基于多元变权组合模型的盾构掘进参数智能预测方法研究

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Research on shield parameter prediction method based on multivariate variable weight combination model

本文提出一种融合注意力机制（AM）的长短期记忆网络（LSTM）与极端梯度提升（XGBoost）的多元变权组合模型，用于精准预测盾构机的刀盘扭矩和总推力这两项关键被动响应参数。该模型通过对隧道掘进指数（TPI）和地层掘进指数（FPI）的实时监测分析，动态识别掌子面地层特性，在汕头湾海底隧道不同岩层段的应用中表现出色（刀盘扭矩平均预测精度92.6%，总推力89.1%），为盾构智能施工的安全高效推进提供了重要技术支撑。

　　

Highlight

组合模型方法

组合模型预测是一种整合多个预测模型输出以提高预测精度的策略（Che等人，2024年）。综合多个模型的结果能显著减少单一模型的误差，从而提升整体预测的稳定性和可靠性。其核心思想是利用不同模型的互补优势，整合它们的输出，以生成更准确、更可靠的预测。这种方法的优点在于……

输入与输出特征选择

刀盘扭矩和总推力是盾构机的两项被动响应参数，在掘进过程中扮演着重要角色。总推力是盾构机的动力来源，而刀盘扭矩是实现切削土体所需的必要旋转扭矩。这两个参数都反映了盾构机与周围土体相互作用的运行状态。它们对于刀盘的正常运转、减少磨损、维持高效掘进速度以及灵活调整盾构机运行参数至关重要。

输入特征重要性分析

XGBoost梯度提升技术的一个显著优势是，在提升树构建完成后，能够相对容易地获取每个属性的重要性评分。在决策树的构建过程中，特征被用于做出重要决策的频率越高，其相对重要性就越显著（Yang等人，2025年）。训练好的XGBoost模型可以自动计算每个特征在预测掘进参数时的重要性分数。

工程验证

构建盾构掘进参数预测模型时，选择具体的环号数据需要综合考虑多种因素。首先，必须确保数据的地质代表性，所选环号应能反映盾构机在不同地质条件下的典型运行状态。其次，数据的连续性和稳定性对于模型学习稳定模式至关重要。第三，所选环号应……

结论

本研究提出了一种基于多元变权组合神经网络的掘进参数预测模型。该模型将AM集成到LSTM中，并通过XGBoost进一步优化和调整模型，实现了对刀盘扭矩和总推力的精准预测。结论如下：

(1) TPI和FPI综合表征了地层的力学特性和掘进性能。对这两个指数进行实时监测和分析，有助于动态判断当前掘进面的地层类型和性质，为预测模型提供关键输入。

(2) 所提出的多元变权组合预测模型在汕头湾海底隧道的硬岩段、软岩段和上软下硬段进行了验证。结果表明，该模型对刀盘扭矩的平均预测精度达到92.6%，对总推力的平均预测精度达到89.1%，展现出优异的预测性能。

(3) 该模型有效预测了盾构机的关键掘进参数，为评估盾构掘进运行状态和优化参数调整提供了有价值的指导，对保障盾构安全、智能掘进具有重要意义。