土压平衡盾构隧道穿越粘土地层刀盘堵塞风险预警框架

《Tunnelling and Underground Space Technology》：Risk warning framework for cutterhead clogging in EPB tunnelling through clayey strata

　　

• 开发了一种可解释的混合时序深度神经网络 (HTDNN)，用于预测掘进性能指标。
• 建立了一种基于多源隧道数据的刀盘堵料预警可解释框架。
• 提出了一种熵权秩和比 (RSR) 指数，用于定量评估堵料严重程度。
• 建立了一种 Copula-蒙特卡洛模型，用于对堵料风险演化进行概率解释。
• 揭示了沿隧道区段堵料风险的动态演化规律。

1. 引言
土压平衡 (EPB) 盾构隧道是城市轨道交通和市政地下工程中主导的掘进方法，特别是在细粒土壤和粘性地层中。然而，当在具有高粘性的粘土土壤和以泥岩为主的岩层中掘进时，开挖渣土倾向于粘附、堆积和团聚在刀盘上，导致刀盘扭矩增加、推力需求提高、贯入能力降低以及渣土输送不稳定。随着堵料的发展，盾构机的掘进效率逐渐受损，可能需要开仓、人工清理和施工中断。

关于刀盘堵料的研究逐渐从简单的基于土性质的判断扩展到更全面的分析，涉及粘附行为、界面流变学以及刀盘、改良渣土和周围岩土之间的耦合相互作用 (Cui et al., 2023, Guo et al., 2026, Hollmann and Thewes, 2013, Li et al., 2022, Oliveira et al., 2019, Rashiddel et al., 2020, Thewes and Hollmann, 2016, Wang et al., 2020, Xu et al., 2026b, Zumsteg et al., 2016, Zumsteg and Puzrin, 2012)。工程案例研究也表明，泥饼的形成和发展与岩性组成、含水量以及弱岩和粘性地层的结构特征密切相关 (Cao et al., 2023, Jiang et al., 2024, Li and Yuan, 2018, Xu et al., 2026a, Ye et al., 2017, Zhao et al., 2025a, Zhao et al., 2025b)。这些观察表明，EPB 隧道掘进中的刀盘堵料是一种复杂且渐进的异常状态，需要及时识别和有效预警。

在可用的缓解措施中，土体改良长期以来被认为是最重要的方法之一，用于减少堵料倾向。实验室和现场研究表明，泡沫、膨润土和水等改良剂可以显著影响开挖渣土的塑性、可泵性、粘附特性和排出能力 (Jiang et al., 2024, Peila, 2014, Todaro et al., 2022, Ye et al., 2017, Zhao et al., 2025a, Zhao et al., 2025b)。其他研究进一步表明，在混合和复合地层中，改良剂的剂量和组合可能对堵料敏感性产生高度非线性的影响 (Jiang et al., 2024, Zhao et al., 2025a, Zhao et al., 2025b)。尽管如此，在实际的 EPB 隧道掘进中，土体改良参数的调整仍然严重依赖工程经验，因为地质变异性、操作行为、改良效果和堵料发展之间的动态耦合尚未得到充分量化。因此，在许多现场应用中，刀盘堵料风险的主动调节仍然困难。

随着监测系统和施工大数据技术的快速发展，数据驱动的方法在理解盾构行为和预测异常隧道掘进状态方面变得越来越重要 (Huang et al., 2022, Lin et al., 2022, Zhang et al., 2025a, Zhen et al., 2025)。特别是，机器学习和深度学习方法已被广泛应用于盾构运行状态、地质条件、姿态控制和关键施工参数的预测 (Bai et al., 2021, Elbaz et al., 2019, Feng and Zhang, 2022, Hou et al., 2022, Huang et al., 2022, Latif et al., 2023, Lin et al., 2021, Liu et al., 2023, Zhang et al., 2019, Zhang et al., 2025b, Zhao et al., 2025a, Zhao et al., 2025b, Zhou et al., 2019)。

对于堵料相关问题，以前的研究提出了经验准则、自更新预警模型和混合预测框架，用于响应扭矩波动、堵料发生和实时风险识别等 (Jin et al., 2022, Li et al., 2022, Qin et al., 2021, Wu et al., 2024, Zhai et al., 2022)。尽管这些研究提供了宝贵的见解，但它们存在几个局限性。首先，许多现有方法仍集中在单一参数预测或孤立指标上，难以联合表征地质条件、盾构操作行为和土体改良动作。其次，许多预测模型的可解释性不足，难以解释为什么某些变量重要，或者在堵料发展过程中不同因素如何相互作用。第三，相对较少的研究将多源预测结果转化为阶段式预警信息，并进一步以实际有意义的方式解释刀盘堵料的工程风险演化。

为了解决这些局限性，本研究开发了一种可解释的数据驱动预警框架，用于 EPB 隧道穿越粘土土壤时的刀盘堵料预警。所提出的框架结合了多源特征构建、结构依赖性分析、混合深度学习预测、预警导向评估和概率工程风险解释。首先，进行基于彼得 - 克拉克 (PC) 的结构依赖性分析，以检查地质、操作和土体改良变量与堵料相关掘进响应的相关性，从而为特征选择和模型设计提供基础。其次，建立混合时序深度神经网络 (HTDNN)，利用多源隧道数据预测三个堵料相关掘进响应指标，即现场贯入指数 (FPI)、扭矩贯入指数 (TPI) 和比能 (SE)。第三，采用熵权秩和比 (RSR) 方法，基于预测指标的演化和预测模型在不同掘进阶段下的响应，构建预警导向评估分数。最后，引入基于蒙特卡洛的概率分析，以提供沿隧道轴线工程风险演化的补充解释。最后，利用研究隧道区段的开仓观察数据对所提出的框架进行验证。

与主要关注单一操作参数预测或堵料识别的现有研究相比，本研究的主要贡献在于建立了一个从多源隧道数据到现场决策支持的预警导向工作流。根据地质条件、盾构操作参数和土体改良变量的异构时间和相关性特征进行编码，以预测 FPI、TPI 和 SE，它们分别描述推力 - 贯入阻力、扭矩 - 贯入阻力和整体掘进能耗。随后，将这些具有物理可解释性的指标及其实测 - 预测行为的阶段依赖性响应转化为预警分数和工程风险趋势。最后，将预警序列与开仓观察数据进行检查对比。因此，所提出的框架将多源信息融合、可解释指标预测、渐进式预警识别和现场验证连接在一个统一的工作流中，为及时的土体改良调整、渣土输送检查和开仓准备提供实际支持。

2. 项目背景与数据集
2.1. 项目概述
本研究调查的工程区段是宝长盾构隧道区间。该隧道区段长 2448.74 米，埋深范围约为 11.6 米至 55 米。盾构机从宝太大道始发。隧道轴线以中等风化泥岩为主，仅局部区段穿过砂岩、卵石层和粉质粘土。宝长区段的地质条件如图 1 所示。

下载：下载高分辨率图像 (487KB)
下载：下载全尺寸图像
图 1. 宝长盾构隧道区段地质纵剖面图。

强风化和中等风化泥岩呈红紫色且相对较软。遇水容易软化和崩解，并含有发育的节理和裂隙。中等风化砂岩含有少量泥质胶结，通常以透镜状互层形式存在于泥岩中。

2.2. 研究区段土体试验
Hollmann 和 Thewes (2013) 提出了一种评估不同类型盾构机堵料风险的半经验图表。该图表是使用一致性指数和现有隧道项目收集的数据制定的。通过测量土样的液限、塑限和天然含水量，可以初步评估 EPB 盾构隧道的堵料敏感性。在该图表中，水平轴代表塑限与天然含水量之差，垂直轴代表液限与天然含水量之差。一致性指数值 0、0.5、0.75、1.0 和 1.25 定义了五个堵料风险等级的边界。

在本研究中，在第 213、571、852、1301 和 1366 环附近采集了五个土样。采样位置从隧道轴线的前段延伸到后段，提供了主要泥岩主导区间纵向覆盖。这些样品用于表征研究区段整体的基于土性质的堵料敏感性。测量的液限、塑限和天然含水量被平均后绘制在图 2 所示的堵料风险图表上。所得的平均点落在“强堵料”风险区内，表明从土体物理性质角度来看，研究区段具有较高的堵料敏感性。

下载：下载高分辨率图像 (254KB)
下载：下载全尺寸图像
图 2. EPB 盾构隧道堵料风险评估图表。

对于研究的隧道区段，刀盘堵料被确定为泥岩主导区间掘进中最具代表性的异常状态。基于现场调查和与现场工程人员的沟通，刀盘堵料被视为影响研究区段刀盘系统的主要风险。与其他可能的干扰相比，与所选指标相关的主要风险表现形式是渣土在刀盘上的渐进粘附、堆积和硬化，这直接损害了贯入能力、推进效率和开仓清理需求。因此，本研究专门关注刀盘堵料作为目标预警对象。

2.3. 地质数据集
盾构隧道施工期间高精度的地质信息主要来源于钻孔调查。本研究共使用 46 个钻孔构建地质数据库。将它们投影到局部纵向坐标系后，相邻钻孔之间的间距从 10.63 米到 292.56 米不等，平均为 53.41 米，中位数为 42.28 米。为了沿隧道轴线推导连续的地质参数，采用了具有球形变差函数的普通克里金法，因为它考虑了空间自相关性，并为未采样位置提供插值值。基于钻孔数据，通过插值关键地质参数，包括覆土厚度、开挖面泥岩厚度、天然密度、粘聚力、内摩擦角、变形模量、泊松比、侧压力系数、渗透系数、液限和塑限，构建了连续的地质数据库，用于后续的预测和预警分析 (表 1)。

表 1. 主要地质参数统计分析。
编号 | 参数 | 最小值 | 最大值 | 平均值 | 单位
---|---|---|---|---|---
1 | 天然密度 | 2.23 | 2.49 | 2.47 | g/cm3
2 | 粘聚力 | 117.67 | 277.52 | 258.37 | kPa
3 | 内摩擦角 | 29.35 | 32.71 | 30.33 | °
4 | 渗透系数 | 0.41 | 5.39 | 0.72 | m/d
5 | 泥岩比例 | 74.57 | 96.88 | 89.12 | %

2.4. 隧道施工数据集
本研究使用的隧道数据来自盾构机的 PLC 系统，该系统以 1 分钟为间隔记录施工相关参数。在宝长区段 1625 环的掘进过程中，共获得了 521,260 条记录。这些记录包含 299 个盾构施工相关参数，包括盾构操作参数和土体改良参数。前者包括刀盘扭矩、刀盘转速、总推力、推进速度、螺旋输送机参数、土仓压力等，后者包括土仓注水流量、膨润土流量、泡沫混合液流量、泡沫空气流量、泡沫回路压力等。

利用宝长区段全段 (1625 环) 的有效隧道数据，对刀盘系统的关键隧道参数 (即总推力、推进速度、刀盘扭矩、刀盘转速、贯入度和土仓压力) 进行了统计分析，如表 2 所示。

表 2. 参数统计分析。
编号 | 参数 | 最小值 | 最大值 | 平均值 | 单位
---|---|---|---|---|---
1 | 总推力 | 9811.83 | 25402.15 | 16183.62 | kN
2 | 推进速度 | 6.74 | 59.19 | 35.0 | mm/min
3 | 刀盘扭矩 | 1859.66 | 8605.24 | 5472.98 | kN·m
4 | 刀盘转速 | 1.66 | 2.14 | 1.98 | rpm
5 | 贯入度 | 3.41 | 30.05 | 17.72 | mm/rev
6 | 土仓压力 | 0.13 | 1.96 | 1.06 | bar

3. 材料与方法
本研究开发了一种可解释的数据驱动框架，用于 EPB 隧道中的刀盘堵料预警。该框架将岩土背景表征、多源数据获取、预处理和结构依赖性分析、基于 HTDNN 的 FPI、TPI 和 SE 预测、阶段式预警评估、基于蒙特卡洛的工程风险解释以及现场验证连接起来。通过这种方式，所提出的方法不仅预测堵料相关的掘进响应指标，还将预测结果转化为对施工决策有意义的预警信息和工程风险理解。图 3 展示了所提出方法的总体框架。

下载：下载高分分辨率图像 (665KB)
下载：下载全尺寸图像
图 3. 所提出方法的框架。

数据到预警的过程始于从钻孔和 PLC 数据构建环级别的地质、操作和土体改良特征。这些多源特征由 HTDNN 用于预测 FPI、TPI 和 SE。随后，在每个预警窗口内评估实测和预测指标序列，并利用熵权 RSR 方法整合所得指标，以获得预警分数并识别预警状态。蒙特卡洛分析为预警分数不确定性提供了概率解释。

每一步的详细过程将在以下各节中介绍。

## 3.1 基于PC算法的结构性依赖分析

为探究地质条件、盾构机运行参数、渣土改良参数与堵管相关掘进响应指标之间的条件依赖结构，本研究采用了Peter-Clark（PC）算法。PC算法是一种基于约束的结构学习方法，通过一系列条件独立性检验和边定向规则，从观测数据中构建依赖图。

在本研究中，多元数据集表示为：

$$X = \{X_1, X_2, \ldots, X_n\}$$

其中变量包括地质参数、盾构机运行参数、渣土改良参数以及目标堵管相关指标。

在进行结构学习之前，对所有变量进行了标准化处理，以消除量纲和量级差异。由于本分析中的所有变量均视为连续变量，因此采用偏相关检验进行条件独立性检验。具体而言，对于每一候选变量对，在逐步扩大的条件集上检验条件独立性假设。本研究采用的显著性水平为0.05，在骨架识别过程中，移除与p值大于0.05相关联的边。为在有限样本条件下平衡图的稀疏性、计算效率和统计稳健性，将条件集的最大规模限制为2。

为提高推断图的工程合理性，在PC算法中引入了先验知识约束。具体而言，将地质参数视为上游环境变量，禁止从盾构机运行参数、渣土改良参数或掘进响应指标指向地质变量的有向边。引入该约束的目的是排除物理上不可信的边方向，从而提高所得依赖结构的可解释性。

基于上述设置，PC算法生成一个依赖图，该图反映了条件独立性检验和所施加先验知识所支持的依赖结构。该图的方向性解释依赖于马尔可夫条件、忠实性条件、因果充分性、条件独立性检验的可靠性以及所采用先验约束等假设。由于这些假设无法完全通过观测性施工数据进行验证，且无法完全排除未测量混杂变量的影响，因此所识别的边被解释为条件依赖或可能的方向性关联，而非确定的因果关系。本研究中的PC分析主要用于考察所选变量间的结构相关性，并识别与堵管相关响应相关的合理上游路径。

## 3.2 数据预处理与特征构建

### 3.2.1 盾构掘进数据处理

高频盾构掘进数据不可避免地受到传感器噪声、运营扰动和异常工况的影响。为确保后续建模的数据质量和可靠性，本研究实施了标准化的预处理流程，包括掘进阶段提取、异常值检测、信号去噪和归一化。

为避免时序预测中的信息泄露，首先对每一环独立进行基于规则的掘进阶段提取和环内修剪。移除每环内前10%和后10%的记录后，计算剩余有效观测值的算术平均值。因此，每一环由一个聚合观测值表示。所得到的环级样本按照原始掘进顺序排列，并按时间先后划分为训练集（70%）、验证集（15%）和测试集（15%），然后再进行数据依赖型预处理。异常值筛选、小波去噪和归一化所需的预处理参数仅使用训练子集确定，随后原封不动地应用于验证和测试子集。

#### (1) 数据提取

仅保留主动掘进阶段的数据，因为这些数据反映了刀盘与地层之间的直接相互作用。停机时段和管片拼装阶段的数据被排除。每环内前10%和后10%的数据也被移除，因为它们不能代表该环的稳定掘进状态。

首先，从监测数据中提取盾构掘进阶段，并应用状态判别函数$f(t)$对掘进数据进行预处理：

$$f(t) = d(T) \cdot d(F) \cdot d(n) \cdot d(v)$$

$$d(x) = \begin{cases} 0 & (x = 0) \\ 1 & (x \neq 0) \end{cases}$$

$$f(t) = \begin{cases} 1 & (\text{掘进状态}) \\ 0 & (\text{停机/管片拼装状态}) \end{cases}$$

其中$f(t)$为掘进状态判别函数，$d(x)$为掘进参数的二元决策函数，$T$为刀盘扭矩，$F$为总推力，$n$为刀盘转速，$v$为推进速度。当$f(t) = 1$时，盾构机被视为处于掘进状态；反之，$f(t) = 0$表示盾构机正在进行管片拼装或处于待机状态。

需要注意的是，环始末处的运行参数不能准确代表该环的真实掘进状态。因此，移除每环内前10%和后10%的数据。一个完整的环掘进周期通常包含初始加载过渡阶段、相对稳定的掘进阶段和最终卸载过渡阶段。在环开始时，刀盘重新啮合和推进过程的逐步建立导致刀盘扭矩和其他运行载荷增加。在环结束附近，推进减速和管片拼装准备导致运行载荷下降。如图4所示，主动掘进区间的中段相对稳定，而首尾部分受启停操作的影响更为强烈。因此在计算环级聚合值之前，移除了前10%和后10%的记录。


该修剪程序支持环级堵管渐进性识别，而非环下瞬时事件的检测。持续的堵管相关异常预计会持续到当前或后续环的主掘进期，并反映在FPI、TPI和SE的协调演化中。

#### (2) 异常值检测

异常值可能源于传感器故障、数据传输错误或异常运营事件，可能对模型训练产生不利影响（Huang等，2022；Zhang等，2019）。为识别异常值同时保留物理上有意义的极端响应，本研究采用四分位距（IQR）方法。

对于每个参数，落在$[Q_1 - 1.5 \text{IQR},\ Q_3 + 1.5 \text{IQR}]$区间之外的数据点被识别为异常值并予以移除。基于IQR的方法对非高斯分布具有鲁棒性，且非常适合具有强变异性与非平稳性的盾构掘进数据。

#### (3) 数据去噪

即使在移除了异常值之后，掘进参数仍然表现出由测量不确定度和运行波动引起的高频噪声。为提高信号质量和模型收敛性，对所有时序参数进行了基于小波的去噪处理。

选择离散小波变换（DWT），因为其具有处理非平稳信号并在时域和频域中保持局部特征的能力（Zhou等，2019）。小波去噪遵循隧道掘进和机械系统信号中通常采用的流程。对每个参数分别评估Daubechies族的候选小波基（包括Db1–Db10）。使用均方误差（MSE）评估重构误差，选择产生最小MSE的小波基作为对应参数的小波基。因此，不同参数之间选择的小波基可能不同。分解层级根据输入序列长度和所选小波基的滤波器长度自动确定，而非指定固定值。

对于每个参数，从最细尺度的细节系数中使用中位绝对偏差估计噪声标准差：

$$\sigma = \frac{\text{median}(|cD_1|)}{0.6745}$$

然后计算自适应阈值：

$$\lambda = \sigma \sqrt{2 \ln N}$$

在小波去噪中，先将高频记录聚合为环级均值，然后对每个参数的环索引序列分别进行小波去噪。环级样本按时间划分后，小波基、分解层级和阈值规则仅使用训练子集确定。然后对验证和测试环序列分别应用相同的固定去噪配置。小波变换或滤波操作不跨越训练、验证和测试子集的边界。

#### (4) 数据变换

盾构掘进参数在单位和量级上存在显著差异，这可能对模型收敛和预测精度产生不利影响。为消除尺度效应，使用最小-最大缩放对所有参数进行归一化。最小值和最大值仅从训练子集中计算。从训练集中导出的缩放参数原封不动地应用于验证和测试子集：

$$x_{\text{normal}} = \frac{x - x_{\text{train}}^{\min}}{x_{\text{train}}^{\max} - x_{\text{train}}^{\min}}$$

其中$x_{\text{normal}}$为归一化值，$x$为原始数据，$x_{\text{train}}^{\min}$和$x_{\text{train}}^{\max}$分别表示训练子集中对应参数的最小值和最大值。

### 3.2.2 地质特征向量的构建

为获取盾构开挖掌子面的综合地质特性，将钻孔的地质信息通过垂直投影关系投影到隧道开挖断面上。将开挖掌子面划分为若干水平子区域，并根据每个地质层在开挖掌子面内相交面积的比例对盾构机遇到的地质属性进行聚合。由此得到第$i$环的地质属性向量：

$$G_i = [g_1, g_2, \ldots, g_m]$$

其中$m$表示地质属性的数量。

假设开挖掌子面由$n$个不同的地质层组成，将其划分为$n$个水平子区域，记为$(A_1, A_2, \ldots, A_n)$。该划分通过将钻孔地层垂直投影到隧道开挖掌子面直径上实现。在包长段，大多数开挖掌子面与2–3个地质层相交。

隧道开挖掌子面的地质属性向量可计算为：

$$P = G \cdot A_{\omega}^T \cdot \omega$$

其中$P$为隧道开挖掌子面的地质属性向量，大小为$m \times 1$；$G$为由掌子面附近钻孔数据导出的地质属性矩阵，大小为$m \times n$；$A_{\omega}$表示每个地质层与总开挖面积$S$相交的开挖掌子面面积比例。例如：

$$\left(\frac{A_1}{S}, \frac{A_2}{S}, \ldots, \frac{A_n}{S}\right)$$

大小为$1 \times n$。其中$A_i$表示第$i$个地质层在开挖掌子面内占据的面积（$i = 1, 2, \ldots, n$），$S = \sum_{i=1}^{n} A_i$为总开挖掌子面面积，均以平方米（m2）表示。因此，$A_i / S$为第$i$层的无量纲面积比例，且$\sum_{i=1}^{n} A_i / S = 1$。加权地质参数保留了相应地质属性的原始物理单位。

基于包长段现有的钻孔数据，在盾构隧道线路范围内建立了统一的笛卡尔坐标系，并在隧道轴线周围生成了规则网格。将钻孔位置观测到的地质属性作为已知样本，采用普通克里金法对覆土厚度、开挖掌子面处泥岩厚度、天然密度、黏聚力、内摩擦角、变形模量、泊松比、侧压力系数、渗透系数、液限和塑限等关键地质参数进行空间插值。该过程生成了盾构隧道段的连续地质数据库。

普通克里金法针对每个地质参数分别进行，使用钻孔坐标$(x, y)$和对应的测量值。采用球状变差函数，其参数从钻孔观测值中自动估计。生成了覆盖纵剖面的规则网格，纵向分辨率为1.5 m，纵向分辨率为0.1 m。插值后，将隧道线路坐标匹配到对应的网格节点以提取插值地质值，然后用于构建环级地质特征向量。

插值精度通过留一钻孔交叉验证进行评估。对于46个钻孔中的每一个，排除一个钻孔，使用其余45个钻孔重建球状变差函数的普通克里金模型。然后独立预测被排除钻孔处的地质参数，并将其与测量值进行比较。重复该过程，直到每个钻孔都作为验证钻孔使用一次。使用均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（$R^2$）和标准化均方根误差（NRMSE）评估插值性能。

如表3所示，插值参数的$R^2$值在0.78–0.98之间，NRMSE值在3.30%–13.76%之间，表明插值性能总体稳定。

**表3 普通克里金插值的留一钻孔交叉验证结果**

| 地质参数 | RMSE | MAE | R2 | NRMSE |
|---------|------|-----|-----|-------|
| 覆土厚度 | 2.00 | 1.05 | 0.96 | 5.97% |
| 开挖掌子面处泥岩厚度 | 0.48 | 0.38 | 0.89 | 10.12% |
| 天然密度 | 0.029 | 0.014 | 0.90 | 9.17% |
| 黏聚力 | 21.09 | 11.27 | 0.87 | 10.18% |
| 内摩擦角 | 0.20 | 0.12 | 0.95 | 4.72% |
| 变形模量 | 1.79 | 1.27 | 0.78 | 12.30% |
| 泊松比 | 0.0092 | 0.0063 | 0.79 | 13.76% |
| 侧压力系数 | 0.0082 | 0.0055 | 0.91 | 6.79% |
| 渗透系数 | 0.75 | 0.34 | 0.85 | 10.06% |
| 液限 | 0.46 | 0.29 | 0.98 | 3.30% |
| 塑限 | 0.34 | 0.20 | 0.97 | 4.08% |

注：RMSE和MAE以各地质参数的物理单位报告；液限和塑限的RMSE和MAE以百分点表示。$R^2$为无量纲值，NRMSE以百分比表示。

以泥岩厚度和液限为代表示例，使用变异系数和相邻Moran's I量化了沿插值隧道线路的空间变异性。泥岩厚度的均值为7.03 m，标准差为0.50 m，变异系数为7.06%，相邻Moran's I为0.9986（$p = 0.0001$）。

液限的均值为35.08%，标准差为2.54个百分点，变异系数为7.24%，相邻Moran's I为0.9993（p=0.0001）。这些结果表明，沿插值轴线这两个代表性参数的总体变异相对有限，且具有强烈的空间连续性。

3.2.3 用于刀盘堵管预警的多源特征体系

为表征盾构掘进的耦合行为，从地质条件、刀盘系统、螺旋输送机系统和土体加固系统四个领域选取了52个特征（见表4）。地质参数描述开挖面土体的强度和塑性。刀盘和螺旋输送机参数反映掘进荷载与渣土排出行为。土体加固参数描述加固剂的注入与调节过程。这些特征支持对堵管相关指标和预警风险的预测（Bilgin和Yüksel, 2023；Koohsari等, 2023；Rashiddel等, 2020）。

表4 盾构掘进中刀盘堵管相关因素

| 类别 | 参数 |
| --- | --- |
| 地质因素 | 盾构覆土厚度(m)、掌子面泥岩厚度(m)、掌子面泥岩比例(%)、天然密度(g/cm3)、黏聚力(kPa)、内摩擦角(°)、弹性模量(MPa)、泊松比、侧压力系数、渗透系数(m/d)、液限(%)、塑限(%) |
| 盾构掘进因素（刀盘系统） | 刀盘转速(rpm)、刀盘扭矩(kN·m)、总推力(kN)、贯入度(mm/rev)、推进速度(mm/min) |
| 螺旋输送机因素 | 螺旋输送机转速(rpm)、输送机压力(kPa)、输送机扭矩(kN·m)、土仓土压(kPa)、上闸门开度(%)、下闸门开度(%) |
| 土仓压力 | 土仓压力(kPa) |
| 土体加固因素 | 土仓注水流速(L/min)、多个注入口膨润土流速(L/min)、泡沫混合液流速(L/min)、泡沫空气流速(L/min)、泡沫回路压力(kPa) |
（共28个参数）

3.3 用于预测堵管相关指标的HTDNN模型

3.3.1 可掘性指标的定义

地层与盾构机器之间的相互作用可由从运行参数推导出的可掘性指标来表征。这些指标从贯入、切削阻力和能耗的角度描述掘进行为，因此有助于识别盾构机器的工作状态。

（1）基于位移的指标

位移指标由贯入度表示。较大的贯入度值表明刀盘的切削深度更大，意味着盾构前方地层对刀盘贯入的阻力较低。贯入度定义为：

(11) P = v/n

其中 P 为贯入度(mm/rev)，v 为盾构推进速度(mm/min)，n 为刀盘转速(rev/min)。

（2）基于强度的指标

盾构机器施加的推力和作用在刀盘上的扭矩均随地层岩性硬度不同而变化。已有研究表明，这些参数与地层的物理力学性质存在相关性，因而具有明确的物理意义（Armetti等, 2018；Avunduk和Copur, 2018；Balci和Tumac, 2012；Gertsch等, 2007；Hassanpour等, 2010；Jing等, 2019）。本研究以现场贯入指数（FPI）和扭矩贯入指数（TPI）表示与强度相关的可掘性指标。

FPI定义为：

(12) FPI = F/P

其中 FPI 表示现场贯入指数(kN/(mm·rev?1))，F 表示盾构机器施加的推力(kN)。

TPI定义为：

(13) TPI = T/P

其中 TPI 表示扭矩贯入指数(kN·m/(mm·rev?1))，T 表示盾构机器刀盘扭矩(kN·m)。

掘进过程中，盾构机器消耗机械能以破碎并移除刀盘前方的土体或岩体。消耗能量的多少随地质条件而变化。从能量守恒的角度看，盾构挖掘地层所消耗的能量，对应于克服材料强度、稳定性和整体性并将其转化为破碎渣土所需的能量。因此，掘进过程中的能耗与盾构前方地层状态密切相关。基于能量的可掘性指标由比能（SE）表示，其定义为：

(14) SE = (2πTn + Fv) / (0.25πD2v)

其中 SE 表示比能(kWh/m3)，D 表示盾构机器刀盘直径(m)。在SE计算中，推进速度v由mm/min换算为m/min，结果再按1 kWh = 3600 kJ除以3600，SE以kWh/m3为单位报告。

作为推导出的复合指标，TPI、FPI和SE对多个掘进变量的耦合变化更为敏感，这导致其在现场条件下表现出显著波动和非平稳行为。

图5展示了FPI、TPI和SE沿掘进距离的变化情况。掘进过程中，FPI、TPI和SE偶发急剧上升，通常发生在刀盘遇到较硬岩层时。在这种情况下，刀盘推力和扭矩增加，而贯入度相应减小。

下载：下载高分辨率图片(598KB) 下载：下载全尺寸图片
图5 性能指标FPI、TPI和SE沿掘进距离的变化曲线

在整个宝长盾构隧道区间，FPI的均值为970.86 kN/(mm·rev?1)，标准差为358.20 kN/(mm·rev?1)。TPI的均值为325.63 kN·m/(mm·rev?1)，标准差为114.18 kN·m/(mm·rev?1)。SE的均值为10.74 kWh/m3，标准差为3.74 kWh/m3。

在泥岩地层中采用EPB盾构掘进时，土体通常表现出强黏性、明显的塑性以及较差的排出特性。刀盘掘进、土仓流变与螺旋输送机排出之间存在强耦合，使系统极易发生刀盘黏附、渣土堆积、堵管和能耗增加。刀盘堵管的发生与掘进荷载、地质性质以及土体加固的有效性密切相关，同时也反映了渣土加固是否充分、渣土排出是否连续，以及掘进节奏是否良好协调。FPI、TPI和SE的PC推导依赖性网络总结了地质特征、加固行为、掘进响应和堵管相关指标之间可能的结构路径。

FPI、TPI和SE分别从推压、切削和总体能耗的角度对盾构掘进响应提供了互补描述。FPI表征单位贯入度所需的推力需求，其上升可能表明掌子面阻力增大、刀盘受阻或土体加固不足。TPI表示单位贯入度所需的扭矩需求，对切削阻力变化、刀盘黏附、刀具磨损和渣土加固效果较为敏感。SE综合了与推力和扭矩相关的能耗，反映盾构机器的总体掘进能量需求。三者共同提供了对刀盘工作状态的具有物理可解释性的表征。

3.3.2 HTDNN的整体架构

开发了一种混合时序深度神经网络（HTDNN），用于利用多源掘进数据预测刀盘堵管指标（FPI、TPI和SE）。整体工作流程如图6(a)所示。根据现场施工日志和掘进状态识别结果，优先选择施工条件相对稳定的掘进区间用于模型训练，以减少停机、管片拼装等短期运行扰动带来的非平稳响应干扰。因此，训练得到的HTDNN代表了在相对稳定掘进条件下，从地质、运行和土体加固输入到FPI、TPI和SE的基准映射。随后，该基准映射被用于评估实测掘进响应中的阶段性偏离。按掘进顺序将环号样本按时间先后划分为训练集（70%）、验证集（15%）和测试集（15%）。随后在各子集内分别构建滑动窗口样本，且没有任何窗口跨越子集边界。验证子集用于早停和模型选择，测试子集仅保留用于最终性能评估。

下载：下载高分辨率图片(413KB) 下载：下载全尺寸图片
图6 所提出的HTDNN模型的工作流程与架构

HTDNN采用三分支并行架构，以编码不同输入组的异构特征（见图6）。地质条件、盾构运行和土体加固在时间依赖性、变量间相关结构和工程含义上存在显著差异。地质参数主要描述外部地层环境，环与环之间变化相对缓慢，因此采用CNN-DNN分支提取局部模式和线性地质效应。盾构运行参数代表机器的直接动态响应，表现出强时间依赖性，因此采用CNN-BiLSTM分支处理。土体加固参数反映通过多条加固管路进行的协调注入与调节行为，并表现出强变量间相关性，因此采用相关图卷积（CGC）分支处理。在CGC分支中，28个土体加固变量被视为无向加权图的节点。对于两个不同节点 i 和 j，边权重由其带符号的皮尔逊相关系数定义：

(15) A?? = ρ?? = corr(x?, x?)，i ≠ j

其中 A 为原始邻接矩阵，A?? 表示节点 i 与 j 之间的边权重，ρ?? 为两个变量之间的皮尔逊相关系数，x? 和 x? 分别表示第i个和第j个土体加固变量的样本序列。负相关系数予以保留，且其绝对值不用于作为边权重。不施加额外的相关性阈值。

添加自环以保留每个节点的信息：

(16) ā = A + I

其中 ā 为含自环的邻接矩阵，I 为单位矩阵。

由于 ā 同时包含正、负元素，度矩阵采用绝对边权重计算：

(17) D?? = Σ? |ā??|

其中 D 为对角度矩阵，D?? 表示节点 i 的绝对加权度，ā?? 为 ā 的对应元素。

随后得到归一化邻接矩阵：

(18) ? = D?1?2 ā D?1?2

其中 ? 表示归一化带符号邻接矩阵。

在图传播过程中保留每个相关系数的符号，而绝对值仅用于计算度矩阵。设加固分支的输入张量为 Xc ∈ ???2?，其中 T 为回看步数。转置后，加固变量被视为图节点，其局部时间特征首先通过一维卷积提取：

(19) Z = Conv1D(X?c)

其中 X?c ∈ ???2?。随后基于图的传播操作表示为：

(20) H?1? = ?Z

其中 H?1? 为相关加固变量传播后的隐藏表示。最后，通过全局平均池化对传播后的隐藏表示进行聚合，得到分支级特征向量。

完成各分支特征提取后，将编码表示进行拼接与融合，以学习地质条件、盾构运行和土体加固对目标掘进响应指标的耦合效应。

采用滑动窗口策略构建一环超前预测样本。设 x? ∈ ??2 为最新完成环 t 处观测到的环级多源特征向量。对于回看长度 L，模型输入构建为 Xt = [x?????, …, x?]，而输出为环 t+1 处对应的FPI、TPI或SE值。输入窗口内的所有特征均为已完成环的实测值。待环 t+1 完成后，其实测环级特征被纳入更新的滑动窗口用于后续预测。目标环记录的掘进参数仅用于在模型训练和评估期间计算观测目标指标，在预测该环时不纳入输入窗口。

为FPI、TPI和SE分别建立了三个独立的单输出HTDNN模型。尽管三个模型共享相同的三分支架构和输入特征体系，但其网络参数和超参数均独立优化。对于每个模型，输出层包含一个对应目标指标的神经元，模型训练通过最小化预测值与实测值之间的均方误差进行。训练、验证和测试子集按时间先后划分，验证子集用于模型选择和早停，测试子集保留用于最终评估。

模型训练通过最小化均方误差（MSE）损失函数进行：

(21) min Loss(y???, Fun(x?,???,…,x?,?, x?,???,…,x?,?, …, x?,???,…,x?,?))

HTDNN模型在一台配备AMD Ryzen 9 7950X 16核处理器和64 GB内存的工作站上实现。该模型使用Python语言在TensorFlow框架下开发。

在正式训练所选取的可掘性指标之前，有必要优化HTDNN模型中所使用的参数。主要超参数包括各网络层参数、学习率和批量大小。鉴于超参数数量众多且搜索空间庞大，采用Optuna基于训练数据集进行超参数优化，以确保选出有效的超参数配置。表5给出了超参数。

表5

HTDNN 模型的超参数搜索空间

超参数搜索范围TPI 最优超参数FPI 最优超参数SE 最优超参数Conv1D_1_filters[2, 4, 8, 16, 32, 64]8168Conv1D_2_filters[2, 4, 8, 16, 32, 64]2642Dense_units[2, 4, 8, 16, 32, 64]484Conv1D_3_filters[2, 4, 8, 16, 32, 64]848LSTM_units[2, 4, 8, 16, 32, 64]326432CGC_units[2, 4, 8, 16, 32, 64]2322Batchsize[8, 16, 32, 64, 128]646464Learning rate[0.0001, 0.0005, 0.001, 0.005, 0.01, 0.05, 0.1, 0.5]0.00010.0010.0001Backtracking time step[2, 3, 4, 5, 6, 7, 8]232

为量化模型性能对优化后超参数的敏感性，对已完成的 Optuna 试验历史进行了功能方差分析（fANOVA）。以验证集的 R2 作为响应变量，对 FPI、SE 和 TPI 模型的 importance 值分别进行归一化处理。如图 7 所示，学习率是 FPI 和 SE 模型的主要超参数，而 TPI 模型对 CNN-BiLSTM 滤波器最为敏感。回溯步长对 SE 和 TPI 模型也有显著影响。

图 7. 基于 fANOVA 的 FPI、SE 和 TPI 模型超参数重要性分析

3.4. Shapley 加性解释（SHAP）方法

为增强 HTDNN 模型的可解释性，采用 SHapley 加性解释（SHAP）方法量化各输入特征及其时间滞后对模型预测的贡献。SHAP 值将每个预测值分解为相对于基准输出特征的加性贡献。

通过分析不同时间步的 SHAP 值，可以系统地解读地质参数、运行变量和土体改良特征在驱动 FPI、TPI 和 SE 变化中的相对重要性。这有助于识别刀盘结泥演化过程中的关键控制因素和时间滞后效应。

3.5. 预警评估与概率分析

3.5.1. 偏离基准掘进状态的辅助指标

本研究采用 FPI、TPI 和 SE 作为刀盘工作状态的初级物理响应指标。预警分数并非直接由这些指标的绝对预测值计算得出。相反，对每个预警阶段，使用平均绝对百分比误差（MAPE）、变异系数（Cv）、方差解释率（VAF）和决定系数（R2）对测量和预测序列进行评估，所得的阶段指标用作隧道响应的辅助描述符。MAPE 表征测量与预测残差的相对幅度。Cv 表征测量响应在各阶段内的相对波动。VAF 和 R2 描述预测序列再现测量变化模式的程度。较高的 MAPE 和 Cv 以及较低的 VAF 和 R2 表明存在更强的波动以及与相对稳定掘进条件下学习到的输入-响应关系的更大偏离。

MAPE 是衡量预测误差的指标。它计算预测值与实际值之间的平均百分比误差。较小的 MAPE 表示更高的预测精度。

(22) MAPE = 100%/n * Σ(i=1 到 n) |?i - yi| / yi

其中 ?i 表示预测值，yi 表示实际值。

变异系数（Cv）是数据离散程度的相对度量，用于比较不同样本的变异性程度。较大的 Cv 表示数据离散程度更高。

(23) Cv = σ/μ

其中 σ 是实际样本点的标准差，μ 是实际样本点的均值。

VAF 是一个相对指标，用于评估预测模型的准确性，通过衡量模型能解释的数据总方差的比例。较高的 VAF 表示模型具有更强的解释能力和更好的拟合性能。

(24) VAF = 1 - Var(?i - yi)/Var(yi)

R2，即决定系数，是评估回归模型最常用的指标之一。它衡量因变量的方差中可由自变量解释的比例。较高的 R2 表示回归模型拟合效果更好。

(25) R2 = 1 - Σ(i=1 到 n)(yi - ?i)2 / Σ(i=1 到 n)(yi - y?)2

这种解释遵循基于残差的条件监测原则。当掘进状态接近学习到的基准状态时，测量的 FPI、TPI 和 SE 响应可以通过相对较小的残差和稳定的预测一致性来再现。相反，刀盘阻力、渣土流变性和出渣连续性的变化可能会改变学习到的输入-响应关系，导致持续的残差放大以及测量与预测序列之间的一致性降低。

在本研究中涉及的以泥岩为主的黏性地层中，刀盘结泥通常伴随着黏结和切削阻力增加、贯入效率降低、渣土流动性恶化以及出渣受阻。这些变化往往增加每单位贯入所需的推力和扭矩，并提高整体挖掘能耗需求，从而在 FPI、TPI 和 SE 中产生协同恶化。由于这三个指标分别表征互补的推进、切削和能耗响应，持续且同时的恶化不太可能仅由孤立的预测误差引起。在研究区段的地质条件下，这种协同恶化因此为结泥相关的异常状态提供了强烈的预警证据。

然而，这些辅助指标不被视为结泥的直接物理证据。它们与 FPI、TPI 和 SE 的持续演化、地质背景、施工记录及现场观测一起进行解释。

3.5.2. 预警分数的构建

对每个预警阶段，使用 FPI、TPI 和 SE 的测量和预测序列评估 MAPE、Cv、VAF 和 R2。所得的三个指标的阶段指标值构成熵权秩和比（RSR）方法使用的评估矩阵。在该矩阵中，VAF 和 R2 被视为正属性，而 MAPE 和 Cv 被视为负属性。熵方法根据评估指标的变异性分配客观权重，而 RSR 方法将多指标信息转化为无量纲的预警分数。

对于 n 个评估对象和 m 个指标，首先根据每个指标的正负属性进行排序：Rij 表示第 i 个对象在第 j 个指标下的秩。计算熵权 wj 以反映每个指标的相对重要性，满足 Σ(j=1 到 m) wj = 1。然后计算加权 RSR 值：

(26) WRSRi = (1/n) * Σ(j=1 到 m) wj * Rij

为获得连续的预警分数，使用 Probit 函数进一步转换 WRSR 值并映射到 [0, 100] 范围。预警分数 S 是通过熵权 RSR 聚合得到的无量纲量，以归一化的 0-100 刻度表示。较高的分数表示与基准掘进状态的一致性更强，而较低的分数表示响应波动增加、残差放大以及测量与预测指标之间的一致性降低。因此，所得分数表征了运行状态相对于学习到的基准的偏离程度。

3.5.3. 基于蒙特卡洛的预警分数不确定性解释

蒙特卡洛分析用于将阶段模型响应指标的联合不确定性传播到预警分数中。输入向量定义为：

(27) X = [X1, X2, X3, X4] = [R2, MAPE, VAF, Cv]

其中 R2 和 VAF 是预测一致性的正属性，而 MAPE 和 Cv 描述残差幅度和响应波动。这些指标表征了预警模型的阶段依赖性。

为了在保持统计依赖关系的同时表征四个模型响应指标的联合不确定性，引入 copula 函数构建其联合分布：

(28) F(x1, x2, x3, x4) = C(F1(x1), F2(x2), F3(x3), F4(x4); θ)

其中 Fi(xi) 是第 i 个指标的边缘分布函数，C(·) 是 copula 函数，θ 是依赖参数。

考虑到刀盘运行状态多个指标之间存在显著相关性，本研究采用高斯 copula 模型：

(29) C(u1, u2, ..., ud; R) = ΦR(Φ?1(u1), Φ?1(u2), ..., Φ?1(ud))

其中 ΦR 表示具有相关矩阵 R 的多变量标准正态分布函数，Φ?1 表示单变量标准正态分布的逆函数。每个变量首先通过其经验边缘分布进行转换：

(30) ui = rank(xi)/(n + 1)

使用高斯 copula 表示四个指标之间的依赖结构。从拟合的联合分布中生成相关样本，并转换回其原始边缘分布。随后，每个模拟指标向量通过已建立的熵权 RSR 映射进行传播，以在保留四个评估指标的边缘特征和依赖结构的同时获得模拟预警分数。

基于拟合的 copula 模型，对刀盘性能指标进行随机重采样，以反映刀盘系统在复杂运行条件下的多维不确定性传播。具体步骤如下：

(1) 生成相关的均匀样本：

(31) U = [U1, U2, U3, U4] ~ C(u1, u2, u3, u4; R)

其中 U = [U1, U2, U3, U4] 是边缘转换后评估指标的向量，Ui = Fi(Xi)。这里 Xi 表示四个评估指标之一，即 MAPE、Cv、VAF 和 R2，Fi(·) 是其边缘累积分布函数。每个 Ui 在 (0,1) 上服从均匀分布且无量纲。C(·; R) 表示高斯 copula，R 是描述四个指标之间依赖关系的 4×4 无量纲相关矩阵。这种表述将单个指标的边缘分布与其依赖结构分离开来，并能为后续的蒙特卡洛分析生成相关样本。

(2) 通过逆边缘转换恢复原始指标样本：

(32) Xi = F?1i(Ui), i = 1, 2, 3, 4

所得样本集 {X(k)}k=1 到 N 保留了原始指标的分布特征，同时捕获了它们之间的依赖结构。使用对应不同样本量的模拟结果检验估计的状态隶属概率的收敛性。

基于熵权-RSR 综合评估系统和蒙特卡洛模拟方法，构建了刀盘结泥的概率风险评估模型。将综合评估分数（S）划分为四个风险状态区间，并建立相应的功能映射系统以量化结泥概率。

预警分数被归一化为 0-100 的范围，较高的值表示与基准掘进状态的一致性更高。80、60 和 40 的边界作为初步的项目特定运行分级边界引入，而非统计优化的截断值。在此归一化刻度上，从高分区域连续递减 20 分提供了对日益明显偏离的透明序数划分，而低于 40 的分数被归为最严重的偏离状态。这种简单的划分避免了从本项目中有限的独立确认结泥事件中估计多个看似精确的截断值。蒙特卡洛过程随后评估这些分数定义的区间内的概率质量，使得边界附近的不确定性可以通过相邻预警状态来表示。

设综合评估分数为 S ∈ [0, 100]。不同风险状态的边界列于表 6 中：

表 6. 预警状态分类及对应分数区间

状态分数
安全阶段 S ≥ 80
早期预警阶段 60 ≤ S < 80
接近预警阶段 40 ≤ S < 60
结泥阶段 S < 40

状态指示函数用于识别盾构刀盘的结泥风险状态，其中值为 1 表示系统处于相应的风险状态，0 表示不处于该状态。定义分段指示函数 Ik(S) 来表示风险状态 k 的识别：

(33) Ik(S) = {1, S ∈ Ωk; 0, 其他}

其中 Ωk 表示状态 k 对应的分数区间。具体而言，Ωsafe = [80, 100]，Ωearly = [60, 80)，Ωproximity = [40, 60)，Ωclogging = [0, 40)。

概率隶属函数用于识别刀盘系统的风险状态。相应地，每个状态的概率函数构建如下：

(34) gk(S) = {
S - τupper_k, k = safe
min(S - τlower_k, τupper_k - S), k ∈ {early, Proximity}
τupper_k - S, k = clogging
}

在此情境中，边界阈值 τk 定义如下：τupper_safe = 80，τlower_early = 60，τupper_early = 80，τlower_Proximity = 40，τupper_Proximity = 60，τupper_clogging = 40。

基于状态指示函数和概率隶属函数，通过蒙特卡洛模拟生成 N 个综合评估分数样本 {Si}i=1 到 N。然后按以下方式计算每个状态的概率：

(35) Pk = (1/N) * Σ(i=1 到 N) I{gk(Si) ≥ 0}

其中 I{·} 表示指示函数，当满足条件 gk(Si) ≥ 0 时激活状态 k。

通过重复蒙特卡洛模拟，在不同样本量 N 下记录每个风险等级的概率：

(36) P(Li|N) = ni(N)/N

在此情境中，ni(N) 表示在样本量为 N 的蒙特卡洛运行中属于等级 Li 的样本数。随着样本量增加，如果 P(Li|N) 收敛到稳定值 C：

(37) lim(N→∞) P(Li|N) = C

估计的状态隶属概率随样本量增加而收敛，表明蒙特卡洛估计具有数值稳定性。

4. 结果

4.1. 与结泥指标相关的结构依赖性结果

在泥岩地层中的 EPB 盾构掘进过程中，土体通常表现出强黏聚力、显著塑性和较差的出渣特性。刀盘挖掘、仓内流变和螺旋输送机出渣高度耦合，使系统极易发生刀盘黏附、渣土积聚、结泥和能耗增加。刀盘结泥的发生与掘进载荷、地质特性和土体改良效果密切相关。它还反映了掘进过程中渣土改良是否充分、渣土出渣是否连续以及推进节奏是否协调。基于偏相关（PC）的 FPI、TPI 和 SE 依赖网络总结了地质特征、改良措施、掘进响应和结泥相关指标之间的条件依赖结构。

所识别的关联关系代表了在假设条件下合理的方向性关联。基于图8所示的PC分析推导结构，掘进速率被识别为与FPI、TPI和SE相关的共同上游变量。该配置表明，掘进节奏与推进-贯入响应、扭矩-贯入响应及挖掘能耗消耗存在条件性关联。在图8中，缩写标签按数据来源分组：G1–G12表示12项地质参数，S1–S12表示12项盾构操作参数，M1–M28表示28项土体加固参数。该标注方法用于区分地质背景、设备响应与加固措施在推断依赖路径中的各自作用。下载：下载高分辨率图片（529KB）下载：下载全尺寸图片图8 FPI、SE和TPI的PC分析依赖结构。在泥岩地层中采用EPB隧道掘进时，掘进不稳定可能与渣土更新延迟、排渣受阻以及推力和刀盘扭矩同步上升同时发生。相反，稳定的掘进过程与土体加固及渣土排出相协调时，通常与较低的挖掘负荷相关联。这些工程考量为PC分析识别出的关联关系提供了物理上合理的解释。据此，掘进速率被视为与所研究项目的能耗响应相关的重要操作变量。PC分析推导结构显示，贯入或掘进速率与多项土体加固变量之间呈正方向性关联，包括泡沫和膨润土注入。与螺旋输送机操作及舱内注水相关的关联也观察到。这些模式与工程认知一致，即适当的加固和连续排渣可改善渣土流动性并稳定掘进过程。地面刚度与推力在所研究数据集中呈弱负相关。该观察可能表明，诸如增强土体加固、提高排渣能力及优化含水率调节等施工措施部分抵消了地面刚度对推力需求的不利影响。因此，在确定掘进负荷方面，操作控制似乎比地面刚度发挥了更突出的作用。此外，PC分析推导结构表明，FPI的升高与土体加固不足及掘进节奏紊乱相关联，而TPI的升高则与较高的切削阻力及可能的刀盘堵塞相关。SE的升高反映了掘进不稳定、排渣效率低下及加固不足对整体挖掘能耗需求的综合影响。综合来看，PC分析推导的依赖结构表明，FPI、TPI和SE的变化与掘进节奏、土体加固及渣土排出中的耦合变化相关联。FPI反映推力-贯入关系的变化，TPI表征扭矩-贯入响应，SE代表整体挖掘能耗消耗。它们的互补响应为后续的预警分析提供了可解释的信息。4.2 可挖掘性指标预测结果 图9展示了在整个掘进区间内TPI、FPI和SE的预测值与实测值对比。总体而言，预测曲线总体上重现了实测值的波动，在训练集、验证集和测试集中均未表现出明显的系统性偏差。下载：下载高分辨率图片（653KB）下载：下载全尺寸图片图9 使用HTDNN模型在测试集中TPI、FPI和SE的预测值与实测值对比。对于TPI，预测值通常在整体波动范围内跟随实测值。模型捕捉到了与贯入和扭矩耦合效应相关的主要变化模式。尽管在某些局部高点仍存在偏差，特别是在挖掘条件突变区段，但整体趋势得到了合理重现。对于FPI，由于该指标受推力、贯入及地质条件的共同影响，原始序列表现出较强的波动，在挖掘条件突变区段出现显著尖峰。模型重现了FPI的主导波动模式，并在大多数峰值区间附近保持了正确的趋势方向，表明其能够反映现场条件下该指标的主要异常演化。对于SE，预测序列与实测序列在整体趋势上吻合较好。在相对稳定的掘进阶段，基线波动模式得到了合理重现。在能耗升高的区段，模型也捕捉到了能耗需求的主要上升，表明其能够反映复合能耗响应的主导变化。总体而言，三个指标的预测曲线重现了主导变化趋势以及由地质变异性、掘进参数调整和渣土流变性变化引起的主要异常演化模式。鉴于TPI、FPI和SE在现场条件下本质上具有波动性和非平稳性，精确的逐点重建仍然困难。在此背景下，HTDNN模型的主要价值在于捕捉指标的整体趋势和分阶段异常响应，从而为后续的导向预警分析提供可用的基础。图10展示了测试集中预测值与实测值的对比。TPI、FPI和SE对应的R2值分别为0.64、0.61和0.68，MAPE值分别为16.25%、17.91%和15.69%。这些结果表明，在高度波动和非平稳的现场条件下，模型具有中等程度的逐点预测性能，且在挖掘条件突变区间仍存在局部偏差。下载：下载高分辨率图片（387KB）下载：下载全尺寸图片图10 HTDNN模型预测值与实际测量值在测试数据集上的对比。尽管如此，模型重现了三个指标的主导变化趋势和分阶段异常演化，且无明显系统性偏差。因此，其主要价值不在于高精度的逐点重建，而在于为后续残差分析和分阶段预警提供与趋势一致的、具有物理可解释性的FPI、TPI和SE响应估计值。排除局部极值后，残差近似服从正态分布（图11），表明预测误差未观察到明显的系统性偏差。下载：下载高分辨率图片（186KB）下载：下载全尺寸图片图11 预测误差的残差分布。4.3 刀盘堵塞分阶段早期预警 本研究采用的10环预警窗口是根据项目具体工程条件折中选择的结果。在所研究的泥岩为主区段中，刀盘堵塞是在数个环内渐进发展的，现场记录表明在1530环附近出现轻微异常。因此，认为10环窗口足以抑制短期波动，同时保留参数调整、加强土体加固及开舱准备的时间。该数值并非通用设置；对于其他项目，应根据环长度、掘进速率、异常演化特征持续时间及现场管理响应需求重新校准预警窗口。三个阶段根据表6定义的预警分数区间定量定义。安全状态（S≥80）表示相对稳定的基线条件。对于所研究的异常演化序列，60≤S<80、40≤S<60和S<40分别对应早期预警、临近预警和堵塞阶段。三个连续的10环窗口根据FPI、TPI和SE的实测与预测响应演化被依次检查。在1530环附近报告了轻微刀盘相关异常，并在1560环开舱时观察到泥饼黏附。这些观察结果与三个窗口中识别出的渐进恶化一致。在解释这种对应关系时，停机与开舱被视为支持性现场观察，而非直接阶段定义标准，因为此类操作依赖于管理决策，且通常在异常条件已经发展之后发生。同样，排渣恶化也通过挖掘响应指标及相关的螺旋输送机和土体加固响应中的协同变化来评估，而非通过单一的直接排渣阈值。图12、图13、图14分别展示了TPI、FPI和SE在早期预警、临近预警和堵塞阶段的预测性能与残差演化。对于TPI，残差在早期预警阶段相对较小，在临近预警阶段增大，在堵塞阶段急剧扩大，表明切削阻力和渣土流变性的渐进不稳定。FPI在早期预警阶段响应相对较慢，但随着推力-贯入关系偏离正常行为，其偏差变得更为显著。SE在早期预警阶段较好地重现了整体趋势，但随着能耗结构恶化，其波动和预测误差明显增加。下载：下载高分分辨率图片（421KB）下载：下载全尺寸图片图12 基于TPI指标的堵塞风险分区。下载：下载高分辨率图片（450KB）下载：下载全尺寸图片图13 基于FPI指标的堵塞风险分区。下载：下载高分辨率图片（401KB）下载：下载全尺寸图片图14 基于SE指标的堵塞风险分区。综合来看，三个指标表现出分阶段模式。在早期预警阶段，其波动和残差响应保持有限。在临近预警阶段，偏差增加，表明正在偏离相对稳定的输入-响应关系。在堵塞阶段，FPI、TPI和SE同时表现出显著的残差放大和预测一致性降低。单个指标的孤立残差峰值或恶化不被视为刀盘堵塞的充分证据。局部地质变化、临时操作调整、传感器不确定性或预测误差也可能产生短期偏差。然而，FPI、TPI和SE分别描述了推压阻力、切削阻力和整体挖掘能耗需求的互补方面。在泥岩为主的粘性地层中，刀盘上渐进的黏附和堆积倾向于降低贯入深度同时增加推力、扭矩和能耗。因此，在连续环内三个指标持续且协同的残差放大强烈表明存在与堵塞相关的异常状态，而非预测精度孤立下降。4.4 预警分数结果与工程解释 对于每个预警阶段，FPI、TPI和SE的实测与预测序列导出的MAPE、CV、VAF和R2值采用熵权RSR方法整合。所得预警分数表征了相对于HTDNN所代表的基线输入-响应关系的偏离程度。图15展示了三个阶段的预警分数。I、II和III阶段的分数分别为75.68、57.05和32.73。根据3.5.3节和表6预定义的分数区间，三个连续的10环窗口因此分别归类为早期预警、临近预警和堵塞阶段。分数的渐进下降表明响应波动增加、残差放大以及实测与预测指标一致性恶化。I阶段仍相对接近基线掘进状态。在II阶段，增加的偏差表明异常状态正在发展。在III阶段，FPI、TPI和SE指标的同时恶化对应于对基线状态的显著偏离，与观察到的堵塞相关异常一致。下载：下载高分辨率图片（125KB）下载：下载全尺寸图片图15 刀盘堵塞早期预警阶段的评分结果。因此，预警分数总结了三个具有物理可解释性的挖掘响应相对于相对稳定基线状态的持续且协同的偏离。在所研究的泥岩为主区段中，FPI、TPI和SE的同时恶化在物理上与刀盘阻力增加、贯入效率降低和排渣受阻一致。相应地，预警分数的渐进下降为堵塞发展提供了强有力的预警证据。从工程角度来看，预警分数的下降反映了渣土塑性、排渣连续性和刀盘工作条件的渐进恶化。在I阶段，系统总体上仍可控制，尽管已出现轻微异常。在II阶段，预测偏差显著增加，表明掘进系统正接近临界过渡。在III阶段，分数大幅下降对应于能耗相关指标的严重振荡以及明显的堵塞相关异常。因此，预警分数提供了分阶段堵塞演化的紧凑定量表征。它不依赖单一指标或经验阈值，而是将TPI、FPI和SE的耦合响应整合为统一的工程预警度量。4.5 工程风险演化的概率解释 基于本研究建立的刀盘堵塞风险分类标准，堵塞风险分为四个等级：安全阶段（I级）、早期预警阶段（II级）、临近预警阶段（III级）和堵塞阶段（IV级）。根据熵权秩和比率评价结果，对应的分数范围分别为80–100、60–80、40–60和0–40。图16展示了整个隧道区段刀盘堵塞风险的蒙特卡洛收敛结果。在图16中，PF表示估计的状态隶属度概率，CIW表示其置信区间宽度。I–IV级的估计概率随样本量增加迅速收敛，表明结果在统计上稳定。

最终概率分别为0.13%、18.66%、70.46%和10.75%。结果表明风险分布极不均匀，其中Ⅲ级为占主导地位的状态，而Ⅰ级发生的概率极低，反映了在富黏土地层长距离掘进过程中维持完全安全运行状态的困难。下载：下载高分辨率图像（139KB）下载：下载全尺寸图像图16 全隧道区段的蒙特卡洛模拟收敛结果。为实现空间对比，将隧道轴线划分为五段连续掘进区段：第1–299环、300–599环、600–899环、900–1199环和1200–1625环。该划分在纵向分析的空间分辨率与每段所需的稳定概率估计样本量之间取得了平衡。各段渣土堵塞风险的演变总结于图17(a)中。沿隧道轴线可以观察到清晰的三阶段模式：早期区段为风险相对可控阶段，中期区段为风险逐渐累积阶段，后期区段为高风险发生阶段。Ⅰ级概率在早期保持相对稳定，但在第4段之后急剧下降。Ⅱ级在大多数区段中占主导地位，但在最终阶段随着风险向更高等级迁移而减少。Ⅲ级成为后期区段的主要风险状态，而Ⅳ级虽然在早期较为罕见，但在掘进末端明显增加，表明严重堵塞状况开始出现。下载：下载高分辨率图像（218KB）下载：下载全尺寸图像图17 刀盘堵塞风险等级和聚合预警状态的区段演变。为便于工程解释，将Ⅰ级定义为正常状态，Ⅱ级和Ⅲ级归为预警状态，Ⅳ级对应堵塞状态。这些聚合状态的演变如图17(b)所示。正常状态概率在第1至第3段保持相对稳定，但随后急剧下降，最终区段仅达3.8%。相比之下，预警状态在整个掘进过程中占据主导，其概率在各段均超过75%，并在最终阶段达到93.2%。堵塞状态在隧道末端呈单调递增趋势，凸显了刀盘性能的渐进退化。相应的累积风险等级演变如图18(a)所示。保持Ⅰ级的概率从早期的16.8%急剧下降至掘进末端的0.13%，而Ⅲ级成为堵塞风险的最终收敛状态。同时，Ⅳ级概率增加了近一个数量级，表明随着掘进距离增加，严重堵塞风险出现显著累积。下载：下载高分辨率图像（224KB）下载：下载全尺寸图像图18 刀盘堵塞风险等级和聚合预警状态的累积演变。聚合后的正常、预警和堵塞状态的进一步演变如图18(b)所示。正常状态随着掘进推进迅速衰减，而预警状态在隧道轴线大部分区段维持在约90%的高位平台。在后期阶段，预警状态的减少直接转移至堵塞状态，清晰反映了从正常到预警再到堵塞的渐进转变。总体而言，区段分析和累积分析一致表明，刀盘堵塞是一个渐进且累积的退化过程。第900环至1199环之间的区间代表了关键过渡窗口，在此期间堵塞风险从逐渐累积转变为快速升级。在进入该区间之前，应实施舱室检查、增强土体改良和调整掘进参数等预防措施，以有效抑制后续风险增长。这些结果表明，有效的刀盘风险管理必须同时考虑空间分段和累积可靠性演变。4.6 与现场观测的验证在第1530环至1560环之间，FPI、TPI和SE呈现出协调上升趋势，并在第1560环附近达到峰值。这一演变对应于图12、图13和图14中识别出的三个连续预警阶段。与此同时，预警分数从第一阶段的75.68下降至第二阶段的57.05，再到第三阶段的32.73，表明偏离相对稳定掘进状态的程度逐步加剧。在第1560环开舱时，观察到刀盘表面存在泥饼附着，如图19所示。因此，现场观测在时间上与前述多指标恶化和预警分数下降相一致，为所提框架识别刀盘堵塞渐进发展过程的能力提供了现场支持。下载：下载高分辨率图像（436KB）下载：下载全尺寸图像图19 第1560环开舱时观察到刀盘表面泥饼附着。5. 讨论5.1 基于SHAP的特征贡献与时滞分析为阐明模型在预测不同掘进性能指标时的决策依据，采用SHAP方法分析每个特征及其时滞对预测过程的贡献。每个模型纳入了优化后的历史时间步数量。对于三时步FPI模型，T0、T1和T2分别代表预测第k环时第k?3、k?2和k?1环的特征值。对于两时步SE和TPI模型，T0和T1分别对应第k?2和第k?1环，如图20所示。在SHAP图中，F0–F51表示按模型输入向量相同顺序排列的52个输入特征。具体而言，F0–F11对应12个地质参数，F12–F23对应12个操作参数，F24–F51对应28个土体改良参数。为便于直接解释主要特征，F13和F15分别表示刀盘扭矩和贯入量。下载：下载高分辨率图像（706KB）下载：下载全尺寸图像图20 HTDNN模型的SHAP分析。对于FPI，T2和T1时点的贯入量（F15）是最具影响力的负向贡献因子，表明早期环的切削效率对下一环单位贯入推力具有持续影响。掘进速度、螺旋输送机舱室压力、螺旋输送机压力和刀盘转速等特征在T2和T1时也贡献显著，表明FPI受与掘进节奏和渣土排出相关的多环过程记忆强烈影响。对于SE，T1和T0时点的刀盘扭矩（F13）表现出最强的正向贡献，而T1和T0时点的贯入量（F15）呈负向影响。这表明SE主要反映了一种两环延续的能量消耗行为机制。掘进速度也显示出明显影响，表明SE对扭矩、贯入量和掘进节奏的综合演变作出响应。对于TPI，T1和T0时点的刀盘扭矩（F13）和贯入量（F15）是主要贡献因子，这与其物理定义一致。此外，若干土体改良特征显示出较高贡献，表明TPI对前一环的改良效果和渣土塑性流动行为尤为敏感。总体而言，FPI表现出显著的累积滞后效应，SE反映短期能量延续机制，TPI则对切削阻力和渣土行为相关的改良变化高度敏感。这些时间依赖模式与EPB盾构掘进的物理机制一致。更具体地说，这些滞后贡献可以联系到泥岩渣土在刀盘—舱室—螺旋输送机系统内的渐进附着和累积。未完全排出的物料可能跨环持续存在，导致渣土流动性降低、改良不充分和排出不畅等效应延续至后续掘进。这种持续性逐渐降低贯入效率并增加推力需求，与FPI更广泛的累积滞后相一致。相比之下，TPI和SE对近期切削阻力、扭矩和掘进能量消耗的变化响应更为直接。这些SHAP模式支持渐进堵塞的解释，但并未独立建立因果时间延迟机制。6. 特征分支贡献消融实验结果（图21）表明，三个特征组对模型性能的贡献并不均匀，而FPI、TPI和SE表现出总体上的一致性模式。完整模型表现最佳，而移除任何分支都会导致性能下降。这支持了采用分支专用编码后进行特征融合来捕捉地质、操作和土体改良数据所提供的互补信息。下载：下载高分辨率图像（483KB）下载：下载全尺寸图像图21 HTDNN模型不同特征分支的消融实验结果。移除操作分支导致FPI、TPI和SE的退化最为严重，性能损失明显大于移除地质或土体改良分支后的情况。这表明在所研究的数据集中，时间依赖的机器响应提供了主要预测信息，而地质和土体改良输入则提供了关于地层条件和改良相关渣土行为的互补信息。6.1 堵塞演变解释来自PC推导的依赖网络、SHAP解释和各阶段预警结果的综合证据表明，在所研究的以泥岩为主的区段中，刀盘堵塞是一个渐进而非突发的过程，其演变与掘进节奏、土体改良效果和渣土排出能力的耦合变化相关。由于HTDNN主要利用相对稳定掘进区段的数据进行标定，残余误差的持续放大表明当前输入—响应关系正在偏离已学习到的基准状态。这种偏离可能与堵塞相关的刀盘阻力变化、渣土流变性和排出连续性有关。在以泥岩为主的黏性地层中，FPI、TPI和SE的同时恶化反映了掘进阻力、切削阻力和掘进能量需求的协调增加，因此强烈表明存在堵塞相关的异常状态。然而，预测恶化也可能受未建模的地质变异性、传感器不确定性或操作员干预的影响。因此，模型性能恶化不被独立解释为堵塞的证据；它被用作辅助预警信息，与FPI、TPI和SE的协调演变以及现场观测相结合。从三个指标的角度来看，TPI对切削阻力和渣土流变性的早期变化更为敏感，FPI反映推力—贯入不匹配程度的逐渐增加，SE则捕捉掘进能效的整体恶化。它们的耦合演变因此为从正常掘进到预警再到堵塞的转变提供了具有物理意义的描述。在此意义上，刀盘堵塞可以被理解为掘进、改良和排出之间累积失衡的结果，而非单一参数的突发响应。这一解释与所研究区段的现场观测一致。6.2 工程适用性与实践意义图22展示了所提框架的简化工程应用流程。首先，采集环级地质、操作和土体改良数据并输入训练好的HTDNN，预测FPI、TPI和SE，从而表征刀盘工作条件的变化。其次，利用预测和实测指标序列计算预警分数和预警状态概率。基于这些结果，将刀盘状态划分为三个实用类别：正常、预警和堵塞。最后，根据识别出的状态实施相应措施。正常状态下维持正常掘进；预警状态下检查和调整掘进参数、土体改良和渣土排出；堵塞状态下实施舱室检查、开舱或人工清理。新采集的数据随后纳入滚动预警过程。下载：下载高分辨率图像（223KB）下载：下载全尺寸图像图22 刀盘系统状态识别与决策的集成工作流程。在实际应用中，当预警等级升高时，现场工程师应首先核实监测数据并检查掘进速度、推力、扭矩、盾构整体载荷响应、改良剂注入量以及渣土排出的连续性。早期预警阶段需要加强监测和微调参数。临近预警阶段需要优化掘进速度、改良剂注入量和渣土排出操作。堵塞阶段需要准备舱室检查，并根据现场安全规程在必要时进行开舱或人工清理。在本研究中，实时应用主要指环级滚动预警。每完成一个环后，可利用最新的环级数据更新FPI、TPI和SE的预测，并使用最近10环窗口重新计算预警分数。由于预警状态由三个指标中持续且协调的变化决定，多指标、多环评估降低了孤立预测误差和局部峰值的影响。6.3 贡献与发现传统的基于指标和经验的方法主要从土壤性质或孤立的操作阈值来评估堵塞易发性，不太适合描述掘进过程中堵塞的渐进发展。

通过从多源数据中预测FPI、TPI和SE，所提出的框架将预警信息与推力-贯入阻力、切削阻力和整体开挖能耗的变化联系起来。先前的研究已通过土质一致性标准、流动度试验、土-金属黏附试验和泥饼表征等手段，阐明了刀盘结泥的敏感性和形成机制（Cui et al., 2023, Hollmann and Thewes, 2013, Oliveira et al., 2019, Thewes and Hollmann, 2016, Xu et al., 2026a）。近期的数据驱动研究通过可解释分类、多源监测数据融合、多保真度学习、主动查询和知识辅助迁移学习，进一步推动了结泥检测与预测的发展（Chen et al., 2026, Gao et al., 2023, Qin et al., 2023, Yuan et al., 2026, Yuan et al., 2025, Zhang et al., 2026）。这些进展提高了模型的可解释性、异构数据的利用能力以及在有限标注样本下的学习能力。然而，这些代表性方法通常将结泥问题归结为泥饼出现、结泥风险或预定义状态的直接预测或分类。从相对稳定的掘进到刀盘结泥的渐进过渡，即物理可解释的开挖响应在连续环间协同恶化的现象，较少被明确表征。

数据驱动预测与工程预警在所提出的框架中发挥不同作用。预测模型提供FPI、TPI和SE的一环超前估计值，而预警系统则在10环窗口内评估其持续且协调的实测-预测行为，并将其转化为阶段性预警信息。这一转换相较于单独使用预测值，为现场检查和应急响应提供了更具可解释性的依据。

与现有的机器学习研究相比，所提出的方法强调结构可解释性和以预警为导向的工程适用性，而非仅仅关注逐点预测性能。基于PC（主成分）的分析用于支持对所选输入变量的解释并识别合理的依赖路径，而SHAP分析则进一步解释了HTDNN模型所学习的特征贡献和时间滞后模式。此外，预测的指标响应被转化为阶段性预警信息，并通过基于Monte Carlo的工程风险分析进行进一步解释，使得结果更具直接应用于现场决策的价值。

因此，本框架的主要优势不仅在于构建又一个预测模型，而在于将多源预测、可解释机制分析、预警阶段识别和现场验证纳入统一的以预警为导向的工作流程中。更具体地说，该框架从地质、施工和土体改良变量中预测物理可解释的FPI、TPI和SE响应，并将其在10环窗口内持续且协调的实测-预测行为转化为阶段性预警信息。这通过将渐进的多指标恶化与预警评分不确定性和现场一致性评估明确联系起来，拓展了直接结泥预测或分类的方法。

**6.4 局限性及未来工作**

尽管所提出的框架在所研究的区段中表现出令人满意的效果，但仍存在一些局限性。首先，该框架是基于一项以泥岩为主的地层区间中的单个EPB盾构掘进项目的数据进行开发和验证的，其在地质和施工条件差异较大的其他项目中的跨项目泛化能力仍需进一步检验。Monte Carlo结果是条件于模型响应指标的实证分布、拟合的依赖结构以及所采用的预警评分区间。由于缺少直接的物理失效观测数据和经校准的极限状态模型，所得出的状态归属概率不应被解释为物理失效概率。未来研究应纳入多项目结泥记录、直接现场状态标签和具有物理意义的极限状态准则，以支持经过校准的可靠性评估。

尽管当前模型是基于泥岩为主的地层开发的，但所提出的框架并非本质上局限于泥岩。FPI、TPI和SE描述了物理可解释的机器响应关系，这些关系对其他黏性地层同样具有相关性，且多源架构可以容纳项目特定的地质、施工和土体改良变量。然而，所学习的依赖结构、模型参数、特征分布、预警窗口、熵权重和预警评分边界应被视为项目特定的。在应用于其他黏性地层之前，应使用具有代表性的本地数据对框架进行重新校准。此过程可能包括调整地质特征集、重新训练或微调HTDNN，以及根据本地异常施工记录、渣土排放观测、机舱检查和已确认的结泥事件重新校准预警窗口和评分边界。特别是，由于可用的标注事件有限，当前的预警评分边界尚未进行统计校准。未来研究应使用额外的标注案例和独立项目来细化并验证这些边界。

其次，掘进过程中的人工干预，如操作人员对掘进速度、舱压和改良剂用量的调整，目前仅通过记录参数间接反映，尚未被显式建模。此外，当前框架主要以离线方式开发和验证。尽管当前结果支持环级滚动预警的可行性，但连续在线部署尚未验证。进一步的实施应考察数据流集成、计算延迟、缺失数据处理以及在连续掘进条件下的模型更新问题。未来工作还应提高跨项目可迁移性，显式纳入操作人员行为和施工日志，并将在线学习与知识驱动约束相结合，以增强预警系统的适应性和可靠性。

**7 结论**

本研究开发了一种可解释的数据驱动预警框架，用于EPB盾构在黏土和泥岩为主地层中掘进时的刀盘结泥问题。主要结论如下：

（1）开发了一种三分支HTDNN来预测物理可解释的开挖响应指标FPI、TPI和SE。尽管这些指标在现场条件下表现出强烈的波动性和非平稳性，模型捕捉了其主导变化趋势和异常演化，为后续预警分析提供了基础。

（2）在所研究的区段中，刀盘结泥是渐进发展而非突发事件。基于FPI、TPI和SE的耦合演化，预警框架区分了从早期预警阶段到临近预警阶段最终到结泥阶段的过渡。三个阶段中预警评分分别为75.68、57.05和32.73，表明与相对稳定的掘进状态之间的偏离程度逐渐增大。

（3）预警结果与现场观测一致。FPI、TPI和SE在第1530至1560环之间协同增加，在第1560环开舱时观察到刀盘上泥饼黏附现象。这种时间一致性为框架识别渐进结泥发展的能力提供了现场支持。基于Monte Carlo的分析进一步刻画了评分定义预警状态的不确定性和空间趋势，为预警结果提供了补充性的概率解释。

**CRediT作者贡献声明**

王钰博：撰写—初稿，概念化。杜文瑞：可视化，数据管理。王旭阳：调查。方勇：撰写—审阅与编辑，资金获取。

王钰博|杜文瑞|王旭阳|方勇