視角，但是目前這2種方法都還沒(méi)有達(dá)到實(shí)際應(yīng)用的階段，未能被實(shí)際工程應(yīng)用。為了幫助施工人員早期發(fā)現(xiàn)結(jié)泥餅事件，及時(shí)采取措施，減少不必要的開(kāi)艙操作，本文將工程經(jīng)驗(yàn)與施工數(shù)據(jù)相結(jié)合，提出一種數(shù)據(jù)和知識(shí)雙驅(qū)動(dòng)下的土壓平衡盾構(gòu)結(jié)泥餅事件預(yù)警模型，一方面從數(shù)據(jù)驅(qū)動(dòng)的角度分析實(shí)時(shí)時(shí)序數(shù)據(jù)并從中發(fā)現(xiàn)掘進(jìn)異常；另一方面從大量歷史施工經(jīng)驗(yàn)中提煉知識(shí)，進(jìn)行結(jié)泥餅特征早期識(shí)別，提升結(jié)泥餅事件預(yù)警的準(zhǔn)確性，從而減少結(jié)泥餅事件的發(fā)生。

1 結(jié)泥餅事件預(yù)警模型

為實(shí)現(xiàn)對(duì)土壓平衡盾構(gòu)結(jié)泥餅事件的有效預(yù)警，從數(shù)據(jù)建模和知識(shí)推理2個(gè)角度出發(fā)設(shè)計(jì)結(jié)泥餅事件預(yù)警模型，其中結(jié)泥餅事件知識(shí)主要來(lái)源于文獻(xiàn)及實(shí)際施工工程案例。

1.1 關(guān)聯(lián)施工參數(shù)

基于文獻(xiàn)案例，從實(shí)時(shí)掘進(jìn)參數(shù)、基礎(chǔ)施工參數(shù)和盾構(gòu)基本情況3方面整理了與結(jié)泥餅事件相關(guān)的影響因素(見(jiàn)表1)，為結(jié)泥餅事件判斷規(guī)則和基于實(shí)時(shí)施工數(shù)據(jù)的結(jié)泥餅事件異常發(fā)現(xiàn)算法的構(gòu)建奠定基礎(chǔ)。

表1 結(jié)泥餅事件關(guān)聯(lián)工程參數(shù)Table 1 Engineering parameters related to mud-cake event

結(jié)合文獻(xiàn)及工程對(duì)工程參數(shù)的提及頻率和盾構(gòu)的傳感器常規(guī)配置情況，選取了實(shí)際盾構(gòu)項(xiàng)目普遍可獲取的以下11個(gè)參數(shù)作為與結(jié)泥餅事件關(guān)聯(lián)的關(guān)鍵工程參數(shù)： 推進(jìn)速度、總推力、刀盤(pán)轉(zhuǎn)矩、土壓力、土質(zhì)類(lèi)型、改良劑配比、改良劑用量、掘進(jìn)模式、刀盤(pán)類(lèi)型、開(kāi)口率和刀具配置。渣土溫度、刀盤(pán)溫度等參數(shù)因多數(shù)土壓平衡盾構(gòu)中未安裝相關(guān)傳感設(shè)備而未選用。

1.2 預(yù)警模型框架

基于結(jié)泥餅事件文獻(xiàn)及工程案例數(shù)據(jù)的分析，提出數(shù)據(jù)和知識(shí)雙驅(qū)動(dòng)下的土壓平衡盾構(gòu)結(jié)泥餅事件預(yù)警模型(MCEW_DK)，模型框架如圖1所示。該模型由2個(gè)子模型組成： 數(shù)據(jù)驅(qū)動(dòng)的結(jié)泥餅異常診斷子模型和知識(shí)驅(qū)動(dòng)結(jié)泥餅事件診斷子模型。考慮到盾構(gòu)結(jié)泥餅事件中施工參數(shù)具有隨時(shí)間逐漸變化的特點(diǎn)，借鑒穩(wěn)健時(shí)序異常檢測(cè)算法(robust anomaly detection for time-series data，RADTD)[33]能學(xué)習(xí)多維時(shí)間序列的時(shí)序變化特征的優(yōu)勢(shì)，基于結(jié)泥餅事件相關(guān)的施工參數(shù)的多維時(shí)間序列數(shù)據(jù)，建立數(shù)據(jù)驅(qū)動(dòng)的結(jié)泥餅異常診斷子模型(data-driven sub-model for mud-cake event anomaly detection，DMCAD)，檢測(cè)多維時(shí)序數(shù)據(jù)的異動(dòng)情況，從而得到結(jié)泥餅事件發(fā)生的概率；從工程案例出發(fā)，基于工程經(jīng)驗(yàn)規(guī)則，建立知識(shí)驅(qū)動(dòng)結(jié)泥餅事件診斷子模型(knowledge-driven sub-model for mud-cake event diagnosis，KMCED)，根據(jù)工程狀態(tài)特征與結(jié)泥餅規(guī)則的匹配程度，判斷結(jié)泥餅事件發(fā)生的概率。由式(1)綜合2個(gè)子模型的判斷，計(jì)算結(jié)泥餅事件的最終預(yù)警結(jié)果。

圖1 數(shù)據(jù)和知識(shí)雙驅(qū)動(dòng)下的土壓平衡盾構(gòu)結(jié)泥餅事件預(yù)警模型Fig. 1 Mud-cake event early warning model for earth pressure balance shield driven by both data and knowledge

pk=h[f(Zk),g(Xk)]。

(1)

式中：pk為第k環(huán)的結(jié)泥餅事件預(yù)警概率；f(Zk)為DMCAD子模型輸出的結(jié)泥餅事件概率；g(Xk)為KMCED子模型輸出的結(jié)泥餅事件發(fā)生概率；h(·)為綜合判斷函數(shù)。

考慮到DMCAD與KMCED子模型方法單獨(dú)檢測(cè)時(shí)誤報(bào)率較高，為提高預(yù)警可信度，本文中選用因子相乘計(jì)算。

2 數(shù)據(jù)驅(qū)動(dòng)的結(jié)泥餅異常診斷子模型

結(jié)泥餅事件發(fā)生前后，盾構(gòu)多個(gè)施工數(shù)據(jù)都會(huì)發(fā)生一些有別于正常情況的波動(dòng)，本文從多維時(shí)間序列數(shù)據(jù)異常診斷的角度對(duì)結(jié)泥餅事件進(jìn)行分析。

2.1 時(shí)序異常檢測(cè)方法概述

目前，工程上對(duì)結(jié)泥餅事件的數(shù)據(jù)采集還不完整，缺少此類(lèi)事件的標(biāo)準(zhǔn)數(shù)據(jù)集和足夠的數(shù)據(jù)標(biāo)簽，難以直接學(xué)習(xí)結(jié)泥餅事件的參數(shù)時(shí)序特征，因此，本文選擇了無(wú)監(jiān)督多維時(shí)序異常檢測(cè)算法RADTD，進(jìn)行結(jié)泥餅事件的異常檢測(cè)。

RADTD算法[33]是一種基于數(shù)圖轉(zhuǎn)換和快速自學(xué)習(xí)的時(shí)間序列異常檢測(cè)方法，利用負(fù)選擇思想、無(wú)閾值遞歸圖(unthresholded recurrence plot，URP)和極限學(xué)習(xí)機(jī)自編碼器(extreme learning machine autoencoder，ELM-AE)，能夠?qū)r(shí)間序列數(shù)據(jù)轉(zhuǎn)換為圖矩陣的形式，并通過(guò)快速學(xué)習(xí)和重構(gòu)檢測(cè)到時(shí)間序列中的異常，具有對(duì)負(fù)樣本依賴(lài)度低、魯棒性高等特點(diǎn)。

2.2 異常診斷子模型構(gòu)建

圖2 數(shù)據(jù)驅(qū)動(dòng)的結(jié)泥餅異常診斷子模型Fig. 2 Data-driven sub-model for mud-cake event anomaly detection

3 知識(shí)驅(qū)動(dòng)的結(jié)泥餅事件診斷子模型

知識(shí)驅(qū)動(dòng)的結(jié)泥餅事件診斷子模型(KMCED)以文獻(xiàn)和實(shí)際施工工程案例中的經(jīng)驗(yàn)知識(shí)為基礎(chǔ)，提取后形成規(guī)則庫(kù)，用于模糊推理機(jī)的實(shí)時(shí)結(jié)泥餅事件診斷。

3.1 結(jié)泥餅事件知識(shí)庫(kù)構(gòu)建

圍繞第2節(jié)中選取的實(shí)時(shí)掘進(jìn)參數(shù)、基礎(chǔ)施工參數(shù)和盾構(gòu)基本情況的相關(guān)參數(shù)及結(jié)泥餅事件發(fā)生的條件因素，進(jìn)行了詳細(xì)的調(diào)研，構(gòu)建了土壓平衡盾構(gòu)結(jié)泥餅事件的知識(shí)規(guī)則庫(kù)。規(guī)則庫(kù)中的知識(shí)采用模糊If-Then產(chǎn)生式規(guī)則進(jìn)行表達(dá)，既可以與實(shí)際經(jīng)驗(yàn)表達(dá)習(xí)慣基本一致，又體現(xiàn)經(jīng)驗(yàn)知識(shí)的模糊性、不確定性以及規(guī)則的強(qiáng)度。規(guī)則表示法如式(2)所示。

ThenyisBl。

(2)

各規(guī)則的模糊條件中，隸屬度函數(shù)的確定主要參考隸屬度函數(shù)的建立原則[34-35]、結(jié)合工程實(shí)時(shí)參數(shù)的分布及變化特征進(jìn)行設(shè)計(jì)。由于施工參數(shù)數(shù)據(jù)多為正態(tài)分布，同時(shí)實(shí)際數(shù)據(jù)可能存在波動(dòng)性，選用梯形作為隸屬度函數(shù)，其比常見(jiàn)的三角隸屬度函數(shù)更容易擬合實(shí)際情況。梯形隸屬度函數(shù)的最大隸屬度區(qū)間根據(jù)工程案例中的數(shù)據(jù)區(qū)間確定，同時(shí)考慮數(shù)據(jù)的波動(dòng)性和部分案例的描述沖突，將中心值兩側(cè)10%左右劃定為重疊區(qū)域。

此外，結(jié)泥餅事件規(guī)則的可信度分為高、中、低3種程度，各規(guī)則的可信度從文獻(xiàn)及工程案例基于項(xiàng)集的支持度計(jì)算獲得[36]，第l條規(guī)則的支持度計(jì)算公式如式(3)所示。

(3)

式中： Numl為包含規(guī)則l的文獻(xiàn)及工程案例數(shù); Num為文獻(xiàn)及工程案例總數(shù)。

最終得到37條結(jié)泥餅事件的診斷規(guī)則。結(jié)泥餅事件規(guī)則示例見(jiàn)表2。

表2 結(jié)泥餅事件規(guī)則示例Table 2 Examples of mud-cake event rules

3.2 結(jié)泥餅事件規(guī)則推理機(jī)

利用知識(shí)規(guī)則庫(kù)中的模糊規(guī)則，模糊推理機(jī)基于工程數(shù)據(jù)，采用Mamdani模糊推理法進(jìn)行推理。具體步驟如下：

1)取每環(huán)的盾構(gòu)基本情況、基礎(chǔ)施工參數(shù)及實(shí)時(shí)掘進(jìn)參數(shù)數(shù)據(jù)為原始輸入量X，對(duì)其模糊化處理，求出輸入量X關(guān)于對(duì)應(yīng)語(yǔ)言變量F中各定性值的隸屬度。

2)計(jì)算規(guī)則前提部分模糊命題的邏輯組合。對(duì)于給定的輸入X，可以求出對(duì)第l條規(guī)則的適用度如式(4)所示。

(4)

3)通過(guò)模糊推理可得每條模糊規(guī)則的輸出量模糊集合Bl的隸屬度函數(shù)如式(5)所示。

μBl(y)=alμBl(y)。

(5)

式中μBl(y)為第l條規(guī)則中輸出量y的模糊隸屬度函數(shù)。

4)輸出量的總隸屬度的模糊合集如式(6)所示。

μB(y)=max(μB1(y)，…，μBl(y)，…，μBN(y))。

(6)

5)采用加權(quán)平均的清晰化方法，可求得對(duì)應(yīng)掘進(jìn)環(huán)號(hào)與結(jié)泥餅事件的隸屬度如式(7)所示。

(7)

式中P(y)為結(jié)泥餅事件發(fā)生概率。

4 工程應(yīng)用

4.1 工程概況

南京市某地鐵隧道施工區(qū)間的隧道總長(zhǎng)為734.514 m，結(jié)構(gòu)斷面形式為圓形，施工采用1臺(tái)外直徑為6 200 mm的土壓平衡盾構(gòu)。隧道中心埋深為15.3～22.7 m。由于地質(zhì)條件復(fù)雜，盾構(gòu)采用滾刀加刮刀組合，刀盤(pán)為中心支撐的、帶胸板輻條型刀盤(pán)，刀盤(pán)開(kāi)口率為42.7%。在本區(qū)間100—300環(huán)，盾構(gòu)所穿越地層分別為粉質(zhì)黏土與粉土互層、淤泥質(zhì)粉質(zhì)黏土、強(qiáng)風(fēng)化泥質(zhì)砂巖和中風(fēng)化泥質(zhì)砂巖。工程地質(zhì)剖面如圖3所示。

圖3 工程地質(zhì)剖面圖Fig. 3 Engineering geological profile

數(shù)據(jù)和知識(shí)雙驅(qū)動(dòng)下的土壓平衡盾構(gòu)結(jié)泥餅事件預(yù)警模型(MCEW_DK)自100環(huán)后在該隧道區(qū)間上運(yùn)行，用于實(shí)時(shí)跟蹤盾構(gòu)推進(jìn)狀態(tài)、預(yù)警盾構(gòu)結(jié)泥餅事件。從工程中獲取的盾構(gòu)推進(jìn)數(shù)據(jù)包括實(shí)時(shí)施工參數(shù)、實(shí)時(shí)施工狀態(tài)和盾構(gòu)基本情況。

DMCAD子模型基于實(shí)時(shí)施工參數(shù)數(shù)據(jù)由總推力、刀盤(pán)轉(zhuǎn)矩、推進(jìn)速度和頂部土壓力組成，并取每100 mm凈行程為一個(gè)采樣點(diǎn)。為保留連續(xù)推進(jìn)段的工程數(shù)據(jù)，模型剔除了推進(jìn)速度為0的施工數(shù)據(jù)，并刪除了傳感器采集異常等導(dǎo)致的離群點(diǎn)。在模型診斷時(shí)輸入多維時(shí)間序列的長(zhǎng)度L=30，時(shí)間窗口長(zhǎng)度設(shè)為20，步長(zhǎng)為1，每次輸入自編碼器學(xué)習(xí)的URP圖個(gè)數(shù)為10，輸出為多維施工數(shù)據(jù)時(shí)間子序列的結(jié)泥餅事件概率。KMCED子模型除了采集實(shí)時(shí)掘進(jìn)參數(shù)數(shù)據(jù)(總推力、刀盤(pán)轉(zhuǎn)矩、推進(jìn)速度和土壓力)外，還采集刀盤(pán)開(kāi)口率、刀具類(lèi)型等盾構(gòu)基本情況和土質(zhì)類(lèi)型、改良劑配比、改良劑用量等基礎(chǔ)施工參數(shù)(見(jiàn)表3)，推理機(jī)根據(jù)實(shí)時(shí)數(shù)據(jù)按環(huán)分析結(jié)泥餅事件的概率。2個(gè)子模型的結(jié)果結(jié)合后，輸出最終MCEW_DK模型的預(yù)警概率。參照其他歷史工程模擬中的預(yù)警效果，結(jié)泥餅事件報(bào)警閾值人工設(shè)定為0.6。

表3 工程參數(shù)的輸入樣式Table 3 A set of engineering parameter examples

4.2 模型預(yù)警情況

MCEW_DK模型在施工區(qū)間中監(jiān)測(cè)結(jié)泥餅事件的預(yù)警概率以環(huán)為單位統(tǒng)計(jì)和檢驗(yàn)，當(dāng)環(huán)預(yù)警概率大于設(shè)定閾值0.6時(shí)，記為1次結(jié)泥餅事件預(yù)警。MCEW_DK模型輸出的結(jié)泥餅預(yù)警結(jié)果顯示，模型最早于236環(huán)出現(xiàn)了結(jié)泥餅事件預(yù)警，此后報(bào)警環(huán)為246、247、249、250環(huán)。然而，在252環(huán)的盾構(gòu)例行檢查中，施工人員開(kāi)艙檢查，并沒(méi)有發(fā)現(xiàn)明顯的結(jié)泥餅現(xiàn)象。施工方在分析時(shí)并不完全確信模型的預(yù)警結(jié)果與結(jié)泥餅現(xiàn)象有關(guān)。盾構(gòu)恢復(fù)推進(jìn)后，模型在259、260、261、262、264、265、266、267、268環(huán)發(fā)出預(yù)警，并在267環(huán)預(yù)警概率達(dá)到最大。結(jié)合現(xiàn)場(chǎng)施工反饋，265環(huán)后施工效率明顯降低，故268環(huán)盾構(gòu)停機(jī)開(kāi)艙檢查，發(fā)現(xiàn)土艙內(nèi)存在嚴(yán)重的泥餅固結(jié)現(xiàn)象(見(jiàn)圖4)，此后開(kāi)艙清理工作持續(xù)了2 d?；謴?fù)推進(jìn)后，模型除270環(huán)有一次誤報(bào)外，此后盾構(gòu)推進(jìn)狀態(tài)正常。這一工程事件說(shuō)明，在掘進(jìn)狀態(tài)下，MCEW_DK模型對(duì)結(jié)泥餅事件的檢測(cè)效果較好，能夠早于開(kāi)艙時(shí)間發(fā)現(xiàn)結(jié)泥餅事件并進(jìn)行預(yù)警。值得一提的是，除閾值判斷外，基于結(jié)泥餅事件預(yù)警結(jié)果的施工開(kāi)艙決策還需要結(jié)合模型預(yù)警連續(xù)性及其他施工條件進(jìn)行分析。

(a) (b)圖4 盾構(gòu)土艙內(nèi)部結(jié)泥餅情況Fig. 4 Mud cake in excavation chamber

4.3 模型預(yù)警結(jié)果對(duì)比分析

泥餅在高溫和高壓的共同作用下形成，但在實(shí)際工程中難以精確把握泥餅的形成進(jìn)度，導(dǎo)致很難判斷泥餅的實(shí)際形成時(shí)間。經(jīng)過(guò)專(zhuān)家事后研判，推斷實(shí)際結(jié)泥餅的區(qū)間為258—268環(huán)。為進(jìn)一步分析MCEW_DK模型的效果，將模型結(jié)果與DMCAD子模型及KMCED子模型的檢測(cè)結(jié)果進(jìn)行了對(duì)比。3個(gè)模型的預(yù)警結(jié)果如圖5—7所示。圖中用淺紅色標(biāo)注專(zhuān)家研判的實(shí)際結(jié)泥餅區(qū)間，并用紅色三角標(biāo)注開(kāi)艙處理結(jié)泥餅的位置(268環(huán))。

圖5 100—300環(huán)段MCEW_DK模型預(yù)警結(jié)果Fig. 5 MCEW_DK′s results in ring 100～300

圖6 100—300環(huán)段DMCAD子模型預(yù)警結(jié)果Fig. 6 DMCAD′s results in ring 100～300

圖7 100—300環(huán)段KMCED子模型預(yù)警結(jié)果Fig. 7 KMCED′s results in ring 100～300

4.3.1 MCEW_DK模型預(yù)警結(jié)果分析

由圖5可知： 1)共存在15環(huán)報(bào)警，其中9環(huán)位于實(shí)際結(jié)泥餅區(qū)間內(nèi)，占全部結(jié)泥餅環(huán)的81.81%； 2)相對(duì)其他2個(gè)子模型，MCEW_DK模型的報(bào)警次數(shù)最少，有效降低了數(shù)據(jù)驅(qū)動(dòng)及知識(shí)驅(qū)動(dòng)下模型預(yù)警的誤報(bào)率； 3)臨近開(kāi)艙位置時(shí)，隨著盾構(gòu)的推進(jìn)，模型預(yù)警的結(jié)泥餅事件概率呈逐環(huán)上升態(tài)勢(shì)，且267環(huán)的預(yù)警概率達(dá)到了峰值，早于實(shí)際盾構(gòu)開(kāi)艙時(shí)間，表明了MCEW_DK模型對(duì)結(jié)泥餅事件的敏感性； 4)隨著泥餅固結(jié)情況的惡化，判斷為結(jié)泥餅事件的概率不斷增加，而在泥餅開(kāi)艙處理后，模型能夠迅速識(shí)別到盾構(gòu)推進(jìn)狀態(tài)的改變，結(jié)泥餅事件發(fā)生概率驟降。

4.3.2 DMCAD模型預(yù)警結(jié)果分析

由圖6可知： 1)200環(huán)后檢測(cè)到的異常概率開(kāi)始呈波動(dòng)上升的趨勢(shì)，在 221環(huán)的結(jié)泥餅事件概率就超過(guò)了設(shè)定閾值，最終報(bào)告結(jié)泥餅事件預(yù)警共52環(huán)，所有專(zhuān)家標(biāo)記的結(jié)泥餅區(qū)間都能夠被準(zhǔn)確識(shí)別； 2)DMCAD子模型對(duì)盾構(gòu)施工狀態(tài)較為敏感，能夠發(fā)現(xiàn)盾構(gòu)實(shí)時(shí)施工參數(shù)數(shù)據(jù)的異常變化、較早報(bào)告異常施工現(xiàn)象，有助于早期識(shí)別結(jié)泥餅事件； 3)DMCAD子模型的預(yù)警范圍持續(xù)時(shí)間較長(zhǎng)，即使在268環(huán)開(kāi)艙處理以后的連續(xù)20余環(huán)里，仍然判斷盾構(gòu)施工狀態(tài)異常，此期間的數(shù)據(jù)異動(dòng)無(wú)法用結(jié)泥餅事件解釋?zhuān)赡芘c盾構(gòu)的其他施工情況有關(guān)。因此，僅通過(guò)DMCAD子模型將難以有效鑒別結(jié)泥餅事件，可能會(huì)出現(xiàn)較多的誤報(bào)。

4.3.3 KMCED模型預(yù)警結(jié)果分析

由圖7可知： 1)結(jié)泥餅事件概率超過(guò)報(bào)警閾值的共有25環(huán)，有10環(huán)在標(biāo)記的實(shí)際結(jié)泥餅事件區(qū)間內(nèi)，占全部結(jié)泥餅環(huán)的40%，可見(jiàn)結(jié)合施工經(jīng)驗(yàn)生成的知識(shí)規(guī)則庫(kù)，KMCED子模型可以識(shí)別到符合盾構(gòu)結(jié)泥餅事件相關(guān)經(jīng)驗(yàn)特征的掘進(jìn)環(huán)號(hào)； 2)最早一次預(yù)警出現(xiàn)在231環(huán)，早于實(shí)際結(jié)泥餅事件區(qū)間，且在處置泥餅后，預(yù)警概率驟降，可見(jiàn)子模型對(duì)泥餅辨識(shí)的靈敏性； 3)KMCED子模型也會(huì)出現(xiàn)誤報(bào)，結(jié)泥餅事件最大預(yù)警概率出現(xiàn)在236環(huán)，而此后252環(huán)的開(kāi)艙顯示實(shí)際并不存在結(jié)泥餅事件，這可能由于工程經(jīng)驗(yàn)的不完備性所致。

4.3.4 模型預(yù)警結(jié)果比較

為比較MCEM_DK模型與DMCAD和KMCED 2個(gè)子模型的預(yù)警效果，計(jì)算了各模型的準(zhǔn)確率和誤報(bào)率。準(zhǔn)確率表示模型預(yù)警環(huán)在結(jié)泥餅標(biāo)記環(huán)中占的比例，反映了模型對(duì)實(shí)際結(jié)泥餅區(qū)間的覆蓋情況；誤報(bào)率表示模型預(yù)警環(huán)在非結(jié)泥餅環(huán)中占的比例，反映了模型將正常環(huán)誤識(shí)別為結(jié)泥餅環(huán)的誤報(bào)情況。為保證預(yù)警機(jī)制的可行性，使用F1分?jǐn)?shù)綜合準(zhǔn)確率和誤報(bào)率這2個(gè)指標(biāo)，評(píng)判預(yù)警效果。

各模型預(yù)警結(jié)果顯示，在0.6的設(shè)定閾值下，DMCAD子模型能夠預(yù)警所有結(jié)泥餅標(biāo)記環(huán)，但受誤報(bào)率影響，F(xiàn)1分?jǐn)?shù)僅為0.35；KMCED子模型的預(yù)警效果稍?xún)?yōu)于DMCAD子模型，F(xiàn)1分?jǐn)?shù)為0.56；MCEM_DK模型在準(zhǔn)確率接近的情況下誤報(bào)率僅40.00%，F(xiàn)1分?jǐn)?shù)為0.69，可以看出預(yù)警效果明顯優(yōu)于其他2個(gè)子模型。

由此可見(jiàn)，MCEM_DK模型通過(guò)集成2個(gè)子模型，大大減少了2個(gè)子模型單獨(dú)檢測(cè)時(shí)出現(xiàn)的誤報(bào)，預(yù)警的結(jié)泥餅環(huán)同時(shí)滿(mǎn)足經(jīng)驗(yàn)知識(shí)和數(shù)據(jù)建模視角下的判別標(biāo)準(zhǔn)，更有利于檢測(cè)到結(jié)泥餅事件出現(xiàn)的節(jié)點(diǎn)。

4.3.5 閾值設(shè)定探究

在實(shí)際應(yīng)用中，報(bào)警閾值的設(shè)定會(huì)影響模型預(yù)警的準(zhǔn)確率和誤報(bào)率。本文討論了報(bào)警閾值設(shè)定對(duì)模型預(yù)警結(jié)果的影響。在南京地鐵工程項(xiàng)目中，各模型在不同閾值下的預(yù)警結(jié)果如表4和表5所示。

表4 報(bào)警閾值為0.5時(shí)的預(yù)警結(jié)果Table 4 Warning results under alarm threshold of 0.5

表5 報(bào)警閾值為0.6時(shí)的預(yù)警結(jié)果Table 5 Warning results under alarm threshold of 0.6

施工過(guò)程中的報(bào)警閾值參考其他歷史工程模擬中的誤報(bào)率和準(zhǔn)確率設(shè)定。出于安全考慮，將閾值設(shè)定為0.5以上能夠成功預(yù)警更多結(jié)泥餅環(huán)，但同時(shí)也會(huì)導(dǎo)致誤報(bào)環(huán)較多、檢修成本大幅增加。若從安全和經(jīng)濟(jì)等多角度考慮，為減少開(kāi)艙次數(shù)，可將報(bào)警閾值設(shè)定為0.6或者更高。實(shí)際應(yīng)用時(shí)，應(yīng)結(jié)合工程實(shí)際選擇模型的報(bào)警閾值。

5 結(jié)論與展望

本文從數(shù)據(jù)建模和知識(shí)推理2個(gè)角度提煉土壓平衡盾構(gòu)結(jié)泥餅事件的典型特征，提出了數(shù)據(jù)和知識(shí)雙驅(qū)動(dòng)下的土壓平衡盾構(gòu)結(jié)泥餅事件預(yù)警模型。該模型應(yīng)用于南京某地鐵隧道施工項(xiàng)目，并將預(yù)警結(jié)果與單一形式子模型進(jìn)行對(duì)比，得出如下結(jié)論：

1)數(shù)據(jù)和知識(shí)雙驅(qū)動(dòng)下的預(yù)警模型通過(guò)結(jié)合數(shù)據(jù)挖掘技術(shù)和歷史工程經(jīng)驗(yàn)知識(shí)，能夠?qū)ν翂浩胶舛軜?gòu)的結(jié)泥餅事件進(jìn)行有效預(yù)測(cè)，其在0.6的報(bào)警閾值下環(huán)預(yù)警F1分?jǐn)?shù)為0.69，具有預(yù)警準(zhǔn)確率高、誤報(bào)率低的優(yōu)點(diǎn)，預(yù)警效果優(yōu)于單一形式的子模型。

2)在南京市某地鐵隧道工程應(yīng)用中，數(shù)據(jù)和知識(shí)雙驅(qū)動(dòng)下的預(yù)警模型從264環(huán)到268環(huán)連續(xù)報(bào)警，報(bào)警開(kāi)始時(shí)間明顯早于人工發(fā)現(xiàn)的時(shí)間，這有助于在實(shí)際施工過(guò)程中及時(shí)采取措施。

3)預(yù)警模型的報(bào)警閾值設(shè)定會(huì)同時(shí)影響預(yù)警結(jié)果的準(zhǔn)確率和誤報(bào)率，其與施工安全和經(jīng)濟(jì)成本緊密相關(guān)，該閾值設(shè)定須結(jié)合工程實(shí)際需要進(jìn)行調(diào)整。

4)數(shù)據(jù)和知識(shí)雙驅(qū)動(dòng)下的預(yù)警模型充分利用已知工程數(shù)據(jù)，將數(shù)據(jù)建模和知識(shí)推理方法結(jié)合，降低了數(shù)據(jù)建模和知識(shí)推理單獨(dú)應(yīng)用時(shí)的誤報(bào)率，達(dá)到準(zhǔn)確、及時(shí)預(yù)警的目的，具有較高的工程應(yīng)用價(jià)值。

5)預(yù)警模型的預(yù)警結(jié)果受不完備的經(jīng)驗(yàn)知識(shí)和施工數(shù)據(jù)噪聲大的限制，在實(shí)際應(yīng)用中需要結(jié)合環(huán)預(yù)警的連續(xù)性進(jìn)一步研判，但高頻次的預(yù)警能力有助于建立更為靈敏的結(jié)泥餅事件預(yù)警機(jī)制。

本文根據(jù)現(xiàn)有文獻(xiàn)及歷史工程建立預(yù)警模型，當(dāng)前結(jié)泥餅事件相關(guān)工程經(jīng)驗(yàn)還不完備,如噴嘴布設(shè)等工程參數(shù)對(duì)泥餅的影響還有待后續(xù)補(bǔ)充完善。隨著工程案例的補(bǔ)充，結(jié)泥餅事件知識(shí)庫(kù)還將不斷更新完善，這也有助于細(xì)化結(jié)泥餅事件的類(lèi)型和應(yīng)用場(chǎng)景，進(jìn)一步提高模型預(yù)警的準(zhǔn)確率。另外，本文提出的數(shù)據(jù)與知識(shí)雙驅(qū)動(dòng)下的預(yù)警模型還可應(yīng)用于其他難辨識(shí)的盾構(gòu)異常事件預(yù)警中，推進(jìn)構(gòu)建用于診斷多種異常事件的施工預(yù)警體系。