張紀(jì)奧, 馬懷祥, 王承震, 李東升, 喬卉卉

(1.石家莊鐵道大學(xué) 機械工程學(xué)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(gòu)機作為隧道與地下工程建設(shè)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(gòu)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(gòu)機掘進速度進行預(yù)測研究具有重要工程意義。

近年來,國內(nèi)外學(xué)者對此主要進行了理論模型、經(jīng)驗?zāi)Ｐ秃椭悄苣Ｐ头矫娴难芯?。在理論模型研究方?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(zhuǎn)速和掘進速度間關(guān)系的數(shù)學(xué)表達式進行了推導(dǎo)。在經(jīng)驗?zāi)Ｐ脱芯糠矫?李杰等[4]采用多元非線性回歸建立了復(fù)合地層下掘進速度的預(yù)測模型;于云龍等[5]通過對原始掘進參數(shù)進行二次轉(zhuǎn)換,修正了盾構(gòu)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(shù)的發(fā)展,機器學(xué)習(xí)被廣泛應(yīng)用于盾構(gòu)掘進預(yù)測中。黃靚鈺等[6]、林春金等[7]、孫偉良等[8]采用BP神經(jīng)網(wǎng)絡(luò)建立了掘進參數(shù)、土倉壓力和地表沉降的預(yù)測模型;GAO et al[9]使用循環(huán)神經(jīng)網(wǎng)絡(luò)、長短時記憶網(wǎng)絡(luò)和門控循環(huán)單元建立了盾構(gòu)掘進參數(shù)的預(yù)測模型;ELBAZ et al[10]將卷積神經(jīng)網(wǎng)絡(luò)和基于聚類算法的長短時記憶網(wǎng)絡(luò)相結(jié)合,實現(xiàn)了盾構(gòu)機掘進系統(tǒng)的能耗預(yù)測。

目前在盾構(gòu)機掘進參數(shù)預(yù)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(dǎo)致上述模型的預(yù)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(yù)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(xué)習(xí)策略,提出一種基于混合指標(biāo)分級的CNN-BiLSTM遷移預(yù)測模型。首先,在已完成工程上對盾構(gòu)機混合指標(biāo)進行k-means聚類分級,構(gòu)建CNN-BiLSTM模型進行預(yù)訓(xùn)練;然后,對新工程上的混合指標(biāo)等級進行判別,并將預(yù)訓(xùn)練模型應(yīng)用到新工程上進行微調(diào),使預(yù)測模型在舊工程下學(xué)習(xí)到的特征知識能更好地應(yīng)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(gòu)段施工部分為左右兩線,采用2臺海瑞克泥水式盾構(gòu)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(gòu)隧道分別穿越淤泥質(zhì)粉質(zhì)黏土地層、粉細砂地層、礫砂地層、圓礫地層和強風(fēng)化泥巖地層。

圖1 南京長江隧道地質(zhì)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(gòu),刀盤開挖直徑為15.07 m,盾構(gòu)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(zhì)斷面如圖2所示,盾構(gòu)隧道分別穿越粉細砂、泥質(zhì)粉砂巖、凝灰角礫巖和粉質(zhì)黏土等多種地層。

圖2 蕪湖過江隧道地質(zhì)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(gòu)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(shè)備維護和其他情況下,監(jiān)測系統(tǒng)通常會連續(xù)工作,導(dǎo)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(gòu)機監(jiān)測系統(tǒng)的采樣點,采樣間隔為10 s。

將盾構(gòu)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(biāo)[13],式(1)、式(2)為指示函數(shù),將導(dǎo)致的數(shù)據(jù)認(rèn)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(fù)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(jīng)網(wǎng)絡(luò)是一種常用的深度學(xué)習(xí)模型,由卷積層、池化層和全連接層構(gòu)成,具有一定的深度結(jié)構(gòu)與自主學(xué)習(xí)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(nèi)部特征,表示為

Cj=f(wi?Ai+bi)

(3)

式中,f為激活函數(shù);wi為權(quán)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(luò)(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(jié)構(gòu)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(jīng)元的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。BiLSTM是一種雙向循環(huán)神經(jīng)網(wǎng)絡(luò)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(yù)測精度和特征數(shù)據(jù)利用率[16],其核心結(jié)構(gòu)為2個方向相反的LSTM模型構(gòu)成的堆疊結(jié)構(gòu),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(luò)結(jié)構(gòu)示意圖

圖5 BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)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(biāo)分級的CNN-BiLSTM遷移預(yù)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(biāo)進行聚類分級,以蕪湖過江隧道工程數(shù)據(jù)為目標(biāo)域數(shù)據(jù),判斷該工程上混合指標(biāo)的對應(yīng)等級;然后,構(gòu)建模型在源域的相應(yīng)等級數(shù)據(jù)上進行預(yù)訓(xùn)練,將模型遷移至目標(biāo)域進行微調(diào);最后,實現(xiàn)在施工初期少量數(shù)據(jù)下盾構(gòu)掘進速度的預(yù)測。

3.1 混合指標(biāo)的聚類分級

為降低不同工程下盾構(gòu)機型號、地質(zhì)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(biāo)進行聚類分級,4種指標(biāo)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(gòu)機采集的掘進參數(shù)進行混合指標(biāo)計算,4種指標(biāo)變化趨勢如圖6所示。FPI指數(shù)描述了盾構(gòu)機在單位貫入度下所需推進力,反映盾構(gòu)機與土體的相互作用,既考慮了地質(zhì)因素影響,又考慮到機器設(shè)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(gòu)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?qū)Χ軜?gòu)機掘進狀態(tài)進行更加完整的表述。掘進比能SE表示盾構(gòu)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(guān)系,主要受地質(zhì)狀況和刀具磨損的影響。

圖6 混合指標(biāo)趨勢圖

為避免不同指標(biāo)物理量綱的影響,聚類之前對指標(biāo)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(dāng)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(nèi)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(jié)果對應(yīng)的DB值越小越好。對上述混合指標(biāo)進行聚類后對應(yīng)的DB指數(shù)如圖7所示。可知當(dāng)聚類數(shù)為4時,聚類效果最優(yōu),選取k=4對混合指標(biāo)進行聚類,聚類后各環(huán)在混合指標(biāo)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(shè)初期第13、14環(huán)掘進參數(shù)為對象,計算可知,其混合指標(biāo)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(yù)訓(xùn)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(diào),第14環(huán)掘進參數(shù)對模型進行驗證。

3.2 模型預(yù)測

取前一采樣時刻的掘進速度、總推力、刀盤扭矩、刀盤轉(zhuǎn)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(yù)測模型。采用式(9)歸一化方法對數(shù)據(jù)進行預(yù)處理,下一時刻的掘進速度為輸出數(shù)據(jù)對模型進行訓(xùn)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(jīng)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(yù)訓(xùn)練

在源域(南京長江隧道212～228環(huán))上選取相應(yīng)參數(shù)對模型進行預(yù)訓(xùn)練,共5 410條樣本,取前5 000條作為訓(xùn)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(yù)測效果如圖9所示。可以看出,模型能夠較好地預(yù)測掘進速度的變化,明顯預(yù)測掘進過程中速度波動點,選取MAE、RMSE為評價指標(biāo),并與CNN模型、LSTM模型、BiLSTM模型進行對比,結(jié)果如表1所示?？芍狢NN-BiLSTM模型在預(yù)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(guān)系。

表1 不同預(yù)測模型性能比較

3.2.2 模型微調(diào)

將預(yù)訓(xùn)練模型中的CNN層和BiLSTM層凍結(jié),在目標(biāo)域(蕪湖過江隧道)上選取第13環(huán)相應(yīng)數(shù)據(jù)對模型全連接層進行微調(diào),在第14環(huán)上進行預(yù)測,并與不經(jīng)遷移學(xué)習(xí)預(yù)測結(jié)果進行對比,效果如圖10所示。

圖9 源域預(yù)測效果

圖10 目標(biāo)域預(yù)測效果

由圖10可以看出,模型遷移后可準(zhǔn)確預(yù)測目標(biāo)域掘進速度的變化,反映其變化規(guī)律,在評價指標(biāo)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(chǎn)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(xué)習(xí)預(yù)測模型在工程建設(shè)初期的必要性。

4 結(jié)論

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

(2)建立的CNN-BiLSTM預(yù)測模型,其在源域和目標(biāo)域上的掘進速度預(yù)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(biāo)域上的MAE和RMSE為1.44和1.92。

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