浙江大学学报(工学版), 2021, 55(3): 448-454 doi: 10.3785/j.issn.1008-973X.2021.03.004

机械工程

基于马尔可夫过程和深度神经网络的TBM围岩识别

毛奕喆,, 龚国芳,, 周星海, 王飞

浙江大学 流体动力与机电系统国家重点实验室,浙江 杭州 310027

Identification of TBM surrounding rock based on Markov process and deep neural network

MAO Yi-zhe,, GONG Guo-fang,, ZHOU Xing-hai, WANG Fei

State Key Laboratory of Fluid Power and Mechatronic Systems, Zhejiang University, Hangzhou 310027, China

通讯作者: 龚国芳,男,教授,博导. orcid.org/0000-0001-9553-8783. E-mail: gfgong@zju.edu.cn

收稿日期: 2019-11-10  

基金资助: 国家重点研发计划资助项目(2018YFB1702503,2017YFB1302602,2017YFB1302604)

Received: 2019-11-10  

Fund supported: 国家重点研发计划资助项目(2018YFB1702503,2017YFB1302602,2017YFB1302604)

作者简介 About authors

毛奕喆(1995—),男,硕士生,从事大型隧道掘进装备智能化研究.orcid.org/0000-0002-8523-8514.E-mail:21825058@zju.edu.cn , E-mail:21825058@zju.edu.cn

摘要

为了实现隧道围岩的实时识别,基于马尔可夫过程和深度神经网络模型,提出将先验围岩信息和掘进参数结合,作为深度神经网络输入的隧道掘进机(TBM)围岩实时识别方法. 根据施工现场地质勘探资料,用马尔可夫过程的隧道围岩分类方法预测隧道沿线的围岩分布概率;将该围岩分布概率作为先验围岩信息,结合TBM掘进参数作为神经网络输入,真实围岩类别作为输出,训练深度神经网络以实现对TBM前方围岩的实时识别. 使用工程现场数据进行对比实验,结果表明,所设计的深度神经网络模型的围岩总体识别率高于96%. 相比于仅将掘进参数作为输入,当结合先验围岩信息和掘进参数作为输入时,模型围岩识别率提高6%以上.

关键词: 隧道掘进机(TBM) ; 马尔可夫过程 ; 深度神经网络 ; 围岩识别 ; 预测

Abstract

In order to realize the real-time identification of tunnel surrounding rock, based on the Markov method and the deep neural network model, a real-time identification method of tunnel boring machine (TBM) surrounding rock was proposed, which combined the prior surrounding rock information and the excavation parameters. The Markov process method of tunnel surrounding rock classification was used to predict the distribution probability of surrounding rock along the tunnel according to the geological exploration data of the construction site. The surrounding rock distribution probability was used as the prior rock information. The prior rock information and the TBM excavation parameters were used together as the input of the neural network, and the real surrounding rock category as an output. A deep neural network was trained to achieve real-time identification of the surrounding rock in front of the TBM. Experiments on practical engineering data showed that the overall recognition rate of the surrounding rock of the designed deep neural network model was above 96%. Compared with taking the excavation parameters as input, when the priori surrounding rock information and the excavation parameters were combined as input, the recognition rate of the surrounding rock of the model was increased by more than 6%.

Keywords: tunnel boring machine (TBM) ; Markov process ; deep neural network ; surrounding rock identification ; prediction

PDF (1291KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

毛奕喆, 龚国芳, 周星海, 王飞. 基于马尔可夫过程和深度神经网络的TBM围岩识别. 浙江大学学报(工学版)[J], 2021, 55(3): 448-454 doi:10.3785/j.issn.1008-973X.2021.03.004

MAO Yi-zhe, GONG Guo-fang, ZHOU Xing-hai, WANG Fei. Identification of TBM surrounding rock based on Markov process and deep neural network. Journal of Zhejiang University(Engineering Science)[J], 2021, 55(3): 448-454 doi:10.3785/j.issn.1008-973X.2021.03.004

硬岩隧道掘进机(tunnel boring machine, TBM),又称为全断面硬岩隧道掘进机,是自动化水平较高的大型特种隧道掘进装备. 在掘进过程中,地质情况复杂多变,实时监测和分析开挖面的地质情况十分重要[1],有助于避免意外灾害的发生,最大限度地降低施工成本. 预测TBM的地质条件的方法有:传统地质方法[2]、地球物理勘探方法、综合的勘探和解释方法等. 传统地质方法中的钻探法[3],通过在有限的地表面钻孔来粗略描述地质分布. 地球物理勘探方法,包括地震波法[4-6]和地质雷达法[7-9],可以超前预测隧道工作面前方的地质结构和水文条件.

近十几年来,很多学者将机器学习方法用于研究TBM的掘进参数和地质情况的联系[10-12]. 神经网络作为机器学习方法,拥有良好的非线性映射能力和自学习适应能力,适用于未知的不确定及非线性系统建模. 朱北斗等[13]将反向传播(back propagation, BP)神经网络用于地层识别,实现盾构机掘进参数和地层之间的良好非线性映射. Jung等[14]提出人工神经网络模型,使用隧道掘进机数据估测隧道面开掘前的地面状况. Nie等[15]训练深度神经网络模型的学习技术实时识别掘进机围岩,85%以上的总体精度表明,深度学习技术可以在TBM地质预测中发挥作用.

马尔可夫过程是随机过程的典型代表,由俄国数学家安德烈·马尔可夫提出. 马尔可夫过程具有前向无记忆性,即下一阶段状态只和现在有关. Moavenzadeh等[16]提出硬岩隧道掘进概率模型,将隧道岩性当成概率分布问题,用概率来说明岩性情况.Chan[17]提出将连续的马尔可夫过程用于岩性预测,进一步深化岩性预测的随机模型. Ioannou[18]根据Chan的模型,结合全概率公式和贝叶斯理论提出可迭代的岩性预测模型,该模型可以逐个添加观测点处信息,实现模型自动化. 刘东海等[19]提出基于马尔可夫预测的长隧道TBM施工进度仿真分析. 徐琛等[20]提出基于马尔可夫过程与信息熵法的长隧道勘探位置优化,对隧道勘探位置选择给出数学上的参考. 王芳芳等[21]将马尔可夫先验模型和贝叶斯判别法的基本理论用于岩相识别,得到了较好的预测结果.

本研究基于TBM施工现场的地质资料和掘进参数,建立深度神经网络模型,将通过马尔可夫过程得到的先验围岩概率分布信息融合TBM掘进数据作为神经网络输入,预测围岩类别.

1. 工程概况和数据预处理

1.1. 工程概况

本研究的数据来源于中国吉林引松供水工程TBM3施工段[22],如图1所示. 供水隧道由直径为7.93 m的开放式TBM开挖.

图 1

图 1   引松工程TBM施工总体图

Fig.1   Arrangement of TBM construction in Yinsong project


TBM以1 Hz的频率收集掘进参数,以d为单位将掘进参数上传到文本文件. 单个文本文件包含的TBM操作数据的最大数量每天可能高达86400个. 每个时间点TBM运行数据有202个参数通道,包括时间戳、里程、刀盘驱动系统参数和推进系统参数等.

在开挖过程中,现场统计了7.3 km的石灰岩地层地质剖面. 按照《工程岩体分级标准GB 50218—94》(以下简称《标准》),该工程围岩可以分为4级(Ⅱ、Ⅲ、Ⅳ、Ⅴ围岩). 其中,Ⅱ级围岩占比2.68%,Ⅲ级围岩占比57.20%,Ⅳ级围岩占比31.58%,Ⅴ级围岩占比8.54%,如图2所示.

图 2

图 2   引松工程围岩各级占比

Fig.2   Proportion of surrounding rock grade in Yinsong project


1.2. 工程数据预处理

TBM收集了202种参数,如果全部进行数据挖掘,耗费的成本太大;如果选择较少的参数或相关性较小的参数进行数据挖掘,并不能充分挖掘围岩和参数之间的联系. 考虑到TBM开挖的实际情况:以刀盘扭矩T和总推进力F作为TBM的开挖负荷,反映在刀盘面前开挖围岩的困难;掘进速度v和刀盘转速n表明不同围岩下TBM的开挖效率. 因此,选择刀盘扭矩、总推进力、掘进速度和刀盘转速作为输入参数.

TBM原始数据中存在大量异常数据和一些特殊掘进状态数据,这些数据将严重影响模型效率,所以在训练模型之前,须对原始数据进行预处理,剔除异常数据,减小噪声干扰.

1.2.1. 提取稳定的TBM工作阶段

TBM原始数据中包含TBM掘进时数据及非异常工作状态数据. 比如,TBM换步时撑靴收缩过程产生的数据、因故障停机时的数据. 根据段理文[23]提到的方法,4个掘进参数FvTn,可以作为判定TBM是否处于工作状态的识别指标. 由于这类指标通过确定其值是否为0判断TBM是否处于工作状态,可以采用二值判别函数D去除异常工作状态,其数学表达式为

$ d\left( x \right)=\left\{ {\begin{array}{*{20}{c}} {1,\;\; {x \ne 0} ;}\\ {0,\;\; {x=0} .} \end{array}} \right. $

$ D=d\left(F\right)d\left(v\right)d\left(T\right)d\left(n\right), $

$ D=\left\{ {\begin{array}{*{20}{c}} {1,\;\; {{\text{正常工作状态}}} ;}\\ {0,\;\; {{\text{异常工作状态}}} .} \end{array}} \right. $

式中: $ d\left(x\right) $为二值判别函数。当D=0时,将该数据记录为TBM异常工作状态的数据,予以剔除.

1.2.2. TBM操作数据的异常值检测,去噪声和归一化

TBM掘进数据中存在异常值. 如图3所示为含异常值的TBM推进速度随时间变化的曲线. 图中,t'为时间。采用基于多元正态分布的离群值检测方法去除异常值. 该检测方法的思路是观察各样本点到样本中心的距离,如果样本点距离中心太远,则为异常值. 通常使用马氏(Mahalanobis)距离作为判定依据,表达式为

图 3

图 3   含有异常值的TBM推进速度随时间变化曲线

Fig.3   Curve of TBM advance rate with outliers over time


$ \begin{split} {{D}}\left[ {{{i}},{\bf{1}}} \right]= & {\rm{Mahalanobis}}\;\left( {{{ x}_i} - {\bar{ X}} } \right)=\\ & \left( {{{ x}_i} - {\bar { X}} } \right){{{S}}^{ - 1}}{\left( {{{ x}_i} - {\bar{ X}} } \right)^{\rm{T}}}. \end{split} $

式中: ${ x}_{i}$为TBM操作段X的一个数据; ${\bar { X}}$X的中心;SX的协方差矩阵;从每个TBM掘进数据到1 个TBM操作段的中心形成一个向量D,指定不大于D的第90百分位数的数据为正常值,其余数据为异常值. 如图4所示为去除异常值后的TBM推进速度随时间变化的曲线.

图 4

图 4   去除异常值的TBM推进速度随时间变化

Fig.4   Curve of TBM advance rate without outliers over time


为了进一步提高数据质量,选择小波变换来对TBM操作段进行降噪. 选择DB4小波来执行原始TBM操作数据的两层分解,用1个软阈值重构原始数据. 在小波阈值去噪前、后TBM操作数据的比较如图5所示.

图 5

图 5   小波变换前、后推进速度的比较

Fig.5   Comparison of TBM advance rate before and after wavelet transform


除了推进速度外,刀盘扭矩、总推进力和刀盘转速做同样的异常值检测、去噪声、归一化处理.

由于输入参数量纲不同,数量级相差较大,在训练网络之前,须对样本数据归一化到(0,1.0),提高网络训练速度和精度. 处理方法如下:

$ x'=\left( {x - {x_{{\rm{min}}}}} \right)\left( {{x_{{\rm{max}}}} - {x_{{\rm{min}}}}} \right). $

式中: ${x}{'}$为归一化后的值,x为原始值, ${x}_{{\rm{max}}},{x}_{{\rm{min}}}$分别为数据最大值和最小值.

在完成以上数据预处理后,除去用于马尔可夫过程的17个地质勘探点,选择另外24个勘探点附近73个完整的掘进段,每个掘进段时长为500 s,包括起始段和稳定段,用来训练人工神经网络.

2. 基于马尔可夫过程的隧道围岩预测和深度神经网络模型

2.1. 基于马尔可夫过程的隧道围岩分布预测模型

基于马尔可夫过程的隧道围岩预测模型总体分成3个步骤. 1)收集开挖前的地质勘探资料,构建描述隧道的先验围岩概率分布模型,该模型是对隧道一个总体认识. 2)将施工现场钻孔取样得到观测值逐个加入步骤1)得到的模型,对模型进行更新,得到每个观测点处的围岩分布情况. 步骤2)可以理解为,在知道隧道总体的概率分布后,用抽样点对隧道的围岩进行进一步观测. 3)根据围岩分布情况对整个隧道围岩进行后验估计. 步骤3)可以理解为,在有了总体数据和抽样数据之后,对隧道做出更加精确的预测. 整体流程及具体数据处理方法如下:

1)根据地质勘探资料,对地勘数据进行处理计算,得到先验马尔可夫模型的相关参数,隧道沿线各段围岩的长度和数量. 确定距离隧道进口处t的围岩类型

$ {{Y}}\left( {{t}} \right)=i;\;i=1,{\rm{}}2, \cdots ,n. $

式中:n为围岩类别总数,《标准》将围岩分成5类. 同时统计不同围岩段的长度 ${{H}}_{{{i}},{{k}}}$和数量 $ {c}_{i} $k= $ 1,2,\cdots ,{c}_{i} $).

2)确定围岩状态从i类转到j类的概率 $ {P}_{ij} $j=1,2,…,n),然后组建概率转移矩阵P=[ ${{P}}_{{{i}}{{j}}}$]和强度转移系数 ${v}_{{{i}}}$

$ {P_{ij}}=\dfrac{{N_{ij}}}{{N_i}}, $

$ {v}_{i}={1} \left/{ {{{E}}\left({{H}}_{{{i}}}\right)}}\right. . $

式中:NijNi分别为状态i类转到j类的数量、状态i类转出的总数量。

3)通过转移概率矩阵和强度转移系数求出围岩转移密度矩阵 $ {{A}}=\left[{a}_{ij}\right]\left(i,j={1,2},\cdots ,n\right) $,并由矩阵A求出区间转移概率密度矩阵 ${{{{V}}}}\left({{{t}}}_{0},{{t}}\right)=\left[ {{v_{ij}}\left( {{t_0},t} \right)} \right]$和各个勘测点处的先验围岩分布,表达式如下:

$ \begin{array}{*{20}{c}} {{a_{ij}}=\left\{ {\begin{array}{*{20}{c}} {{P_{{{ij}}}},\;\;i \ne j},\\ { - {v_{{i}}},\;i=j}. \end{array}} \right.} \end{array} $

$\begin{split} {{V}}\left({{t}}-{{{t}}}_{0}\right)=& {{\rm{exp}}}{\left( {{ A}\left( {t - {t_0}} \right)} \right)}={{I}}+\left(t-{t}_{0}\right){{A}}+\cdots +\\ & \frac{1}{m!}{\left(t-{t}_{0}\right)}^{m}{{{A}}}^{m}+\cdots , \end{split}$

$ {{S}}\left({{t}}\right)={{S}}\left({{{t}}}_{0}\right){ V}\left({{{t}}}_{0},{{t}}\right)={{S}}\left({{{t}}}_{0}\right){{\rm{exp}}}{\left( {{ A}\left( {t - {t_0}} \right)} \right)}. $

式中:t为隧道中任意一点的洞程,t0与起点处的洞程,I为单位矩阵。完成前3步即可得到先验的围岩概率分布模型.

4)通过观测点处的信息对观测点处的岩性分布进行后验迭代修正得到 ${{S}}^{{'}}\left({{{t}}}_{{b}}\right)=\left[{s}_{k}^{'}\left({t}_{b}\right)\right],b={1,}$ $2,\cdots ,q $, $ {s}_{k}^{'}\left({t}_{b}\right) $的表达式如下:

$ \begin{aligned} {{s}}_{{k}}^{{'}}\left({{{t}}}_{{b}}\right)=&{{P}}\left[{{X}}\left({{{t}}}_{{b}}\right)=k|\cap {{Y}}\left({{{t}}}_{{b}}\right)\right];\\ k=&{1,2},\cdots ,n,\;b={1,2},\cdots ,q. \end{aligned} $

式中:q为沿隧道取的观测点个数;tb为观测点距离隧道起点的距离, $ {t}_{1}<{t}_{2}<\cdots <{t}_{q} $$ {{X}}\left({t}_{b}\right) $为观测点tb处的围岩真实值, $ {{Y}}\left({t}_{b}\right) $为观测点tb处观测到的围岩类别.

5)用q个观测点把隧洞划分为q+1段,并对每段上的区间概率转移矩阵进行后验修正:

$ {v}_{ij}^{'}=\left\{\begin{aligned} & \sum\limits _{k=1}^{n}{s}_{k}^{'}\left({t}_{1}\right)\frac{{v}_{ij}\left(t-{t}_{0}\right){v}_{jk}\left({t}_{1}-t\right)}{{v}_{ik}\left({t}_{1}-{t}_{0}\right)},\;{t}_{0}<t<{t}_{1};\\ & \sum\limits _{m=1}^{n}{s}_{m}^{'}\left({t}_{r\!-1}\right)\sum\limits _{k=1}^{n}\!{s}_{k}^{'}\left(\!{t}_{r}\right)\!\frac{{v}_{mj}\left(\!t\!-\!{t}_{r-\!1}\right)\!{v}_{jk}\left(\!{t}_{r}\!-\!t\right)\!}{{v}_{mk}\left(\!{t}_{r}\!-\!{t}_{r-1}\right)\!},\\ & \;\;\;\;\;\;\;\;\;\;\;\; {t}_{r-1}<t<{t}_{r},r={2,3}\cdots ,q;\\ & \sum\limits _{k=1}^{n}{s}_{k}^{'}\left({t}_{1}\right){v}_{kj}\left(t-{t}_{q}\right),\;{t}_{q}<t.\end{aligned}\right. $

6)利用修正的观测点岩性分布和修正的区间转移概率矩阵对隧洞划分的q+1段进行分段岩性分布预测,可以得到隧道沿线任意位置t处的各类围岩出现的概率:

$ {s}_{j}^{'}\left(t\right)=\left\{\begin{aligned} & \sum\limits _{k=1}^{n}{s}_{k}^{'}\left({t}_{0}\right){v}_{ij}^{'}\left({t}_{0}-t\right),\;{t}_{0}<t<{t}_{1};\\ & {v}_{ij}^{'}\left({t}_{0},t\right),\;{t}_{r-1}<t<{t}_{r},\;r={2,3},\cdots ,q;\\ & {v}_{ij}^{'}\left({t}_{0},t\right),\;{t}_{q}<t.\end{aligned}\right. $

得到的围岩概率信息,将和掘进数据一同作为神经网络的输入.

2.2. 深度神经网络模型

2.2.1. 深度神经网络模型

基于反向传播算法的深度神经网络(deep neural network, DNN)模型被用于识别围岩类型. 基于BP算法的DNN模型是按误差反向传播的多层前馈网络,基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差最小. BP算法包括信号的前向传播和误差的反向传播2个过程. 神经网络的结构如图6所示.图中,DNN分为输入层、隐藏层和输出层, $ {X}_{1} $$ {X}_{2} $$\cdots $, $\; {X}_{N}$为网络的输入, $ {Y}_{1} $, $ {Y}_{2} $, $\cdots $, $ {Y}_{M} $为网络的输出. DNN可以看作是非线性函数,输入和输出分别是该函数的自变量和因变量. 因此,实现了从N个自变量到M个因变量的函数映射关系.

图 6

图 6   DNN拓扑结构

Fig.6   Topological structure of DNN


2.2.2. 基于DNN的TBM围岩识别模型

1)确定网络结构. 为了简化网络结构同时不失训练精度,采用3隐藏层的5层网络结构模型. 隐藏层神经元数目分别为32、64、32,网络总结构为8-32-64-32-4. 输入层输入8个参数(刀盘扭矩、总推进力、推进速度和贯入度以及4类围岩的概率),输出层输出4个参数(4类围岩).2)选择传递函数. 在训练多层神经网络时,ReLU函数解决了传统sigmoid函数反向传播容易出现的梯度消失问题,而且ReLU函数能够更快收敛. Softmax是当前最有效的多分类问题激活功能. 将ReLU作为隐藏层激活函数,将Softmax作为输出层激活函数.3)设置其他参数. 迭代次数取1 000,批量大小选择500. 4)使用准确度、精确度P,召回率RF1分数来评估模型的效果. 准确度是分类器正确分类的样本总数与样本总数的比率. 精确度是单个类别的正确分类与单个类别的预测总数之比. 召回率是单类的预测数量与实际单类数量之比,F1分数是精度和召回率的平均值.

2.3. 围岩分布预测结果和掘进数据融合方法

在得到围岩沿隧道的概率分布后,为了与掘进参数相匹配,须将以里程为单位的围岩概率分布信息转化成以时间为单位的. 通过TBM采集的参数,将围岩概率分布的里程与时间一一对应.

3. 围岩识别模型实验

3.1. 马尔可夫过程结果

《标准》将隧道沿程的岩性分为Ⅱ、Ⅲ、Ⅳ、Ⅴ,4种类别. 根据式(7),考虑到勘探期间的随机测量误差,统计得到各种不同类别的岩性转移矩阵:

$ {{P}}=\left[\!\! {\begin{array}{*{20}{c}} {0.000\;0}&{1.000\;0}&{0.000\;0}&{0.000\;0}\\ {0.133\;3}&{0.000\;0}&{0.666\;7}&{0.200\;0}\\ {0.000\;0}&{0.900\;0}&{0.000\;0}&{0.100\;0}\\ {0.000\;0}&{0.750\;0}&{0.250\;0}&{0.000\;0} \end{array}} \!\!\right]. $

由式(8)求出不同围岩类别的相应转移系数, $ {v}_{1} $=0.002 4, $ {v}_{2} $=0.003 6, $ {v}_{3} $=0.005 3, $ {v}_{4} $=0.002 4. 进一步得到转移密度矩阵:

$ {{A}}={10^{ - 4}} \times \left[\!\! {\begin{array}{*{20}{c}} { - 24}&{24}&0&0\\ 5&{ - 36}&{24}&7\\ 0&{48}&{ - 53}&5\\ 0&{18}&{6}&{ - 24} \end{array}} \!\!\right]. $

根据设计院提供的17个勘探点数据,由式(13)得到各个勘探点处的各种岩性状态概率分布. 如图7所示。图中,t为沿程各点与起点距离,P为各类围岩概率。设定在勘探点处的岩性状态以概率为1服从观测值,如第7个勘探点 $ {t}_{7}=4 \;781 \;{\rm{m}} $处,经勘测为Ⅴ类围岩,即可得出

图 7

图 7   根据17个观测点数据预测的围岩概率分布

Fig.7   Surrounding rock probability distribution predicted from 17 survey point data


$ s'\left( {{t_7}} \right)=\left\{ {\begin{array}{*{20}{l}} {1,\;t=5;}\\ {0,\;t={\rm{2}},{\rm{3}},4}. \end{array}} \right. $

3.2. 深度神经网络模型结果

SVC是支持向量分类器. AdaBoost是迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器). 在训练分类器时,数据通常分为2个不相交的集合,即训练集和测试集. 数据准备得到73个完整的掘进段,33580个样本用于DNN模型,其中80%作为训练集,20%作为测试集. 采用交叉验证评估DNN与SVC、AdaBoost的性能. K折交叉验证(K-fold cross-validation)将所有数据分割成K个子样本,不重复的选取其中1个子样本作为测试集,其他K−1个样本用来训练. 共重复K次,平均K次的结果或者使用其他指标,最终得到单一估测. 本研究K=5,交叉验证图如图8所示.

图 8

图 8   5折交叉验证的过程

Fig.8   Procedure for 5-fold cross-validation


表1所示为DNN、SVR、AdaBoost围岩预测结果比较,输入都含有先验围岩概率分布信息,精确率分别为96%、88%、74%,召回率分别为96%、89%、74%,F1值分别为96%、89%、74%. 结果表明,DNN神经网络的预测性能好于SVR和AdaBoost.

表 1   DNN、SVC、AdaBoost围岩预测结果比较

Tab.1  Comparison of surrounding rock prediction results of DNN, SVC and AdaBoost models

模型 围岩级别 P R F1
DNN II 0.99 0.97 0.98
III 0.96 0.98 0.97
IV 0.95 0.93 0.94
V 0.91 0.90 0.91
AVG 0.96 0.96 0.96
SVC II 0.97 0.93 0.95
III 0.93 0.92 0.92
IV 0.84 0.84 0.84
V 0.80 0.88 0.84
AVG 0.88 0.89 0.89
AdaBoost II 0.84 0.89 0.87
III 0.76 0.84 0.80
IV 0.62 0.51 0.56
V 0.73 0.72 0.72
AVG 0.74 0.74 0.74

新窗口打开| 下载CSV


有、无马尔可夫先验围岩信息作为网络输入DNN的训练结果对比,如图9所示. 图中,A为训练精度,L为训练损失,e为训练次数。

图 9

图 9   有、无马尔可夫先验围岩信息作为输入DNN预测结果对比

Fig.9   Comparison of input with and without Markov prior test rock information


3.3. 分析讨论

图9可知,随着迭代次数的增加,训练精度曲线和验证精度曲线在约600次迭代后趋于平坦,有马尔可夫先验围岩信息的一组训练精度趋于97%,测试精度趋于96%;没有马尔可夫先验围岩信息的一组训练精度趋于89%,测试精度趋于88%. 该模型尚未过拟合. 精确度和召回率的结果如表23所示。可以看出,在有马尔可夫先验围岩信息的模型结果中,Ⅱ、Ⅲ、Ⅳ、Ⅴ型围岩的精确度分别为99.55%、97.50%、93.61%、88.94%. Ⅳ型围岩样品的数量较少,因此数据失衡导致网络模型预测存在一定偏差,总预测精确度为95.95%,表明TBM开挖参数与围岩高度相关,DNN算法可以应用于TBM工作面前的围岩识别.

表 2   有马尔可夫先验围岩信息的DNN模型预测结果

Tab.2  DNN models prediction results with Markov priori surrounding rock information

数据集 围岩级别 P R
训练集 II 0.9976 0.9953
III 0.9754 0.9794
IV 0.9471 0.9542
V 0.9247 0.8677
AVG 0.9652 0.9652
测试集 II 0.9955 0.9911
III 0.9750 0.9744
IV 0.9361 0.9499
V 0.8894 0.8360
AVG 0.9595 0.9595

新窗口打开| 下载CSV


表 3   无马尔可夫先验围岩信息的DNN模型预测结果

Tab.3  Prediction results of DNN model without Markov priori surrounding rock information

数据集 围岩级别 P R
训练集 II 0.7747 0.7081
III 0.9580 0.9315
IV 0.8577 0.9479
V 0.8074 0.6884
AVG 0.8985 0.8985
测试集 II 0.7838 0.6829
III 0.9489 0.9325
IV 0.8657 0.9435
V 0.8000 0.7028
AVG 0.8967 0.8967

新窗口打开| 下载CSV


在无马尔可夫先验围岩信息的模型结果中,II、III、IV、Ⅴ型围岩的精确度分别为77.47%、95.80%、85.77%、80.74%,总的预测精确度为89.67%.

总预测精确度从约90%上升到96%,各类围岩预测精确度和召回率都有所提高,表明将马尔可夫先验围岩信息作为模型输入,能够提高模型预测性能.

4. 结 论

(1)将马尔可夫先验围岩信息和TBM开挖参数作为深度神经网络的输入,真实围岩类别作为输出,建立8-32-64-32-4层深度神经网络模型,预测整体精度约为96%. 结果表明该深度神经网络能够实现TBM掘进参数和围岩之间非线性映射,在掘进过程中实现围岩实时识别.

(2)利用马尔可夫过程,对开挖前勘探得到的围岩地质信息进行统计分析,得到整条隧道沿线各类围岩的概率,将此结果作为先验围岩信息和TBM的掘进参数输入深度神经网络中,训练得到的围岩识别模型准确率比将TBM掘进参数作为神经网络输入准确度高约6%.

(3)通过对比实验,DNN深度神经网络模型的预测性能优于SVR、AdaBoost模型.

参考文献

杨华勇, 周星海, 龚国芳

对全断面隧道掘进装备智能化的一些思考

[J]. 隧道建设, 2018, 38 (12): 1919- 1926

DOI:10.3973/j.issn.2096-4498.2018.12.001      [本文引用: 1]

YANG Hua-yong, ZHOU Xing-hai, GONG Guo-fang

Perspectives in intelligentization of tunnel boring machine (TBM)

[J]. Tunnel construction, 2018, 38 (12): 1919- 1926

DOI:10.3973/j.issn.2096-4498.2018.12.001      [本文引用: 1]

HWANG J H, LU C C

A semi-analytical method for analyzing the tunnel water inflow

[J]. Tunnelling and Underground Space Technology, 2007, 22 (1): 39- 46

DOI:10.1016/j.tust.2006.03.003      [本文引用: 1]

SCHEPERS R, RAFAT G, GELBKE C, et al

Application of borehole logging, core imaging and tomography to geotechnical exploration

[J]. International Journal of Rock Mechanics and Mining Sciences, 2001, 38 (6): 867- 876

DOI:10.1016/S1365-1609(01)00052-1      [本文引用: 1]

ASHIDA Y

Seismic imaging ahead of a tunnel face with three-component geophones

[J]. International Journal of Rock Mechanics and Mining Sciences, 2001, 38 (6): 823- 831

DOI:10.1016/S1365-1609(01)00047-8      [本文引用: 1]

JETSCHNY S, BOHLEN T, KURZMANN A

Seismic prediction of geological structures ahead of the tunnel using tunnel surface waves

[J]. Geophysical Prospecting, 2011, 59 (5): 934- 946

LEE I M, TRUONG Q H, KIM D H, et al

Discontinuity detection ahead of a tunnel face utilizing ultrasonic reflection: laboratory scale application

[J]. Tunnelling and Underground Space Technology, 2009, 24 (2): 155- 163

DOI:10.1016/j.tust.2008.06.001      [本文引用: 1]

吴俊, 毛海和, 应松, 等

地质雷达在公路隧道短期地质超前预报中的应用

[J]. 岩土力学, 2003, 24 (Suppl.1): 154- 157

[本文引用: 1]

WU Jun, MAO Hai-he, YING Song, et al

Application of ground radar to short-term geological forecast for tunnel construction

[J]. Rock and Soil Mechanics, 2003, 24 (Suppl.1): 154- 157

[本文引用: 1]

RISSAFI Y, TALBI L, GHADDAR M

Experimental characterization of an UWB propagation channel in underground mines

[J]. IEEE Transactions on Antennas and Propagation, 2011, 60 (1): 240- 246

刘新荣, 刘永权, 杨忠平, 等

基于地质雷达的隧道综合超前预报技术

[J]. 岩土工程学报, 2015, 37 (2): 51- 56

[本文引用: 1]

LIU Xin-rong, LIU Yong-quan, YANG Zhong-pinng, et al

Synthetic advanced deologicall prediction technology for tunnals based on GPR

[J]. Chinese Journal of Geotechnical Engineering, 2015, 37 (2): 51- 56

[本文引用: 1]

ERHARTER G H, MARCHER T, REINHOLD C

Application of artificial neural networks for underground construction – chances and challenges – insights from the BBT exploratory tunnel Ahrental Pfons

[J]. Geomechanics and Tunnelling, 2019, 12 (5): 472- 477

DOI:10.1002/geot.201900027      [本文引用: 1]

ERHARTER G H, MARCHER T, REINHOLD C. Comparison of artificial neural networks for TBM data classification [C]// Proceedings of the 14th International Congress on Rock Mechanics and Rock Engineering. [S.l.]: CRC Press, 2019: 2426–2433 .

ZHANG Q, LIU Z, TAN J

Prediction of geological conditions for a tunnel boring machine using big operational data

[J]. Automation in Construction, 2019, 100: 73- 83

DOI:10.1016/j.autcon.2018.12.022      [本文引用: 1]

朱北斗, 龚国芳, 周如林, 等

基于盾构掘进参数的BP神经网络地层识别

[J]. 浙江大学学报: 工学版, 2011, 45 (5): 851- 857

[本文引用: 1]

ZHU Bei-dou, GONG Guo-fang, ZHOU Ru-lin, et al

Identification of strata with BP neural network based on parameters of shield driving

[J]. Journal of Zhejiang University: Engineering Science, 2011, 45 (5): 851- 857

[本文引用: 1]

JUNG J H, CHUNG H, KWON Y S, et al

An ANN to predict ground condition ahead of tunnel face using TBM operational data

[J]. KSCE Journal of Civil Engineering, 2019, 23 (7): 3200- 3206

DOI:10.1007/s12205-019-1460-9      [本文引用: 1]

NIE S W, XUE L, JIA G P, et al. Identification of surrounding rock in TBM excavation with deep neural network [C]// 2019 2nd International Conference on Artificial Intelligence and Big Data. Guangzhou: [s.n.], 2019: 251-255.

[本文引用: 1]

MOAVENZADEH F, EINSTEIN H H, MARKOW M J, et al. Tunnel cost model: a stochastic simulation model of hard rock tunneling. volume 1. summary report [R]. Massachusetts: [s.n.], 1974.

[本文引用: 1]

CHAN M H C. A geological prediction and updating model in tunneling [D]. Massachusetts: Massachusetts Institute of Technology, 1981.

[本文引用: 1]

IOANNOU P G

Geologic prediction model for tunneling

[J]. Journal of Construction Engineering and Management, 1987, 113 (4): 569- 590

DOI:10.1061/(ASCE)0733-9364(1987)113:4(569)      [本文引用: 1]

刘东海, 周云晴, 王帅, 等

岩性Markov预测下的长隧洞TBM施工进度随机仿真分析

[J]. 系统仿真学报, 2009, 21 (2): 558- 562

[本文引用: 1]

LIU Dong-hai, ZHOU Yun-qing, WANG Shuai, et al

Stochastic simulation analysis of TBM construction progress of long tunnel under the prediction of lithology Markov

[J]. Journal of System Simulation, 2009, 21 (2): 558- 562

[本文引用: 1]

徐琛, 胡程科, 刘晓丽, 等

基于Markov过程与信息熵法的长隧道勘探位置优化

[J]. 地下空间与工程学报, 2018, 14 (6): 1611- 1617

[本文引用: 1]

XU Chen, HU Cheng-ke, LIU Xiao-li, et al

Location optimization of long tunnel exploration based on the Markov method and information entropy

[J]. Chinese Journal of Underground Space and Engineering, 2018, 14 (6): 1611- 1617

[本文引用: 1]

王芳芳, 李景叶, 陈小宏

基于马尔科夫链先验模型的贝叶斯岩相识别

[J]. 石油地球物理勘探, 2014, 41 (9): 183- 189

[本文引用: 1]

WANG Fang-fang, LI Jing-ye, CHEN Xiao-hong

Bayesian facies identification based on Markov chain prior model

[J]. Petroleum Geophysical Exploration, 2014, 41 (9): 183- 189

[本文引用: 1]

赵海雷, 陈馈, 周建军, 等

引松供水4标TBM连续穿越灰岩的施工技术研究

[J]. 隧道建设, 2017, 37 (3): 354- 362

DOI:10.3973/j.issn.1672-741X.2017.03.015      [本文引用: 1]

ZHAO Hai-lei, CHEN Kui, ZHOU Jian-ju, et al

Research on construction technologies of TBM continuous boring through the limestone section of bid section No. 4 of Songhua river water conveyance project

[J]. Tunnel Construction, 2017, 37 (3): 354- 362

DOI:10.3973/j.issn.1672-741X.2017.03.015      [本文引用: 1]

段理文. TBM操作参数智能决策方法研究[D]. 杭州: 浙江大学, 2019.

[本文引用: 1]

DUAN Li-wen. Research on intelligent decision method of TBM operating parameters [D]. Hangzhou: Zhejiang University, 2019.

[本文引用: 1]

/