物理-数据双驱动方法用于改进SCMS-TS下盾构水平姿态控制

《Frontiers in Earth Science》：Physics-data dual-driven approach for improved shield horizontal attitude control under SCMS-TS

　　

研究人员识别出一种新现象，称为“沙-粘土混合物粘附在盾构尾部（Sand-Clay Mixture Sticking on Tail of the Shield, SCMS-TS）”。为了阐明“SCMS-TS”影响下盾构姿态的物理规律并提高预测精度，本研究提出了一种理论方法和一种物理-数据双驱动深度学习方法。理论方法有利于反映盾构掘进的物理规律，并考虑某些异常情况和施工现场采取的措施，例如“SCMS-TS”现象和排土。物理-数据双驱动深度学习方法进一步增强了理论方法的预测精度。该方法应用于孟加拉的一个隧道建设项目，结果表明预测方法表现有效，偏航角和水平位移的R²分数分别为0.9433和0.95。物理-数据双驱动深度学习方法提高了盾构掘进智能控制的可靠性，最终可提高施工效率和可靠性。

在隧道施工中，盾构姿态控制对确保隧道质量、避免管片错台和泄露至关重要。然而，现有盾构姿态控制系统多依赖经验，缺乏系统理论支撑，难以应对复杂地质条件下的预测需求。本研究针对孟加拉某盾构隧道项目中新发现的“沙-粘土混合物粘附在盾构尾部（SCMS-TS）”现象，该现象导致盾构出现与偏航角方向相反的异常水平移动。为解释这一异常并提升预测精度，研究人员提出了理论力学模型和物理-数据双驱动深度学习方法。理论模型基于力与力矩平衡，推导了盾构水平姿态公式，并引入SCMS-TS端阻力修正；深度学习方法采用多层感知机（MLP），将理论计算结果作为输入特征，提升非线性表征能力。该研究应用于孟加拉隧道项目（第1-718环数据），结果表明：理论模型对水平位移预测的决定系数（R²）为0.95，但对偏航角预测仅0.25；物理-数据双驱动方法将偏航角R²提升至0.9433。该研究提高了盾构智能控制的可信度，有助于提升施工效率与可靠性，论文发表在《Frontiers in Earth Science》。

主要关键技术方法包括：（1）理论力学模型：基于盾构掘进静态平衡假设，建立力与力矩平衡方程，推导偏航角与水平位移公式，并引入SCMS-TS端阻力T=πphD/2（p为被动土压力，h为粘附土厚度，D为盾构直径）进行修正；（2）物理-数据双驱动深度学习方法：采用包含4个全连接层的MLP，输入特征为8维，包括5个原始监测参数（总推力、左右分区推力、推力力矩、推进长度）和3个理论计算结果（理论偏航角、理论水平位移、估计端阻力），输出为偏航角或水平位移；模型训练使用Adam优化器，学习率5×10^-6，epoch 800，batch size 16；数据来源于孟加拉盾构隧道项目，使用第1-718环的现场监测数据（包括掘进参数和盾构行为参数），前80%数据用于训练（其中10%为验证集），后10%为测试集。

**4.2 Result analysis of theoretical model**
通过理论公式（考虑SCMS-TS端阻力修正）计算偏航角与水平位移，并与实测数据对比。水平位移预测结果与实测吻合良好，R²达0.95；偏航角预测趋势一致但精度不足，R²仅0.25，可能原因包括SCMS-TS在发现前已存在或理论参数有限。

**4.3 Result analysis of deep learning method**
采用物理-数据双驱动深度学习方法预测偏航角。训练过程中，均方误差（MSE）和平均绝对误差（MAE）快速收敛，训练损失与验证损失接近，无过拟合。测试集预测结果与实测值接近，R²达0.9433，显著优于纯理论方法，表明该方法能有效捕捉SCMS-TS条件下盾构姿态演化规律。

**讨论与结论**
讨论部分指出，理论模型能反映盾构掘进物理规律并考虑SCMS-TS等异常条件，但仅涵盖主要参数；深度学习方法可挖掘隐含复杂关系，弥补理论不足。基于理论分析，当监测到盾构水平位移与偏航角方向相反时，可初步判断SCMS-TS已严重到影响姿态，建议施工团队及时进行注浆润滑或清理。紧急程度可通过端阻力公式T=∫p·h·ds结合现场土压力监测估算，若超过设计阈值应立即采取补救措施。该预警流程在孟加拉项目后续施工中得到初步验证。未来工作可优化物理模型以分析垂直姿态，并采用更高精度深度学习方法。

研究结论部分翻译如下：本文开发了理论物理模型以阐明“SCMS-TS”影响下盾构姿态与荷载的相互作用，并在此基础上提出物理-数据双驱动深度学习方法，通过引入物理模型计算结果获得更准确的盾构姿态预测。研究贡献体现在两方面：理论方面，创新性开发了有效预测盾构姿态的理论物理模型，其参数易于获取，能考虑“SCMS-TS”现象，简化计算过程；机器学习方面，可同时、高效、动态地预测偏航角和水平位移，定量捕捉盾构水平姿态与掘进参数的交互，辅助以物理-数据双驱动方式调整施工。案例研究（孟加拉项目718环）得出：（1）理论模型对水平位移预测R²为0.95，但对偏航角仅0.25；（2）物理-数据双驱动深度学习方法将偏航角R²从0.25提升至0.9433；（3）理论方法能反映物理规律并考虑异常条件，但仅考虑主要参数；深度学习方法可反映其他复杂参数的隐含影响。