基于机器学习的围岩无侧限抗压强度预测困境

江 南，盛永清，褚长海

（1.盾构及掘进国家重点实验室，河南 郑州 450001；2.武汉地铁集团有限公司，湖北 武汉 430000）

随着国民经济的快速发展，地铁隧道，铁路隧道更多地采用了隧道掘进机进行开挖。隧道开挖前，对施工隧道地区资料的获取是必不可少的环节，结合地质资料，才能根据开挖隧道地层情况调节相应的掘进参数进行施工作业，但在实际施工中，地质情况复杂多变，地质资料只能提供局部区域有限地质情况，而实时监测和分析开挖面的地质情况可以帮助司机在不利地质条件下采取预防措施，保证安全高效掘进。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。朱梦琦等提出基于集成CART 算法的围岩等级预测模型，利用TBM 掘进过程中的参数预测围岩等级并取得了较好的效果。张娜等分别采用分步回归和聚类分析的方法建立岩机关系模型，该模型能利用监测 TBM 掘进参数对岩石抗压强度、体积节理数和围岩等级等参数进行实时感知。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，但是预测模型通常在同一条线路上构建和测试，缺乏模型应用在其他线路的准确率数据而对于TBM 施工真正有效的模型是能运用在新施工线路的模型，这一情况阻碍了围岩地质判别模型的实际应用与推广。

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，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-衡山路站和衡山路-天目山站两个区间的TBM 掘进数据，两个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。两个区间使用的掘进设备分别为中船重工生产的DS6290-TBM-015 和DS6290--TBM-016。TBM 运行时数据每10s 采集一次，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、推进速度和撑靴压力在内的195 类数据。

2 算法描述

本文使用神经网络，随机森林，支持向量机3 种机器学习模型分别对围岩无侧限抗压强度进行预测，并比较不同算法的优势，探究不同模型在跨线路应用上的性能优劣。

2.1 神经网络算法

基于深度神经网络的分类算法已经在自然语言处理，数字图像处理，数据挖掘等任务和应用场景上取得了优良的效果，显示出深度神经网络的在大数据应用上巨大潜力。本文构造的神经网络先对输入按字段分别进行全连接，然后总体全连接的方式构建神经网络，具体网络结构如图1所示。

图1 模型结构图

其中，fc 表示全连接过程，concat 表示维度拼接过程，数字代表向量维度。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。

2.2 随机森林算法

随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，属于机器学习的集成学习方法。在随机森林中，每棵决策树都是一个分类器，对于一个输入样本，每课树都会产生一个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出。在节点特征变量选择上，本文使用Gini 不纯度作为决策指标，避免了信息增益易偏向于取值较多的属性的问题。

设数据集D={（x1，y1），（x2，y2），…，（xn，yn）}的属性空间X⊆Rm中某一特征变量Xj，j=1，2，…，m有q个取值，则Gini不纯度定义如下

式中pi——特征变量值为i的概率。

2.3 支持向量机算法

本文将围岩的无侧限抗压强度分成了7 个类别，属于多分类问题，而标准的SVM 是基于二元分类问题设计的算法，无法直接处理多分类问题。利用标准SVM 的计算流程有序地构建多个决策边界以实现样本的多分类，通常的实现为“一对多（one-against-all）”和“一对一（oneagainst-one）”。一对多SVM 对m 个分类建立m个决策边界，每个决策边界判定一个分类对其余所有分类的归属；一对多SVM 通过对标准SVM的优化问题进行修改可以实现一次迭代计算所有决策边界。

3 围岩无侧限抗压强度模型

3.1 开发环境及超参数设置

本文使用的软硬件环境如表1 所示。

表1 模型使用硬件与软件版本情况

3.2 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，计算如下

式中Nr——无侧限抗压轻度预测正确的样本数；

Nt——无侧限抗压强度预测的总样本数。

3.3 模型跨区间验证

目前基于TBM 掘进参数的围岩地质判别模型往往在同一条线路上训练与测试，缺乏跨区间的模型研究与应用。本文使用3 种不同的机器学习算法对跨区间的模型研究与应用开展研究，如表2 所示。表2 的结果表明基于掘进参数的地质无侧限抗压强度的跨区间应用价值较低。

表2 模型在不同区间上的准确率

尽管基于掘进参数的围岩抗压强度预测模型在同一区间上达到了一定准确率，但想要将模型推广到不同区间，则难以达到足以指导TBM 掘进工作的准确率。3 种不同的机器学习模型都出现了同样的情况。原因在于本文选取的青岛地铁两个区间虽然相邻，但围岩分布状况仍然存在较大差异，这种地质上的差异造成掘进数据的差异，最终影响了模型的跨区间应用。这种模型跨区间应用能力弱的问题不能简单归于过拟合问题，因为模型准确率在训练集和测试集差异较小，只在跨区间应用时准确率下降。

4 结论

本文分别使用了分组的全连接神经网络算法、随机森林算法、支持向量机算法构建围岩的实时抗压强度预测模型，并研究模型的跨线路，跨区间应用问题。有如下结论。

1）几组实验下的神经网络模型表现对比随机森林或支持向量机算法无明显优势。

2）本文构建的围岩的无侧限抗压强度的预测模型仅在本区间能取得较好的预测准确率，难以跨区间使用。

综上所述，基于机器学习模型的围岩无侧线抗压强度预测模型目前是难以应用在不同区间，问题主要在于，未掘进区间的地质分布和掘进过区间的地质分布可能完全不同，即使这两个区间相邻，模型可能完全没有训练过这种地质，判别自然失准。在更长掘进线路上训练模型是有可能会持续提升模型判别精度，但此时掘进机设计寿命也即将结束，模型的应用价值降低。研究人员不应仅仅满足于追求预测模型在某一条线路上的预测准确率，毕竟能在不同地理位置、不同地质状况的均取得较高预测准确度的模型才具有实际工程应用价值。