基于GRU算法的盾构掘进参...——以成都地铁19号线为例_肖浩汉.pdf

第 40 卷 第 1 期2023 年 1 月长江科学院院报Journal of Changjiang iver Scientific esearch InstituteVol 40No 1Jan 2023收稿日期:2021 08 30;修回日期:2021 10 26基金项目:引汉济渭建设有限公司科技项目(SPS D 08);陕西省自然科学基金项目(2019JLP 23，2019JLZ 13，2021JLM 50);陕西省联合基金资助项目(2021JLM 53);中国电力建设股份有限公司核心攻关技术项目(DJ HXGG 2021 01)作者简介:肖浩汉(1993 )，男，河北衡水人，工程师，博士，主要研究方向为大数据挖掘和智能化掘进。E-mail:xiaohh iwhr com通信作者:陈祖煜(1943 )，男，浙江宁波人，中国科学院院士，正高级工程师，博士，主要研究方向为岩土工程。E-mail:chenzy tsinghuaedu cndoi:10 11988/ckyyb 202109162023，40(1):123 131基于 GU 算法的盾构掘进参数预测 以成都地铁 19 号线为例肖浩汉1，陈祖煜1，徐国鑫2，蒋宗全3，苏岩2，曹瑞琅1，刘诗洋4(1 中国水利水电科学研究院 岩土工程研究所，北京100048;2 陕西省引汉济渭工程建设有限公司，西安710010;3 中电建铁路建设投资集团有限公司，北京100038;4 同济大学 软件学院，上海200092)摘要:刀盘扭矩和刀盘推力是保障盾构机正常掘进的关键参数，对其准确预测可有效指导设备运行。本项研究的数据来源于成都地铁 19 号线土压平衡(EPB)盾构机的掘进数据。深入剖析了 EPB 盾构掘进数据的特点，提出了一种包含数据分割、异常值处理、数据降噪和数据编译 4 个阶段的标准数据预处理算法。在 Butterworth 滤波器基础上，利用门控循环单元(GU)建立了盾构掘进参数预测模型，基于 MSE 和 MAE 指标综合评估预测模型的预测效果。结果表明:预测模型对不同地质条件下的刀盘扭矩和刀盘推力掘进参数均能实现良好预测;经过 Butter-worth 滤波，预测模型的预测精度提高显著;砂岩地层中，预测模型对刀盘扭矩的预测误差最小，MSE 和 MAE 分别为 4 91 和 3 86。基于 GU 算法的掘进参数预测，可提高盾构机掘进状态的判断水平，利于施工参数优化调整。关键词:掘进参数预测;数据预处理;Butterworth 滤波;GU 算法;土压平衡盾构机中图分类号:U455 43文献标志码:A文章编号:1001 5485(2023)01 0123 09Prediction of Shield Tunneling Parameters Based on GU Algorithm:A Case Study on Chengdu Metro Line 19XIAO Hao-han1，CHEN Zu-yu1，XU Guo-xin2，JIANG Zong-quan3，SU Yan2，CAO ui-lang1，LIU Shi-yang4(1.Department of Geotechnical Engineering，China Institute of Water esources and Hydropower esearch，Beijing100038，China;2.Hanjiang-to-Weihe iver Valley Water Diversion Project Construction Co，Ltd，Xi an710010，China;3.China Power ailway Construction Investment Group Co，Ltd，Beijing100038，China;4.School of Software Engineering，Tongji University，Shanghai200092，China)Abstract:Cutterhead torque(T)and cutterhead thrust(F)are key parameters to ensure the normal tunneling ofshield machine，and their accurate prediction can effectively guide equipment operation The research datasets arecollected from earth pressure balance(EPB)shield machine on line 19 of the Chengdu Metro By analyzing thecharacteristics of EPB data，we develop a standard data preprocessing algorithm that includes data segmentation，outlier processing，data filtering and data compilationBased on Butterworth filter，we establish the predictionmodel of EPB tunneling parameters by gated recurrent unit(GU)algorithm，and then comprehensively assess theprediction effect of the model by MSE and MAE esults manifest that the proposed model can achieve good pre-diction for T and F under different geological conditions，and the prediction accuracy of the GU model in fusionwith Butterworth filter is better than that of the unfiltered model In sandstone formation，the prediction error of themodel for T is the smallest，and the MSE and MAE are 4.91 and 3.86，respectively The prediction of tunne-ling parameters based on GU algorithm can significantly improve the judgment level of shield tunneling state，which is conducive to the optimization and adjustment of construction parameters长江科学院院报2023 年Key words:tunneling parameters prediction;data preprocessing;Butterworth filter;GU algorithm;earthpressure balance shield machine1研究背景随着基础建设逐步推进，隧道掘进机(TBM/盾构机)广泛应用于地铁、铁路、公路、市政、水电隧道等工程 1 2。目前盾构掘进参数仍受驾驶者行为驱动，存在因经验不足而导致工程风险的可能性。林存刚等 3 回顾了杭州轨道工程在粉砂地层操作不当导致盾构刀盘被砂土裹牢事故，盾构机受困无法转动，最终被迫停工;王超等 4 分析了过快的掘进速度导致扭矩过大，从而刀盘磨损过快。在隧道掘进过程中，由于地质条件、环境因素、机械参数等众多因素影响，准确预测掘进参数仍十分困难 5 6。随着盾构机采集数据的丰富，人工智能算法的发展，为预测复杂地质条件下盾构机的掘进参数提供了一种新思路。盾构机掘进过程中，上位机从不同的传感器实时存储了数以亿计的数据。利用掘进数据，掘进参数预测模型可分为单目标预测和多目标预测。单目标预测方面，Lin 等5 提出了掘进速度的人工智能预测模型，结果表明所建立的人工智能模型的预测性能比经验模型的预测性能优异。闫长斌等7 通过偏最小二乘回归确定了影响掘进速度的关键输入参数，构建了掘进速度的深度学习模型。更多的单参数预测模型可参考文献 8 文献 11。多目标预测方面，Sun 等12 根据地质参数和盾构机硬件参数构建了掘进速度、刀盘扭矩(T)和刀盘推力(F)的随机森林预测模型。周小雄等13 基于盾构机上升段的掘进参数，建立了隧道掘进机双向长短期记忆模型，成功预测了稳定段的 T 和 F。此外，李超等14 建立的 BP 神经网络模型、侯少康等15 提出的IPSO-BP 混合模型、李建斌等16 建立的极限学习机模型也均用于盾构机多目标掘进参数的预测。盾构掘进参数的预测本质是一个多元时间序列回归问题，而人工智能算法中的循环神经网络对时序数据处理尤为擅长17 18。Gao 等19 使用了 3 种常用的循环神经网络，包括传统循环神经网络(e-current Neural Network，NN)、长短期记忆(LongShort-term Memory，LSTM)和门控循环单元(Gatedecurrent Unit，GU)，建立了盾构掘进参数的实时预测模型。Zhang 等20 基于 LSTM 模型提出了盾构掘进参数和沉降曲线的综合预测模型。此外，循环神经网络也广泛应用于地表沉降预测21、隧道涌水量预测22、岩性预测23、姿态轨迹预测24 等领域。目前人工智能算法在隧道盾构机领域已取得了一些成果，但对于盾构掘进参数的预测均较少讨论原始数据的异常特征和处理方法，且由于地质条件的特殊性和掘进设备的多样性，已有智能模型难以迁移。因此，基于成都轨道交通 19 号线二期工程土压平衡(Earth Pressure Balance，EPB)盾构机采集的掘进数据，开发了一种海量盾构掘进数据预处理的标准算法，建立了包含巴特沃斯滤波器(Butterworthfilter)和 GU 算法的多目标盾构掘进参数实时预测模型。通过回溯过去一段时间的盾构掘进参数预测下一阶段的 T 和 F，研究成果可为成都地区或类似工程的 EPB 掘进提供指导。2数据来源及预处理21数据来源2 1 1工程简介数据收集于成都轨道交通 19 号线二期工程，线路全长 43 186 km，均为地下线，共设地下车站 12座，平均站间距为 3 58 km。目前隧道仍在建设中，研究数据来自新码头街站至红莲村南站区间(新红区间)左线 98+732 至 99+865 里程段，隧道开挖直径 8 64 m，总长度 1 13 km，共 602 环。2 1 2地质条件新红区间里程段 98+718 至 99+100 地质信息如图 1 所示。新红区间表层有杂填土、素填土，其中以卵石和细砂为主，所穿越地层主要为中等风化泥岩和中等风化砂岩，以下简称泥岩和砂岩。区间段内泥岩和砂岩所占比例分别为 41%和 59%。其中泥岩天然密度均值为 2 52 g/cm3，天然抗压强度标准值为6 35 MPa，内聚力均值为111 MPa，内摩擦角均值为2675;砂岩对应的指标分别为 2 49 g/cm3、10 31 MPa、2 88 MPa 和 31 9。2 1 3盾构设备受泥岩和砂岩复合地层影响，新红区间采用中铁工程装备集团有限公司自主设计生产的 EPB盾构机。设备运行数据按秒采集，以天为存储单位，详细地记录了包括刀盘推力、掘进速度、土仓压力、螺机转速等在内的 530 项掘进参数，总数据量高达 38 5 GB。EPB 设备的详细技术参数如表 1 所示。421第 1 期肖浩汉 等基于 GU 算法的盾构掘进参数预测 以成都地铁 19 号线为例图 1新红区间地质信息F