面向复杂地质条件下盾构机推力精准预测的交互式时空融合框架

《Expert Systems with Applications》：An Interactive Spatio-Temporal Fusion Framework for Accurate TBM Thrust Forecasting in Complex Geology

　　

摘要
隧道掘进机（TBM）推力的高保真预测对于在非均质地质构造中安全开挖隧道至关重要。本研究提出了一种新颖的交互式时空融合（ISTF）模型，旨在促进多维特征的深度融合。在该框架内，开发了交互式时空注意力（ISTA）模块和回溯门控——利用逐元素乘法和门控逻辑——以缓解传统融合架构中固有的时空特征漂移普遍问题。该模型的预测准确性已通过第二条胶州湾海底服务隧道的运营数据进行了经验验证。与当代最先进的模型相比，ISTF 框架表现出优越的预测性能。系统的消融实验证实了 ISTA 和回溯门控的功能有效性，同时阐明了分布相似性、地质配置与预测稳定性之间的相关性。实验结果表明，所提出的模型在各种测试集上均达到了极高的精度：在硬岩中，平均绝对百分比误差（MAPE）为 0.799%；在混合地层和断裂带中，模型分别以 0.732% 和 0.884% 的 MAPE 保持了高精度。此外，在公共时空基准数据集（PeMSD4）上的验证证实了该框架严格的算法可复现性和结构鲁棒性。实施这种交互式融合对于增强模型在非均质环境中的适应性和抗噪能力至关重要，最终有助于更深入地理解 TBM 开挖过程中时空变量之间的协同效应。

引言
隧道掘进机（TBM）因效率高、安全性好且环境影响小，被广泛应用于包括城市轨道交通、公路隧道和海底隧道在内的基础设施项目中。选择合适的掘进参数对于确保这些机器安全运行至关重要。在实际操作中，操作人员主要通过监控机械载荷（即推力和扭矩）的变化来评估开挖状态，从而确定最佳操作设置。特别是，刀盘施加的推力是 TBM 与地质地层接触状态的直接指标。然而，目前的参数调节严重依赖操作人员经验而非定量分析，使得该过程容易出错。预测不准确可能导致施工效率降低和刀具严重磨损，甚至导致掌子面坍塌或盾构机卡死等灾难性事故。因此，精确的推力预测对于保证 TBM 开挖的安全性和效率至关重要。

多年来，研究人员通过经验、理论和数值模拟方法投入大量精力预测 TBM 的掘进性能。值得注意的是，Krause (1976) 开发了一个用于预测盾构掘进中刀盘推力和扭矩的先驱模型。由于其计算简单且参数需求少，该模型在现场施工中被广泛采用。在经验预测研究领域，统计分析方法——如线性回归、多元回归和逻辑回归——得到了广泛应用。例如，Ates, Bilgin, & Copur (2014) 建立了 262 台 TBM 的数据库，以分析 TBM 直径与包括推力和扭矩在内的关键掘进参数之间的相关性。除了机器设计参数外，地质条件也对刀盘推力和扭矩产生关键影响。Hassanpour, Rostami, Khamehchiyan, Bruland, & Tavakoli (2010) 研究了各种岩土力学参数对 TBM 性能的影响，揭示了岩体可掘性指数（RMCI）与现场贯入指数（FPI）之间的显著相关性。同样，Yagiz (2017) 基于实验室测试和现场测量数据，建立了将 FPI 与岩石完整性、岩体质量和刀具力联系起来的相关性。针对高强度硬岩地层中的磨蚀现象，Pourhashemi, Ahangari, Hassanpour, & Eftekhari (2022) 提出了一种新模型，将贯入率和刀具载荷与岩石的单轴抗压强度（UCS）和岩石质量指标（RQD）联系起来。此外，Farrokh (2020) 讨论了用于估算推进速度的各种模型的预测有效性，并提出了一种新的预测模型。在土压平衡盾构（EPBS）的背景下，Avunduk & Copur (2018) 采用线性回归分析掘进参数与土壤岩土性质之间的关系。他们的结果表明，叶片剪切强度与刀盘扭矩之间存在强相关性，而落锥贯入深度被证明是 TBM 推力的有效预测因子。

理论方法基于对 TBM-岩石相互作用机制的详细分析。例如，Zhao, Gong, Tian, Zhou, & Jiang (2019) 通过增强科罗拉多矿业学院（CSM）模型以考虑岩土界面的相互作用机制，开发了用于岩土混合地层中刀盘扭矩预测模型。同样，Zhou & Zhai (2018) 推导出了适用于混合地层条件的牙轮钻头和滚刀的力预测公式，随后用于估算刀盘扭矩。此外，Koohsari, Kalatehjari, Moosazadeh, Hajihassani, & Tarafrava (2023) 利用现场数据修改了 Shi, Yang, Gong, & Wang (2011) 提出的物理模型，并评估了现有模型的性能。在一项综合综述中，Pan 等人 (2022b) 评估和比较了三种不同方法——实验法、半理论法和经验法——在预测 TBM 开挖性能方面的预测精度。数值模拟方法通过在实际施工前模拟复杂的工程场景，能够对 TBM 的掘进状态和潜在性能进行主动评估。Park, Lee, Choi, Kang, & Chang (2021) 使用离散方法分析了各种转速条件对刀盘扭矩和推力的影响。Zhao 等人 (2022) 使用离散 - 连续耦合数值方法研究了仓室填充率对刀盘推力和扭矩的影响。有限元法 - 离散元法（FEM-DEM）耦合方法的应用显著扩大了数值模拟在工程环境中的应用范围。Lee, Kim, Hwang, Yoon, & Choi (2024) 采用 FEM-DEM 方法研究了泡沫改良土体中 EPBS 的掘进性能，特别考察了泡沫注入率（FIR）对刀盘扭矩的影响。此外，Shao, Yang, Jiang, & Feng (2022) 使用 FEM-DEM 方法分析了卵石层中 EPBS 的掘进性能，而 Fang 等人 (2023); Liu 等人 (2022) 通过 FEM-DEM 方法模拟了 EPBS 切割混凝土灌注桩的真实场景。

TBM 上传感器的广泛普及确保了海量数据的可用性，为数据驱动方法提供了显著优势。因此，机器学习技术和深度学习技术已被近期研究广泛用于预测 TBM 掘进性能。最初，基于树的模型的适用性引起了研究人员的显著关注。例如，Kong, Ling, Tang, Tang, & Zhang (2022) 研究了随机森林（RF）与理论模型在刀盘推力和扭矩方面的性能，而 Bai, Cheng, & Li (2021) 比较了线性回归（LR）、决策树回归（DTR）、支持向量回归（SVR）和梯度提升回归（GBR）以估算 EPBS 的刀盘推力。他们的结果表明 GBR 模型优于其他基准模型。考虑到 TBM 掘进参数的时序特性，基于循环神经网络（RNN）的模型已成为估算推力和扭矩的主流。值得注意的是，Gao, Shi, Song, Zhang, & Zhang (2019) 报告称，基于 RNN 的模型的预测准确性显著高于基于树的模型。此外，变体如双向长短期记忆（BiLSTM）网络被 Huang 等人 (2022); Wang, Li, Chen, & Liu (2021) 用于预测推进速度和扭矩。在此基础上，Ji 等人 (2025) 将注意力机制整合到 BiLSTM 模型中，提出了一种用于贯入率的新预测器。除了时间动态外，研究人员还利用空间特征提取器，如卷积神经网络（CNNs）和图卷积网络（GCNs），来捕捉掘进数据的空间特征。Fu & Zhang (2021) 提出了一种基于长短期记忆（LSTM）模型的时空特征实时预测方法。例如，Li 等人 (2022); Qin 等人 (2021) 采用一维 CNN (1D-CNN) 提取空间特征，然后由 LSTM 网络处理。最近，结合 GCN 和 LSTM 的混合深度学习框架已被开发出来，以有效捕捉时空特征，从而实现对关键 TBM 性能指标的准确实时预测。

尽管在 TBM 性能预测方面取得了重大进展，但在研究范围和方法论框架方面仍存在某些局限性。主要挑战有两方面：(1) 大多数现有研究侧重于在均质地层内实现高预测精度，而复杂地质条件，如混合地层和断层破碎带，仍未得到充分探索。(2) 当前研究主要依赖时间特征，对空间依赖性的表征和利用关注不足。值得注意的是，文献中尚未报道时间特征和空间特征的交互式融合。实施这种交互式融合对于增强模型在非均质环境中的适应性和抗噪能力至关重要，最终有助于更深入地理解 TBM 开挖过程中时空变量之间的协同效应。

为了应对上述挑战，本文开发了一种交互式时空注意力（ISTA）模块和一种回溯门控机制。在此基础上，提出了一种集成的交互式时空融合（ISTF）模型，用于在复杂地质条件下精确预测 TBM 推力。收集了第二条胶州湾海底服务隧道中不同地层的 TBM 运营数据，以评估所提出框架的精度和泛化能力。通过与几种最先进模型的广泛基准测试验证了其优越性。此外，通过对比消融实验验证了 ISTA 模块和回溯门控的设计原理和有效性。最后，本研究探讨了训练集和测试集之间的分布相似性，以及不同地质类型的影响对模型预测性能的影响。

章节片段
方法论
整体研究工作流程如图 1 所示。第 2 节和第 3 节分别详细介绍了模型的建筑原理和数据预处理方法。第 4 节全面讨论了影响模型预测性能的各种因素。

项目描述
为了验证所提出模型的有效性，利用了从第二条胶州湾海底服务隧道获取的现场数据来构建数据集。第二条胶州湾隧道包括两条主隧道和一条服务隧道，分为矿山段和盾构段。如图 6 所示，服务隧道呈南北走向，盾构段总长 3.25 公里。该段使用 Herrenknecht 泥水平衡盾构机开挖。

评价指标
为了全面评估所提出模型的预测性能，本文综合采用了五种常用指标来评估预测结果。MSE 作为训练过程中的损失函数，衡量估计值与实际值之间的平均平方差。平均绝对误差（MAE）用于评估模型预测结果与真实值之间的平均绝对偏差，而均方根误差...

数据分布与地质影响讨论
为了全面分析影响模型性能的内外因素，本节讨论了固有数据特征（数据分布）和特定场地环境条件（地质影响）的耦合影响。

结论
为了在复杂地质条件下实现高精度的 TBM 推力预测，我们开发了一种 ISTF 模型。该模型的泛化能力和准确性以第二条胶州湾海底服务隧道的各种地层为例进行了验证。此外，进行了消融研究以验证所提出框架内 ISTA 模块和回溯门控机制的合理性和有效性。此外，为了提高模型的可解释性，本研究...

未引用的表格 表 4 和 A.10。

数据可用性
支持本研究结论的部分所有数据、模型或代码可在合理请求下从通讯作者处获取。

致谢
我们感谢匿名审稿人对我们手稿改进提出的宝贵意见和建议。

CRediT 作者贡献声明
Zhe Liu: 写作 – 初稿，方法论，验证。Zhiyong Yang: 写作 – 审查与编辑，数据整理，资金获取。Weiqiang Qi: 调查，验证，形式分析。Jixu Yuan: 调查，数据整理，验证。Song Kang: 验证，形式分析，资源。Yusheng Jiang: 监督，方法论，数据整理。

利益冲突声明
Zhiyong Yang 报告获得了中国国家重点研发计划的财务支持。

杨志勇报告称，获得了北京市科学技术委员会的财政支持。其他作者声明，没有已知的竞争性经济利益或个人关系可能影响本文报告的工作。刘哲 | 杨志勇 | 祁伟强 | 袁纪旭 | 康松 | 蒋玉生