王耀東

中鐵十六局集團北京軌道交通有限公司 北京 101100

隨著城市軌道交通的快速發(fā)展，土壓平衡盾構施工方法因具有安全、高效的特點，而被廣泛地應用于城市地鐵隧道的修建[1-2]中。合理地設置盾構施工參數能夠改善盾構機對地層的適應性，提高盾構施工效率[1,3-4]。影響盾構參數的因素較多，對盾構參數的有效預測可以更好地指導盾構施工。因此，采用合適的方法進行盾構參數的精確預測具有重要的現實意義。

目前，已經發(fā)展了很多理論與經驗公式來確定盾構參數[5-6]，盾構某一參數主要依靠地質條件和相關參數進行確定，但是由于地質條件的復雜性和參數關系的不確定性，理論和經驗公式不能夠實時預測盾構參數值[7-8]。人工智能算法能夠克服這些困難并運用盾構參數的大數據進行盾構參數實時預測[5,9-11]。Khalid等[12]運用遺傳算法改進的自適應模糊神經網絡進行了盾構推進速度的預測，預測誤差在±15%以內，能夠為盾構施工提供參考；李超等[13]將BP神經網絡應用到復合地層中盾構的刀盤扭矩、刀盤轉速、推力和推進速度的預測中，預測結果與實測數據具有相近的變化規(guī)律，為復合地層盾構參數的確定提供了一種新的方法；高旻昱等[14]將遺傳算法與GRU循環(huán)神經網絡相結合，預測了土壓平衡盾構掘進過程中的土壓變化，并對預測結果進行了修正，使其滿足施工要求。然而，大數據技術在迅速發(fā)展，對盾構參數預測的人工智能算法不斷更新，為了滿足盾構自動化施工需求，就要將更多的人工智能算法應用到盾構參數預測中，從而得到更加準確的預測值。

在本研究中，決策樹模型、正向激勵決策樹模型和隨機森林模型被應用于盾構推進速度的預測。通過對盾構機實時采集的數據進行預處理和分析，確定影響盾構推進速度的關鍵參數，并將更新的數據集輸入到建立的推進速度預測模型中，最后對預測結果進行對比和模型評估，確定最優(yōu)預測模型。

1 決策樹預測模型

在盾構掘進過程中，推進速度影響著盾構掘進的時間，從而對工期產生影響。本文針對盾構掘進速度，構建了盾構掘進速度的決策樹預測模型，并對比了優(yōu)化的正向激勵決策樹模型和隨機森林預測模型，得到最優(yōu)的盾構推進參數預測模型。

1.1 工程概況

洛陽城市軌道交通2號線LYGD2-TJ-01標段位于河南省洛陽市，包括5站5區(qū)間，分別為經三路站、王城北路站、機場路站、洛陽火車站、紗廠東路站、解放路站（不含）。機場路站—洛陽火車站區(qū)間（機洛區(qū)間）左線長度為1 173.213 m，右線長度為1 172.000 m，左線曲線半徑分別為350、400 m，右線曲線半徑分別為360、370 m，線間距11.2～17.4 m。線路右線縱坡設計為4個坡度，最大坡度為2.85%，最小坡度為0.2%，隧道頂最小埋深6.5 m、最大埋深14.2 m，采用2臺直徑為6.44 m的土壓平衡盾構機進行施工。

盾構隧道穿越主要的地層自上而下主要為：雜填土、素填土、填筑土、粉質黏土、黃土、卵石、黏質粉土、砂巖、泥巖等。機洛區(qū)間地下水位線在19.17～21.05 m，低于隧道最大埋深14.2 m，因此，隧道掘進過程中不考慮地下水對盾構掘進的影響。

1.2 預測模型參數的選取

盾構機掘進參數來自盾構環(huán)報和盾構機自帶采集系統(tǒng)。盾構機上安裝了數據采集傳感器，在盾構掘進過程中，盾構機的數據采集系統(tǒng)對盾構機的數據進行采集。本工程采用的盾構機數據采集系統(tǒng)有196個通道，記錄包括時間、刀盤系統(tǒng)參數、推進系統(tǒng)參數、螺旋輸送機參數、泡沫添加劑流量等數據。決策樹預測模型的輸入參數從盾構機自帶采集系統(tǒng)中獲取，選取了影響盾構機推進速度（AR）最大的7個掘進參數進行分析，包括：刀盤轉速（CR）、刀盤扭矩（CT）、總推力（F）、土倉壓力（SP）、螺旋機轉速（SCR）、注漿壓力（GP）和掘進深度（D）[12,15-16]。推進速度預測模型過程主要包括數據預處理、數據集劃分與交叉驗證以及模型預測。

1.3 數據預處理

盾構參數原始數據中常會存在空白值和異常值，在進行輸入參數變換前，應將空白值和異常值進行刪除處理。利用式（1）、式（2）確定應去除的空白值，并根據Pauta準則，對在3倍標準差以外的異常值進行刪除處理[17]。

式中，P代表是否刪除該行原始數據，P＝0表示刪除，P≠0表示保留；f（x）表示將原始數據轉變?yōu)?/1的函數。

在數據進行空白值與異常值處理之后，采用算數平均值濾波算法（N＝3）對原始數據進行降噪處理[14]，然后利用式（3）對數據進行標準化處理，將數據轉變?yōu)?～1之間的數值，標準化處理之后不僅保留了數據的特征，同時將所有數據之間的量綱保持一致，提高了模型運算速度和精度。

式中：x*為標準化后的數據，x為原始數據，xmin和xmax為數據的最小值和最大值。

1.4 決策數預測模型的構建

決策樹預測模型用于盾構掘進過程中盾構推進速度的預測，將選取的盾構參數輸入到決策樹預測模型中，輸出推進速度。本研究基于決策樹回歸算法構建了決策樹預測模型、正向激勵決策樹預測模型和隨機森林預測模型，并對其精度進行了對比，得到最佳預測結果，預測模型主要有以下步驟：盾構參數收集與選取，盾構參數預處理，劃分數據集并進行交叉驗證，變量特征重要性判斷，更新輸入變量并重新劃分數據集，輸入數據集進行模型訓練和預測。

2 掘進參數預測分析

2.1 數據集的劃分與交叉驗證

本研究中，共有750環(huán)的盾構參數被隨機地劃分為兩部分，研究表明[18]，可將80%的數據劃分為訓練集，20%的數據劃分為預測集。采用k折交叉驗證（k＝5）的方法對數據集和驗證集進行交叉驗證并計算交叉驗證的準確率。如表1所示，決策樹模型、正向激勵模型與隨機森林模型的準確率均滿足交叉驗證要求。

表1 數據集劃分后交叉驗證準確率

2.2 參數特征重要性分析

盾構參數之間存在一定的關聯性，這種關聯性強弱不同，選取的盾構參數對推進速度影響程度不同，采用基尼系數計算選取的盾構參數對推進速度影響的特征重要性指數GI，如式（4）所示，并根據主要影響推進速度的指數占比，重新選取輸入參數并劃分數據集。

式中，GI表示參數特征重要性指數；K表示有K個類別，pmk表示節(jié)點m中類別k所占的比例。直觀地說，就是從節(jié)點m中隨機抽取2個樣本，其類別標記不一致的概率。

如圖1所示，影響推進速度的主要因素為刀盤轉速、土倉壓力和螺旋機轉速。從表2中可以更加明確地得到影響推進速度的特征重要性指數的值，刀盤轉速、土倉壓力和螺旋機轉速的特征重要性指數占據所有參數的特征重要性指數97%以上。因此，忽略其他參數對推進速度的影響，重新選取輸入參數為刀盤轉速、土倉壓力和螺旋機轉速，輸出參數為推進速度。更新參數和數據集后，重新隨機劃分80%的輸入集和20%的輸出集，然后輸入到三種預測模型中進行訓練并預測。

圖1 影響推進速度預測模型的特征重要性指數

表2 盾構參數對推進速度影響的特征重要性指數

2.3 預測結果分析

通過更新后的參數與重新劃分的數據集，輸入到決策樹預測模型、正向激勵預測模型和隨機森林預測模型中，得到推進速度的預測值，并與實測的推進速度進行對比，得到最優(yōu)的推進速度預測值。

圖2為推進速度決策樹預測模型預測結果與對應的相對誤差。決策樹模型預測的相對誤差最大值為13.21%，相對誤差平均值為1.97%，但局部相對誤差普遍偏大，特別是在測試集的第5、25、40、90和140～150環(huán)誤差超過了5%，此時的預測結果不能用于指導盾構機推進速度的設置，以防產生地面隆起或塌陷。

圖2 推進速度決策樹模型預測結果與相對誤差

圖3為推進速度正向激勵決策樹預測模型預測結果與相對誤差。對于推進速度的預測相對誤差最大值為15.6%，比決策樹預測模型最大誤差值大，因此在最大相對誤差水平上不能用于指導盾構機參數的設置；在平均相對誤差水平上與決策樹預測模型相接近，雖然正向激勵決策樹預測模型最大相對誤差偏大，但相對于決策樹預測模型在局部誤差水平上有所降低，能適應更多數據的誤測而不產生整體誤差偏大的現象。

圖3 推進速度正向激勵模型預測結果與相對誤差

圖4為推進速度的隨機森林預測模型預測結果與相對誤差。從整體上來看，隨機森林預測模型的預測結果曲線更接近于推進速度真實值，隨機森林模型能夠較好地實時預測盾構推進速度。隨機森林模型預測結果的最大誤差發(fā)生在測試集第85環(huán)，為5.05%，遠小于決策樹模型和正向激勵模型，能夠適應較多數據預測要求，從而能夠實時預測指導盾構機參數設置。

圖4 推進速度隨機森林模型預測結果與相對誤差

隨機森林模型平均相對誤差為1.26%，同樣小于決策樹模型與正向激勵模型。從預測結果相對誤差水平上來看，決策樹模型和正向激勵模型預測效果接近，隨機森林模型優(yōu)于前兩者，可以作為盾構機參數自動化控制的一個研究方向，為盾構機參數控制提供參考。

2.4 模型精度分析

為了更好地評價決策樹模型、正向激勵模型和隨機森林模型的預測效果，表3給出了三種模型的準確度（R2）和模型評價指標均方誤差（mean-square error，MSE）與平均絕對誤差（mean-absolute error，MAE）。

式中：yi表示第i環(huán)的實際推進速度，ypi表示i環(huán)預測推進速度，m表示測試集的數量。

由表3可以看到，決策樹模型、正向激勵模型與隨機森林模型準確度均在0.95以上，預測效果較好。此外，三種模型的均方誤差（MSE）分別為0.008、0.006和0.002，平均絕對值誤差（MAE）分別為0.020 0、0.018 6和0.010 0，模型誤差水平較低。

表3 盾構推進速度預測模型精度比較

通過比較發(fā)現，隨機森林預測模型的準確度R2最高且均方誤差（MSE）與平均絕對誤差（MAE）在三者中最低，模型預測精度最高，預測結果具有更高的可信度，可為盾構推進速度設置提供參考。

3 結語

本文依托洛陽地鐵2號線機洛區(qū)間工程，通過采集土壓平衡盾構施工參數，對盾構參數進行處理、分析、建立預測模型，得到以下結論：

1）盾構施工參數中有很多的空白值與異常值，可以通過數據的標準差和算術平均值濾波算法對盾構參數進行處理，得到連續(xù)平滑的數據集；同時，對數據集進行極差標準化處理，更能保持參數量綱的一致性，使其更加適應建模數據的輸入要求。

2）盾構參數之間存在著相互影響規(guī)律，通過計算基尼指數的方法可以得到參數之間的特征重要性指數；本文通過分析計算得到影響盾構推進速度的主要影響因素是盾構機的刀盤轉速（CR）、土倉壓力（SP）和螺旋機轉速（SCR），三者的特征重要性指數之和達到97%以上。

3）決策樹模型、正向激勵模型和隨機森林模型均能有效地預測盾構的推進速度；相比而言，隨機森林模型是三者中預測效果最優(yōu)的模型，能夠根據盾構機實時參數，準確地預測盾構推進速度，能夠在實際盾構施工過程中，為盾構機推進速度的設置提供參考。