基于集成Dropout-D...模型的盾构掘进速度预测方法_王伯芝.pdf

投稿网址：年 第 卷 第 期，（）：科 学 技 术 与 工 程 引用格式：王伯芝，陈文明，黄永亮，等 基于集成 模型的盾构掘进速度预测方法 科学技术与工程，（）：.，（）：.基于集成 模型的盾构掘进速度预测方法王伯芝，陈文明，黄永亮，丁爽，谢浩，胡婧，刘学增（.济南轨道交通集团有限公司，济南；.上海同岩土木工程科技股份有限公司，上海；.上海地下基础设施安全检测与养护装备工程技术研究中心，上海；.同济大学土木工程学院，上海）摘 要 为了提升土压平衡盾构机的掘进速度预测精度，提出一种集成 技术和深度神经网络（，）模型的盾构掘进速度预测方法。依据济南地铁 线盾构隧道段工况数据，将数据集划分为 份，并选取刀盘转速、刀盘扭矩、总推进力、螺机转速、土仓压力这 个参数为输入参数，分别建立了 个 模型并进行集成实现了盾构掘进速度的预测，进一步对不同的预测方法进行了对比分析。研究结果表明：各 模型预测精度具有一定的差异性，但基本良好，其决定系数均大于.，平均绝对百分误差均小于，而集成的 模型决定系数为.，平均绝对百分误差小于，可见集成模型预测精度较高；基于反向传播（，）神经网络、模型实现的盾构掘进速度预测模型其决定系数分别为.、.，可见提出的集成 模型预测精度提升明显。关键词 盾构隧道；掘进速度预测；技术；深度神经网络（）中图法分类号.；文献标志码 收稿日期：；修订日期：基金项目：山东省重点研发计划（）第一作者：王伯芝（），男，汉族，山东莒南人，硕士，工程师。研究方向：盾构关键部件设计制造及智能装备。：。通信作者：刘学增（），男，汉族，上海人，博士，教授级高级工程师。研究方向：岩土与地下工程。：。，（.，；.，；.，；.，）（），（）.，.；盾构法施工由于具有对地面影响小、施工速度快、劳动强度低等优点，已经在中国地下空间建设中得到了广泛的应用。而掘进参数的选取是影响盾构法施工安全、高效的保障。其中掘进投稿网址：速度作为核心掘进参数之一，不仅影响到隧道开挖效率，而且对施工周期和成本的控制也具有重要影响，因此实现盾构机掘进速度的预测是极具研究价值和意义的。为了实现盾构掘进速度的有效预测，一方面利用室内实验、理论推导、数值模拟等技术手段进行研究分析，如宋洋等依托南宁市轨道交通 号线盾构区间，通过室内试验和理论模型对现场掘进参数进行了优化分析研究；杨果林等依托长沙某隧道工程提出了考虑地层条件的净掘进速率的经验模型；蔡兵华等依托武汉雄楚电力隧道工程，通过数学物理推导，建立了总推力、刀盘扭矩、土仓压力、螺机转速、掘进速度之间的关联关系模型。然而实际的地质状况复杂多变、掘进参数之间存在着复杂的耦合性，而上述技术手段往往需要对复杂的工程进行简化分析，这导致了其适用性较为有限。另一方面，随着物联网技术的快速发展，盾构机设备可以高效地收集到大量掘进信息，因此以数据驱动建模进行掘进速度的预测研究已经成为热点。尹苏江等、文佳等、周振梁等、闫长斌等分别依托实际的工况数据，基于多元回归分析建立了掘进速度的显式预测模型。为了降低模型发生过拟合的风险，等基于弹性网络约束的多项式回归算法建立了掘进速度的预测模型。而李锟等基于多项式回归和随机森林算法建立了掘进参数预测模型，结果表明随机森林模型在掘进参数的预测上精度更高。仉文岗等进一步用 种优化算法优化随机森林模型，实现了推进速度的预测。由于 神经网络具有强大的非线性拟合能力，因此也广泛应用于掘进速度的预测研究中。如汪俊、黄靓钰等、章龙管等分别依据实际的工况数据建立了 神经网络模型，实现了掘进速度较为准确的预测。由于掘进速度与其他参数之间存在着极其复杂的非线性关系，因此上述国内外学者借助机器学习强大的数据挖掘能力进行掘进速度的预测研究。然而，诸如神经网络虽然拥有强大的非线性表达能力，但是模型容易陷入过拟合导致掘进速度预测模型的泛化性能不高。鉴于此，现提出一种集成 技术和深度神经网络（，）模型的深度学习模型进一步提升盾构掘进速度的预测精度和泛化性能。一方面借助于 强大的非线性表达性能，另一方面借助于 技术抑制模型过拟合以增强模型的泛化性能，并最终集成多个 模型实现盾构掘进速度的精准预测。集成 预测模型.模型随着人工智能技术的快速发展，深度神经网络已经在各行业发挥着重要作用。深度神经网络本质是通过逐层的特征提取和变换不断获取抽象特征，最终将抽象特征进行融合输出。相对 神经网络，模型具有更强大的非线性表达能力，其模型由输入层、多个隐藏层、输出层构成，如图 所示。图 深度神经网络模型.模型通过上一层神经元的线性组合和激活函数的转换来获取下一层神经元的结果，假定上一层有 个神经元，第 个神经元可以用 表示，则下一层第 个神经元可表示为()（）式（）中：为上层中第 个神经元与下层中第 个神经元的连接权重；为下层中第 个神经元的偏置项；（）为激活函数。激活函数的作用是向 模型中引入非线性特征，提高神经网络的表达能力。常用的激活函数有、函数等。采用 激活函数，其表达式为（），（）激活函数可有效避免 模型中潜在的梯度问题，并可显著提高 模型的收敛速度，因此在目前的深度学习模型中应用较为广泛。.技术为了增强 模型的表达能力，往往需要增加隐藏层的层数、神经元的个数，然而这会导致模型过于复杂从而模型发生过拟合的风险增加。过拟合表现为模型在训练集上拟合过于完美，而在测试集上拟合效果不佳。为了降低模型发生过拟合的风险，提高模型的泛化性能，引入了 技术。其基本思想是在神经网络训练过程中，随机使隐藏层的部分神经元失活，而失活的神经元无法参与到模型的训练，这可以减弱神经元之间的联系，保证各神经元在网络模型中发挥最大的作用。最终获，（）王伯芝，等：基于集成 模型的盾构掘进速度预测方法投稿网址：得的网络模型将不会依赖于少数输入神经元，对输入的微小变化不太敏感，从而获得一个更有鲁棒性的网络，该网络拥有更好的泛化能力。引入 技术后的神经网络模型如图 所示。图 引用 技术的神经网络模型.图 集成 模型图.仅在训练期间激活，而在测试集上不需要使用。其主要原因是随机使神经元失活会导致预测结果的不稳定。.集成 模型事实上，在 模型中引入 技术后，即使宏观层面相同的深度学习模型在训练时也会存在很大的差异性，这是因为在训练时部分随机失活的神经元大概率不相同（尤其在多个隐藏层均引入）。为了充分利用 技术给模型带来的随机性，这里提出一种集成 模型的深度学习架构，其主要思想是利用具有差异性的数据集训练多个 模型并将结果进行融合作为模型的最终结果。而融合的模型往往可以进一步提升预测性能，其模型架构图如图 所示。集成的 深度学习模型具体工作步骤可分为下述 个步骤。步骤 将数据集均等划分为 份子数据集，并从中不重复地选取一份子数据集作为测试集，剩余所有子数据集（份）为训练集，则共获得 对训练集和测试集。步骤 针对上述每对训练集和测试集分别建立 模型，其中训练集用来训练模型，测试集用来评估模型以防止模型发生过拟合，则共获得 个模型。步骤 将 个 模型的结果进行融合作为模型的最终输出结果。盾构掘进参数选取及预处理工况数据来源于济南市轨道交通 线玉符河站到王府庄站区间盾构隧道段的左线数据，采用型号为 的土压平衡盾构机进行隧道掘进施工，开挖直径 。根据地质勘察得知隧道主要穿越的地层有粉质黏土、黄土、卵石土层以及上述土层形成的复合土层。盾构机设备采集了大量参数，其中与盾构掘进速度有关的参数主要有刀盘转速、刀盘扭矩、总推进力、土仓压力、螺机转速。上述 个参数在盾构机设备上是实时采集的，考虑到同一环内掘进参数取值变化不大，这里将同一环内各掘进参数取均值作为该环的代表。为了避免异常值的影响，在计算各环掘进参数均值之前，利用箱线图对各掘进参数的异常值进行识别，各掘进参数的识别结果如图 所示。科 学 技 术 与 工 程 ，（）投稿网址：图 掘进参数异常值识别结果图.观察图 可知，每环少量的异常值均较好地识别了出来。同时，刀盘扭矩和总推进力随着环号的增大明显有变大的趋势，环后的参数取值明显较大，这是因为地质状况由粉质黏土层向卵石层与粉质黏土组成的复合地层变化，因而盾构机掘进时需要更大的刀盘扭矩、总推进力，这与施工经验是一致的。将上述 个掘进参数的各环异常值剔除后计算均值作为环代表值，前 环各掘进参数的统计值如表 所示。观察表 可知，各参数的均值与中位值较为接近，这说明经过上述异常值识别后提取的掘进参数并没有明显的离群值。表 盾构掘进参数统计值 参数单位均值标准差最小值中位数最大值螺机转速.刀盘转速.总推进力.刀盘扭矩 .土仓压力.掘进速度 .盾构掘进速度预测分析.模型架构输入盾构掘进参数为螺机转速、刀盘转速、总推进力、刀盘扭矩、土仓压力，输出参数为掘进速度，因而输入层、输出层神经元数量分别为、。这里选取 层的隐藏层，每层的神经元数量为，并在后 个隐藏层中分别引用，随机失活神经元比例为.。则模型的各层概况如表 所示。表 模型各层概况 名称网络层输出形状参数量（，）（，）（，）（，）（，）（，）（，）（，）（，）注：表示可接受任何数量的样本。由于输入层有 个神经元，第一个隐藏层有 个神经元，则输入层与第一个隐藏层连接的参数量为 个，两相邻隐藏层之间连接的参数数量均为 个，最后一个隐藏层与输出层之间连接的参数数量为 个，因此该深度学习模型中待优化参数数量共 个。.建立预测模型在模型训练之前，首先对各输入、输出参数进行预处理，将各参数归一化到，区间内，归一化公式为 （）式（）中：、分别为归一化前、后的数据；、分别为最小值、最大值。将第 节中收集到的前 环的盾构掘进数据作为训练集，在进行参数归一化后，将数据均等划，（）王伯芝，等：基于集成 模型的盾构掘进速度预测方法投稿网址：分为 份，并不重复选取一份为测试集，其余 份为训练集，共获得 对训练集和测试集，将训练集中的样本次序打乱，分别搭建表 中的 模型。基于 算法优化深度学习模型中的参数，该算法结合了 算法与 算法，加入动量并使参数自适应训练，能够有效避免网格陷入局部最优点，加快网络收敛，提高算法鲁棒性。初始学习率设置为.、最大训练次数设置为 次，当模型损失值（均方误差）随着训练次数不再减少时，提前终止模型的训练，该策略可在一定程度上抑制模型过拟合的发生，早停迭代次数设置为 次。掘进速度预测模型算法流程如图 所示。图 训练集、测试集上模型预测结果对比图.模型预测结果分析依据上述方法建立盾构掘进速度的预测模型，个 模型在训练集和测试集的预测结果如图 所示。图 中 线为参考线即模型预测的最理想状况，此时预测值与真实值完全相同。因此数据分布越接近参考线，则预测精度越高；越远离参考线，则预测精度越低。个 模型预测结果无论在训练集还是测试集上均分布在参考线附近，因此各模型在训练集、测试集上预测值与真实值均较为接近，可见建立的各子模型基本良好，可实现盾构掘进速度的精准预测。为了更好地对模型进行评估，针对回归问题的常见 个指标均方误差（，）、均方根误差（，）、平均绝对误差（，）、平均绝对百分图 掘进速度预测模型算法流程图.误差（，）、决定系数 对模型预测精度进行评估。其中前 个指标越小则拟合效果越优，而决定系数越接近于，则拟合效果越优。各评价指标计算公式如式（）式（）所示，模型评估结果如表 所示。（）（）科 学 技 术 与 工 程 ，（）投稿网址：（）（）（）（）（）（）（）式中：为真实值；为预测值；为平均值；为样本数量。表 模型误差评估表 模型数据集 训练集.测试集.训练集.测试集.训练集.测试集.训练集.测试集.训练集.测试集.观察表 可知，各模型在训练集、测试集上预测精度相差不大，且 均大于.，均在以下，可见各模型预测精度较高，基本满足工程需求。值得注意的是，各模型预测性能也存在一定程度的差异性，其主要原因是 给模型带来的随机性以及训练数据的不一致造成的。.模型应用分析在前述盾构掘进速度预测模型的基础上，集成其他掘进参数的预测模型，开发了盾构掘进参数智能分析和预测系统，并部署在济南重工集团制造的土压平衡盾构机上，如图 所示。通过智能分析预测系统，可从盾构 上直接获取掘