一种基于交叉注意力变换器和多源数据融合的TBM隧道围岩智能识别与分类方法

《International Journal of Rock Mechanics and Mining Sciences》：An intelligent recognition and classification method for TBM tunnel surrounding rock based on cross-attention transformer and multi-source data fusion

岩石分类与智能掘进：提出基于交叉注意力Transformer与XGBoost的多源数据融合模型，通过时间序列与结构化特征交互提升隧道周围岩体分类精度，验证30秒上升阶段为最优时间窗口，并实现特征重要性解析与因果机制分析。

　　
近年来，隧道掘进机（TBM）在复杂地质条件下的智能化作业需求日益迫切。研究表明，准确识别围岩类别对确保掘进安全、优化施工参数具有重要价值。然而，传统方法在多阶段动态数据融合、多源异构数据处理及模型可解释性方面存在显著局限性。针对这些挑战，某研究团队提出了一种融合交叉注意力Transformer与XGBoost的混合模型（CA-Trans-XGBoost），并在引江灌区第四标段工程中开展了系统性验证。

在数据采集方面，研究团队构建了包含802天完整掘进记录的数据库，整合了实时传感器数据（如推力、刀盘转速、扭矩等动态参数）与刀具更换日志（Crf指标）。值得关注的是，该工程涉及非均质岩层分布，地质条件在掘进过程中呈现明显的阶段性差异。这种时空异质性特征导致传统单阶段分析模型难以捕捉地质变化的动态规律，而现有多源数据融合方法在特征交互机制和时序建模能力上存在不足。

针对数据融合难题，研究创新性地设计了"双通道特征提取+交叉注意力交互"的架构。在时序数据处理方面，采用Transformer编码器对掘进上升阶段（0-30秒）的连续参数进行建模，重点捕捉机器-岩体相互作用中的瞬态特征。特别需要指出的是，30秒的时间窗口经过多组对比实验验证，在信息完整性与计算效率间取得平衡，既保留了地质突变的关键信号，又避免了冗余数据带来的计算负担。对于稳定阶段（30-60秒）的离散参数，则通过多层感知机（MLP）进行结构化特征转换，将刀具磨损频率、掘进效率指数等静态指标转化为可交互的数值特征。

模型的核心突破在于引入跨模态注意力机制。这种机制通过建立时序数据与结构化参数之间的动态关联，显著提升了多源数据的协同表达能力。例如，当刀具磨损频率出现异常波动时，系统可自动关联到掘进推力与刀盘转速的同步变化，从而准确识别围岩类别。这种设计不仅增强了模型对地质突变事件的适应性，还通过注意力权重可视化提供了决策依据，使操作人员能够直观理解不同参数对分类结果的影响程度。

在工程实践中，该模型展现出超越传统机器学习算法的显著优势。对比实验表明，CA-Trans-XGBoost在准确率（95.0%）、召回率（92.6%）和宏F1值（92.9%）等核心指标上均优于随机森林、XGBoost单模型及深度学习基准模型。特别值得注意的是，模型对 minority classes（II、V类围岩）的分类性能提升尤为突出，其召回率分别达到89.7%和91.2%，较传统方法提升约15个百分点。这种改进源于对刀具更换日志的深度整合——Crf指标与掘进参数的交互特征可有效识别软弱夹层等高风险地质体。

在模型可解释性方面，研究团队采用XGBoost的特征重要性评估结合注意力权重分析，揭示了多源数据融合的关键路径。实验发现，刀具磨损频率（Crf）与掘进扭矩的交互特征对V类围岩分类具有决定性作用，其综合贡献度达42.3%。这种因果关系的可视化分析，为操作人员提供了参数调整的优先级指引：当Crf指标异常时，需同步监测推力波动和刀盘转速变化，及时调整掘进参数以避免地质误判。

该研究的工程价值体现在三个方面：首先，构建了包含动态时序数据与静态结构数据的标准化数据库，为后续研究提供了可复现的数据基础；其次，提出的"结构-时序"双通道融合框架，突破了传统方法仅依赖时序特征或结构化特征的局限，在引江灌区复杂地质条件下实现了98.7%的总体识别准确率；最后，通过因果结构建模（GraN-DAG）与注意力机制的结合，不仅提升了模型对地质突变事件的鲁棒性，更建立了参数影响链路的可视化图谱，使操作人员能够通过参数调整直接影响分类结果。

实际应用表明，该模型在工程决策中具有显著优势。在某标段施工中，当模型检测到Crf指标突然上升且注意力权重集中在推力-转速组合特征时，及时调整了掘进速度和支护强度，成功避免了两次潜在塌方事故。经济性分析显示，模型使刀具更换周期平均延长22.5%，单公里隧道维护成本降低18.7%，充分验证了其技术经济效益。

该研究为智能掘进系统开发提供了重要参考。其创新点体现在：① 提出时序-结构双模态融合框架，解决了异构数据建模难题；② 开发了动态注意力权重分配机制，实现了地质特征的多维度关联分析；③ 构建了因果推断模型，建立了参数调整与地质响应的映射关系。这些成果不仅推动了TBM智能控制技术的发展，更为地质-机械系统协同建模开辟了新路径。

未来研究可进一步探索方向包括：① 构建多项目数据共享平台，提升模型泛化能力；② 开发轻量化边缘计算模型，满足现场实时决策需求；③ 结合地质力学理论，完善特征工程的物理意义映射。这些改进将进一步提升模型在复杂地质条件下的实用价值，为智能化隧道施工提供更强大的技术支撑。