TBM（全斷面隧道掘進(jìn)機）工法在深埋長(cháng)大隧道（洞）施工中已得到越來(lái)越廣泛應用。然而，深長(cháng)隧道地層復雜多變，掘進(jìn)參數選取往往依靠人為經(jīng)驗，難以做到實(shí)時(shí)優(yōu)化決策，導致TBM掘進(jìn)參數難以和地質(zhì)條件匹配，出現破巖效率低、刀盤(pán)刀具異常損毀，甚至卡機、整機報廢等災害。其中，刀盤(pán)扭矩是TBM重要的掘進(jìn)參數之一，對破巖效率和巖-機相互作用具有重要影響。刀盤(pán)扭矩預測對于避免刀盤(pán)受困，科學(xué)指導TBM掘進(jìn)參數及時(shí)地進(jìn)行適應性調整具有重要意義。

　　為此，中國科學(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場(chǎng)TBM掘進(jìn)數據，提出了TBM刀盤(pán)扭矩的多算法改進(jìn)融合實(shí)時(shí)智能預測方法。首先，建立了掘進(jìn)狀態(tài)判別函數剔除無(wú)效數據和異常數據，基于SelectKBest算法篩選出了與刀盤(pán)扭矩關(guān)系最為密切的10個(gè)特征作為輸入參數；其次，構建了基于BLSTM（雙向長(cháng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò )）的刀盤(pán)扭矩實(shí)時(shí)預測模型結構，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證的模型超參數優(yōu)化算法，并融合早停算法和模型檢驗算法優(yōu)化了訓練過(guò)程，建立了刀盤(pán)扭矩實(shí)時(shí)預測模型；最后，提出了基于基模型的增量學(xué)習方法，提高了模型隨TBM掘進(jìn)過(guò)程的適應性。提出的TBM刀盤(pán)扭矩實(shí)時(shí)預測方法對于TBM掘進(jìn)參數智能決策控制具有重要意義，并對其他掘進(jìn)參數的實(shí)時(shí)預測和優(yōu)化具有重要的指導和借鑒意義。

　　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(pán)扭矩實(shí)時(shí)預測模型

圖2  多算法融合優(yōu)化訓練過(guò)程

圖3  刀盤(pán)扭矩實(shí)測值與預測值對比