基于深度神经网络的围岩无侧限抗压强度预测

江 南，李叔敖，褚长海

（盾构及掘进国家重点实验室 河南 郑州 450001)

隧道掘进机（TBM)已经广泛应用于公路隧道、铁路隧道以及采矿工程中[1]。相较于传统钻爆法，TBM 掘进法具有施工快速、安全、自动化程度高等优点[2～3]。但其地质条件适应性差一直都是其面临的主要问题。在TBM 施工中，主控司机通过缓慢试掘和观察岩渣进来评估围岩参数，再通过反复调整掘进参数直至其保持稳定，这种依赖人工经验调节掘进参数的施工效率低下，且容易使得掘进参数与岩体参数匹配性差；此外，围岩剧烈变化时，主控司机可能无法实时有效地对当前围岩的参数进行感知，导致掘进参数无法适应当前复杂多变地质环境变化，容易造成卡机，地质灾害，甚至引发人员伤亡事故[4]。总之不良的地质条件会极大地影响TBM 掘进效能，故使用TBM 掘进法需要专业的经验丰富的主司机，需要更加详细的地质资料。但是传统的地质预报手段，如超前钻孔，地震波检测，地质雷达等，均需要耗费额外的时间与设备，而且其产生的地质数据常常是不连续的[5]，难以完整反映掌子面围岩的实时地质状况。

由于掘进参数可以看作是围岩与TBM 相互作用结果的动态反映，当前有许多利用掘进参数预测围岩性质的工作。李蓬喜等使用LSTM 模型对TBM 实时岩体条件进行预测，取得了较高的围岩类别预测准确率[6]。刘斌等使用支持向量回归算法对围岩参数如单轴抗压强度UCS，脆性指数BI，薄弱面间距DPW 和不连续面方向α 进行预测，取得了较低的均方百分比误差[7]。总体来说目前基于各种机器学习算法的围岩性质预测工作均取得了一定的进展，但大部分工作集中在预测围岩岩石等级或岩体类别上，而对于围岩的无侧抗压强度的预测工作较少。

本文依托青岛地铁1 号线工程，使用分组的全连接神经网络，随机森林，支持向量机算法通过100s 内的掘进参数对掌子面围岩的无侧限抗压强度进行预测，实现实时的掌子面围岩地质判别，为TBM 主司机提供实时地质参考，对保证施工安全具有重要意义。

1 工程项目与设备概况

青岛地铁1 号线是青岛已经投入使用的一条跨海线路，其全长60·11km，起于王家港站，途经黄岛区、市南区、市北区、李沧区和城阳区5 个市辖区，止于东郭庄站，总体大致呈南北走向。共设置41 座车站，全部为地下车站。

本文使用的数据为青岛地铁1 号线人民广场站-衡山路站的TBM 掘进数据，其中衡山路-天目山区间的地质状况如图1 所示。

图1 人民广场站到衡山路站区间地质简图

人民广场站-衡山路站区间内的围岩主要成分为闪长岩，石英二长岩，花岗斑岩，风化程度为微风化到中风化。使用的掘进设备分别为中船重工生产的DS6290-TBM-015，TBM 运行时数据每10s 采集1 次，数据中心记录了TBM掘进过程中总推进力，刀盘扭矩，刀盘转速，推进速度，撑靴压力在内的195 类数据。

2 算法描述

根据文献[5～7]研究成果，本文构造的神经网络接受的输入为100s 内的总推进力，推进速度，刀盘扭矩，刀盘转速，两组撑靴压力。由于青岛地铁1 号线每10s 采集一次掘进参数，故神经网络输入为10×6 的矩阵。训练时批量大小为200，即每次训练时随机从训练集中抽取200 个样本进行神经网络的训练。为了提升模型的收敛速度，对原始的输入参数做了归一化处理。

根据项目地勘资料，本文将围岩无侧限抗压强度进行one-hot 编码，如表1 所示。编码后的无侧限抗压强度用于与神经网络的输出进行softmax 交叉熵损失函数计算，从而衡量神经网络的输出结果与实际情况之间的差异，指导神经网络中的参数更新。

表1 无侧限抗压强度编码表

先对输入按照属性分别进行全连接，然后总体全连接的方式构建神经网络，具体网络结构如图2 所示。

图2 模型结构图

本文将构建的网络分为2 个阶段，第一阶段对每个字段如推进速度，总推进力等分别进行3次全连接操c 作，第一阶段共有18 层全连接层，第二阶段对第1 阶段的结果进行拼接，并进行3次全连接操作。相比于仅依靠当前时刻的掘进数据来进行围岩无侧限抗压强度的推断，使用更大时间范围的掘进数据一般会获得更稳定的结果，但在更大的输入尺度上直接进行全连接操作会导致计算量过大，不利于神经网络训练，本文使用先分组全连接，再进行融合全连接的方式相比于直接在整个输入向量上做全连接操作的方式参数量和计算量均有一定的减小。

损失函数：本文将每种无侧限抗压强度转化为one-hot 向量，进行损失函数计算时使用带权交叉熵损失函数进行训练时模型损失计算，确定预测值与标注值之间的差距，并通过反向转播指导模型参数更新如下

其中，yc为数据集标注类别，是一个长度为N的one-hot 向量；pc表示预测样本属于第c个类的概率；wc表示带权交叉熵权值；N表示数据集的类别数，本文实验中N是7。

优化算法：通过反向传播计算出的梯度进行参数更新的算法。本文使用的Adam 算法进行参数更新。Adam是随机梯度下降算法的扩展算法，结合AdaGrad 和RMSProp 两种优化算法的优点。对梯度的一阶矩估计和二阶矩估计进行综合考虑，计算出更新步长。

3 围岩无侧限抗压强度预测

3.1 数据预处理

对掘进循环进行划分，分为空推段、上升段和稳定段，空推段刀盘还未接触岩壁，TBM 处于空转状态。上升段则是过计算斜率的方法，寻找刀盘扭矩开始出现大幅增长的时间点，该时间点作为上升段起点。稳定段则是通过变点识别算法寻找刀盘扭矩的拐点，从而确定稳定段的起点。本文基于上升段和稳定段构建围岩无侧限抗压强度的预测模型并根据施工经验和3σ准则对异常值进行识别剔除。

3.2 开发环境及超参数设置

本文使用的软硬件环境如表2 所示。超参数方面，BatchSize 设置为100，初始学习率设置为3e-4。训练7 万次。每个神经元使用标准化的何凯明初始化[8]（he_uniform)进行参数的初始化。

表2 模型使用硬件与软件版本情况

3.3 模型评价指标

为了检验本文所提出算法有效性，本文采用正确率为评价指标，计算公式如下

其中，Nr为无侧限抗压强度预测正确的样本数；Nt为无侧限抗压强度预测的总样本数。

3.4 模型验证

实验过程中选取1/10 样本做测试集，剩余9/10 用作训练集（表3)。

表3 模型准确率结果

表3 的结果表明基于深度神经网络的围岩无侧限抗压强度预测模型对于围岩的无侧限抗压强度预测表现良好，甚至当测试数据来源于和训练时线路不同的线路时，模型准确率虽有下降，但仍能保有有一定的准确率。

4 结语

以100s 内的TBM 总推进力、推进速度、刀盘扭矩、刀盘转速和撑靴压力为输入，围岩的无侧限抗压强度类别为输出，基于全连接神经网络算法构建了围岩的实时抗压强度预测模型，模型在青岛地铁1 号线人民广场站到衡山路站区间的左线右线进行训练和验证，取得了较好的准确率，对TBM 施工中掘进参数的选取调整优化有一定帮助，为相关工程人员提供参考。