复杂地层中盾构刀具磨损的数据驱动预测：模型比较与可解释性研究

盾构施工中刀具磨损的实时精准预测是控制成本与安全风险的关键。中国研究人员针对复杂地层工况，基于大直径盾构项目数据，对比了CNN(卷积神经网络)、GBM(梯度提升机)等13种机器学习模型性能，最优CNN模型R2 达0.8749，并通过SHAP方法解析关键影响因素（如刀具安装半径）。研究建立了工程适用的对数回归经验公式(R2 =0.751)，为AI驱动的盾构施工优化提供新范式。

　　

在城市化进程加速的背景下，盾构隧道施工因其高效安全的特点成为地下空间开发的主流技术。然而复杂多变的地层条件让盾构机"牙齿"——盘形滚刀的磨损问题日益凸显。传统维护依赖人工检测和经验公式，犹如"盲人摸象"：CSM（科罗拉多矿业学院）和NTNU（挪威科技大学）等经典模型在均质地层表现尚可，但面对深圳等地的"千层饼"地质却捉襟见肘。更棘手的是，频繁停机换刀可能消耗项目三分之一的预算，而盲目操作还会引发刀盘卡死、掌子面坍塌等连锁风险。

中国研究人员以深圳某超大直径（15.8米）盾构项目为试验场，构建了包含TBM操作参数、刀具力学特性和地质条件等12维特征的数据集。通过系统比较统计学习、集成学习和深度学习三大类13种算法，发现CNN模型以R²
0.8749的预测精度脱颖而出，较传统经验模型提升16%。研究创新性地引入博弈论启发的SHAP（SHapley Additive exPlanations）方法，揭示刀具安装半径是对磨损影响最大的"幕后推手"。为满足现场快速评估需求，团队还推导出对数回归经验公式，虽精度稍逊（R²
0.751），但计算效率提升百倍。

关键技术方面，研究采用十折交叉验证确保模型泛化性，运用贝叶斯搜索优化超参数，并通过数据扰动测试验证CNN与KNN（K-最近邻）模型的鲁棒性。来自中国铁路工程装备集团的现场数据，经标准化、异常值处理等预处理后，输入TensorFlow和scikit-learn框架构建的预测系统。

模型开发部分显示，CNN凭借局部感知特性有效捕捉地层-机械交互的时空特征，其隐藏层神经元激活模式与刀具受力突变点高度吻合。相比之下，GBM（梯度提升机）虽在简单地层表现接近（R²
0.8427），但在含孤石地层预测误差骤增23%。数据增强策略使样本量扩展1.8倍，显著缓解了小样本导致的过拟合问题。

SHAP分析呈现颠覆性发现：传统认为关键的推力参数贡献度仅排第5，而刀具安装半径的SHAP值高达0.48±0.07，这与刀具线速度随半径增大而提升的力学原理相符。研究还建立Pearson相关系数矩阵，揭示地质参数与磨损量存在显著非线性关系（p<0.01）。

讨论部分指出，该框架成功突破"算法黑箱"困境：CNN模型每轮预测耗时仅0.3秒，配合经验公式形成"双轨制"解决方案。实际应用中，系统在深圳项目提前17环预警刀盘异常磨损，避免可能导致的300万元损失。作者建议未来研究可融合PINN（物理信息神经网络）强化小样本学习能力。

这项发表于《Engineering Applications of Artificial Intelligence》的研究，标志着盾构施工从"经验驱动"到"数据驱动"的范式转变。其价值不仅在于创立当前复杂地层下的最优预测模型（CNN），更开创性地构建了"理论建模-数据挖掘-工程验证"的全链条研究方法，为隧道智能建造树立新标杆。正如审稿人所言："这是AI与地下工程碰撞出的璀璨火花，其方法论可推广至桩基施工、矿山开采等复杂岩土工程场景。"