提高大直径泥水平衡盾构隧道掘进的安全性：基于时空深度学习的刀盘扭矩与倾覆力矩预测与控制方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Improving the safety of tunneling with large-diameter slurry shields: a spatio-temporal deep learning approach for predicting and controlling cutterhead torque and overturning moment

　　

刀盘扭矩（CHT）和倾覆力矩（OTM）是大直径泥水平衡盾构（LDSS）掘进过程中运营安全的关键指标，其异常波动可能导致设备损坏甚至引发倾覆事故。本研究提出了一种用于CHT和OTM多步预测及安全导向控制的空间-时间深度学习框架。首先，通过知识驱动的机理分析和数据驱动的评估方法，量化了CHT与OTM之间的内在相关性，得出具有代表性的输入参数集。其次，构建了一个融合卷积神经网络与带有注意力机制的长短期记忆网络的混合模型，其超参数通过开普勒优化算法（KOA）进行自动调优，并通过基于蒙特卡洛Dropout的不确定性量化以及重复运行中的Wilcoxon检验验证了其预测可靠性。最后，将训练好的模型作为离线代理嵌入到人机协同调参策略中，在硬性运行范围约束内迭代调整关键盾构参数。武汉长江LDSS项目的现场数据验证了该框架的有效性。结果表明：（1）该框架对CHT和OTM的最小平均绝对百分比误差（MAPE）分别为1.71%和1.94%；（2）该框架的平均预测区间覆盖率概率为95.46%，在异常值率为10%的情况下仍保持合理的精度；（3）调整掘进速度、刀盘转速、注浆压力以及刀盘伸缩油缸的活塞和活塞杆压力，能有效降低CHT和OTM的波动范围。所提出的框架为LDSS掘进中的主动风险防控提供了一种可靠的数据驱动方案。引言城市发展中地下空间需求持续增长，推动了隧道建设的快速发展。近年来，大直径泥水平衡盾构（LDSS）已被广泛应用于地铁和道路建设中[[1], [2], [3]]。与普通直径盾构相比，LDSS具有更大的刀盘直径，在开挖过程中面临更高的安全风险[[4], [5], [6]]。为降低安全风险，操作员需要根据地质条件的变化及时调整开挖策略，以避免事故发生。然而，由于地质条件具有较高的不确定性[[7], [8], [9]]，在开挖任务中准确预测地质条件极其困难[[10], [11], [12]]。相比直接预测地质条件，通过预测盾构参数来间接反映地质条件更为可行。刀盘载荷能很好地反映地质条件的变化，通过多步预测刀盘载荷，现场工程师可以及时调整LDSS的操作参数。这种及时干预大大提高了隧道掘进作业的安全性和效率，对安全高效的隧道建设具有重要意义。盾构载荷，特别是刀盘扭矩（CHT）和倾覆力矩（OTM），是盾构机的关键运行参数，与地质条件密切相关[13,14]。为预测这些载荷，许多研究开发了基于物理模型和经验公式的方法。Krause[15]提出的经验公式已被广泛应用于隧道工程和设计中。Wang等[16]开发了一种考虑动态运行参数的新计算模型，有效提高了预测精度。Zhang等[17]综合多种因素建立了能够全面反映地质、施工和结构参数影响的预测模型。这些方法可用于估计盾构最大或平均载荷，从而为盾构机设计提供有用指导。然而，由于这些方法依赖于理想化假设和有限的数据覆盖范围，其泛化能力受到限制，在应用于大规模数据集或包含异常值的数据时预测精度往往下降[[18], [19], [20]]。在人工智能快速发展的推动下，越来越多的关注被投入到盾构载荷预测的数据驱动方法中[[21], [22], [23], [24], [25]]。在开挖过程中，LDSS上配备的大量传感器主动采集海量运行数据，为这些数据驱动模型的开发奠定了坚实基础。Lin等[26]使用门控循环单元（GRU）准确预测了TBM开挖过程中的CHT。Shan等[27]开发了一种称为感知上下文循环神经网络（RNN）的模型，显著提高了CHT的预测精度。Li等[28]提出了一种新颖的二维卷积神经网络（CNN），采用了双输入策略。Li等[29]建立了长短期记忆（LSTM）模型来预测TBM的总推力和CHT。然而，单一深度学习（DL）模型的泛化能力通常有限，这些模型在充分捕捉盾构参数之间的时空相关性方面面临挑战[30,31]。换言之，传统的单模型方法在从复杂多源数据中提取潜在特征方面能力有限，这阻碍了在多变地质条件下对盾构载荷的准确预测。为应对盾构参数的动态变化并克服传统单模型的局限性，许多研究[[32], [33], [34], [35]]开始将混合模型应用于盾构载荷预测。例如，Yu等[32]开发了一种新颖的多通道解耦深度神经网络，实现了扭矩和推力的准确预测。类似地，Shi等[19]提出了一种结合变分模态分解（VMD）、经验小波变换（EWT）和LSTM的盾构CHT多步预测模型。随着研究的深入，学者们越来越认识到将盾构参数之间的时空耦合特征纳入建模过程的重要性。在此背景下，越来越多的研究从时空联合建模的角度出发进行盾构载荷预测。这类方法通常采用CNN和图卷积网络（GCN）等模型提取多个变量之间的空间相关性，然后与LSTM和时序卷积网络（TCN）等模型结合以捕捉时间演化模式。例如，Qin等[36]开发了一种结合卷积神经网络（CNN）、循环神经网络（RNN）和LSTM的混合深度神经网络（HDNN）模型，有效提高了较长步长下的CHT预测精度。Fu等[37]将GCN与LSTM集成，实现了扭矩和推力的准确预测。尽管这些时空模型在特征提取方面取得了显著进展，但传统网络在处理大量非平稳盾构监测数据时往往对所有输入变量和时间步赋予相等的权重，因此难以在复杂地质和运营条件下动态聚焦于驱动盾构载荷变化的核心因素。最近，注意力机制已被整合到深度学习框架中，有效增强了表征盾构参数之间时空依赖关系的能力，并提高了其工程应用的适应性[23]。具体而言，通过自适应地为关键时空信息分配更高的权重，注意力机制进一步增强了模型捕捉异常运行状态和复杂动态模式的能力。Chen等[38]开发了一种混合模型用于预测盾构通过车站过程中的载荷，该模型系统地集成了CNN和TCN，并利用注意力机制增强了其时空特征提取能力。类似地，Qin等[30]提出了一种结合LSTM和注意力机制的混合框架，在多种地质条件下实现了CHT的准确预测。通过结合各种架构的互补优势，这些混合深度学习方法显著提高了盾构载荷预测的性能[[39], [40], [41], [42], [43]]。然而，由于多个预测模块的堆叠，混合DL模型通常具有复杂的网络架构，使得超参数调优极其困难，从而限制了其在工程项目中的实际应用。此外，基于DL模型预测的盾构载荷控制在当前研究中仍相对未被充分探索。综上所述，基于上述文献分析，对现有方法研究进行了系统综述，并将其特点总结在表1中。可以观察到，当前研究仍存在若干不足：（1）以往研究主要关注隧道掘进机（TBM）的CHT和推力，而对LDSS的CHT和OTM以及它们之间的相关性关注不足。特别是，与TBM不同，LDSS由于刀盘直径较大，在掘进过程中更容易受到严重倾覆的影响；因此，必须在整个开挖过程中密切监测OTM的变化。（2）以往研究很少采用先进的元启发式优化算法来调优DL模型的超参数，如何在训练效率和预测性能之间取得平衡仍是一个挑战。由于超参数设置直接决定模型的预测性能[44]，有必要探索DL模型中高效实用的超参数优化方法。（3）以往研究很少基于预测结果来调整CHT和OTM，且对显著影响CHT和OTM的盾构参数尚不清楚。CHT和OTM的多步预测有利于LDSS运行参数的及时智能调整，对提高掘进安全具有重要意义。为解决上述问题，本文旨在开发一个鲁棒有效的模型来预测和控制盾构载荷。为应对上述挑战，本研究提出了一种称为KOA-CNN-LSTM的深度学习框架，以实现CHT和OTM的准确预测，同时为盾构载荷分析提供有价值的见解。具体而言，KOA-CNN-LSTM框架集成了多项创新。首先，通过综合理论公式、统计相关性分析、特征贡献排序和工程专业知识，建立了一套严格的特征工程体系，实现了对影响CHT和OTM关键参数的精确识别。其次，将原始监测数据重构为时空张量，以充分捕捉多源信息中固有的时间依赖性和空间相关性。在此基础上，开发了融合注意力机制的CNN-LSTM模型，以增强其对复杂非线性动态特征的学习能力。为克服传统CNN-LSTM模型在平衡搜索效率和预测性能方面的局限性，引入了基于开普勒优化算法（KOA）的小种群超参数优化策略。最后，利用训练好的KOA-CNN-LSTM模型预测CHT和OTM的变化趋势，为盾构参数的动态调整提供决策支持，从而增强掘进安全性和运营效率。采用武汉长江隧道LDSS项目案例研究验证了所提方法的有效性和稳定性。本文的主要贡献总结如下：（1）通过整机理公式（CSM模型）、数据驱动的重要性评估（余弦相似度和特征重要性）以及专家知识，为CHT和OTM建立了一套系统的特征工程框架。阐明了CHT与OTM之间的内在耦合关系，得出具有较高工程实用价值的代表性预测指标体系。（2）提出了一种新颖的混合深度学习模型KOA-CNN-LSTM，用于CHT和OTM的多步预测。与现有最优方法相比，所提模型在精度和效率方面均表现优越，同时在异常条件下展现出稳健的性能，并在多种地质环境中具有良好的泛化能力。（3）将事后SHAP分析直接应用于训练好的KOA-CNN-LSTM模型，量化了各盾构掘进参数对CHT和OTM多步预测的贡献度。所得特征归因模式与CSM方程描述的刀盘载荷产生机理在物理上一致。这种一致性增强了模型预测的透明度和工程合理性，并为选择用于离线调整候选盾构参数提供了物理信息支持。（4）开发了一种具有分层安全保障机制的安全导向控制策略。训练好的模型作为离线代理嵌入到人机协同调参环路中，其中关键盾构参数的调整受到硬性运行范围约束、预测区间监测和迭代现场验证的限制。该设计确保了载荷波动的有效抑制。本文其余部分组织如下：第2节描述研究方法；第3节提供工程背景，考察CHT与OTM之间的相关性，并呈现预测结果；第4节评估KOA-CNN-LSTM模型的综合性能；第5节讨论研究局限性和未来方向；第6节提供结论性论述。章节摘要研究方法为实现CHT和OTM的预测和调节，本文研究了CHT与OTM之间的相关性，在此基础上开发了KOA-CNN-LSTM模型。

CHT和OTM的相关性分析方法在第2.1节中介绍，KOA-CNN-LSTM模型的开发过程在第2.2节中呈现。

案例研究
采用从武汉长江LDSS收集的实测数据作为案例研究，以验证所提出的集成智能框架在CHT和OTM预测与控制方面的有效性和可行性。项目数据在第3.1节中描述，CHT和OTM的相关性分析在第3.2节中呈现。第3.3节详细介绍了CHT和OTM的预测。第3.4节展示了KOA-CNN-LSTM模型的可解释性分析，第3.5节介绍了

讨论
对KOA-CNN-LSTM模型进行了全面评估，因为其预测性能对于有效的CHT和OTM调控至关重要。该评估结构如下：第4.1节将该模型与其他先进的深度学习方法进行比较，第4.2节将KOA算法与其他超参数优化技术进行比较。随后，在第4.3节中评估了模型对异常值的稳定性，以及其在不同数据上的泛化能力

局限性与未来工作
尽管本文对CHT和OTM的预测做出了贡献，但仍存在若干局限性。本节讨论了这些局限性，并提出了相应的未来研究建议：
1. 所提出的KOA-CNN-LSTM模型在处理某些极端值时能力有限，难以准确预测少数罕见但关键的观测值。如图17、图18、图19所示，当CHT或OTM发生突变时，

结论
深度学习方法是一种精确预测刀盘载荷的强有力工具，也是提高LDSS隧道安全性的可行途径。为准确预测CHT和OTM，并在LDSS隧道掘进期间控制其变化范围，本文提出了KOA-CNN-LSTM模型。在提出的模型中，采用先进的KOA算法优化CNN-LSTM的超参数，并利用注意力机制捕获输入和输出中隐藏的关键信息。所提出的

作者贡献声明
Feiming Su：撰写初稿、概念构思、调查研究、形式分析、方法论。Hongyu Chen：项目管理、监督、撰写——审阅与编辑。Yang Liu：概念构思、监督、撰写——审阅与编辑。

数据可用性
将在合理请求下提供数据。

CRediT作者贡献声明
Feiming Su：撰写——初稿、形式分析、数据整理。Hongyu Chen：软件、方法论、调查研究。Yang Liu：撰写——审阅与编辑、资源、项目管理、资金获取。

Feiming Su|Hongyu Chen|Yang Liu