李宏波

(1. 盾構(gòu)及掘進(jìn)技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室， 河南 鄭州 450001； 2. 中鐵隧道局集團(tuán)有限公司， 廣東 廣州 511458)

0 引言

全斷面隧道掘進(jìn)機(jī)(tunnel boring machine，TBM)作為隧道施工的大型專用設(shè)備已廣泛用于各類隧道工程建設(shè)，TBM工法已成為長(zhǎng)大深埋隧道建設(shè)的首選工法[1-2]。當(dāng)前，TBM掘進(jìn)參數(shù)的選擇和控制主要依靠主司機(jī)的經(jīng)驗(yàn)來(lái)判斷和調(diào)整；但隧道圍巖地質(zhì)復(fù)雜多變，一旦遭遇突變地質(zhì)，由于沒(méi)有及時(shí)調(diào)整掘進(jìn)參數(shù)和掘進(jìn)方案，極易發(fā)生卡機(jī)，甚至發(fā)生人員傷亡事故。對(duì)TBM掌子面巖體信息的實(shí)時(shí)準(zhǔn)確感知有助于主司機(jī)及時(shí)優(yōu)化調(diào)整掘進(jìn)參數(shù)，對(duì)提高施工效率、規(guī)避工程風(fēng)險(xiǎn)具有重要意義[3]。

TBM掘進(jìn)參數(shù)調(diào)整的本質(zhì)是一個(gè)巖機(jī)互饋感知的過(guò)程。TBM巖機(jī)信息感知和圍巖識(shí)別一直是業(yè)內(nèi)研究的熱點(diǎn)問(wèn)題，在圍巖狀態(tài)識(shí)別技術(shù)研究方面，德國(guó)海瑞克和德國(guó)國(guó)家地球科學(xué)研究中心聯(lián)合開發(fā)了一種用于隧道巖體探測(cè)的集成式探測(cè)系統(tǒng)[4]。香港大學(xué)Yue等[5]和哈斯特帕大學(xué)Kahraman[6]基于地震波場(chǎng)特性分析了基于掘進(jìn)參數(shù)分析的數(shù)字智能鉆機(jī)技術(shù)，用來(lái)快速獲取巖體力學(xué)參數(shù)。朱夢(mèng)琦等[7]基于TBM運(yùn)行數(shù)據(jù)，利用集成CART算法的隨機(jī)森林模型嘗試巖體信息實(shí)時(shí)感知，為TBM智能決策控制平臺(tái)提供參考。李建斌等[8]結(jié)合吉林引松供水工程TBM 3標(biāo)段現(xiàn)場(chǎng)掘進(jìn)數(shù)據(jù),利用k-means方法對(duì)所估計(jì)的巖體力學(xué)參數(shù)進(jìn)行聚類分級(jí)，建立不同圍巖等級(jí)的巖機(jī)數(shù)據(jù)庫(kù)。張娜等[9]采用分步回歸和聚類分析的方法建立巖機(jī)關(guān)系模型，利用監(jiān)測(cè)TBM掘進(jìn)參數(shù)實(shí)時(shí)感知巖石強(qiáng)度、體積節(jié)理數(shù)和圍巖等級(jí)等參數(shù)。李春萍等[10]利用煤巷圍巖分級(jí)的主要5項(xiàng)指標(biāo)(巖石質(zhì)量指標(biāo)RQD、巖石單軸飽和抗壓強(qiáng)度Rw、巖體完整性系數(shù)Kv，結(jié)構(gòu)面強(qiáng)度系數(shù)Kf和地下滲水量W)作為Bayes判別模型判別因子，對(duì)煤巷圍巖實(shí)測(cè)數(shù)據(jù)進(jìn)行分類識(shí)別。崔久華[11]基于巖機(jī)參數(shù)融合理論對(duì)TBM掘進(jìn)效率評(píng)價(jià)及圍巖分級(jí)進(jìn)行了研究。劉鶴等[12]研究了TBM護(hù)盾-圍巖相互作用荷載識(shí)別方法。周翠英等[13]利用巖石特性(RQD、Rw、Kv等)作為分級(jí)指標(biāo)，運(yùn)用了改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法、高斯過(guò)程機(jī)器學(xué)習(xí)等方法對(duì)圍巖進(jìn)行分級(jí)和預(yù)測(cè)。

在巖體信息感知特別是圍巖識(shí)別方法研究方面，盡管國(guó)內(nèi)外機(jī)構(gòu)和部分學(xué)者結(jié)合室內(nèi)試驗(yàn)和工程現(xiàn)場(chǎng)掘進(jìn)參數(shù)，從新型探測(cè)技術(shù)、圍巖判別模型進(jìn)行了試驗(yàn)研究及理論分析建模，但這些模型的建立大多基于巖體本身物理參數(shù)進(jìn)行聚類分級(jí)和依據(jù)已知掘進(jìn)參數(shù)對(duì)掘進(jìn)參數(shù)的預(yù)測(cè)上，不能用于實(shí)時(shí)預(yù)測(cè)圍巖級(jí)別。為探究TBM掘進(jìn)主控參量和圍巖關(guān)系，實(shí)現(xiàn)巖機(jī)信息互饋感知、動(dòng)態(tài)調(diào)整TBM掘進(jìn)參數(shù)的目的。本文在深入挖掘TBM掘進(jìn)過(guò)程巖機(jī)參數(shù)的基礎(chǔ)上，建立了一種基于自組織神經(jīng)網(wǎng)絡(luò)聚類和最小二乘支持向量機(jī)相結(jié)合來(lái)反演預(yù)測(cè)識(shí)別圍巖的新方法。通過(guò)試驗(yàn)和工程數(shù)據(jù)驗(yàn)證，證實(shí)該方法預(yù)測(cè)精度高、魯棒性好。

1 圍巖等級(jí)預(yù)測(cè)模型

1.1 自組織神經(jīng)網(wǎng)絡(luò)聚類

自組織神經(jīng)網(wǎng)絡(luò)聚類(self-organizing maps，SOM)由芬蘭學(xué)者Kohonen提出，主要應(yīng)用于工程學(xué)。該方法以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)進(jìn)行數(shù)據(jù)挖掘，它能從復(fù)雜、海量數(shù)據(jù)中探索和發(fā)現(xiàn)數(shù)據(jù)隱藏的內(nèi)在規(guī)律[14]。SOM可將高維數(shù)據(jù)間非線性統(tǒng)計(jì)關(guān)系轉(zhuǎn)化成神經(jīng)元二維模型，并保證數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)不變，把含義相似或者相近的數(shù)據(jù)信息歸納輸入映射到最近輸出節(jié)點(diǎn)。SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的最根本特征是競(jìng)爭(zhēng)機(jī)制，優(yōu)勢(shì)的神經(jīng)元權(quán)重朝著更有利于它競(jìng)爭(zhēng)的方向調(diào)整。即以獲勝神經(jīng)元為圓心，對(duì)近鄰的神經(jīng)元表現(xiàn)出興奮性反饋，對(duì)遠(yuǎn)鄰的神經(jīng)元表現(xiàn)出抑制性反饋。該算法除具有一般神經(jīng)網(wǎng)絡(luò)優(yōu)勢(shì)外，還可以同時(shí)修正神經(jīng)元附近鄰域內(nèi)所有神經(jīng)元。SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

設(shè)輸入層數(shù)據(jù)樣本為T=[t1,t2,…,tn]T，n為數(shù)據(jù)維數(shù)，輸出層由一系列低維網(wǎng)格上的有序節(jié)點(diǎn)組成。每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)權(quán)矢量mi=[mi1,mi2,…,min]T，數(shù)據(jù)通過(guò)不斷訓(xùn)練自適應(yīng)調(diào)整，逐漸收斂到樣本空間子集中心，獲得初始樣本中心。

首先，將樣本數(shù)據(jù)及連接向量歸一化，將網(wǎng)絡(luò)連接權(quán)重及其鄰域初始化，計(jì)算樣本tk與每個(gè)輸出節(jié)點(diǎn)權(quán)矢量mi的間距，將與樣本tk距離最近的節(jié)點(diǎn)作為輸入樣本的最佳匹配節(jié)點(diǎn)，記為mc。

‖tk-mc‖=min{‖tk-mi‖}(i=1,2,…,n)。

(1)

然后，定義最佳匹配單元C的拓?fù)溧徲騈c，以C為中心確定t時(shí)優(yōu)勝領(lǐng)域Nc(t)，更新節(jié)點(diǎn)C及其領(lǐng)域節(jié)點(diǎn)權(quán)值；最后，輸入tk+1樣本，返回初始領(lǐng)域進(jìn)行訓(xùn)練，直至達(dá)到預(yù)設(shè)訓(xùn)練長(zhǎng)度。

1.2 最小二乘支持向量機(jī)

基于掘進(jìn)參量反演預(yù)測(cè)識(shí)別圍巖的過(guò)程可看成是一個(gè)非線性回歸問(wèn)題求解的過(guò)程，支持向量機(jī)(support vector machine，SVM)作為一種經(jīng)典非線性回歸求解方法，通過(guò)非線性映射將輸入數(shù)據(jù)投影到高維特征空間，可以將低維非線性回歸問(wèn)題轉(zhuǎn)化為高維特征空間線性回歸問(wèn)題[14-15]。

將獲取的巖機(jī)數(shù)據(jù)樣本從低維映射到多維特征空間,在高維特征空間中構(gòu)造最優(yōu)決策函數(shù)f(x)，將非線性估計(jì)函數(shù)轉(zhuǎn)化為高維特征空間中的線性估計(jì)函數(shù)，利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化函數(shù)R尋找權(quán)矢量ω和偏差量d。

f(x)=ωTφ(x)+d。

(2)

(3)

(4)

yk=ωTφ(xk)+d+e，k=1,2,…,N。

(5)

式(4)—(5)中： 權(quán)矢量ω∈Rn； 誤差量e∈R； 損失函數(shù)J是誤差項(xiàng)和正規(guī)化參數(shù)累積之和；γ為可調(diào)常數(shù)；yk為約束函數(shù)；N為數(shù)據(jù)庫(kù)樣本容量。用拉格朗日函數(shù)表示為：

ek-yk}。

(6)

拉格朗日乘子?k∈R，分別求對(duì)ω,d,e,α的偏導(dǎo)數(shù)。

(7)

消去變量ω和e得矩陣方程：

(8)

βkl=φ(xk)Tφ(xl)=K(xk,xl)。

(9)

式中：β為核函數(shù)矩陣；βkl為第k列l(wèi)行元素；K為核函數(shù)，常用核函數(shù)有多項(xiàng)式核、高斯RBF(riadial basis function)徑向基核、線性核，本文研究重點(diǎn)選用高斯徑向基核RBF開展圍巖判識(shí)。

(10)

由式(8)可得a和d，進(jìn)而求出ω。得出最小二乘支持向量機(jī)的函數(shù)估計(jì)為：

(11)

1.3 算法流程

基于掘進(jìn)參量反演的TBM巖機(jī)數(shù)據(jù)挖掘其核心在于通過(guò)破巖掘進(jìn)參量反演識(shí)別圍巖。結(jié)合標(biāo)準(zhǔn)破巖試驗(yàn)數(shù)據(jù)和工程數(shù)據(jù)深入挖掘巖機(jī)敏感參量，探究TBM掘進(jìn)參量和圍巖關(guān)系，通過(guò)這些巖機(jī)敏感參量作為本文建立的自組織神經(jīng)網(wǎng)絡(luò)聚類和最小二乘支持向量機(jī)圍巖識(shí)別模型(SOM-SVM)輸入?yún)?shù)來(lái)反演識(shí)別圍巖等級(jí)，感知掌子面圍巖狀況，進(jìn)而輔助指導(dǎo)TBM操作人員合理設(shè)定掘進(jìn)參數(shù)。模型算法主要步驟如下：

1)獲取TBM掘進(jìn)主控參量，數(shù)據(jù)歸一化處理，消除量綱，獲得無(wú)量綱參數(shù)。

2)數(shù)據(jù)清洗，去除主控參量異常樣本點(diǎn)，獲得SOM-SVM圍巖識(shí)別模型數(shù)據(jù)訓(xùn)練集和測(cè)試樣本集。

3)獲得巖機(jī)敏感參量，計(jì)算推力切深指數(shù)FPI，轉(zhuǎn)矩旋轉(zhuǎn)切深指數(shù)TPI作為SOM-SVM圍巖識(shí)別模型輸入?yún)⒘俊?/p>

4)對(duì)處理好的FPI和TPI參數(shù)序列進(jìn)行自組織映射神經(jīng)網(wǎng)絡(luò)聚類(SOM)，確定初始聚類中心。

5)選擇高斯徑向基核函數(shù)，利用最小二乘支持向量機(jī)優(yōu)化函數(shù)，交叉驗(yàn)證選擇最優(yōu)參數(shù)。

6)去除SOM神經(jīng)網(wǎng)絡(luò)初始聚類中心，對(duì)所有樣本最小二乘支持向量回歸模型SVM進(jìn)行訓(xùn)練。

7)以預(yù)測(cè)點(diǎn)的前一個(gè)中心點(diǎn)作為SOM-SVM的輸入,計(jì)算獲得識(shí)別分類結(jié)果。

2 試驗(yàn)設(shè)計(jì)

2.1 試驗(yàn)設(shè)置

開展基于巖機(jī)互饋感知TBM標(biāo)準(zhǔn)破巖試驗(yàn)研究，通過(guò)掘進(jìn)參量、巖石強(qiáng)度、破巖效果的關(guān)系研究，獲取穩(wěn)態(tài)掘進(jìn)最佳破巖效果下，掘進(jìn)參量和巖石強(qiáng)度等級(jí)的映射關(guān)系，構(gòu)建巖機(jī)映射標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)，驗(yàn)證SOM-SVM圍巖識(shí)別模型。擬選用試驗(yàn)設(shè)備為TBM模態(tài)掘進(jìn)試驗(yàn)平臺(tái)，見圖2。試驗(yàn)所用試樣參考《鐵路隧道設(shè)計(jì)規(guī)范》對(duì)隧道圍巖等級(jí)的劃分和定義,以單軸飽和抗壓強(qiáng)度Rc為指標(biāo)；巖樣采用從工程現(xiàn)場(chǎng)獲取和試驗(yàn)配置相結(jié)合的方法近似獲取Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ級(jí)圍巖；配制巖樣按照TBM模態(tài)掘進(jìn)試驗(yàn)平臺(tái)巖箱尺寸(如圖3所示)，每種樣式加工2塊，共加工4塊。加工后巖樣如圖4所示，然后進(jìn)行拼接填充至TBM模態(tài)掘進(jìn)試驗(yàn)平臺(tái)的巖箱，中間縫隙用混凝土填充。

①巖箱； ②刀盤； ③推進(jìn)油缸； ④皮帶出碴機(jī)； ⑤控制柜； ⑥滾刀； ⑦掌子面。

圖3 巖樣加工樣式(單位: mm)

圖4 試驗(yàn)巖樣

基于TBM模態(tài)掘進(jìn)試驗(yàn)平臺(tái)，開展巖機(jī)互饋感知TBM標(biāo)準(zhǔn)破巖試驗(yàn)研究，探尋已知圍巖等級(jí)、最優(yōu)破巖效果下掘進(jìn)參數(shù)內(nèi)在關(guān)聯(lián)性，構(gòu)建巖機(jī)映射標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)，進(jìn)而選擇標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)數(shù)據(jù)對(duì)圍巖識(shí)別模型進(jìn)行訓(xùn)練和驗(yàn)證。破巖過(guò)程中掘進(jìn)主控參數(shù)的設(shè)置主要為刀盤轉(zhuǎn)速和推進(jìn)速度，設(shè)定好刀盤轉(zhuǎn)速n和推進(jìn)速度v，啟動(dòng)刀盤開始掘進(jìn)。經(jīng)過(guò)固定掘進(jìn)時(shí)間t后，將破碎后的巖渣收集并稱重篩分，通過(guò)正交試驗(yàn)分別獲取穩(wěn)態(tài)掘進(jìn)下標(biāo)準(zhǔn)主控參量。比能是作為衡量破巖效率的關(guān)鍵指標(biāo)，通過(guò)比能計(jì)算(式(12))，曲線擬合獲取的破巖比能曲線如圖5所示。通過(guò)破巖載荷、破巖比能評(píng)估破巖效果，獲取已知圍巖等級(jí)，最優(yōu)破巖效果下掘進(jìn)主控參量。

(12)

式中：W為滾刀做功；V為破巖體積；Fv為推力平均值；l為滾刀破巖切割巖體長(zhǎng)度。試驗(yàn)破巖比能曲線如圖5所示。

圖5 破巖比能曲線

通過(guò)標(biāo)準(zhǔn)破巖試驗(yàn)和比能計(jì)算發(fā)現(xiàn)S/P在26時(shí)破巖效果最佳，能耗最低，破巖效率最高。因此，可以在TBM標(biāo)準(zhǔn)破巖試驗(yàn)中，針對(duì)不同級(jí)別圍巖以26為標(biāo)尺提取600組標(biāo)準(zhǔn)樣本數(shù)據(jù)，其中500組數(shù)據(jù)作為SOM-SVM圍巖預(yù)測(cè)識(shí)別模型訓(xùn)練數(shù)據(jù)，100組數(shù)據(jù)作為圍巖預(yù)測(cè)識(shí)別模型測(cè)試數(shù)據(jù)對(duì)模型的準(zhǔn)確性進(jìn)行驗(yàn)證。

2.2 數(shù)據(jù)處理

基于自組織神經(jīng)網(wǎng)絡(luò)聚類和最小二乘支持向量機(jī)相結(jié)合的圍巖預(yù)測(cè)識(shí)別模型(SOM-SVM)準(zhǔn)確與否同模型輸入數(shù)據(jù)關(guān)聯(lián)性很大。為了保證圍巖識(shí)別的準(zhǔn)確性，需要對(duì)獲得的TBM巖機(jī)數(shù)據(jù)進(jìn)行前置處理，一方面，進(jìn)行數(shù)據(jù)清洗去除主控參量異常樣本點(diǎn)，盡可能排除干擾樣本點(diǎn)對(duì)圍巖識(shí)別模型的影響；另一方面，需要尋找圍巖影響敏感參量，通過(guò)獲得巖機(jī)敏感參量作為模型輸入，達(dá)到準(zhǔn)確的圍巖識(shí)別效果。

通過(guò)對(duì)TBM掘進(jìn)數(shù)據(jù)分析，一個(gè)完整的TBM掘進(jìn)循環(huán)可分為空推段、上升段和穩(wěn)定段，如圖6所示。

圖6 TBM完整掘進(jìn)循環(huán)

這些數(shù)據(jù)包含了掘進(jìn)過(guò)程有效數(shù)據(jù)和異常數(shù)據(jù)，為了獲取準(zhǔn)確的模型輸入數(shù)據(jù)，減少干擾樣本的影響，對(duì)TBM掘進(jìn)數(shù)據(jù)進(jìn)行深入挖掘，分別采用二值判別函數(shù)和概率密度分布統(tǒng)計(jì)方法排除干擾樣本的影響。

通過(guò)二值判別函數(shù)法去除TBM掘進(jìn)循環(huán)空推段和異常樣本0值數(shù)據(jù)影響。通過(guò)對(duì)推力F、推進(jìn)速度v、刀盤轉(zhuǎn)矩T、刀盤轉(zhuǎn)速n等數(shù)值來(lái)判定TBM是否處于工作狀態(tài)，二值判別函數(shù)如式(13)—(15)所示。

(13)

S=f(F)f(v)f(T)f(n)；

(14)

(15)

當(dāng)任何一個(gè)掘進(jìn)參量為0時(shí)，二值狀態(tài)判別函數(shù)S等于0，則該數(shù)據(jù)記錄為裝備無(wú)效數(shù)據(jù)，應(yīng)予以剔除。二值判別函數(shù)主要消除空推段和0值數(shù)據(jù)樣本的影響。

通過(guò)對(duì)主要掘進(jìn)參量進(jìn)行分布統(tǒng)計(jì)，可以發(fā)現(xiàn)推力、轉(zhuǎn)矩及推進(jìn)速度近似服從正態(tài)分布統(tǒng)計(jì)，如圖7—9所示。為了保證后期測(cè)試樣本的準(zhǔn)確性，選取正態(tài)分布比較集中的數(shù)據(jù)點(diǎn)進(jìn)行分析，即穩(wěn)態(tài)掘進(jìn)數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練測(cè)試。

圖7 推力分布統(tǒng)計(jì)

圖8 轉(zhuǎn)矩分布統(tǒng)計(jì)

圖9 推進(jìn)速度分布統(tǒng)計(jì)

依據(jù)概率密度定義，當(dāng)樣本服從正態(tài)分布時(shí)，數(shù)據(jù)樣本距離平均值3倍標(biāo)準(zhǔn)差以外的數(shù)據(jù)點(diǎn)可認(rèn)為是小概率事件，即當(dāng)P(|x-μ|>3σ)≤0.03屬于小概率事件。在[μ-3σ,μ+3σ]之外的數(shù)據(jù)樣本點(diǎn)為異常樣本點(diǎn)。概率密度法主要去除TBM掘進(jìn)循環(huán)上升段數(shù)據(jù)，進(jìn)而獲得穩(wěn)態(tài)掘進(jìn)數(shù)據(jù)。

2.3 數(shù)據(jù)分析

通過(guò)二值判別函數(shù)和概率密度法獲得標(biāo)準(zhǔn)巖機(jī)數(shù)據(jù)后。以單位貫入度下的總推進(jìn)力作為推力切深指數(shù)FPI，單位貫入度下的轉(zhuǎn)矩作為刀盤轉(zhuǎn)矩旋轉(zhuǎn)切深指數(shù)TPI，分別計(jì)算推力切深指數(shù)FPI和刀盤轉(zhuǎn)矩旋轉(zhuǎn)切深指數(shù)TPI，見式(16)—(17)。FPI和TPI的物理意義是可以直觀反映隧道巖石掘進(jìn)的難易程度。

(16)

(17)

以推力切深指數(shù)FPI、刀盤轉(zhuǎn)矩旋轉(zhuǎn)切深指數(shù)TPI為巖機(jī)敏感參數(shù)作為SOM-SVM圍巖識(shí)別模型的輸入?yún)?shù)。針對(duì)已知破巖效果和圍巖級(jí)別標(biāo)準(zhǔn)破巖數(shù)據(jù)各選擇600組數(shù)據(jù)，其中500組數(shù)據(jù)作為SOM-SVM圍巖預(yù)測(cè)識(shí)別模型訓(xùn)練數(shù)據(jù)，100組數(shù)據(jù)作為SOM-SVM圍巖預(yù)測(cè)識(shí)別模型測(cè)試數(shù)據(jù)對(duì)模型的準(zhǔn)確性進(jìn)行驗(yàn)證。通過(guò)SOM自組織神經(jīng)網(wǎng)絡(luò)聚類方法可以得出不同級(jí)別圍巖FPI和TPI初始聚類中心點(diǎn)，如表1所示。SOM-SVM圍巖預(yù)測(cè)識(shí)別模型樣本訓(xùn)練數(shù)據(jù)聚類如圖10所示。

通過(guò)數(shù)據(jù)樣本訓(xùn)練可以發(fā)現(xiàn)圍巖等級(jí)越高，樣本數(shù)據(jù)收斂性越好，進(jìn)一步以FPI和TPI同圍巖等級(jí)進(jìn)行數(shù)據(jù)擬合，如圖11—12所示，可知圍巖等級(jí)同推力切深指數(shù)FPI、轉(zhuǎn)矩旋轉(zhuǎn)切深指數(shù)TPI近似符合線性關(guān)系。圍巖等級(jí)同推力切深指數(shù)FPI線性擬合斜率為167，圍巖等級(jí)同轉(zhuǎn)矩旋轉(zhuǎn)切深指數(shù)TPI線性擬合斜率為40，進(jìn)一步驗(yàn)證了FPI和TPI可以作為反映圍巖級(jí)別的敏感因子。

表1 SOM神經(jīng)網(wǎng)絡(luò)聚類中心

圖10 SOM-SVM樣本訓(xùn)練

圖11 圍巖等級(jí)值和FPI擬合關(guān)系

在利用SOM-SVM圍巖預(yù)測(cè)識(shí)別模型中選擇不同的SVM核函數(shù)可以得到不同的預(yù)測(cè)效果，分別將線性核、多項(xiàng)式核、高斯徑向基核函數(shù)作為SVM核函數(shù)代入模型，不同核函數(shù)圍巖識(shí)別的準(zhǔn)確率如表2所示。發(fā)現(xiàn)SOM-SVM圍巖預(yù)測(cè)識(shí)別模型圍巖級(jí)別越高，樣本點(diǎn)越收斂，SOM-SVM樣本測(cè)試如圖13所示。線性核、多項(xiàng)式核、高斯徑向基核函數(shù)圍巖綜合識(shí)別率分別為70.8%、81.2%、87.6%。

圖12 圍巖等級(jí)值和TPI擬合關(guān)系

表2 不同的核函數(shù)圍巖識(shí)別準(zhǔn)確率

圖13 SOM-SVM樣本測(cè)試

從表2和圖13可以發(fā)現(xiàn)選用高斯徑向基核函數(shù)效果明顯高于線性核、多項(xiàng)式核函數(shù)，且圍巖識(shí)別準(zhǔn)確率在83%以上。因此，選取高斯徑向基核函數(shù)為圍巖識(shí)別模型的基核函數(shù)對(duì)圍巖進(jìn)行識(shí)別。

3 工程驗(yàn)證

為進(jìn)一步驗(yàn)證SOM-SVM圍巖預(yù)測(cè)識(shí)別模型的準(zhǔn)確性，以新疆某引水工程TBM實(shí)際掘進(jìn)參數(shù)對(duì)模型進(jìn)行驗(yàn)證分析，該工程采用TBM掘進(jìn)。掘進(jìn)段穿過(guò)石炭系、泥盆系和華力西期3大地層，石炭系地層巖性主要為安山巖與硅質(zhì)巖，巖體呈巨厚層狀，局部含凝灰質(zhì)砂巖。該標(biāo)段圍巖多樣，Ⅱ、Ⅲ、Ⅳ圍巖占比分別為35.6%、40.8%、11.2%，部分地層巖性參數(shù)如表3所示。

表3 地層巖性參數(shù)

針對(duì)典型圍巖掘進(jìn)段選取掘進(jìn)參數(shù)利用二值判別函數(shù)和概率密度法去除異常干擾樣本點(diǎn)，獲得穩(wěn)態(tài)掘進(jìn)巖機(jī)數(shù)據(jù)樣本。針對(duì)每組圍巖數(shù)據(jù)樣本選擇1 500個(gè)數(shù)據(jù)樣本作為訓(xùn)練集，600個(gè)數(shù)據(jù)樣本作為測(cè)試集，進(jìn)行圍巖預(yù)測(cè)識(shí)別。基核函數(shù)選取高斯徑向基核函數(shù)，針對(duì)Ⅱ、Ⅲ、Ⅳ級(jí)別圍巖，利用SOM-SVM圍巖識(shí)別模型數(shù)據(jù)訓(xùn)練集和測(cè)試樣本集如表4和圖14—16所示。

表4 模型圍巖識(shí)別

圖14 Ⅱ級(jí)圍巖識(shí)別聚類圖

圖15 Ⅲ級(jí)圍巖識(shí)別聚類圖

圖16 Ⅳ級(jí)圍巖識(shí)別聚類圖

利用SOM-SVM圍巖識(shí)別模型算法，對(duì)工程實(shí)際數(shù)據(jù)進(jìn)行分析，同標(biāo)準(zhǔn)破巖試驗(yàn)數(shù)據(jù)相比，初始聚類中心和收斂半徑有一定變化，收斂半徑可反映巖機(jī)敏感因子推力切深指數(shù)FPI和刀盤轉(zhuǎn)矩旋轉(zhuǎn)切深指數(shù)TPI的波動(dòng)范圍，標(biāo)準(zhǔn)試驗(yàn)樣本Ⅱ、Ⅲ、Ⅳ級(jí)圍巖收斂半徑分別為85、85、55，工程數(shù)據(jù)樣本圍巖訓(xùn)練收斂半徑分別為95、93、63。原因在于實(shí)際工程掘進(jìn)數(shù)據(jù)更為復(fù)雜，數(shù)據(jù)樣本量多，去除干擾樣本獲取穩(wěn)態(tài)掘進(jìn)數(shù)據(jù)更難。但通過(guò)本模型依然可獲得較好的圍巖識(shí)別率，Ⅱ、Ⅲ、Ⅳ級(jí)圍巖識(shí)別準(zhǔn)確率分別為88%、84%、79%，這些認(rèn)識(shí)與成果對(duì)TBM掘進(jìn)參數(shù)優(yōu)化、圍巖識(shí)別、風(fēng)險(xiǎn)預(yù)警有著重要意義，可為后續(xù)基于數(shù)據(jù)挖掘的TBM智能決策控制技術(shù)研究提供一些參考。

4 結(jié)論與建議

1)經(jīng)過(guò)標(biāo)準(zhǔn)破巖試驗(yàn)樣本數(shù)據(jù)及工程現(xiàn)場(chǎng)數(shù)據(jù)驗(yàn)證，本文建立的基于自組織神經(jīng)網(wǎng)絡(luò)聚類和最小二乘支持向量機(jī)相結(jié)合的圍巖等級(jí)預(yù)測(cè)識(shí)別方法可以實(shí)現(xiàn)圍巖等級(jí)的預(yù)測(cè)識(shí)別，預(yù)測(cè)精度高、魯棒性好。

2)推力切深指數(shù)和刀盤轉(zhuǎn)矩旋轉(zhuǎn)切深指數(shù)可反映隧道巖石掘進(jìn)難易程度，F(xiàn)PI、TPI和圍巖等級(jí)近似呈線性關(guān)系，可以用該參量作為巖機(jī)參數(shù)敏感因子反演預(yù)測(cè)識(shí)別圍巖等級(jí)。

3)異常干擾數(shù)據(jù)樣本點(diǎn)的預(yù)處理是保證圍巖等級(jí)預(yù)測(cè)模型準(zhǔn)確的關(guān)鍵，采用二值判別函數(shù)和概率密度相結(jié)合去除干擾異常數(shù)據(jù)，可獲取可靠度較高的穩(wěn)態(tài)掘進(jìn)數(shù)據(jù)。

4)試驗(yàn)圍巖等級(jí)主要參考《鐵路隧道設(shè)計(jì)規(guī)范》對(duì)隧道圍巖等級(jí)的劃分，結(jié)合單軸飽和抗壓強(qiáng)度指標(biāo)，工程現(xiàn)場(chǎng)取樣及相似巖樣配制近似獲得，但圍巖等級(jí)是多參量影響的結(jié)果，這也是本文的局限性之一，后續(xù)可以從其他巖體力學(xué)參數(shù)方面試驗(yàn)，進(jìn)一步對(duì)本模型進(jìn)行優(yōu)化研究。

5)掌子面巖體信息的實(shí)時(shí)準(zhǔn)確感知有助于TBM主司機(jī)及時(shí)優(yōu)化調(diào)整掘進(jìn)參數(shù)，以提高施工效率，規(guī)避工程風(fēng)險(xiǎn)，而如何將該模型算法集成到TBM智能決策控制平臺(tái)，實(shí)時(shí)反演數(shù)據(jù)，輔助主司機(jī)決策是后續(xù)研究的重點(diǎn)方向。