張紀奧, 馬懷祥, 王承震, 李東升, 喬卉卉

(1.石家莊鐵道大學 機械工程學院,河北 石家莊 050043;2.中鐵十四局集團有限公司, 山東 濟南 250014)

0 引言

盾構機作為隧道與地下工程建設的專用裝備,具有安全環(huán)保、掘進速度快和勞動強度低等優(yōu)點,在盾構施工過程中,其掘進速度是裝備運行操控與項目施工規(guī)劃的參考依據(jù)[1],因此,對盾構機掘進速度進行預測研究具有重要工程意義。

近年來,國內外學者對此主要進行了理論模型、經驗模型和智能模型方面的研究。在理論模型研究方面,張厚美等[2]修正了掘進速度與總推力、刀盤扭矩的計算公式;王洪新等[3]對土倉壓力、總推力、螺旋機轉速和掘進速度間關系的數(shù)學表達式進行了推導。在經驗模型研究方面,李杰等[4]采用多元非線性回歸建立了復合地層下掘進速度的預測模型;于云龍等[5]通過對原始掘進參數(shù)進行二次轉換,修正了盾構機傳統(tǒng)掘進速度模型。在智能模型研究方面,隨著大數(shù)據(jù)和人工智能技術的發(fā)展,機器學習被廣泛應用于盾構掘進預測中。黃靚鈺等[6]、林春金等[7]、孫偉良等[8]采用BP神經網(wǎng)絡建立了掘進參數(shù)、土倉壓力和地表沉降的預測模型;GAO et al[9]使用循環(huán)神經網(wǎng)絡、長短時記憶網(wǎng)絡和門控循環(huán)單元建立了盾構掘進參數(shù)的預測模型;ELBAZ et al[10]將卷積神經網(wǎng)絡和基于聚類算法的長短時記憶網(wǎng)絡相結合,實現(xiàn)了盾構機掘進系統(tǒng)的能耗預測。

目前在盾構機掘進參數(shù)預測研究中,所用數(shù)據(jù)多為掘進循環(huán)下的參數(shù)均值,在工程施工初期,數(shù)據(jù)量不足會導致上述模型的預測效果降低,且現(xiàn)有研究大多依托某單一工程,缺乏不同工程下預測模型的適用性研究。鑒于此,依托南京長江隧道工程和蕪湖過江隧道工程,采用遷移學習策略,提出一種基于混合指標分級的CNN-BiLSTM遷移預測模型。首先,在已完成工程上對盾構機混合指標進行k-means聚類分級,構建CNN-BiLSTM模型進行預訓練;然后,對新工程上的混合指標等級進行判別,并將預訓練模型應用到新工程上進行微調,使預測模型在舊工程下學習到的特征知識能更好地應用到新工程中。

1 工程概況和數(shù)據(jù)清洗

1.1 工程概況

南京長江隧道位于江蘇省南京市,橫越長江南北兩岸,全長5 850 m。盾構段施工部分為左右兩線,采用2臺海瑞克泥水式盾構同時施工,刀盤開挖直徑為14.96 m,左右線從浦口區(qū)同向始發(fā)。隧道地層斷面如圖1所示[11],盾構隧道分別穿越淤泥質粉質黏土地層、粉細砂地層、礫砂地層、圓礫地層和強風化泥巖地層。

圖1 南京長江隧道地質斷面圖(單位:m)

蕪湖城南過江隧道位于安徽省蕪湖市長江大橋和長江二橋之間,長約4.9 km。采用2臺氣墊式泥水平衡盾構,刀盤開挖直徑為15.07 m,盾構從江北同向先后始發(fā),分別穿越長江后,在江南接收[12]。地質斷面如圖2所示,盾構隧道分別穿越粉細砂、泥質粉砂巖、凝灰角礫巖和粉質黏土等多種地層。

圖2 蕪湖過江隧道地質斷面圖

圖3 不同狀態(tài)下掘進速度

1.2 數(shù)據(jù)清洗

施工過程中,盾構機數(shù)據(jù)監(jiān)測系統(tǒng)會對掘進參數(shù)進行采集保存,在管片安裝、設備維護和其他情況下,監(jiān)測系統(tǒng)通常會連續(xù)工作,導致大量的無效數(shù)據(jù)被保存下來。以南京長江隧道工程部分掘進速度為例,如圖3所示,其中每個樣本點為盾構機監(jiān)測系統(tǒng)的采樣點,采樣間隔為10 s。

將盾構機的總推力、掘進速度和刀盤扭矩作為劃分工作狀態(tài)和停機狀態(tài)的指標[13],式(1)、式(2)為指示函數(shù),將導致的數(shù)據(jù)認為是停機狀態(tài)下的數(shù)據(jù),進行清洗。

F(X)=f(F)f(V)f(T)

(1)

(2)

2 研究方法

2.1 k-means算法

k-means算法作為一種非層次聚類算法,通過迭代過程把數(shù)據(jù)集劃分為不同類別,并逐次更新聚類中心直至達到要求的精度[14]?；静襟E為:首先,隨機選取個初始聚類中心;然后,將每個數(shù)據(jù)點分配到距離最近的聚類中心所在簇中;最后,計算每個簇中數(shù)據(jù)點均值,并將其作為新的聚類中心,重復以上2個步驟,直至收斂或達到最大迭代數(shù)。

2.2 CNN模型

卷積神經網(wǎng)絡是一種常用的深度學習模型,由卷積層、池化層和全連接層構成,具有一定的深度結構與自主學習能力,通過模擬人腦系統(tǒng),對輸入信息進行處理,提取主要信息特征[15]。卷積核作為CNN的核心部分,對數(shù)據(jù)進行卷積操作提取數(shù)據(jù)的內部特征,表示為

Cj=f(wi?Ai+bi)

(3)

式中,f為激活函數(shù);wi為權值矩陣;?為卷積操作;bi為偏置矩陣。

2.3 BiLSTM模型

長短時記憶網(wǎng)絡(LSTM)通過引入輸入門、輸出門和遺忘門來解決梯度消失問題。LSTM的核心結構為記憶細胞,包含一個細胞狀態(tài)c、一個隱藏狀態(tài)h,其神經元的網(wǎng)絡結構如圖4所示。BiLSTM是一種雙向循環(huán)神經網(wǎng)絡模型,如圖5所示,可同時考慮輸入序列的前向和后向信息,能夠更好捕捉上下數(shù)據(jù)特征,提升模型預測精度和特征數(shù)據(jù)利用率[16],其核心結構為2個方向相反的LSTM模型構成的堆疊結構,正向LSTM從前向后遍歷輸入序列,反向LSTM從后往前遍歷輸入序列,正向和反向過程均有其隱藏狀態(tài)h和細胞狀態(tài)c。

圖4 LSTM網(wǎng)絡結構示意圖

圖5 BiLSTM網(wǎng)絡結構示意圖

3 工程驗證

在新工程掘進初期數(shù)據(jù)量不足的情況下,提出一種基于混合指標分級的CNN-BiLSTM遷移預測模型。首先,以南京長江隧道工程數(shù)據(jù)為源域數(shù)據(jù),對混合指標進行聚類分級,以蕪湖過江隧道工程數(shù)據(jù)為目標域數(shù)據(jù),判斷該工程上混合指標的對應等級;然后,構建模型在源域的相應等級數(shù)據(jù)上進行預訓練,將模型遷移至目標域進行微調;最后,實現(xiàn)在施工初期少量數(shù)據(jù)下盾構掘進速度的預測。

3.1 混合指標的聚類分級

為降低不同工程下盾構機型號、地質信息和施工環(huán)境等信息對模型的影響,引入場切深指數(shù)(FPI)、扭矩切深指數(shù)(TPI)、掘進比能(SE)和切割系數(shù)(C)[17]4種混合指標進行聚類分級,4種指標的計算公式為

(4)

(5)

(6)

(7)

式中,F為刀盤總推力;n為刀盤上刀具數(shù)量;P為貫入度;T為刀盤扭矩;r為刀具力矩半徑;R為刀盤半徑。

由于施工過程中刀具磨損會造成持續(xù)變化,難以確定具體數(shù)值,故忽略刀具力矩半徑對切割系數(shù)的影響,將式(7)簡化為

(8)

對南京長江隧道工程中盾構機采集的掘進參數(shù)進行混合指標計算,4種指標變化趨勢如圖6所示。FPI指數(shù)描述了盾構機在單位貫入度下所需推進力,反映盾構機與土體的相互作用,既考慮了地質因素影響,又考慮到機器設備影響,通過FPI指數(shù)可以快速估算巖石強度。TPI指數(shù)描述了盾構機在單位貫入度下所需刀盤扭矩,同F(xiàn)PI指數(shù)的考慮類似,能夠對盾構機掘進狀態(tài)進行更加完整的表述。掘進比能SE表示盾構機在掘進單位體積土體時所需能量,主要用于刀具開挖土體和盾殼克服摩擦力向前推進。切割系數(shù)C反映了刀盤總推力和刀盤扭矩之間的關系,主要受地質狀況和刀具磨損的影響。

圖6 混合指標趨勢圖

為避免不同指標物理量綱的影響,聚類之前對指標進行歸一化處理,具體為

(9)

式中,x′為參數(shù)處理后的值;x為當前參數(shù)值;xmax、xmin分別為參數(shù)樣本的最大值、最小值。

引入DB指數(shù)評價聚類效果,該指數(shù)通過計算每個簇與其他簇之間的平均距離和每個簇內元素之間的平均距離之和的比值來度量聚類的性能,最優(yōu)聚類結果對應的DB值越小越好。對上述混合指標進行聚類后對應的DB指數(shù)如圖7所示?？芍斁垲悢?shù)為4時,聚類效果最優(yōu),選取k=4對混合指標進行聚類,聚類后各環(huán)在混合指標上的等級如圖8所示。

圖7 不同聚類數(shù)下DB指數(shù)

圖8 南京長江隧道各環(huán)聚類等級

以蕪湖過江隧道工程建設初期第13、14環(huán)掘進參數(shù)為對象,計算可知,其混合指標距離南京長江隧道工程中第3個聚類中心距離最近,因此選取南京長江隧道工程第3等級下212～228環(huán)掘進參數(shù)對模型進行預訓練,以蕪湖過江隧道工程中第13環(huán)掘進參數(shù)對模型進行微調,第14環(huán)掘進參數(shù)對模型進行驗證。

3.2 模型預測

取前一采樣時刻的掘進速度、總推力、刀盤扭矩、刀盤轉速、貫入度、進漿流量、出漿流量、氣墊倉壓力和泥水倉壓力作為輸入數(shù)據(jù),搭建CNN-BiLSTM預測模型。采用式(9)歸一化方法對數(shù)據(jù)進行預處理,下一時刻的掘進速度為輸出數(shù)據(jù)對模型進行訓練。其中CNN層包含2層1D-CNN,卷積核數(shù)目為32和64,卷積核大小為3,激活函數(shù)為relu函數(shù),池化層大小為2。BiLSTM層包含2層BiLSTM,神經元數(shù)量為32和64,激活函數(shù)為tan h,添加Dropout正則化防止模型過擬合。最后添加一層全連接層(Dense)作為模型輸出,即下一采樣時刻的掘進速度。

3.2.1 模型預訓練

在源域(南京長江隧道212～228環(huán))上選取相應參數(shù)對模型進行預訓練,共5 410條樣本,取前5 000條作為訓練集,后410條作為測試集對模型進行驗證,其中測試集樣本包括第227環(huán)部分穩(wěn)定掘進段以及第228環(huán)上升段和穩(wěn)定掘進段,預測效果如圖9所示?？梢钥闯?模型能夠較好地預測掘進速度的變化,明顯預測掘進過程中速度波動點,選取MAE、RMSE為評價指標,并與CNN模型、LSTM模型、BiLSTM模型進行對比,結果如表1所示?？芍狢NN-BiLSTM模型在預測精度上均優(yōu)于其他模型,選取該模型可更好地提取輸入數(shù)據(jù)的特征,反映掘進速度和其他掘進參數(shù)之間的映射關系。

表1 不同預測模型性能比較

3.2.2 模型微調

將預訓練模型中的CNN層和BiLSTM層凍結,在目標域(蕪湖過江隧道)上選取第13環(huán)相應數(shù)據(jù)對模型全連接層進行微調,在第14環(huán)上進行預測,并與不經遷移學習預測結果進行對比,效果如圖10所示。

圖9 源域預測效果

圖10 目標域預測效果

由圖10可以看出,模型遷移后可準確預測目標域掘進速度的變化,反映其變化規(guī)律,在評價指標MAE和RMSE上的表現(xiàn)分別為1.44和1.92。無遷移模型由于數(shù)據(jù)量較少,產生過擬合現(xiàn)象,無法正確反映掘進速度的變化,由此可知遷移學習預測模型在工程建設初期的必要性。

4 結論

(1)采用k-means聚類方法,基于FPI、TPI、SE、C4種混合指標,可對盾構機的掘進進行聚類分級判定。

(2)建立的CNN-BiLSTM預測模型,其在源域和目標域上的掘進速度預測值可以很好地擬合實測數(shù)據(jù),在源域上的MAE和RMSE為1.94和2.57,擬合效果優(yōu)于CNN、LSTM、BiLSTM模型,在目標域上的MAE和RMSE為1.44和1.92。

(3)所提模型采用遷移學習策略后,可有效解決在盾構掘進初期數(shù)據(jù)量較少的情況下,深度預測模型產生的過擬合問題,在工程施工初期具有一定指導意義。