楊耀紅,劉德福, 張智曉, 韓興忠, 孫小虎,4

(1.華北水利水電大學(xué) 水利學(xué)院,鄭州 450046; 2.河南省黃河流域水資源節(jié)約集約利用重點(diǎn)實(shí)驗(yàn)室,鄭州 450046;3.中州水務(wù)控股有限公司, 鄭州 450000; 4.中水北方勘測設(shè)計研究有限責(zé)任公司,天津 300000)

0 引 言

土石組合體是指由巖體和土體組合而成的開挖斷面,即土石分界線切割開挖斷面的情況,它不同于既含有土又含有巖石的土石混合體[1]。隧道掘進(jìn)機(jī)(Tunnel Boring Machine,TBM)施工過程中遇到這一復(fù)雜地質(zhì)條件,需要采用適當(dāng)?shù)腡BM掘進(jìn)參數(shù);若TBM掘進(jìn)參數(shù)與地質(zhì)條件不匹配,TBM掘進(jìn)效率會降低,造成工期延長和成本增加。特別是對于小洞徑隧洞,由于TBM機(jī)身較小較輕,一方面若掘進(jìn)推力小、刀盤轉(zhuǎn)矩小且貫入度小,掘進(jìn)效率不高;另一方面若掘進(jìn)推力大、刀盤轉(zhuǎn)矩大且貫入度大,會造成TBM機(jī)身軸線偏離度大,需要不斷糾偏,掘進(jìn)效率也不高。因此在此復(fù)雜地質(zhì)條件下,傳統(tǒng)的圍巖分級方法已不適用,需要確定新的適合TBM施工需要的圍巖分級,并對圍巖分級精準(zhǔn)識別,也是TBM設(shè)備智能控制并最終實(shí)現(xiàn)無人駕駛的必然要求。

目前,國內(nèi)外許多學(xué)者提出了TBM施工圍巖分級標(biāo)準(zhǔn)。何發(fā)亮等[2]結(jié)合安康鐵路秦嶺TBM施工隧道,基于巖性參數(shù)建立了圍巖分級標(biāo)準(zhǔn)。張寧等[3]以傳統(tǒng)圍巖分類方法為基礎(chǔ),依據(jù)巖石單軸抗壓強(qiáng)度等指標(biāo),探討了圍巖分級的標(biāo)準(zhǔn)。閆長斌等[4]結(jié)合國內(nèi)某工程,基于改進(jìn)距離判別分析法建立了TBM施工圍巖分級標(biāo)準(zhǔn)。李春明等[5]基于BQ(Basic Quality)法構(gòu)建了圍巖分級標(biāo)準(zhǔn)。王攀等[6]利用巖性參數(shù)和掘進(jìn)參數(shù)對圍巖進(jìn)行分級。但這些研究很少涉及小斷面土石組合地質(zhì)條件下TBM施工圍巖分級問題。

此外,TBM施工圍巖等級識別也是保證TBM施工效率的重要問題,國內(nèi)外學(xué)者也做了大量研究[7-10],尤其是近些年來,大量學(xué)者采用機(jī)器學(xué)習(xí)方法進(jìn)行識別研究。Yang等[11]基于現(xiàn)場掘進(jìn)的巖渣等地質(zhì)參數(shù),利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)模型對TBM施工圍巖進(jìn)行了分類識別。Hou等[12]結(jié)合松花江輸水工程,利用大數(shù)據(jù)和集成學(xué)習(xí)算法對TBM施工巖體進(jìn)行分類識別預(yù)測。毛奕喆等[13]基于巖體信息和掘進(jìn)參數(shù),采用機(jī)器學(xué)習(xí)算法對TBM圍巖進(jìn)行實(shí)時識別和預(yù)測。段志偉等[14]基于主成分分析-反向傳播(Principal Components Analysis-Back Propagation, PCA-BP)算法對TBM圍巖進(jìn)行實(shí)時識別和預(yù)測。杜立杰等[15]基于施工現(xiàn)場數(shù)據(jù)對TBM可掘性進(jìn)行實(shí)時識別預(yù)測。Liu等[16]基于TBM施工數(shù)據(jù),利用長短期記憶(Long Short-Term Memory,LSTM)模型對隧道巖性進(jìn)行識別預(yù)測。Zhang等[17]利用K-means算法搜索TBM潛在的圍巖類型,并且利用了支持向量機(jī)對TBM圍巖進(jìn)行了實(shí)時識別。Liu等[18]提出了分類回歸樹與AdaBoost算法相結(jié)合的集成學(xué)習(xí)模型,并用該模型對圍巖的分類進(jìn)行了預(yù)測,并且與其他機(jī)器學(xué)習(xí)模型進(jìn)行了對比。但這些機(jī)器學(xué)習(xí)模型對TBM施工圍巖可掘性識別的適用范圍尚待進(jìn)一步檢驗(yàn),且識別精度尚需進(jìn)一步提高。

主成分分析(Principal Components Analysis,PCA)可以減少原始變量的維度并且不會丟失原始變量大多數(shù)信息,以此來簡化模型的輸入。隨機(jī)森林(Random Forests,RF)模型具有非常強(qiáng)大的非線性分類能力。目前,PCA-RF組合模型已經(jīng)運(yùn)用到很多領(lǐng)域,例如巖性質(zhì)量分類[19]、PM2.5預(yù)測[20]、體育運(yùn)動分類[21]等?；诖?本文結(jié)合南水北調(diào)安陽市西部調(diào)水工程,對TBM施工過程中提取的掘進(jìn)性能參數(shù)進(jìn)行數(shù)據(jù)分析,在傳統(tǒng)圍巖分級的基礎(chǔ)上,引入了2個綜合性能指標(biāo)FPI(現(xiàn)場貫入指標(biāo))、TPI(扭矩貫入指標(biāo)),建立了新的圍巖可掘性分級標(biāo)準(zhǔn),提出了PCA-RF模型,并用該模型對TBM施工圍巖可掘性分級進(jìn)行識別。本文建立的TBM施工圍巖分級標(biāo)準(zhǔn)更貼合工程實(shí)際,識別模型有更高的準(zhǔn)確率,可以更好地指導(dǎo)TBM施工。

1 工程概況

南水北調(diào)安陽市西部調(diào)水工程,全長13.18 km。隧洞工程主要包括TBM掘進(jìn)段、鉆爆段等,其中TBM掘進(jìn)段長為11 822 m,比降為0.01%,采用圓形斷面,開挖直徑為4.33 m,設(shè)計斷面直徑為3.5 m,在TBM施工開挖斷面中,屬于小斷面開挖。TBM整機(jī)長約為275 m,主機(jī)長約為12 m,主要的TBM性能參數(shù)如表1所示,圖1為隧洞地質(zhì)剖面。

注:1.云峰寺基底隆起,2.林縣地塹式斷陷盆地,3.黃龍腦-馬鞍山地壘式斷隆,4.水冶向斜式斷陷盆地,5.北北東向深斷裂,6.不整合界限,7.平行不整合界線,8.斷裂編號,9.贊皇群結(jié)晶基底變質(zhì)雜巖,10.含礫石英巖狀砂巖、頁巖,11.白云質(zhì)灰?guī)r、灰?guī)r,12.本溪組鐵、鋁層,13.砂巖、泥巖夾煤層,14.礫巖、黏土巖,15.沖、洪、殘、坡積沉積巖,16.閃長巖,17.正長巖,18.新太古界贊皇群,19.中元古界薊縣系- 汝陽群,20.寒武-奧陶系,21.上石炭統(tǒng)下二疊統(tǒng),22.中二疊統(tǒng)-下三疊統(tǒng),23.新近系,24. 第四系。

表1 TBM主要技術(shù)參數(shù)

工程地質(zhì)勘察報告和設(shè)計圖紙顯示,隧洞全部在巖石體中,圍巖主要有石灰?guī)r、泥巖、閃長玢巖等,傳統(tǒng)的分級方法將圍巖分為Ⅲ、Ⅳ、Ⅴ類。其中Ⅲ類圍巖地段占39.6%,Ⅳ類圍巖地段占24.3%,Ⅴ類圍巖地段約占36.1%。工程施工過程中,開挖掌子面出現(xiàn)了土石組合情況,如圖2所示,掌子面左右部為黃色黏性泥土,其余為灰色、灰褐色石灰?guī)r、局部夾薄層白云質(zhì)灰?guī)r、角礫狀灰?guī)r。

圖2 開挖掌子面

2 TBM施工圍巖可掘性分級

2.1 各級圍巖下的TBM掘進(jìn)參數(shù)對比

選取TBM掘進(jìn)段樁號為18+896—30+718的典型土石組合洞段進(jìn)行數(shù)據(jù)收集以及分析。傳統(tǒng)的分級方法將本標(biāo)段內(nèi)的圍巖等級分為Ⅲ、Ⅳ、Ⅴ類。由于本工程出現(xiàn)了典型碳質(zhì)泥巖洞段,且傳統(tǒng)的圍巖分類不足以使TBM設(shè)備在此類圍巖有效掘進(jìn)。因此,本文依據(jù)新的圍巖分類標(biāo)準(zhǔn)重新劃分。將Ⅲ類圍巖細(xì)分為ⅢA類、ⅢB類圍巖,與碳質(zhì)泥巖洞段、Ⅳ類、Ⅴ類圍巖一起進(jìn)行分析討論,保證TBM設(shè)備高效率、穩(wěn)定地掘進(jìn)。依次收集各類圍巖TBM掘進(jìn)性能參數(shù)進(jìn)行數(shù)據(jù)分析,獲取影響可掘進(jìn)分級的指標(biāo)。

2.1.1 各級圍巖下TBM平均貫入度與凈掘進(jìn)速度

各級圍巖下TBM的平均凈掘進(jìn)速度與平均貫入度對比如圖3所示。

圖3 各級圍巖下的TBM平均凈掘進(jìn)速度、平均貫入度

從圖3可以看出,TBM在Ⅳ、ⅢA類圍巖凈掘進(jìn)速度最高,ⅢB、Ⅴ類圍巖次之,泥巖段凈掘進(jìn)速度最低;TBM在泥巖段、ⅢA類圍巖下貫入度最高,ⅢB、Ⅳ類圍巖次之,Ⅴ類圍巖貫入度最低。

2.1.2 各級圍巖下TBM平均施工速度與平均刀盤轉(zhuǎn)速

各級圍巖下TBM的平均施工速度與平均刀盤轉(zhuǎn)速對比如圖4所示。

圖4 各級圍巖下的TBM平均施工速度、平均刀盤轉(zhuǎn)速

從圖4可以看出,TBM在ⅢA類圍巖下施工速度最高,ⅢB、Ⅳ類圍巖次之,泥巖段及V類圍巖下最低;TBM在ⅢA類圍巖下刀盤轉(zhuǎn)速最高,ⅢB、Ⅳ圍巖次之,泥巖段及V類圍巖下最低。

綜合分析圖3和圖4,如果以凈掘進(jìn)速度作為圍巖分級指標(biāo),則Ⅳ類圍巖為適合TBM掘進(jìn)段,其TBM凈掘進(jìn)速度最高,但是其施工速度較低,并且Ⅳ類圍巖下刀盤轉(zhuǎn)速也相對最低,TBM總體在Ⅳ類圍巖下適應(yīng)性不高,掘進(jìn)效率較低。如果用貫入度作為圍巖分級指標(biāo),則泥巖段為最適合TBM掘進(jìn)段,其貫入度最高,而相對應(yīng)的施工速度和轉(zhuǎn)速最低,表明TBM在泥巖段掘進(jìn)效率較差,不適宜掘進(jìn),易產(chǎn)生圍巖坍塌、卡機(jī)等事故。所以凈掘進(jìn)速度、貫入度等指標(biāo)不適合作為圍巖可掘進(jìn)性的分級指標(biāo)。

2.1.3 各類圍巖下TBM可掘進(jìn)指標(biāo)FPI和TPI

為了消除TBM土石組合圍巖下掘進(jìn)性能自身的影響,引入更能表征圍巖分級標(biāo)準(zhǔn)的綜合性指標(biāo)FPI(單位貫入度推力,見式(1))和TPI(單位貫入度扭矩,見式(2))。各級圍巖下的FPI和TPI如圖5所示。

(1)

圖5 各級圍巖下TBM的FPI、TPI

(2)

式中:Fn為刀盤總推力(kN);Tn為刀盤扭矩(kN·m);P為刀盤貫入度(mm/r)。

從圖5可以看出,FPI和TPI在ⅢA類圍巖下最高,ⅢB、Ⅳ類圍巖次之,泥巖段和Ⅴ類圍巖下最低,表明TBM在ⅢA類圍巖貫入度為1 mm/r時所需的推力和扭矩最大,在Ⅴ類圍巖貫入度為1 mm/r時所需的推力和扭矩最小。并且FPI、TPI在各類圍巖下具有很好的區(qū)分度,但是可以看出ⅢB類圍巖和Ⅳ類圍巖下的FPI與TPI相差較小,且從表2可以看出ⅢB類圍巖和Ⅳ類圍巖下的掘進(jìn)參數(shù)相差也較小,因此本文將ⅢB類圍巖和Ⅳ類圍巖歸為同一性質(zhì)的圍巖。綜合分析各個圍巖段TBM的掘進(jìn)性能以及現(xiàn)場掘進(jìn)情況,選定FPI、TPI作為TBM施工圍巖可掘性分級的指標(biāo)是適合的。

表2 ⅢB級圍巖和Ⅳ級圍巖下的TBM掘進(jìn)參數(shù)對比

2.2 圍巖可掘性分級

在施工現(xiàn)場采取的數(shù)據(jù)發(fā)現(xiàn),在一些ⅢB類圍巖和Ⅳ類圍巖下的TBM掘進(jìn)性能參數(shù)相近,如表2所示。

從表2可知,一些完整性較好的Ⅳ類圍巖和ⅢB類圍巖下TBM掘進(jìn)參數(shù)相差很小,掘進(jìn)效率幾乎相同。本文 ⅢB類圍巖指的是FPI 為700～600 kN/(mm/r) 之間,且TPI集中在100～80 kN·m/(mm/r)。

結(jié)合現(xiàn)場施工情況并根據(jù)傳統(tǒng)分級方法,ⅢA類圍巖施工速度與刀盤轉(zhuǎn)速均為最高,且?guī)r體大部分完整。雖然ⅢA類圍巖有較高的單軸抗壓強(qiáng)度,但是圍巖局部較穩(wěn)定,不需做大量的支護(hù)工作,并且TBM在ⅢA類圍巖總推力和刀盤扭矩最高,所以貫入度也相對較高。因此,TBM在ⅢA類圍巖掘進(jìn)效率最好,適應(yīng)性較強(qiáng),所以隧洞采用TBM施工適宜性基本定義為A類(適宜施工)。ⅢA類圍巖指的是FPI≥700 kN/(mm/r)、TPI≥100 kN·m/(mm/r)。

結(jié)合現(xiàn)場施工情況并根據(jù)傳統(tǒng)分級方法,ⅢB、Ⅳ類圍巖掘進(jìn)效率僅次于ⅢA類圍巖,但是相對于ⅢA類圍巖,施工速度和刀盤轉(zhuǎn)速有所下降,施工風(fēng)險有所增加。所以隧洞采用TBM施工適宜性為B類(基本適宜)?？紤]到ⅢB、Ⅳ類圍巖的掘進(jìn)性能參數(shù)相差較小,將ⅢB、Ⅳ類圍巖歸為同一類性質(zhì)的圍巖。

結(jié)合現(xiàn)場施工情況并根據(jù)傳統(tǒng)分級方法,泥巖段巖體完整性差,圍巖不穩(wěn)定,施工速度與刀盤轉(zhuǎn)速最小,但是也有相對較好的貫入度,并且TBM總推力和刀盤轉(zhuǎn)矩也相對良好,所以泥巖段圍巖隧洞采用TBM施工適宜性為C類(不適宜)。泥巖段的FPI和TPI大多數(shù)分別集中于500～400 kN/(mm/r)和80～50 kN· m/(mm/r)。

結(jié)合現(xiàn)場施工情況并根據(jù)傳統(tǒng)分級方法,Ⅴ類圍巖完整性最差,局部最不穩(wěn)定,最容易發(fā)生刀盤卡機(jī)、圍巖坍塌等事故,且施工速度與刀盤轉(zhuǎn)速較小,需要大量的圍巖支護(hù)工作才能有效地掘進(jìn)。所以隧洞采用TBM施工適宜性為D類(特別不適宜)。

綜合以上分析,利用可掘性綜合指標(biāo)FPI和TPI,將FPI≥700 kN/(mm/r)、TPI≥100 kN·m/(mm/r)的圍巖定義為A類,將FPI為700～600 kN/(mm/r)、TPI為100～80 kN· m/(mm/r)的圍巖定義為B類,將FPI為500～400 kN/(mm/r)、TPI為80～50 kN· m/(mm/r)的圍巖定義為C類,將FPI<400 kN/(mm/r)、TPI<50 kN·m/(mm/r)的圍巖定義為D類。如表3所示。

表3 TBM圍巖可掘性分級

由表3所知,利用FPI和TPI指標(biāo)重新進(jìn)行圍巖分級,解決了傳統(tǒng)圍巖分類無法處理土石組合圍巖的難題,并很好地改善了ⅢB類和泥巖段圍巖實(shí)際施工應(yīng)用的局限性。結(jié)合TBM實(shí)際掘進(jìn)效率來看,利用FPI和TPI這2個綜合指標(biāo)來重新進(jìn)行圍巖可掘性分級更加貼近實(shí)際施工狀況。

3 圍巖分級識別模型

3.1 主成分分析

主成分分析(PCA)[22-23]是一種簡化數(shù)據(jù)集的技術(shù)。它可以通過減少維度來壓縮數(shù)據(jù),并且數(shù)據(jù)不會有太多的丟失,同時可以保留原始數(shù)據(jù)集中存在的內(nèi)部原始數(shù)據(jù)信息。主成分分析由以下步驟組成:

假設(shè)一個數(shù)據(jù)集有n個樣本,每個樣本由p維向量表示,即x1,x2,…,xp。因此,原始數(shù)據(jù)矩陣可以表示為X=(X1,X2,…,Xp)=(xij)n×p。

(1)為了消除不同維度的影響,需要對原始變量進(jìn)行標(biāo)準(zhǔn)化,見式(3)。然后計算協(xié)方差矩陣,即標(biāo)準(zhǔn)化矩陣的相關(guān)系數(shù)矩陣,因?yàn)闃?biāo)準(zhǔn)化之后的變量相關(guān)系數(shù)矩陣是不變的。

(3)

式中:xij為n組p維的數(shù)據(jù)樣本矩陣數(shù)據(jù);xkj為第k行第j列的樣本數(shù)據(jù);yij為標(biāo)準(zhǔn)化之后的數(shù)據(jù)樣本矩陣數(shù)據(jù)。

(2)計算矩陣特征值和相應(yīng)的正交化單位特征向量。然后根據(jù)累積貢獻(xiàn)率提取m個主成分。最后算出相對應(yīng)的主成分得分代入模型進(jìn)行識別。

3.2 隨機(jī)森林模型

隨機(jī)森林(RF)[21,23-25]是一種綜合學(xué)習(xí)方法,它主要使用bagging方法和簡單的決策樹概念,并使用自抽樣技術(shù)和一種分類回歸樹(SA)算法生產(chǎn)多個不相關(guān)的決策樹。

然后,結(jié)合這些決策樹的結(jié)果來提高泛化性能。隨機(jī)森林大致計算過程如下:

(1)假設(shè)N是原始數(shù)據(jù)集D的學(xué)習(xí)樣本的大小。Bootstrap采樣用于從原始數(shù)據(jù)(N個CART(分類樹))生成N個不同的訓(xùn)練樣本數(shù)據(jù)集。

(2)每個決策樹t在不同的Bootstrap樣本Dt上生長,其中包含用于替換訓(xùn)練樣本Nn隨機(jī)選擇樣本。在t的每個節(jié)點(diǎn),如果每個樣本的特征維度為L,指定一個常數(shù)p?L,隨機(jī)地從L個特征中選取p個特征子集,每次樹進(jìn)行分裂時,從這p個特征中選擇最優(yōu)的。

(3)每個決策樹t使用CART樹算法增長到最大值。

(4)要對新樣本進(jìn)行分類或者預(yù)測,將輸入向量置于n個樹下。每棵樹都為預(yù)測的類別投票。最后的結(jié)果是通過n個CART類別的多數(shù)投票獲得的。

為充分發(fā)揮RF模型強(qiáng)大的非線性分類能力,克服傳統(tǒng)分類方法的局限性,本文采用PCA-RF組合模型對圍巖可掘性進(jìn)行分類識別。通過PCA降維求解得到能夠反映絕大多數(shù)信息的主成分,以此減少RF模型的輸入,加快模型訓(xùn)練速度,提高模型識別精度。然后利用RF模型對圍巖可掘性進(jìn)行分類,彌補(bǔ)傳統(tǒng)決策樹分類方法過于復(fù)雜、識別度不高等缺陷。組合模型計算流程如圖6。

圖6 PCA-RF模型流程

4 工程應(yīng)用分析

4.1 TBM參數(shù)主成分分析

基于上述討論,依次選取A、B、C、D類圍巖典型洞段各50組數(shù)據(jù),共200組數(shù)據(jù)。表4為所選取的樣本數(shù)據(jù)統(tǒng)計。

表4 樣本數(shù)據(jù)統(tǒng)計

為了消除量綱以及多重維度的影響,需要對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,按照式(3)進(jìn)行計算。運(yùn)用SPSS軟件對標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行主成分分析。表5為主成分特征值與累積貢獻(xiàn)率。

表5 主成分特征值與累積貢獻(xiàn)率

主成分個數(shù)提取原則主要包括2個標(biāo)準(zhǔn),第一個是主成分對應(yīng)的特征值>1的前m個成分,第二個是前m個主成分累積貢獻(xiàn)率>85%。從表5可知,主成分1和主成分2的特征值>1,且累計貢獻(xiàn)率也已經(jīng)達(dá)到了88%,可以認(rèn)為前2個主成分包含了原始數(shù)據(jù)的絕大多數(shù)信息。所以本文只提取主成分1和主成分2。

表6為經(jīng)過SPSS運(yùn)算后所得到各個主成分得分系數(shù)矩陣。

表6 主成分得分系數(shù)矩陣

將得分系數(shù)矩陣、特征值和標(biāo)準(zhǔn)化后的原始矩陣數(shù)據(jù)進(jìn)行計算可以得到相應(yīng)的主成分得分。表7為前2個主成分得分。

表7 前2個主成分得分

4.2 PCA-RF模型識別

因?yàn)镽F模型自身的優(yōu)勢,模型本身可以處理異常值,并且根據(jù)自己的特征進(jìn)行縮放,無需再進(jìn)行數(shù)據(jù)預(yù)處理。

基于MATLAB2020b的實(shí)驗(yàn)環(huán)境,隨機(jī)抽取主成分1、主成分2 的30%為測試集,剩下的70%為訓(xùn)練集,經(jīng)過不斷地對模型參數(shù)調(diào)試,決定采用30次HoldOut函數(shù)交叉驗(yàn)證,隨機(jī)樹為200,每棵樹的輸入變量為2,模型最終達(dá)到目標(biāo)要求的最好的識別準(zhǔn)確率。

采用識別準(zhǔn)確率(metrics score,ms)來評價隨機(jī)森林模型對掘進(jìn)參數(shù)分類識別,見式(4)。表8為PCA-RF組合模型對各類圍巖的識別結(jié)果。

(4)

表8 PCA-RF組合模型識別結(jié)果

由表8可知,PCA-RF模型對60組不同類型圍巖的識別率達(dá)到了100%,僅有B類圍巖中有一組數(shù)據(jù)識別錯誤,識別準(zhǔn)確率達(dá)到了98.3%。綜合分析,通過PCA算法對不同類型圍巖下的掘進(jìn)數(shù)據(jù)進(jìn)行降維處理,抵消了各掘進(jìn)參數(shù)之間的相關(guān)性,不僅縮小了RF模型輸入的維度,也提高了模型的識別速度,模型得到了良好的識別準(zhǔn)確率。

4.3 分析討論

為了進(jìn)一步體現(xiàn)PCA-RF模型適應(yīng)性更好,將其與BP、SVR(Support Vector Regression)和RF模型進(jìn)行對比分析。通過與沒有進(jìn)行PCA算法的各個圍巖下掘進(jìn)參數(shù)識別精度進(jìn)行對比。依次選取A、B、C及D類圍巖各50組數(shù)據(jù)作為BP、SVR和RF模型的輸入,RF模型的參數(shù)不發(fā)生改變,BP模型具體參數(shù):隱含層為6,最大迭代次數(shù)為1 000,目標(biāo)訓(xùn)練誤差為10-6,學(xué)習(xí)率為0.01。SVR具體參數(shù):懲罰因子為10.0,徑向基函數(shù)為0.01,損失函數(shù)p值為0.1。測試集和訓(xùn)練集不發(fā)生改變,與RF模型保持一致。表9為RF模型對各類圍巖的識別結(jié)果。

表9 RF模型識別結(jié)果

由表9可知,RF模型對60組不同類型圍巖下沒有經(jīng)過PCA降維掘進(jìn)參數(shù)識別率也達(dá)到了100%,共有A類及B類圍巖中5處識別錯誤,識別準(zhǔn)確率只有91.6%。BP和SVR的識別準(zhǔn)確率為93.3%。由此可以看出PCA-RF模型要優(yōu)于上述模型,識別準(zhǔn)確率更高。

5 結(jié) 論

本文針對南水北調(diào)安陽市西部調(diào)水工程小斷面土石組合TBM施工圍巖分級問題,采用FPI、TPI兩個綜合性能指標(biāo),建立了新的圍巖可掘性分級標(biāo)準(zhǔn),并提出了TBM施工圍巖分級PCA-RF識別模型,基于工程實(shí)際數(shù)據(jù)進(jìn)行了計算驗(yàn)證,并與BP、SVR和RF模型進(jìn)行了對比分析,結(jié)果表明:

(1)針對小斷面土石組合TBM施工圍巖,在傳統(tǒng)圍巖分類的基礎(chǔ)上,結(jié)合FPI、TPI指標(biāo)建立的小斷面土石組合圍巖TBM施工可掘性分級標(biāo)準(zhǔn),克服了土石組合圍巖下傳統(tǒng)圍巖分類方法的局限性,更加貼合工程實(shí)際應(yīng)用,可為后續(xù)工程施工提供參考。

(2)采用小斷面土石組合TBM施工圍巖分級識別的PCA-RF模型,對圍巖可掘性分級進(jìn)行了識別,識別率達(dá)到了100%,識別準(zhǔn)確率達(dá)到了98.3%。與BP、SVR和RF模型進(jìn)行對比發(fā)現(xiàn),PCA-RF模型的識別準(zhǔn)確率要高于BP、SVR和RF模型,體現(xiàn)了PCA-RF模型的適用性較強(qiáng)。

(3)本文的局限性在于,選取的工程實(shí)例只有一個型號的TBM設(shè)備,工程中圍巖等級以及土石組合類型也較少,所以對圍巖分級標(biāo)準(zhǔn)適用性以及模型識別準(zhǔn)確率的檢驗(yàn)還不充分。后續(xù)研究可針對更多型號的TBM設(shè)備,獲取更多圍巖類型的施工數(shù)據(jù),對圍巖分級標(biāo)準(zhǔn)適用性以及模型識別準(zhǔn)確率進(jìn)行充分檢驗(yàn),以更好地指導(dǎo)TBM施工。