TBM（全斷面隧道掘進(jìn)機(jī)）工法在深埋長(zhǎng)大隧道（洞）施工中已得到越來(lái)越廣泛應(yīng)用。然而，深長(zhǎng)隧道地層復(fù)雜多變，掘進(jìn)參數(shù)選取往往依靠人為經(jīng)驗(yàn)，難以做到實(shí)時(shí)優(yōu)化決策，導(dǎo)致TBM掘進(jìn)參數(shù)難以和地質(zhì)條件匹配，出現(xiàn)破巖效率低、刀盤刀具異常損毀，甚至卡機(jī)、整機(jī)報(bào)廢等災(zāi)害。其中，刀盤扭矩是TBM重要的掘進(jìn)參數(shù)之一，對(duì)破巖效率和巖-機(jī)相互作用具有重要影響。刀盤扭矩預(yù)測(cè)對(duì)于避免刀盤受困，科學(xué)指導(dǎo)TBM掘進(jìn)參數(shù)及時(shí)地進(jìn)行適應(yīng)性調(diào)整具有重要意義。

　　為此，中國(guó)科學(xué)院武漢巖土力學(xué)研究所地下工程學(xué)科方向組科研人員基于現(xiàn)場(chǎng)TBM掘進(jìn)數(shù)據(jù)，提出了TBM刀盤扭矩的多算法改進(jìn)融合實(shí)時(shí)智能預(yù)測(cè)方法。首先，建立了掘進(jìn)狀態(tài)判別函數(shù)剔除無(wú)效數(shù)據(jù)和異常數(shù)據(jù)，基于SelectKBest算法篩選出了與刀盤扭矩關(guān)系最為密切的10個(gè)特征作為輸入?yún)?shù)；其次，構(gòu)建了基于BLSTM（雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)）的刀盤扭矩實(shí)時(shí)預(yù)測(cè)模型結(jié)構(gòu)，并在模型中融合Dropout算法防止過(guò)擬合；然后，提出了基于貝葉斯和交叉驗(yàn)證的模型超參數(shù)優(yōu)化算法，并融合早停算法和模型檢驗(yàn)算法優(yōu)化了訓(xùn)練過(guò)程，建立了刀盤扭矩實(shí)時(shí)預(yù)測(cè)模型；最后，提出了基于基模型的增量學(xué)習(xí)方法，提高了模型隨TBM掘進(jìn)過(guò)程的適應(yīng)性。提出的TBM刀盤扭矩實(shí)時(shí)預(yù)測(cè)方法對(duì)于TBM掘進(jìn)參數(shù)智能決策控制具有重要意義，并對(duì)其他掘進(jìn)參數(shù)的實(shí)時(shí)預(yù)測(cè)和優(yōu)化具有重要的指導(dǎo)和借鑒意義。

　　相關(guān)研究成果以“A real-time prediction method for tunnel boring machine cutter-head torque using bidirectional long short-term memory networks optimized by multi-algorithm”為題，發(fā)表在Journal of Rock Mechanics and Geotechnical Engineering。

　　論文鏈接：https://www.sciencedirect.com/science/article/pii/S1674775522000439

圖1  基于BLSTM的TBM刀盤扭矩實(shí)時(shí)預(yù)測(cè)模型

圖2  多算法融合優(yōu)化訓(xùn)練過(guò)程

圖3  刀盤扭矩實(shí)測(cè)值與預(yù)測(cè)值對(duì)比