基于神经网络的盾构滚刀磨损量预测方法探讨_丁小彬.pdf

第 19 卷第 2 期地 下 空 间 与 工 程 学 报Vol192023 年 4 月Chinese Journal of Underground Space and EngineeringApr2023基于神经网络的盾构滚刀磨损量预测方法探讨丁小彬1，2，谢宇轩1，薛皓文1，黄威然3(1 华南理工大学 土木与交通学院，广州 510640;2 华南岩土工程研究院，广州 510640;3 广州轨道交通建设监理有限公司，广州 510010)摘要:盾构施工中采集的参数众多，难以直接反映滚刀磨损量的发展规律。统计 31 种现有滚刀磨损研究中影响参数的出现频次，以广州地铁 18 号线番禺广场至南村万博区间 2 号始发井 中间风井右线盾构区间为依托，选择 14 种输入参数，整理出共 2 386 条样本用于 BP 神经网络模型开发。分别采用序贯模型优化(SMBO)和遗传算法(GA)进行超参数优化。模型预测值与实测值决定系数达 0832，准确预测了滚刀磨损量。选择预测准确度较高模型进行敏感性分析，验证所选的 14 种参数对于滚刀磨损量预测的贡献，结果表明，考虑土压、新旧刀、盾构深度对于滚刀磨损量预测有较大贡献。本文成果可为其他地层下的盾构滚刀磨损量预测与分析提供参考。关键词:盾构掘进;滚刀磨损;神经网络;优化算法中图分类号:U4553文献标识码:A文章编号:1673-0836(2023)02-0560-11Investigation of Quantitative Prediction of TBM Disc Cutter Wear by ANNDing Xiaobin1，2，Xie Yuxuan1，Xue Haowen1，Huang Weiran3(1 School of Civil Engineering and Transportation，South China University of Technology，Guangzhou 510640，P China;2 South China Institute of Geotechnical Engineering，Guangzhou 510640，P China;3 Guangzhou Mass Transit Engineering Consultant Co，Ltd，Guangzhou 510010，P China)Abstract:There are plentiful potential influential parameters collected during the construction and manyof them do not have an explicit contribution to disc cutter wear According to the occurrence frequency of 31 types ofinfluential parameters in previous cutter wear analysis studies，a database with 14 input parameters and 2386 samplesare obtained from the tunneling section between 2#launch shaft and ventilation shaft of Guangzhou Metro Line 18Panyu square to Nancun Wanbo Station to develop BP neural network models Models are optimized by SMBO(Sequential Model-based Optimization)and GA(Genetic Algorithm)and those with higher accuracy are put intosensitivity analysis to investigate the contribution of the selected 14 influential parameters on the cutter wear It turnsout that parameters like earth pressure，old or new cutter，excavation depth contribute significantly to the cutter wearprediction Our work can serve as a reference for future studies on the cutter wear prediction model in variousgeological conditionsKeywords:shield tunneling;disc cutter wear;neural network;optimization algorithm0引言当前，城市人口密集、交通拥堵等问题日益突显，开发地下空间可有效缓解这一现象。盾构法以其安全性、经济性和快捷性，已经成为城市地铁隧道主要修建方式之一。我国虽然在隧道建设方面收稿日期:2022-09-24(修改稿)作者简介:丁小彬(1984)，男，河南周口人，博士，副教授，主要从事岩土工程、地下工程等领域的教学与科研工作。Email:dingxb scuteducn基金项目:国家自然科学基金(41827807);广东省现代土木工程技术重点实验室(2021B1212040003)取得了一定的成果和较为丰富的工程经验，但由于起步较晚，相较于欧美、日本等国家，仍然存在大量亟待解决的理论和技术问题1。在硬岩地层开挖隧道时，分布在刀盘上的盾构滚刀与岩面直接接触，滚刀的磨损形式和磨损快慢对施工进度和工程造价有很大影响2。在复杂的掘进环境之下，滚刀磨损的影响因素并非几种因素的简单叠加，而是受到盾构机掘进参数3、刀盘机械参 数 以 及 地 层 参 数 等 多 方 面 因 素 的 相 互作用4。目前在盾构领域的研究虽然取得了一系列的成果与突破，但大都还是依靠工程经验进行的定性分析，例如对成都5、北京6 等各处地铁建设工程中的地质、管理等因素进行分析，提出刀盘布置和刀具设计建议以提高刀具使用寿命7;也有研究采用数值分析方法6，8 分析滚刀磨损过程，但还无法综合考虑工程实践中的人力和地质等因素。虽然在特定工程背景下对滚刀的预测结果满足工程需求，但应用于不同工程时，往往需要花费相当大的精力重新校调与选定参数。滚刀磨损规律研究难点之一在于影响因素多，作用原理复杂9。对于量化滚刀磨损程度的尝试，大多受制于滚刀磨损的原始数据量有限10 以及各类影响因素间的复杂相互作用，导致模型开发精度有限。随着国家大力推行数字化、信息化，隧道建设过程中大量施工信息记录和获取逐步成为可能，为滚刀磨损的量化研究奠定了基础。而神经网络凭借其突出的非线性拟合能力，是人工智能下机器学习的一种，在医疗、金融、无人驾驶等众多领域中都取得了重大成就11，可作为研究滚刀磨损规律的有效方法。过去对于神经网络预测滚刀磨损预测的尝试，主要采用包装完善的 MATLAB 软件开展6，12，不便在算法层面进行二次开发和调试。与此同时，在盾构掘进参数预测中已有大量研究表明，采用蚁群算法，遗传算法13，模拟退火14 算法等优化算法可以有效改进神经网络易陷入局部最优解的现象，提高模型预测精度。综上，本文分析现有盾构滚刀磨损预测文献中采用的影响参数，以广州地铁 18 号线番南 2 号盾构井番南中间风井右线 365523 掘进环为依托，利用开源编程语言 python 建立硬岩地层下盾构正面滚刀的磨损量 BP 神经网络预测模型，对比基于贝叶斯理论的序贯模型优化算法(SMBO)和基于进化算法的遗传算法(GA)对 BP 神经网络模型的优化效果，并对预测精度较高的模型进行解释和分析。以期为滚刀磨损量化模型的开发提供参考。1滚刀磨损影响参数分析滚刀磨损的过程涉及摩擦学理论15，现有思路对其进行量化研究时，主要通过各类试验室测量值换算，例如 CAI 值16 等。但盾构施工过程中采集的数据通常以工程需求为主，例如盾构机的掘进速度和贯入度等，这些施工参数和实验室测量值间的关联十分复杂。在进行神经网络模型开发时，选用与滚刀磨损量相关性较强的影响参数构成的数据集，可以有效降低模型训练的难度，提高预测准确度。当前盾构刀具磨损研究主要针对参数分析开展，以定性研究为主17，其参数选择为本文量化分析滚刀磨损提供了参考。将其中采用的影响参数按照出现频次降序排列，展示于表 1 中。出现频次大于 5 次的参数共有 9 个，其中仅岩石单轴抗压、抗拉强度与地质条件相关，刀尖圆弧半径(或刀尖宽度)/刀刃角、滚刀直径、滚刀的安装半径 3 种参数与刀盘滚刀特性相关，其余 5 个参数皆为盾构掘进相关参数。表 1滚刀磨损影响参数汇总Table 1Influential parameters of disc cutter wear滚刀磨损影响参数频次参数说明参考文献1千斤顶推力8/董汉军等18 2013;李笑等10 2009;赵青等19 2016;乔金丽等20 2018;张凯茵等3 2015;王永喜21 2010;曹利等22 2017;张明富等23 20082刀盘转速7刀盘每分钟转动圈数管会生等24 2006;董汉军等18 2013;李笑等10 2009;乔金丽等20 2018;张凯茵等3 2015;曹利等22 2017;张明富等23 20083刀盘扭矩7/董汉军等18 2013;李笑等10 2009;赵青等19 2016;张凯茵等3 2015;王 永 喜21 2010;曹 利 等22 2017;张 明 富等23 20081652023 年第 2 期丁小彬，等:基于神经网络的盾构滚刀磨损量预测方法探讨续表 1滚刀磨损影响参数频次参数说明参考文献4刀尖圆弧半径(或刀尖宽度)/刀刃角7弧刃楔形截面的圆弧半径/尖刃楔形截面的刀刃角刘高峰等5 2007;吴俊等25 2017;王凯2 2011;刘晓毅26 2006;陈磊等27 2011;陈子义28 20185滚刀直径6/刘高峰等5 2007;吴俊等25 2017;裴瑞英7 2009;王凯2 2011;陈子义28 20186贯入度6刀盘转动一圈盾构机前进的距离吴俊 等25 2017;王 凯2 2011;董 汉 军 等18 2013;陈 子义28 2018;乔金丽等20 2018;张凯茵等3 20157岩石单轴抗压、抗拉强度5强度指标刘高峰等5 2007;吴俊等25 2017;裴瑞英7 2009;王凯2 2011;陈子义28 20188滚刀的安装半径5滚刀中心与刀盘中心的距离吴俊25 2017;邹积波29 2003;王凯2 2011;管会生等24 2006;乔金丽等20 20189掘进速度5/管会生等24 2006;张凯茵等3 2015;王永喜21 2010;曹利等22 2017;张明富等23 200810地层结构4节理、裂隙、地层矿物组分、地质条件等邹积波29 2003;裴瑞英7 2009;管会生等24 2006;陈子义28 201811刀间距4相邻两把滚 刀 安 装 半径差吴俊等25 2017;裴瑞英7 2009;陈子义28 2018;乔金丽等20 201812滚刀硬度3HC 硬度裴瑞英7 2009;刘晓毅26 2006;陈磊等27 201113盾构掘进距离3盾构机前进距离吴俊等25 2017;管会生等24 2006;乔金丽等20 201814添加剂(泡沫加注口数量和泡沫质量)3/邹积波29 2003;裴瑞英7 2009;陈磊等27 201115滚刀启动扭矩3/刘高峰等5 2007;裴瑞英7 2009;刘晓毅26 200616滚刀破岩垂直力2/王凯2 201117滚刀材料的受压屈服极限2/吴俊等25 2017;陈子义28 201818研磨性(CAI)2/裴瑞英7 2009;王