基于可解释人工智能的隧道掘进机掘进性能智能预测与决策机制分析方法

《Engineering Applications of Artificial Intelligence》：An explainable artificial intelligence-Based approach for intelligent prediction and decision mechanism analysis of tunnel boring machine excavation performance

　　

准确预测隧道掘进机（TBM）的掘进性能并确保模型可解释性，在硬岩掘进条件下处理含噪、冗余的多源传感器数据时仍具挑战性。为应对此问题，研究人员首先收集实际工程项目中的83,868组掘进数据，并通过灰色关联分析（GRA）从清洗后的数据集中确定10个高度相关的特征参数。随后，采用自适应噪声的完整集合经验模态分解（CEEMDAN）结合小波阈值法进行联合降噪。构建图注意力网络（GAT）与双向长短期记忆网络（BiLSTM）的混合模型，以实现特定能量（SE）、现场贯入指数（FPI）和扭矩贯入指数（TPI）等多性能参数的同步预测。引入贝叶斯优化算法自适应调整超参数，并结合沙普利加性解释（SHAP）从全局和局部视角分析模型的决策机制。利用实际隧道数据集验证表明，该模型在三项性能参数上平均决定系数（R²）达到0.9303，平均绝对百分比误差（MAPE）为2.42%。与基准模型BiLSTM相比，平均决定系数提升6.4%，MAPE降低37.3%。此外，所提出的方法优于主流先进预测模型。其核心创新在于整合CEEMDAN-小波降噪、GAT-BiLSTM时空预测与SHAP可解释性，实现高精度且透明的TBM掘进性能预测。

## 研究背景与问题分析

随着中国"交通强国"战略的深入实施和"新基建"政策的全面推进，隧道及地下工程建设规模呈现跨越式增长，工程埋深不断增加，穿越地质条件日趋复杂。全断面隧道掘进机（TBM）作为集机械、电子、液压和控制技术于一体的高端装备，在深埋长隧道建设中成为不可或缺的核心装备。TBM在隧道施工中的性能评价是隧道工程领域的核心科学问题，其评估精度直接决定工程建设的安全性、经济性、高效性和可控性。然而，TBM掘进系统是典型的复杂系统工程，涉及多参数耦合、强非线性和时变动力学特性，该系统性能评价主要面临三大挑战：地质条件在时空维度上的强不确定性、岩机互作用机理的动态复杂性，以及感知预测模型的精度不足。

目前TBM掘进性能评价方法主要分为三类：基于岩机作用机理的传统力学模型、基于掘进参数统计的指标评价体系，以及基于多源信息融合的智能评估方法。传统力学模型依赖岩石力学参数，需通过昂贵的实验室测试获取，在复杂地质条件下适应性差；统计指标体系的准确性受样本数量和质量限制，缺乏对岩机互作用内在机理的深入考量；基于多源信息融合的智能评估方法虽为前沿方向，但仍面临三大挑战：高维数据特征选择缺乏系统指导、现有深度学习模型处理TBM长时序和多参数耦合数据存在局限、模型超参数依赖人工调优且"黑盒"结构不透明。

为此，研究人员提出了一种融合图注意力网络（GAT）-双向长短期记忆网络（BiLSTM）架构、系统化数据预处理与可解释性分析的智能预测方法，以实现关键性能参数的精确预测和模型决策机制的透明化。

## 核心技术方法

研究所用主要关键技术方法包括：基于灰色关联分析（GRA）的特征选择与优化，自适应噪声的完整集合经验模态分解（CEEMDAN）结合小波阈值法的联合降噪处理，图注意力网络（GAT）捕获参数间复杂空间相关性，双向长短期记忆网络（BiLSTM）挖掘掘进过程动态时序规律，贝叶斯优化算法自适应调优超参数，以及SHAP可解释性分析从全局和局部视角解析模型决策机制。样本来源于实际工程场景中单台TBM的73个传感参数，经筛选后保留10个关键参数。

## 研究结果

**CEEMDAN分解原理与联合降噪**

CEEMDAN是一种基于对比经验模态分解（EMD）改进的信号分解方法，适用于处理非线性和非平稳信号。EMMD将原始信号X(t)分解为一系列本征模态函数（IMF）和残差分量。研究人员通过联合CEEMDAN与小波阈值法进行降噪，平均信噪比提升13.8 dB，显著提高了数据质量和模型训练效率。

**问题定义与模型整体架构**

针对TBM掘进过程中前进速度、每转贯入量等关键掘进参数的非线性和时依赖性特征，研究人员构建了融合GAT和BiLSTM网络的预测模型。模型输入为传感器采集的时序数据，输出为未来时刻的关键性能参数如FPI、TPI和SE。

**实验与分析**

研究从实际工程场景中的TBM收集了涵盖刀盘、推进、驱动、液压和电气整个系统运行状态的73个传感参数。遵循两项定量标准筛除不必要特征：数据缺失率大于20%的异常采集参数；方差接近0且无动态变化的常数参数。筛选后保留10个关键参数。

**模型可解释性SHAP分析**

GAT-BiLSTM模型作为深度学习驱动的预测模型，其内部参数映射关系和决策过程具有"黑盒"特性，无法直接从模型结构推导出预测逻辑。研究人员采用SHAP分析方法，从全局和局部视角验证模型预测的合理性、识别关键影响因素并揭示局部预测机制。

## 讨论与结论

研究的主要结论如下：利用灰色关联分析确定了与FPI、TPI和SE最相关的十个掘进参数；提出基于CEEMDAN和小波阈值的联合降噪方法，平均信噪比提升13.8 dB；所构建的GAT-BiLSTM模型在关键性能参数预测上表现优异，R²值和MAPE指标均显著优于基准模型和主流先进模型。该研究通过整合时空特征学习与可解释人工智能，为TBM掘进性能的智能预测和决策支持提供了高精度、透明化的技术途径。

研究发表于《Engineering Applications of Artificial Intelligence》。