基于数据的动态优化技术用于提高TBM（隧道掘进机）的破岩效率：一个具有地质安全约束的、稳健且可推广的框架

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Data-driven dynamic optimization of TBM rock-breaking efficiency: A robust and generalizable framework with geological safety constraints

动态优化框架提升盾构机岩破效率与安全适应性|地质相似性|多目标优化|岩破效率|安全约束

　　

薛亚东|罗伟|王伟|杨金文|焦守增|唐杰

同济大学岩土工程系，上海，中国

摘要

在深长隧道中，隧道掘进机（TBM）的破岩效率往往受到地质复杂性和基于经验的控制方法不确定性的限制，这使得难以实现兼顾效率与安全的动态优化。为了解决这一挑战，本研究提出了一个多目标动态优化框架，该框架以历史隧道掘进数据为驱动，综合考虑了能源效率、掘进速度和地质安全性。该框架基于空间地质相似性重建掘进数据，并结合树结构Parzen估计器（TPE）和LightGBM算法开发了一个轻量级的破岩响应预测模型。具体能源消耗和掘进速度被定义为优化目标，而不同围岩条件下的安全阈值则作为约束条件。采用统一非支配排序遗传算法III（U-NSGA-III）来优化掘进控制参数。结果表明，所提出的框架具有较高的预测准确性（R2 ≥ 0.95），同时具备较强的鲁棒性和泛化能力，并能敏感地反映未开挖区域的性能变化。该模型还支持小样本跨项目训练和动态更新，为新隧道项目的早期应用提供了实际可行性。考虑到不同岩级对效率和安全性的不同优先级，优化结果显示：在II级和III级岩层中，该方法分别使掘进速度提高了19.25%和17.98%；在IV级和V级岩层中，具体能源消耗分别降低了5.39%和7.43%。本研究为TBM破岩效率的动态控制提供了一种高效且通用的数据驱动解决方案，提升了TBM隧道施工中的地质适应性。

引言

由于施工适应性强、维护方便且建造成本较低，夹持式隧道掘进机（TBM）在岩体隧道建设项目中得到了广泛应用（Li等人，2019年）。其破岩效率与地质条件和掘进控制技术密切相关。特别是在深埋长隧道施工中，复杂的地质条件使得操作人员难以根据地质情况实时动态调整设备运行（Chen等人，2021年；Lin等人，2024年）。这种不匹配常常导致切割头过度磨损和项目进度延误。因此，对TBM破岩性能进行动态优化对于降低建造成本和项目工期至关重要，同时必须确保施工安全。

具体能源消耗（SE）和掘进速度（AR）是影响TBM破岩过程成本、效率和安全性的关键因素。SE是指破坏单位体积岩石所需的能量，受推力（TH）、扭矩（TOR）和掘进速率（PR）的控制（Snowdon等人，1982年）。较高的SE不仅会增加能源浪费和成本，还会加速硬岩中的切割头磨损。在多种地质环境中平衡SE和AR的优化以满足安全要求仍是一个重要的工程挑战。

明确岩机相互作用机制是实现TBM破岩性能优化的首要条件，这有助于准确预测在不同掘进控制策略下的SE和AR变化趋势（Cao等人，2024年）。为了建立地质参数、控制参数与掘进性能之间的关联，人们进行了大量理论分析、实证模型和数值模拟研究，例如科罗拉多矿业学院模型（Rostami，1997年）、挪威科技大学模型（Hassanpour等人，2010年）以及线性切割机测试（LCM）（Pan等人，2019年）。这些建模方法从简单到复杂不断改进，需要确定岩石力学参数，如抗压强度、抗拉强度和脆性指数。然而，由于TBM施工的空间限制，这些地质参数的实时测量存在很大困难。传统模型在捕捉复杂的非线性岩机相互作用关系方面缺乏高精度和鲁棒性。

随着数据采集系统和人工智能（AI）技术的进步，一些基于机器学习（ML）的岩-TBM相互作用模型应运而生（Li等人，2023a）。这些模型利用现场测量数据挖掘数据变化模式，包括随机森林（RF）（Zhou等人，2021年）、人工神经网络（ANN）（Armaghani等人，2019年）、深度信念网络（Feng等人，2021年）和长短期记忆网络（LSTM）（Mahmoodzadeh等人，2022年）。尽管ML通过其高维非线性建模能力降低了掘进性能的实时预测误差，并对特定地质参数有严格要求，但时间序列预测模型的性能并不理想，因为其下一步参数仅仅是过去状态的延迟复制（Erharter和Marcher，2021年）。这一限制阻碍了符合物理原理的动态岩机相互作用框架的建立。此外，以1 Hz采样频率记录的隧道时间序列数据本身包含测量噪声和非平稳变化，影响了破岩性能的真实趋势识别。

值得注意的是，决策变量与优化目标之间的建模精度直接决定了多目标优化解决方案的工程有效性。在深埋长隧道项目中，地质参数（如岩性、岩体强度、节理强度）沿掘进方向存在显著的空间变异性，而现有的数据驱动模型未能充分验证地质域的泛化能力和更新鲁棒性。隧道直径、TBM类型和地质剖面的固有差异给基于历史项目数据训练的模型在新工程场景中的直接应用带来了挑战。为此，Li等人（2023b）从机械分析角度建立了不同项目之间的数据转换关系，为ML跨项目泛化提供了新思路。

TBM破岩性能的优化系统由四个核心组成部分构成：（1）目标函数；（2）决策变量空间；（3）动态安全约束；（4）优化算法。在复杂的地质工程实践中，动态描述安全约束和协调的多目标优化对于确保模型可靠性至关重要。然而，地质条件的不确定性阻碍了TBM掘进过程中安全约束的精确数学表达。此外，SE和AR之间的非线性耦合关系对优化算法的全局搜索能力和实时性能提出了挑战（Fan等人，2022年）。智能搜索算法，如遗传算法（Chen等人，2025年）、粒子群优化（PSO）（Li等人，2023c）和灰狼优化器（Liu等人，2022年），能够模拟自然现象、生物行为或社会机制，表现出对复杂、高维和动态多目标优化的出色适应性。其中，非支配排序遗传算法（NSGA）系列通过非支配排序和多样性保持策略实现了解集的收敛性和多样性（Huang等人，2025年）。特别是统一非支配排序遗传算法III（U-NSGA-III）在处理非凸和分段Pareto前沿时表现更优，同时大幅减少了大规模问题的计算时间（Seada和Deb，2016年）。

总体而言，当前基于数据的TBM动态优化框架受到两个主要限制：（1）实时岩体力学参数的获取不足，导致许多时间序列预测模型虽然显示高精度，但实际上可能只是输入的延迟复制，而非真正的岩机机制学习结果；（2）缺乏可靠的评估标准来验证这些模型是否真正掌握了破岩机制，并能在不同地质段保持泛化能力。为了解决这些挑战，本研究提出了一个基于历史数据建模的新型多目标优化框架，用于动态破岩性能优化。该框架结合了树结构Parzen估计器和LightGBM算法以及U-NSGA-III算法，在围岩稳定性和设备载荷约束下实现TBM破岩的实时优化控制。主要贡献包括：（1）一个结合空间地质相似性和岩石可钻性指数的轻量级性能预测模型；（2）一个包含历史序列数据集验证和趋势预测误差分析的评估系统，以验证模型在纵向地质变化中的泛化能力；（3）一个在安全约束下平衡破岩能耗和效率的多目标优化架构，以实现智能TBM控制。

本文的结构如下：第2节回顾了TBM性能预测和多目标优化的相关文献。第3节介绍了所提出的数据驱动优化框架。第4节展示了该框架在两个项目中的应用细节和结果。第5节讨论了预测模型的泛化能力和适用条件。第6节总结了研究结论。

相关研究

过去十年中，AI技术的快速发展显著提升了TBM的岩机相互作用建模能力，使其能够从历史隧道掘进数据中学习高维非线性模式，从而更准确地预测破岩性能。多项研究表明，将ML与目标优化技术相结合为复杂施工问题提供了有前景的解决方案。

方法论

为了提高TBM破岩性能的实时优化控制和地质安全适应性，本研究整合了相邻地质空间的特征工程、TPE-LightGBM和U-NSGA-III算法，提出了一个数据驱动的鲁棒优化框架（图1）。核心组成部分包括：

(1)

数据预处理：从实时掘进数据中提取包含动态岩机相互作用信息的掘进周期。

案例研究

本节使用两个夹持式TBM项目评估所提出的数据驱动动态优化框架。通过特征工程构建了包含不同地质条件和TBM设计特征的空间重建数据集，以支持破岩性能的动态预测。在真实的掘进序列下检验了模型的预测准确性和地质适应性，并进行了安全约束下的多目标优化。

讨论

隧道性能预测模型旨在描述TBM与围岩之间的相互作用。这些模型在不同地质条件下的准确性直接影响下游优化策略的可靠性和有效性。然而，由于隧道掘进的线性和渐进性，纯数据驱动的模型在面对未见过的地质条件时容易失效。

结论

为了解决长深隧道中TBM破岩效率的动态优化控制问题，本研究提出了一个结合TPE-LightGBM和U-NSGA-III的数据驱动多目标优化框架。以两个夹持式TBM项目为案例研究，基于地质连续性和掘进中的控制-响应关系假设，构建了一个具有空间特征重建能力的轻量级破岩性能预测模型。

CRediT作者贡献声明

薛亚东：撰写——审稿与编辑、资源整理、概念构思。罗伟：撰写——初稿撰写、方法论设计、形式分析。王伟：监督、项目管理、资金获取。杨金文：可视化、软件开发。焦守增：验证、数据整理。唐杰：调查、数据整理。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家自然科学基金（项目编号：52478412）和中国建筑业企业管理协会的科技研发计划重点项目（项目编号：2024-A-018）的支持。作者感谢中国铁路工程装备集团有限公司、中国水利水电研究院和水电六局有限公司提供的TBM掘进数据。