风化岩中顶管施工的二维时空决策支持框架

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：A two-dimensional spatial-temporal decision-support framework for pipe jacking in weathered rock

　　

研究人员开发了一种可解释的深度学习框架，用于风化岩地层中的顶力预测。空间注意力机制量化了顶管推进过程中各操作参数沿掘进方向的相对预测贡献。时间注意力机制识别了操作参数在推进序列中何时变得具有预测影响力。二维时空影响图揭示了特定掘进段的模式。

**论文解读：风化岩顶管顶力预测的二维时空注意力框架研究**

**1. 研究背景与问题**

随着城市地下基础设施的快速发展，顶管施工因其对地表扰动小、适应复杂线形等优势被广泛采用。然而，随着顶进距离增加，管节与周围土体之间的累积摩擦阻力逐渐成为控制施工安全和可行性的关键因素。过大的顶力可能导致管节损坏、设备超载甚至施工中断，尤其在非均质或强风化地质条件下，这一风险更为突出。传统的顶力预测方法主要基于力学模型和经验公式，将总顶力分解为掌子面阻力和沿管道的分布摩擦阻力，并通过钻孔勘察获取的黏聚力和内摩擦角等代表性强度参数进行计算。但这类方法假设地层条件空间均匀、界面行为不随时间变化，难以反映强风化或破碎岩体中的真实情况。此外，顶力发展还受顶进速度、注浆润滑、停机时间等操作参数的连续调整影响，呈现出非线性和时间依赖性，传统模型无法捕捉这些耦合的时空效应。虽然隧道掘进机（tunnel boring machine, TBM）领域已广泛采用机器学习和深度学习方法进行性能预测，但顶管施工的顶力演化机理与TBM掘进存在本质差异——顶管顶力主要由沿管土界面累积的摩擦阻力主导，而非瞬时开挖阻力，因此TBM预测框架不能直接迁移。现有数据驱动研究往往将顶力预测视为单一回归问题，未能揭示不同操作参数沿掘进方向的影响演变，也缺乏同时兼顾“哪些参数重要”和“何时重要”的集成分析。为此，研究人员提出了一种基于空间注意力和时间注意力的可解释深度学习方法，用于风化岩地层中的顶力预测与工程解释。

**2. 研究内容与数据**

研究人员依托马来西亚古晋Tuang组两处实际顶管工程开展研究。第一处为强风化千枚岩地层，掘进长度120 m，埋深18.5 m，采用Iseki Unclemole Super TCS 1500微型隧道掘进机（microtunnel boring machine, mTBM），掘进机直径1.82 m，管径1.78 m；第二处为全风化砂岩地层，掘进长度140 m，埋深12.5 m，采用Herrenknecht AVN 1200TC mTBM，掘进机直径1.47 m，管径1.43 m。两处工程均设置约20 mm超挖以便注入膨润土润滑。研究人员从施工监测系统中采集了120个（千枚岩）和137个（砂岩）数据点，输入特征包括掘进长度、经过天数、顶进速度、润滑油注入量、掌子面泥浆压力、推力、顶进速度增量和推力增量，输出变量为顶力。数据集按掘进长度分为五段，每段前80%作为训练集，后20%作为未参与训练的原始测试集；仅对训练集施加±0.001范围内的噪声上采样，将训练样本增至1200个，测试集保持原始测量值，以避免数据泄漏。滑动窗口长度取4，以连续3个观测值预测下一时刻顶力，重建序列样本。

**3. 关键技术方法**

研究采用三种深度学习基线模型——长短期记忆网络（long short-term memory, LSTM）、门控循环单元（gated recurrent unit, GRU）和一维卷积神经网络（one-dimensional convolutional neural network, Conv1D），并针对每种架构独立进行随机网格搜索优化超参数。GRU在两类地层中均取得最佳预测性能，故被选作后续注意力分析的基础模型。模型融合两类注意力：空间注意力用于量化各输入特征对预测顶力的整体贡献，其权重之和为1；时间注意力用于识别输入序列中不同时刻的预测重要性。通过将空间注意力权重与时间注意力权重进行点积组合，得到归一化的二维时空影响分数，以高亮显示“哪些参数在什么阶段变得重要”。此外，研究人员还进行了跨掘进迁移学习评估，以检验模型在不同工程间的可迁移性。

**4. 主要研究结果**

**4.1 模型预测性能**
在未上采样时，GRU对千枚岩掘进的R²为0.80，均方根误差（root mean square error, RMSE）为8.52 t；对砂岩掘进R²为0.94，RMSE为18.92 t。经训练集上采样后，GRU对千枚岩的R²提升至0.82，RMSE降至7.93 t；对砂岩的R²提升至0.97，RMSE降至12.22 t。LSTM和Conv1D的性能在砂岩上也有所改善，但GRU在精度和重复运行稳定性上综合最优。

**4.2 空间注意力分析**
在千枚岩掘进中，“掌子面泥浆压力”和“推力”获得最高平均注意力权重（分别约为0.17和0.16），表明顶力变化主要由掌子面引起的应力调整控制，而非累积摩擦；在砂岩掘进中，“掘进长度”权重最高（0.20），其次为“顶进速度”（0.14），反映了累积摩擦随距离增长的主导地位。此外，润滑油参数在两处掘进中的注意力权重相近（千枚岩0.15，砂岩0.14），说明润滑在两种条件下都起到稳定的调控作用；而“经过天数”在早期阶段权重较高，随后显著下降，表明其预测贡献主要集中于初始施工期。

**4.3 时间注意力分析**
千枚岩掘进中，“推力”和“掌子面泥浆压力”的时间注意力贡献分别占23%和22%，且“掌子面泥浆压力”的注意力在90 m前较高，随后逐渐降低，后期“掘进长度”和“推力”的贡献上升。砂岩掘进中，“掘进长度”始终占据最高时间注意力（22%），“掌子面泥浆压力”为20%，“经过天数”和“顶进速度”各占16%，且在掘进后期“顶进速度”的注意力显著增强。在约42–45 m处因施工中断导致“经过天数”注意力接近1，反映了操作中断对预测敏感性的影响。

**4.4 二维时空影响分析**
千枚岩掘进中，前40 m的时空影响分数集中于“掌子面泥浆压力”（最大贡献占53%），约90 m后转向“推力”和“掘进长度”；整体“掘进长度”“掌子面泥浆压力”“推力”分别占总影响分数的25%、23%和22%。砂岩掘进中，“掘进长度”贡献30%且贯穿全程，“顶进速度”和“经过天数”的贡献分别占17%和14%，后期“顶进速度”影响力增强。二维影响图清晰展示了操作参数作用随距离和时间的演变规律。

**4.5 跨掘进迁移学习**
直接迁移时，千枚岩模型预测砂岩的R²为?4.17，砂岩模型预测千枚岩的R²为?76.31。利用预测掘进训练集进行微调后，预测性能显著提升：使用100%训练数据微调时，千枚岩→砂岩的R²达到0.90，砂岩→千枚岩的R²达到0.68，但仍低于千枚岩内部基线的0.82。这表明两处掘进属于不同数据域，注意力差异应解释为掘进驱动特异模式，而非纯岩性效应。

**5. 讨论与结论**

研究结果表明，所提出的时空注意力框架能够从现场监测数据中定量揭示操作参数对顶力的预测贡献及其演变阶段。注意力权重反映的是模型内部的预测依赖强度，而非直接的物理因果关系。千枚岩中掌子面控制参数主导，砂岩中累积摩擦参数主导，这一分化与岩体结构特征相符。但两处掘进在埋深、管径和设备配置上的差异无法完全排除，因此注意力结果需谨慎理解为驱动特异性模式。未来需在相同埋深、管径和设备条件下收集更多同岩性驱动数据，才能进一步分离岩性效应与工程条件影响。总体而言，该框架为风化岩地层顶管顶力预测提供了兼具精度和可解释性的新工具，有助于施工过程中的参数优化与风险管控。