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
【字体:
大
中
小
】
时间:2026年02月10日
来源:International Journal of Rock Mechanics and Mining Sciences 8.5
编辑推荐:
陈旭|王超|李明超|刘晓丽 中国武汉430070,武汉工业大学资源与环境工程学院 摘要 对围岩进行准确分类对于确保TBM施工的安全与效率至关重要。为解决现有方法的局限性——它们往往忽视上升阶段的动态特征、在多源数据融合方面存在困难且缺乏可解释性——本研究提出了一种基于交叉注意力变
陈旭|王超|李明超|刘晓丽 中国武汉430070,武汉工业大学资源与环境工程学院 摘要 对围岩进行准确分类对于确保TBM施工的安全与效率至关重要。为解决现有方法的局限性——它们往往忽视上升阶段的动态特征、在多源数据融合方面存在困难且缺乏可解释性——本研究提出了一种基于交叉注意力变换器与XGBoost的组合模型(CA-Trans-XGBoost)。研究以 Yinson引水工程第四标段为案例,收集并整理了802天的施工数据及刀具更换记录。通过变换器编码器提取上升阶段的动态特征,利用多层感知机处理稳定阶段的结构化特征,同时引入交叉注意力机制增强特征间的相互作用,最终结合XGBoost进行分类与特征重要性分析。实验结果表明,在六种模型中CA-Trans-XGBoost的性能最佳,其准确率、精确率、召回率及宏观F1值分别为95.0%、93.6%、92.6%和92.9%。该模型在识别II类和V类少数类别时具有明显优势。进一步分析表明,30秒的上升阶段是最优的时间窗口。所提出的方法兼顾了预测精度与可解释性,为智能TBM掘进及参数优化提供了支持。引言 目前,隧道掘进机因具备高效性与安全性,已成为隧道工程建设中的主要设备,广泛应用于地铁系统、高速铁路、水利工程、水电项目以及地下实验室等领域。TBM掘进过程与隧道前方围岩的地质条件密切相关。不同类型的围岩在强度、节理发育状况及水文条件等方面存在显著差异,这些因素会直接影响掘进速度、刀具磨损情况、设备稳定性以及后续支护结构的设计。在TBM掘进过程中,扭矩、推力及掘进速度等各类实时运行参数会被持续记录下来,而这些参数与围岩的稳定性、硬度及完整性密切相关。深入分析这些运行数据有助于实时掌握隧道前方的地质状况,从而优化TBM施工流程。因此,快速准确地识别围岩类型对于实现TBM智能施工及风险预警具有重要意义,它对优化操作参数、保障施工安全以及降低维护成本都具有关键作用。在隧道施工中,地质信息通常通过三种途径获取:地质调查、高级地质预测以及施工监测数据分析。钻孔数据对于早期围岩分类与设计十分重要,但由于其分布稀疏且布局有限,难以实现对隧道前方的连续覆盖,因此在描述复杂地质情况时效果欠佳。地震波勘探和感应极化技术等高级地质预测方法能够高精度地识别界面及异常区域,但由于需要部署专用传感器且解析过程耗时较长,不适合在TBM施工现场快速决策使用。相比之下,实时TBM监测数据直接反映了机器与围岩之间的相互作用,已成为围岩分类研究中的常用数据来源。操作人员通常依靠实时控制面板数据来判断地质变化并调整掘进参数,但这种方法在很大程度上依赖于操作人员的经验与反应能力。近年来,施工监测技术的进步使得能够在TBM掘进过程中收集大量现场数据,为在隧道工程中应用数据挖掘与机器学习方法奠定了基础。众多学者开展了相关研究,他们利用TBM运行参数、振动信号及渣土图像等多源数据,通过机器学习方法预测围岩类别,并取得了不错的成果。侯等人根据上升阶段的30秒斜率以及稳定阶段的10项参数平均值构建了多个输入特征集,还通过基于随机森林的特征重要性排序方法筛选出关键变量,以此验证阶段划分与特征选择策略对模型性能的影响。刘等人以FPI和TPI等掘进评估指标的均值与标准差作为输入数据,结合AdaBoost-CART等多种算法进行分类建模,即使在类别严重不平衡的情况下也能保持较高准确率。薛等人提出了一种基于时间序列分割与深度聚类的智能方法,用于实时分类TBM围岩并感知地质状况,同时验证了该方法的实际应用价值。李等人开发了一种基于LightGBM的模型,通过TPE优化与SHAP解释功能实现TBM围岩分类,并在多个项目中验证了其准确性与泛化能力。赵等人提出了一种基于诺模图的方法,利用上升阶段的施工数据预测TBM围岩类别,该方法取得了0.92的AUC值,同时通过透明的参数评分提升了模型的可解释性。博等人提出了一种SMBO(RF)-CatBoost混合模型,该模型能够准确预测TBM围岩类别,还能通过特征选择及改进的TPI'计算方法提升实际应用效果。董等人提出了一种AIF策略,将五个TBM掘进参数转换为融合图像,再利用ResNet模型进行围岩分类,其F1得分达到了0.83,性能优于LightGBM和随机森林基准模型。杨等人将TBM运行数据与刀具磨损特征相结合,运用STFO-KNN及神经网络方法,实现了94%的分类准确率及97%的AUC值,用于围岩质量预测。工程应用结果表明,这些方法确实能够在一定程度上实现围岩分类。尽管现有研究在TBM围岩类别识别方面已取得一定进展,但在实际工程应用中仍面临诸多挑战。首先,TBM掘进过程具有明显的阶段性特征,不同阶段如上升阶段与稳定阶段的围岩响应机制也存在显著差异。然而,目前大多数研究仅关注稳定阶段的参数,忽视了掘进过程中上升阶段所蕴含的时间动态信息,这导致模型在复杂地质条件下的适应性不足。其次,TBM运行数据具有多源异构性,既包含可掘进性指数、刀具更换记录等结构化统计特征,也包含每个掘进周期内各类参数的完整轨迹等高维时间序列特征。这类数据维度高且特征间相互作用复杂,传统机器学习模型难以完全捕捉其动态演化规律。第三,目前大多数模型仍属于“黑箱”类型,无法从机制层面解释预测结果,也无法分析特征的重要性,这无法满足工程中对模型透明度及决策可追溯性的要求。基于以上分析,本研究需要探讨的关键问题包括:(1)如何整合TBM掘进过程中产生的海量运行数据与刀具更换信息,构建逻辑清晰且时间上连贯的数据库?(2)在数百个运行参数中,如何识别出最具代表性且最能区分不同围岩类别的关键参数?(3)如何构建一种多源数据驱动的模型,既能整合时间动态特征,又能考虑结构化统计特征,尤其是在围岩类别易受剧烈地质变化影响的情况下?(4)如何评估模型的预测能力,以及哪些因素对提升模型的可解释性起着决定性作用?为解决上述问题,本文提出了一种基于多源数据驱动的TBM围岩类别分类方法。首先,整合TBM运行参数与刀具更换信息,构建涵盖上升阶段与稳定阶段的多源数据库;其次,从数百个运行参数中筛选出与围岩类别高度相关的关键控制参数,以减少冗余信息并突出有用特征;在此基础上,设计了一个基于变换器的预测框架,该框架整合了多种类型特征:变换器编码器用于提取时间特征,多层感知机用于处理结构化特征,而交叉注意力机制则可强化这两种特征之间的相互作用。最后,结合XGBoost实现多类围岩预测及特征重要性分析。通过四种分类指标验证了所提模型的有效性,证明了其在支持智能TBM掘进及优化施工参数方面的潜力。本研究的主要贡献如下:(1)提出了基于交叉注意力变换器的多阶段TBM数据建模框架,该框架将上升阶段的高维时间特征与稳定阶段的结构化统计特征相结合,通过结构引导型的交叉注意力机制增强了不同类型数据源之间的相互作用,从而比传统的单阶段分析更能全面反映不同掘进阶段下机器与围岩之间的复杂相互作用规律;(2)明确了刀具更换频率在多源数据融合中的关键作用,为工程实践提供了指导。研究表明,将刀具更换频率与关键的TBM运行参数一起考虑,对于准确识别围岩类别尤为重要,尤其是对于II类和V类这类高风险少数类别。在工程应用中,重点监测刀具更换频率能够直接反映刀具与围岩之间的相互作用情况,这弥补了仅依赖机械传感器数据的不足,为提高复杂地层中地质识别的准确性提供了实用策略;(3)确定了最优的感知时间窗口及决定性影响因素,为智能隧道施工提供了依据。研究证明,30秒的上升阶段是平衡预测效率与信息获取能力的最佳时间窗口。此外,通过结合GraN-DAG因果结构建模与XGBoost特征分析,本研究还找出了围岩分类的直接因果因素,这些发现提升了模型的机制可解释性,为TBM操作人员优化施工参数提供了可靠的决策支持。本文的其余部分结构如下:第2节阐述研究方法及改进后的变换器模型;第3节介绍数据库构建与数据预处理过程,以及特征选择与因果结构建模方法;第4节构建模型,并通过工程案例进行对比分析;第5节探讨时间序列长度对模型性能的影响,同时通过消融实验分析不同特征的作用;第6节对全文进行总结。流程框架 如图1所示,该框架基于变换器模型对TBM运行数据及刀具更换数据中的多源信息进行围岩类别分类,整个流程包含以下四个步骤:第一步:TBM数据收集。此步骤旨在在TBM施工过程中同步收集来自不同来源的数据。在本研究中,TBM的运行参数由机载传感器实时记录,涵盖推力、刀盘转速及扭矩等连续变量。数据库构建 本研究以中国Yinsong引水工程的第四标段为研究对象,构建了一个涵盖整个掘进周期的TBM掘进数据集。图3展示了该工程的地理位置,该工程位于楚卢河与银马河之间,整体走向为东北至西南方向,地形以低丘与山谷交替分布为主。该引水隧道的总长度为22,955米,其中大约……模型建立 围岩类别识别模型是在交叉注意力变换器框架下,利用TBM的多源运行数据及刀具更换数据构建的,其目的是实现TBM掘进过程中围岩类别的智能识别。该模型包含两个主要的特征提取模块:首先通过多层感知机提取稳定阶段的结构化特征,再将上升阶段的时间特征进行线性变换以扩展其表现能力。序列长度的影响 本节研究时间动态特征序列的长度如何影响模型的预测性能。由于变换器模型在模拟时间依赖关系方面具有较强能力,因此选择合适的时间序列长度对模型性能至关重要。在本研究中,选取了TBM掘进过程中上升阶段的若干关键运行参数作为输入的时间特征。从机器与围岩相互作用的视角来看……结论 本研究提出了一种基于交叉注意力变换器与XGBoost的多源数据驱动方法,用于智能识别与分类TBM隧道围岩。通过整合TBM运行数据与刀具更换特征,所提出的方法能够有效提取围岩分类所需的关键信息,在多项评估指标上的表现均优于传统模型:(1)所提出的多源融合模型显著提升了……CRediT作者贡献声明 陈旭:撰写——审阅与编辑、方法论、概念构思。王超:撰写——初稿撰写、方法论、数据整理。李明超:撰写——审阅与编辑、监督工作。刘晓丽:写作——审稿与编辑,监督工作。利益冲突声明作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢本文谨以此纪念我们尊敬的导师王思敬教授。我们衷心感谢他在本研究初期给予的宝贵指导与鼓励。在开展这项研究之前的几年里,王教授就研究方向给予了早期指导,并提出了富有见地的学术建议,这些都对我们的工作产生了激励作用。他严谨的科学态度以及对学术诚信的坚守,至今仍对我们の研究产生着深远影响。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号