基于数据增强的机器学习方法在土压平衡盾构隧道掘进作业中过挖量判定中的应用

《Scientific Reports》：Data-augmented machine learning approach for determination of over-excavation criteria in earth pressure balance shield tunnel boring machine operations

　　

摘要

在采用隧道掘进机进行施工的项目中，控制挖掘出的土方量对于避免过度挖掘至关重要。通常，当过度挖掘率超过预设的临界值C_OE时，就被视为出现过度挖掘现象。不过，这一临界值一直以来都是通过主观方式确定的，而且与异常过度挖掘相关的现场条件及作业环境也未能得到系统性的分析。本研究提出了一种基于数据的方法，用以客观确定最佳的C_OE值，并找出导致异常情况的根本原因。通过数据增强技术对机器学习模型进行优化，以此区分正常挖掘情况与过度挖掘情况。通过对预测性能和数据模式的分析，确定了1.15作为最佳的C_OE值。该最优模型能够准确识别86.4%的过度挖掘案例。通过研究正常挖掘情况和异常过度挖掘情况下的过度挖掘率数值，包括实际发生的坍塌事件，进一步验证了所确定C_OE值的合理性。模型分析表明，在水压较高的深层风化地层中，过高的扭矩是导致过度挖掘的重要因素。除了本研究确定的特定C_OE值外，所提出的框架还为不同隧道工程中确定特定现场的C_OE值提供了一种系统且可迁移的方法。