基于深度确定性策略梯度(DDPG)与双层代理模型的盾构机螺旋轴结构优化研究

针对盾构机螺旋轴结构设计中存在的效率低下和易陷局部最优问题，研究人员创新性地构建了具有双层渐进结构的仿真分析混合代理模型（含GOAE分类器和Self-attention ANN权重分配机制），并改进深度确定性策略梯度(DDPG)算法（采用串并联混合Actor网络及样本相似性过滤机制）。实验证明该方法能快速精准优化螺旋轴参数，提升盾构机掘进安全性与效率，为工程结构智能优化提供新范式。

　　

随着城市化进程加速，地铁隧道建设需求激增，盾构机作为核心施工设备面临严峻挑战。螺旋轴作为盾构机螺旋输送器的关键部件，其结构缺陷易导致断裂事故，严重影响施工安全与效率。传统优化方法依赖遗传算法(GA)等启发式算法，存在计算成本高、易陷局部最优等问题；而高保真仿真（如有限元分析FE）与优化流程的反复迭代更造成巨大资源消耗。如何实现螺旋轴的高效精准优化，成为制约盾构机性能提升的瓶颈问题。

国家自然科学基金资助项目团队创新性地将深度强化学习(DRL)引入工程优化领域。研究首先构建双层代理模型：第一层采用目标导向自编码器(GOAE)分类器筛选可行样本，第二层通过自注意力人工神经网络(Self-attention ANN)动态分配子模型权重，显著提升预测精度。同时改进深度确定性策略梯度(DDPG)算法：设计串并联混合结构Actor网络增强特征提取能力，引入样本相似性过滤机制保障经验回放多样性。基于工业合作伙伴提供的校准仿真数据集验证显示，该方法较传统方案显著提升优化效率与精度。

关键技术包括：1）GOAE分类器实现样本可行性判别；2）Self-attention ANN权重分配构建混合代理模型；3）串并联混合Actor网络增强DDPG策略精度；4）样本相似性过滤机制优化经验回放池。

【螺旋轴失效分析与优化问题】
通过工程案例分析揭示螺旋轴断裂主因：不良地层中不可压缩物体堵塞导致应力集中。提出以最大等效应力、疲劳寿命等为约束条件的多目标优化问题。

【双层渐进结构代理模型】
GOAE分类器通过类别信息辅助训练，平衡两类样本重构能力；Self-attention ANN根据子模型区域表现动态分配权重，在测试集上均方误差降低37.6%。

【改进DDPG算法】
串并联混合Actor网络整合CNN与LSTM优势，策略误差降低29%；相似性过滤机制使样本多样性指数提升42%，加速算法收敛。

【实验与结果讨论】
基于工业级仿真数据的对比实验表明：混合代理模型预测速度较传统FE提升3个数量级；优化后螺旋轴最大应力降低21.8%，疲劳寿命延长35.4%。

结论部分强调，该研究首次将DRL与自适应混合代理模型结合应用于工程结构优化，突破传统启发式算法的局限性。创新提出的GOAE分类器与Self-attention ANN融合机制，为高维非线性系统建模提供新思路；改进DDPG算法在连续动作空间优化中展现出显著优势。研究成果发表于《Engineering Applications of Artificial Intelligence》，不仅为盾构机设计提供智能优化工具，更为复杂机械系统参数优化建立可推广的方法论框架。讨论指出，未来可探索将方法扩展至盾构机其他部件协同优化，并研究迁移学习在跨工程场景中的应用潜力。