基于无监督深度学习的TBM围岩感知与多目标参数优化方法研究

针对隧道掘进机(TBM)施工中围岩状态实时评估难题，研究人员提出了一种基于堆叠稀疏自编码器-模糊C均值(SSA-FC)的无监督深度学习围岩感知方法，结合NSGA-III算法构建了以贯入速率(P)、盘形滚刀磨损(Cw)和破岩比能(SE)为优化目标的多目标优化框架。经80组工程案例验证，该方法使贯入率平均提升50.19%，能耗降低88.23%，刀具磨损减少79.52%，为复杂地质条件下TBM智能施工提供了决策支持。

　　

在隧道工程建设领域，隧道掘进机(TBM)因其高效、安全的特性已成为岩石隧道开挖的首选设备。然而，复杂多变的地质环境始终是制约TBM效能发挥的关键因素——不可预见的围岩条件可能导致隧道大变形甚至坍塌，而滞后的参数调整又会引发设备异常磨损。传统地质勘探方法精度有限，基于人工经验的参数调控难以实现岩机动态适配，这些问题严重影响着TBM施工效率和工程安全。

针对这些挑战，Changrui Yao等研究团队在《Results in Engineering》发表创新成果，通过融合无监督深度学习与多目标优化理论，建立了TBM围岩状态实时感知与参数智能优化体系。研究团队首先采用自适应分段常数逼近(APCA)对TBM运行数据进行降维处理，结合组合式异常值检测算法构建高质量数据集；继而开发了堆叠稀疏自编码器-模糊C均值(SSA-FC)深度聚类模型实现围岩分级；最终基于NSGA-III算法构建了以贯入率(P)、盘形滚刀磨损(C_w)和破岩比能(SE)为核心的多目标优化框架。

数据集构建

研究数据源自中国内蒙古某TBM项目，通过相位分割、APCA降维和集成异常检测等预处理手段，从6419个掘进循环中筛选出4987组有效数据。特征选择保留了推力(F)、扭矩(T)等13个关键参数，其非高斯分布特性通过归一化处理得以优化。

模型构建

SSA-FC模型采用对称的三层编码器-解码器结构(64-128-64节点)，通过KL散度损失函数实现特征空间与聚类中心的联合优化。与传统的FC和SSA+FC模型相比，SSA-FC的轮廓系数(SS)提升至0.497，Calinski-Harabasz评分(CHS)达14551.585，证明其具有更优的簇内凝聚性和簇间分离性。

围岩感知结果

模型将围岩划分为Ⅰ-Ⅴ类，其中Ⅱ类围岩表现出最高贯入率(4.446±1.888 mm/r)和最低FPI值(63.892)，而Ⅳ类围岩则需更大推力(5975±1553 kN)且SE达30805±10947 kW，这与BQ分类法具有显著地质对应性。特别在断层识别方面，PSFC分类较传统方法灵敏度提升32%。

多目标优化应用

在80组工程案例验证中，优化方案使贯入率平均提升50.19%，能耗降低88.23%，刀具磨损减少79.52%。研究同时发现，在Ⅳ/V类围岩中采用"安全优先"策略(选取Pareto前沿前20%低磨损解)可平衡效率与设备损耗。

这项研究开创性地实现了TBM施工的"地质感知-参数优化"闭环控制，其提出的SSA-FC模型在无监督条件下仍能保持0.607的Davies-Bouldin指数(DBS)，显著优于传统聚类方法。工程应用表明，该体系可使TBM在复杂地质条件下的综合施工效能提升46%，为智能掘进技术的发展提供了重要范式。未来研究可进一步融合多模态地质数据，拓展模型在异形盾构等场景的适用性。