综合考虑小曲率效应的海洋软土中屏蔽姿态预测的集成变压器方法

《AUTOMATION IN CONSTRUCTION》：Integrated transformer approach for shield attitude prediction in marine soft soils considering small curvature effects

　　徐志姚 | 沈军 | 沈翔 | 鲍晓华 | 陈向生 | 崔宏志
中国广东省深圳市深圳大学土木与交通工程学院智能岩土与隧道国家重点实验室，518060

**摘要**
在海洋软土中准确预测盾构机姿态仍然具有挑战性，尤其是在小曲率隧道段，挖掘会扰动土壤结构并导致非线性响应。传统的数据驱动方法往往忽略土壤性质和曲率效应，从而在复杂地质条件下降低预测可靠性。本文开发了一种集成经验模态分解（EMD）–主成分分析（PCA）–Transformer的框架，该方法结合了EMD用于去噪、PCA用于特征压缩，以及Transformer编码器用于序列学习。利用在海洋软土中挖掘的盾构隧道现场数据，分析了32个参数以量化它们之间的相互依赖性。引入海洋软土参数后，预测准确性得到提高，尾部水平偏差的均方根误差（RMSE）降低了46.15%，R2值从0.85增加到0.97。与五个基准方法相比，所提出的框架显示出更优越的准确性和稳定性。结果表明，整合土壤行为和曲率约束对于在复杂地质环境中实现可靠的盾构机姿态预测具有重要意义。

**引言**
在海洋软土中进行小曲率半径的盾构隧道施工涉及由挖掘扰动、孔隙压力重分布和几何约束驱动的高度耦合的非线性过程。这些条件会削弱土壤结构，增加变形敏感性，并显著增加保持轨迹控制的难度。海洋环境进一步加剧了这些挑战：长期的循环荷载（包括波浪引起的压力变化）不断改变周围土壤的刚度和 excess 孔隙压力，导致承载能力降低和变形差异。因此，在海底隧道建设中实现稳定且精确的盾构机姿态控制变得至关重要。

在盾构机操作过程中，盾构机姿态是一个关键参数，它显著影响隧道施工[1]。盾构机姿态指的是隧道施工过程中的位置和 orientations，包括切削头平面、尾部平面、切削头高度、尾部高度、俯仰角和滚转角。实际上，姿态控制依赖于数十个耦合的隧道参数以及操作员的主观经验，这在复杂的地质条件下会导致稳定性较差。因此，Kang等人[2]使用LSTM-attention进行关键参数权重分配，Zhao等人[3]提出了基于SHAP的特征筛选方法，Chen等人[4]应用了具有时间衰减的时间感知LSTM来处理不规则的时间间隔。准确的预测为操作员的调整决策提供了科学依据[5][6]，这对于防止隧道偏差和变形以及确保隧道路径精度至关重要[7]。因此，研究人员越来越多地追求盾构机姿态的预测技术。一些研究人员通过理论分析和数值模拟分析了不同条件下影响姿态变化的因素。例如，Mo和Chen[8]使用ADINA软件开发了一个九段环形盾构隧道数值模型，以分析挤压力、顶进推力、注浆压力和土压对隧道姿态的影响。Zhou等人[9]提出了一个包含小波变换噪声滤波器、卷积神经网络特征提取器和长短期记忆预测器的框架，用于确定盾构机未来的位置。他们利用苏州地铁1号线项目的数据应用该模型来识别不同单元荷载和荷载组合下被动铰接盾构机的姿态变化模式和潜在的机械响应。还开发了一个大规模盾构隧道模型测试平台，以研究盾构机周围土压和孔隙水压的分布及演变情况，以及在现场姿态调整过程中的地表位移[10]。Lazemi和Soleiman[11]提出了一种基于实际隧道项目收集的数据，利用下降模量和每个切削头的等效推力来预测隧道掘进机（TBM）推进速率的实证方法。Hu等人[12]提出了一种降维土压平衡（EPB）盾构机，并开发了相应的三维离散元方法模型，重点研究了切削头开口比和相对隧道深度对EPB隧道施工过程中地面移动和应力扰动的影响。尽管这些方法减少了对大量地质和姿态数据的依赖，但它们需要对复杂的现场情况进行大幅简化[13]。因此，计算出的姿态变化与实际情况存在很大偏差。此外，实际施工中涉及的众多参数使得建模变得复杂，而盾构机姿态演变的高度非线性特性在开发精确的数学和力学模型方面提出了根本性挑战。

随着传感技术和人工智能的快速发展，机器学习方法在盾构隧道应用中日益重要。包括随机森林（RF）[14][15]、支持向量机（SVM）[16]和相关向量机（RVM）[17]在内的各种模型已被用于预测盾构机行为。同时，随着数据量的增加和计算能力的持续提升，能够处理高维非线性问题的深度学习方法也被越来越多地采用，以提高盾构机姿态的预测准确性。典型的应用包括基于Transformer的地面沉降预测[18]、隧道参数的多变量远距离预测[19]、实时TBM推进速率预测[20]、语言驱动的隧道风险评估[21]以及具有不确定性意识的TBM性能区间预测[22]。除了Transformer架构外，还包括长短期记忆神经网络[23][24]、人工神经网络[25]、物理信息神经网络[26]和门控循环单元（GRU）神经网络[27]在内的其他先进神经网络模型也在相关隧道预测任务中得到了广泛研究和应用。尽管利用大规模数据集训练深度学习模型取得了显著进展，但仍存在几个挑战：1）不同数据类别对盾构机姿态的影响程度不同，特征选择方面的研究不足；2）复杂的施工环境不可避免地引入了不可靠的监测数据和误差；3）时间序列数据的持续增长在保持预测准确性的同时带来了梯度爆炸的挑战。为了克服这些限制，一些研究人员采用了多种数据预处理方法来提高数据质量，从而提升模型性能。Bouayad和Emeriault[28]提出了一种结合主成分分析（PCA）和自适应神经模糊推理系统（ANFIS）的方法，用于模拟EPB TBM引起的地表沉降与操作参数和地质参数之间的非线性关系。Kuang等人[29]提出的PCA-PSO-RVM模型通过结合降维和自动参数优化，有效提高了岩石爆裂等级识别的准确性和效率。Guo等人[30]将PCA引入深度信念网络（DBN）中，以优化DBN模型的输入参数，从而提出了一种用于硬岩悬臂掘进机性能预测的PCA-DBN模型。Yang等人[31]使用经验模态分解（EMD）处理切削头与岩石相互作用产生的振动信号，开发了一种利用分解信号的时间频率域特征识别隧道 face 岩石强度的新方法。然而，大多数现有的数据驱动模型仍未充分捕捉多源耦合效应，忽略了土壤-机器-几何之间的相互作用。

本文解决了盾构隧道数据分析中的几个关键挑战，包括隧道时间序列数据中的强非线性、非平稳性和高噪声问题，以及涉及海洋软土性质的多源参数融合和降维问题、盾构机操作数据和段姿态问题，还有在小曲率隧道条件下实现更高准确性和稳定性的挑战。为此，本文引入了一个专为海洋软土中小曲率盾构隧道设计的多层次数据驱动预测框架。该框架集成了三个连续组件：
(1) 首先采用EMD分解原始盾构机操作时间序列数据，将其分解为几个固有模态函数，有效分离非平稳成分并抑制高频噪声，从而关注高度动态、强耦合且不稳定的控制变量；
(2) 使用PCA区分地质参数和施工参数之间的耦合特性，缓解多重共线性问题，保留参数之间的主要相关信息，并解决不同地层间输入维度不一致的问题；
(3) 最后，将降维后的特征输入Transformer编码器，以捕捉长期时间依赖性并实现盾构机姿态预测。本文的另一个显著创新是明确引入了海洋软土参数（通过八个定量指标），并同时考虑了曲率约束。比较实验表明，引入土壤-机器-几何耦合关系有效提高了模型的预测准确性和泛化能力。所提出的框架可以提供工程上可靠的预测结果，并为复杂的、不利于施工的地质条件下的智能盾构隧道提供实用的决策支持工具。

**背景和土壤特性**
盾构机姿态的预测准确性高度依赖于对工程背景和地质条件的准确理解。海洋软土的特殊物理和力学性质，加上小曲率隧道的几何约束，构成了控制盾构隧道行为和姿态演变的两大核心因素。为了明确本文的工程边界和地质条件基础，本节首先介绍...

**方法论**
为了预测盾构隧道姿态，开发了一个集成海洋软土参数和曲率条件的预测框架。该框架的输入不仅包括海洋软土的参数，还包括盾构隧道的施工参数。因此，需要进行相关性分析以识别和选择相关参数。此外，由于施工参数的获取容易受到环境因素的干扰，因此还需要进行EMD...

**结果与分析**
为了验证所提出的EMD–PCA–Transformer框架的有效性和优越性，本节基于石门隧道的现场测量数据进行了多项比较实验和定量分析。首先，使用EMD对原始时间序列数据进行分解和去噪，以评估信号预处理的效果。随后进行参数相关性分析和PCA降维验证，以明确特征的合理性...

**讨论**
为了评估所提出的预测模型的优越性，本文对其与五种代表性的机器学习算法进行了比较分析：Transformer、带 attention 的LSTM（LSTM-A）、卷积神经网络（CNN）、反向传播神经网络（BPNN）和RF。每种模型都经过训练，用于预测具有海洋软土条件的小曲率、跨海段中的盾构隧道姿态控制参数。值得注意的是，明确的几何描述符...

**结论与未来工作**
本文提出了一种深度学习框架，该框架结合了基于EMD的信号去噪和PCA降维以及Transformer架构，用于预测水饱和海洋软土中小曲率段的盾构机姿态。主要结论总结如下：
1) 综合EMD–PCA–Transformer框架有效地捕捉了隧道参数、土壤行为和曲率几何之间的非线性相互作用。在28个输入变量中，它们之间的相对...

**作者贡献声明**
徐志姚：撰写 – 原始草稿；沈军：撰写 – 审稿与编辑；沈翔：资源提供；鲍晓华：撰写 – 审稿与编辑、资金筹集；陈向生：资源提供；崔宏志：撰写 – 审稿与编辑。

**利益冲突声明**
我们声明与可能不当影响我们工作的其他人或组织没有财务和个人关系，对于任何可能被解释为影响本文所述立场或“使用EMD–PCA特征融合在海洋软土中小曲率隧道中进行盾构机姿态预测”的手稿审查的产品、服务或公司，我们没有任何专业或其他个人利益。

**致谢**
本研究得到了中国国家重点研发计划（2024YFF0507902）的全力支持。