王湘怡，周小雄,2，盧建煒，龔秋明

(1.北京工業(yè)大學城市防災與減災教育部重點實驗室，北京 100124； 2.清華大學水沙科學與水利水電工程國家重點實驗室，北京 100084)

0 引言

TBM作為一種用于隧道開挖的大型機械，已被廣泛應用于國內外長大隧道建設中[1]。近年來，我國隧道開發(fā)不斷向深部發(fā)展，越來越多的工程地質問題也逐漸浮現(xiàn)。巖爆是一種在高地應力地區(qū)、硬脆性巖體中進行開挖時常見的地質災害。巖爆的發(fā)生輕則影響工程進度，嚴重時會威脅施工人員生命安全，因此，對TBM隧道巖爆預測展開研究具有重要的工程意義[2]。

目前，關于巖爆預測方法的研究可大致分為3類[3]：①基于巖爆發(fā)生機理的巖爆判據(jù)預測方法，如Turchaninov判據(jù)[4]、Barton判據(jù)[5]、Russenes判據(jù)[6]、Hoek判據(jù)[7]等；②基于巖爆影響因素的綜合預測方法，如馮夏庭[8]、陳海軍等[9]、張樂文等[10]、田睿等[11]、李明亮等[12]、高磊等[13]均使用人工智能技術，綜合眾多影響因素對巖爆進行預測；③基于現(xiàn)場實測數(shù)據(jù)的預測方法，如豐光亮等[14]、張海云[15]、于群等[16]在錦屏二級水電站項目中應用微震法對隧洞巖爆進行了預測。然而第①類方法以回歸模型為基礎，擬合度不夠，無法精確判定巖爆；第②類方法的控制參數(shù)與隧道實際地質參數(shù)存在誤差，無法準確反映整條隧道地質情況；第③類方法主要針對鉆爆法隧道提出，由于TBM施工隧道刀盤環(huán)境的封閉性和電磁信號干擾，實時監(jiān)測技術難以實施。

對于TBM隧道，TBM上各部分傳感器獲取的海量數(shù)據(jù)，通過使用機器學習方法，可很好地對其中蘊藏的豐富信息進行挖掘。目前，基于TBM數(shù)據(jù)驅動的建模方法在掘進參數(shù)預測[17-21]和巖體條件預測模型[22-26]建立方面已有許多研究，但對于巖爆預測領域來說，目前仍為空白。TBM掘進數(shù)據(jù)的變化是巖機相互作用的體現(xiàn)，從TBM實時數(shù)據(jù)的變化中可分析得到掌子面及周圍巖體變化信息。當掌子面前方發(fā)生巖爆時，TBM收集到的實時掘進數(shù)據(jù)也會隨之發(fā)生改變，對其產(chǎn)生響應。Lu等[27]的研究表明，在不同類別巖爆條件下，TBM掘進參數(shù)呈現(xiàn)不同變化特征，這也說明通過實時掘進參數(shù)特征預測巖爆具有可能性。TBM掘進數(shù)據(jù)有實時性、連續(xù)性特點，將TBM收集的掘進參數(shù)作為模型輸入，可建立實時巖爆預測模型，對TBM隧道的巖爆預測有著重要的工程應用價值。

本文從TBM掘進數(shù)據(jù)出發(fā)，首先對現(xiàn)場巖爆數(shù)據(jù)與TBM數(shù)據(jù)進行預處理，構建粗粒度數(shù)據(jù)集。為提高數(shù)據(jù)集質量，定義局部標準差指標篩選出精確巖爆區(qū)間，構建細粒度數(shù)據(jù)集?；?種機器學習模型，以TBM推力、扭矩、貫入度數(shù)據(jù)的時域特征參數(shù)作為輸入，巖爆烈度等級作為輸出，建立TBM隧道掘進巖爆預測模型。

1 依托工程及數(shù)據(jù)庫

1.1 工程概況

陜西省引漢濟渭工程為明流輸水隧洞，是陜西省針對關中地區(qū)嚴重缺水情況規(guī)劃的省內南水北調三條跨流域調水工程之一。引漢濟渭工程包括輸配水工程與調水工程。輸配水工程由南干線、過渭干線、渭北東干線和渭北西干線組成，調水工程由蓄水水庫和秦嶺隧洞組成。其中秦嶺隧洞全長約81.78km，TBM法施工長度為39.082km，鉆爆法施工長度為42.697km。嶺南段位于陜西省寧陜縣，采用Robbins公司生產(chǎn)的1臺刀盤直徑為8.05m的敞開式TBM，TBM主要設備參數(shù)如表1所示。

表1 TBM主要設備參數(shù)

引漢濟渭工程秦嶺隧洞嶺南工程的TBM施工段為樁號K30+978 — K35+763區(qū)段，位于蘿卜峪溝至四面溝，巖性以花崗巖、閃長巖為主，干抗壓強度為40～113MPa。經(jīng)F7斷層及不整合接觸帶，巖體受斷層及不整合接觸帶的作用小。圍巖內主要發(fā)育有1組節(jié)理，巖體呈整體或塊狀結構。圍巖類別以Ⅱ，Ⅲ類為主，斷層影響帶為Ⅲ，Ⅳ類圍巖，地下水為弱富水段。對該區(qū)段內的現(xiàn)場巖爆數(shù)據(jù)及TBM掘進數(shù)據(jù)進行數(shù)據(jù)預處理，構建巖爆預測數(shù)據(jù)集。嶺南段地質剖面如圖1所示。

圖1 引漢濟渭工程嶺南段地質剖面

1.2 巖爆數(shù)據(jù)預處理

巖爆現(xiàn)場記錄數(shù)據(jù)包括掘進始末樁號、描述始末樁號、埋深、圍巖等級、巖性、巖爆強度描述、圍巖完整性、節(jié)理發(fā)育、地下水、巖爆發(fā)生現(xiàn)象及爆坑深度在內的13個指標信息。巖爆數(shù)據(jù)由施工人員在現(xiàn)場通過觀察記錄所得，當現(xiàn)場有巖爆發(fā)生時，施工人員將發(fā)生日期、發(fā)生處所對應的樁號范圍、發(fā)生現(xiàn)象及爆坑深度記錄在冊。

采用GB 50287—2016《水力發(fā)電工程地質勘察規(guī)范》[28]，以影響深度作為量化指標，對引漢濟渭嶺南段巖爆烈度進行等級劃分，分級標準如表2所示。由于巖爆記錄中影響深度為0～3m，無對應于極強巖爆的現(xiàn)象發(fā)生，因此區(qū)段內涉及的巖爆僅包含輕微巖爆、中等巖爆和強烈?guī)r爆。本文以0，1，2，3分別代表無巖爆、輕微巖爆、中等巖爆及強烈?guī)r爆。

表2 巖爆烈度分級標準

現(xiàn)場返回的巖爆記錄數(shù)據(jù)中存在較多缺失情況，如記錄有巖爆現(xiàn)象的數(shù)據(jù)中描述樁號缺少起始值或結束值甚至全部缺失的情況，需對缺失或有明顯錯誤的描述樁號進行補充或修正。巖爆數(shù)據(jù)中共有551條記錄，其中311條數(shù)據(jù)有巖爆現(xiàn)象描述。311條巖爆數(shù)據(jù)中87處巖爆無對應的起始及結束樁號，21處巖爆有起始樁號無結束樁號，1處巖爆有結束樁號無起始樁號。對208條巖爆描述始、末樁號齊全的記錄進行統(tǒng)計，可知掘進樁號與巖爆起始樁號差值平均值為6.26m，巖爆段長度平均值為3.20m。因此，將87處巖爆起始空值填充為：掘進起始樁號-6.26m，巖爆結束空值填充為：巖爆起始樁號+3.20m；21處巖爆結束空值填充為：巖爆起始樁號+3.20m；1處巖爆起始空值填充為：巖爆結束樁號-3.20m。

經(jīng)過空值補充后的巖爆描述樁號存在前后巖爆記錄重疊甚至覆蓋的現(xiàn)象。對于出現(xiàn)覆蓋情況的6條記錄，選擇刪除較短長度的巖爆記錄；對于出現(xiàn)重疊現(xiàn)象的16條記錄，選擇將后序記錄起始值修改為前序記錄結束值。經(jīng)過以上處理后，得到361段巖爆記錄，利用其始、末描述樁號，對非巖爆段樁號進行補全，得到324段非巖爆記錄。最終樁號K30+978—K35+763區(qū)段內共劃分為685個區(qū)間。

一要牢固樹立以人為本、人水和諧的理念，加快從供水管理向需水管理轉變，從開發(fā)利用為主向開發(fā)保護并重轉變，從粗放低效利用向節(jié)約高效利用轉變，從注重行政管理向綜合管理轉變，推動經(jīng)濟社會發(fā)展與水資源、水環(huán)境承載能力相協(xié)調。

1.3 TBM掘進數(shù)據(jù)預處理

TBM的各子系統(tǒng)配置了大量傳感器，在掘進過程中可實時收集海量數(shù)據(jù)。引漢濟渭嶺南段TBM數(shù)據(jù)采集頻率為0.2Hz，即每5s有201個TBM參數(shù)數(shù)據(jù)寫入，主要參數(shù)包括刀盤推力、扭矩、貫入度、刀盤轉速、電源電壓、推進油缸壓力及電機平均電流等。

TBM掘進參數(shù)是巖機相互作用的反映，具有實時性和連續(xù)性，一段連續(xù)的掘進參數(shù)代表著多組巖機相互作用狀態(tài)，可用于巖體條件的感知。TBM的記錄數(shù)據(jù)雖然在時間上連續(xù)，但其中存在大量停機和空推數(shù)據(jù)，需要從中篩選出有效掘進循環(huán)段數(shù)據(jù)。通過推力、扭矩和貫入度3個指標，對每個時刻是否TBM處于掘進狀態(tài)進行判定。只有同時滿足推力和扭矩均>0且貫入度≤60mm/r，才可認定TBM處于掘進狀態(tài)，否則判定為空推或停機狀態(tài)。對于1個掘進步，其對應1組連續(xù)的掘進狀態(tài)時間段，因此可將已判定為掘進狀態(tài)的數(shù)據(jù)分成多個步進。若掘進時長>600s，則視為有效步進。經(jīng)過以上判定，共提取了2 887個有效掘進步。

通過樁號將巖爆區(qū)間與TBM掘進數(shù)據(jù)進行匹配，生成3 493個掘進段。以30條TBM掘進數(shù)據(jù)即對應時間長度為150s的數(shù)據(jù)作為1個樣本，在 3 493 個文件中進行提取，每個文件以其最大容許量進行不重疊抽取，分別得到20 850個樣本。每個樣本中的刀盤推力、扭矩、貫入度，與其對應的巖爆烈度共同組成粗粒度數(shù)據(jù)集。

樣本中的TBM掘進數(shù)據(jù)為時序數(shù)據(jù)，對其進行時域特征參數(shù)提取可進一步分析TBM參數(shù)數(shù)據(jù)在時空維度所蘊含的巖機作用信息。使用的11個時域特征參數(shù)計算公式分別如式(1)～(11)所示。

(1)

(2)

(3)

(4)

p5=max|x(n)|

(5)

(6)

(7)

(8)

(9)

(10)

(11)

式中：p1為均值；p2為標準差；p3為方根幅值；p4為均方根；p5為峰值；p6為偏度；p7為峭度；p8為峰值因子；p9為裕度因子；p10為波形因子；p11為脈沖因子；N為數(shù)據(jù)總數(shù)；n為數(shù)據(jù)序號；x(n)為第n個數(shù)據(jù)的值。

1.4 特征分布規(guī)律

對粗粒度樣本庫中每個樣本的推力、扭矩、貫入度分別進行時域特征參數(shù)提取，共得到33個統(tǒng)計特征參數(shù)，不同巖爆等級下，各時域參數(shù)特征分布有著明顯不同。但11個時域特征中，只有標準差在推力、扭矩、貫入度3個掘進參數(shù)中，呈現(xiàn)相同的分布變化規(guī)律，如圖2所示。隨著巖爆烈度等級的增大，3個掘進參數(shù)標準差的中位數(shù)逐漸增大，且箱形圖高度逐漸增加。

圖2 TBM各掘進參數(shù)標準差在不同巖爆烈度等級中的分布

標準差箱形圖的高度隨巖爆烈度等級增加而明顯增大，表明掘進參數(shù)的波動程度在無巖爆中始終保持低波動狀態(tài)，而在較強巖爆中則同時存在較低波動狀態(tài)和極強波動狀態(tài)。標準差評價的是整個掘進步上的掘進參數(shù)波動情況，而巖爆的發(fā)生是瞬時性、突發(fā)性的事件，只占據(jù)整個掘進步中的一小部分，因此需要更精確的巖爆區(qū)間識別。

2 精確巖爆區(qū)間識別

在TBM掘進過程中，判斷掌子面是否發(fā)生巖爆較為困難，施工人員記錄到的絕大部分巖爆數(shù)據(jù)為發(fā)生在洞壁上的巖爆。假設在隧道的同一位置，洞壁發(fā)生巖爆與掌子面發(fā)生巖爆的可能性及烈度為正相關。2.2節(jié)中以巖爆描述始末樁號對巖爆區(qū)間進行了劃分，但如此劃分得到的區(qū)間，只能說明TBM在該區(qū)間內掘進時發(fā)生過巖爆，而不是區(qū)間內的任意時刻均在發(fā)生巖爆。

2.1 不同巖爆等級的典型掘進參數(shù)分析

無巖爆區(qū)間、輕微巖爆區(qū)間、中等巖爆區(qū)間和強烈?guī)r爆區(qū)間中典型完整掘進步的TBM掘進參數(shù)曲線分別如圖3～6所示。對比圖3～6可知，隨著巖爆烈度等級的增加，掘進步內TBM推力、扭矩、貫入度的波動情況愈發(fā)明顯。當巖爆烈度較小時，產(chǎn)生的破壞主要為剝落和掉塊，巖塊動能較小，對推力和扭矩的影響較小。隨著巖爆烈度的增加，塊片彈射情況明顯，對刀盤和刀具產(chǎn)生嚴重沖擊，TBM掘進參數(shù)隨之猛烈波動。但由于巖爆具有突發(fā)性，巖爆條件下各掘進參數(shù)并不是在完整掘進步內一直保持強波動狀態(tài)，僅在巖爆發(fā)生的瞬時，數(shù)據(jù)出現(xiàn)顯著的局部波動。

圖3 無巖爆區(qū)間典型完整掘進步的TBM掘進參數(shù)曲線

圖4 輕微巖爆區(qū)間典型完整掘進步的TBM掘進參數(shù)曲線

圖5 中等巖爆區(qū)間典型完整掘進步的TBM掘進參數(shù)曲線

對比3個掘進參數(shù)在不同巖爆等級下的波動情況，貫入度的變化對不同等級巖爆最為敏感，其次為扭矩，推力波動程度差異較小。原因為在掘進過程中，推力為主動控制參數(shù)，操作人員需根據(jù)駕駛經(jīng)驗設定TBM推力值，而扭矩和貫入度作為掘進反饋參數(shù)，在其數(shù)據(jù)變化中反映了豐富的巖體變化信息。

2.2 精確巖爆區(qū)間篩選指標

為從完整掘進步中精確判斷巖爆發(fā)生時刻，即從完整掘進步的總體數(shù)據(jù)中篩選出1段或多段TBM參數(shù)波動較大的連續(xù)TBM數(shù)據(jù)，定義局部標準差指標，通過計算每個數(shù)據(jù)點與其局部相鄰時刻的局部標準差，得到該點所在窗口范圍內數(shù)據(jù)的離散程度，計算公式如式(12)所示：

(12)

窗口長度決定著每處數(shù)值的數(shù)據(jù)波動考慮范圍，窗口長度較大時，數(shù)據(jù)平滑程度越高，但可能會導致某些重要信息點丟失；窗口長度較小時，對數(shù)據(jù)附近的波動情況評價效果不夠理想。本文選擇150s即31條數(shù)據(jù)為滑動窗口長度。

基于式(12)，對3 493個掘進段中的推力、扭矩、貫入度進行局部標準差計算，統(tǒng)計各參數(shù)局部標準差的四分位數(shù)Q1，Q2，Q3，如表3所示，并觀察各參數(shù)標準差分布情況，分別如表4～6所示。

表3 TBM各參數(shù)局部標準差四分位數(shù)統(tǒng)計

表4 扭矩局部標準差分布比例 %

表5 貫入度局部標準差分布比例 %

表6 推力局部標準差分布比例 %

觀察發(fā)現(xiàn)，無巖爆區(qū)間的3個掘進參數(shù)在各分位區(qū)間中分布較均勻，說明無巖爆區(qū)間的TBM各參數(shù)波動隨機。隨著巖爆烈度增加，越來越多的數(shù)據(jù)分布于數(shù)值更大的分位區(qū)間，說明區(qū)間中處于強波動狀態(tài)的數(shù)據(jù)占比越來越大，參數(shù)的局部波動情況越明顯。

2.3 精確巖爆區(qū)間篩選原則

假設1個掘進步內掘進參數(shù)波動最強烈的時刻段，掌子面發(fā)生了與洞壁相同程度的巖爆。因此，選擇每個掘進循環(huán)中，貫入度或扭矩波動程度最大的30個連續(xù)數(shù)據(jù)點，即局部標準差最大的150s作為該掘進步的精確樣本區(qū)間。貫入度或扭矩的波動越大，說明巖爆現(xiàn)象的程度越高，根據(jù)這種原則選取的區(qū)間預測結果即為掘進步內巖爆最嚴重的情況。

由于無巖爆區(qū)間數(shù)據(jù)體量過大，為形成類別更加均衡的數(shù)據(jù)集，最終挑選出1 230組TBM掘進數(shù)據(jù)。在1 230組樣本中選取推力、扭矩和貫入度與其對應的巖爆等級，構建細粒度樣本庫，其中各類巖爆烈度的樣本數(shù)量統(tǒng)計如表7所示。

表7 各類巖爆烈度等級的樣本數(shù)量

3 巖爆預測模型

3.1 機器學習算法

基于Scikit-learn機器學習基礎算法包，采用4種監(jiān)督學習算法對巖爆數(shù)據(jù)集進行學習，包括支持向量機(SVM)、隨機森林(RF)、極限梯度提升算法(XGBoost)和輕量級梯度提升機(LightGBM)。其中SVM為常規(guī)算法，RF，XGBoost，LightGBM為集成算法。

3.2 模型訓練

基于4種機器學習算法建立的巖爆預測模型分別在粗、細粒度數(shù)據(jù)集上進行訓練與測試。分別將粗、細粒度巖爆數(shù)據(jù)集按6∶2∶2的比例劃分為訓練集(738組數(shù)據(jù))、驗證集(246組數(shù)據(jù))與測試集(246組數(shù)據(jù))。模型輸入為粗、細粒度數(shù)據(jù)集中TBM掘進推力、扭矩與貫入度時域特征參數(shù)，模型輸出為對應的巖爆烈度等級。模型預測性能采用準確率、宏精準率、宏召回率、宏F1值及Kappa系數(shù)進行評價。

3.3 模型評價

4種機器學習算法訓練得到的模型在粗粒度測試集和細粒度測試集上分別進行預測，其分類效果如表8所示。結果表明，在粗粒度數(shù)據(jù)集中，訓練所得的各模型預測表現(xiàn)均較差，Kappa系數(shù)均為0.3～0.4，說明模型的預測準確度較差，模型做出的分類決策與實際巖爆烈度等級分類區(qū)別較大。4種模型中LightGBM是預測表現(xiàn)相對最好的模型，但其準確率僅為56.9%，宏精準率為56.3%，宏召回率為54.7%。而在細粒度數(shù)據(jù)集中，4種模型的預測效果評價指標均得到了顯著提升，LightGBM仍是預測表現(xiàn)最好的模型，其預測準確率達84.1%，宏精準率為83.3%，宏召回率為83.4%，宏F1值為0.833，Kappa系數(shù)為0.784，說明該模型對巖爆烈度預測的準確度已達到較高水平。

表8 4種機器學習模型在細粒度數(shù)據(jù)集與粗粒度數(shù)據(jù)集中的預測結果

結果說明，與基于原始巖爆記錄中以樁號進行區(qū)間劃分從而構建的粗粒度數(shù)據(jù)集相比，經(jīng)過精準巖爆區(qū)間識別后所構建的細粒度數(shù)據(jù)集數(shù)據(jù)質量有明顯提升。在4種機器學習算法中，基于LightGBM算法所建立的TBM隧道巖爆預測模型效果最佳。

4 結語

1)選取TBM刀盤推力、扭矩和貫入度為巖爆等級預測的輸入?yún)?shù)，構建巖爆預測粗粒度數(shù)據(jù)集；以掘進參數(shù)的局部標準差為指標對巖爆區(qū)間進行識別，構建了數(shù)據(jù)質量較高的巖爆預測細粒度數(shù)據(jù)集。

2)采用掘進序列的時域特征作為模型輸入?yún)?shù)，構建了4種機器學習算法的巖爆烈度等級預測模型，確定基于LightGBM算法的巖爆預測模型效果最好，預測準確率可達84.1%。