人工智能技术优化TBM在岩石力学与岩土工程中的应用

陈瀚 华南农业大学水利与土木工程学院

TBM是利用高速旋转的刀盘上，滚刀同时进挤压和剪切进行破岩推进，能使隧道整体轮廓一次成型的大型机械，其四大基本功能有：掘进、导向、出渣与支护。相比钻爆法，无论是在施工进度、安全、环境及质量等方面，还是在人力资源的安排配置方面，采用TBM的施工都有一个质的飞越。但TBM施工的适应性较差，一旦遇到围岩挤压变形、软弱破碎带等的不良环境问题，不如钻爆法灵活，使之投入和现场施工风险较高。由于地质环境复杂多变，TBM因其自身结构存在诸如施工手段单一、对于地质条件适应性差等多数原因[1]，国内许多学者围绕TBM的发展应用提出了许多方面的研究。

人工智能是在计算机科学、控制论、信息论、心理学、语言学等多种学科相互渗透的基础发展起来的一门新兴学科，主要用于模仿和实现人类的智能行为[2]，而人工智能与机器学习相结合具有极大的发展潜力。TBM投入施工已经有许多年，其中所得到的大量数据，完全可以应用到数据化、智能化的发展中。人工智能已经向集成发展迈进，如何将岩土工程等运用到TBM的基础工程建设所获得的大数据与智能互联技术有效结合且运用在实际工程中，如何有效利用智能化机器学习的方式对TBM掘进装备进行不同选型、不同地质和不同评价的判断，以及操控作业、安全维护和停机诊断等系列智能操作，将是未来岩土工程领域的重点技术挑战和行业竞争所趋。

一、TBM载入人工智能的部分内容

（一）TBM智能分析选型及掘进适应性

采用TBM施工，合理选型是关键。不同支撑类型的TBM对不同岩土体介质有不同的适应性，而TBM的掘进适应性也需要考虑许多因素的影响。适应性评价的方法有较为多种，主要有模糊评价模型、综合评价法、神经网络法等。许多综合科学评估，实质上是适应性评价，而适应性评价已在多个领域得到成功的运用。

何小新等[3]基于人工智能技术、人工神经网络与范例推理系统，智能化了掘进机方案的设计，能够做到TBM的优化选型，构建了TBM只能化选型方案的生产系统原型。

人工智能虽然逐渐开始应用于TBM领域，并且构建了许多模型系统、模型试验，但目前在实际工程操作中难以广泛应用，不具备普适性，因此构建完善的选型及掘进适应性评价决策系统，使之运用到工程有普适性、高效性和准确性，是未来研究的一个方向。

（二）地质环境识别与掘进状态感知的智能判断

在实际工程中，首先需要对掘进的地质进行前期的勘测与研究，其方法往往是钻孔取芯，但因隧洞是掘进深入的工程，往往在勘测与研究过程中存在一定的偏差。目前，TBM掘进机在施工运用的操作上，依然以施工者的经验作为操控的主要基础，当遇到地质环境改变，掘进状态发生异常时，均依靠人为调整TBM的推力、转矩、刀盘转速等机器参数。

高地应力地区存在脆硬完整岩体，随着地壳构造运动发生，岩体中产生和储存着弹性应变能，初始应力也随之提高。一旦开挖，出现自由边界，切向应力急剧增加，能量进一步集中，受到积聚的应力作用，岩块会产生突发性脆性破碎、飞散，并产生巨大声响，形成“岩爆”现象，岩爆会引起施工损害，造成人身安全问题[4]。

为进行地质环境与掘进状态的智能判断，需要研究地质环境信息及掘进状态感知系统，这在智能化需求中是关键一环。同时也需要掘进机器能实时识别自身的掘进状态，因而需要在参数输入的基础上，连通到机器“大脑”，最后反馈输出，进行相应调整。不仅如此，将岩爆预测和超前岩爆预处理措施进行人工智能化，也是一项科学挑战。微震监测系统是目前较有效的岩爆预测系统，系统可以监测内部的破裂情况，并进行蓄能情况分析再根据系统所预测的岩爆规模、等级和应力集中部位，提前释放掌子面前方围岩的应力，降低岩爆等级与规模[5]。

（三）多系统掘进作业的智能分析与协同控制

TBM掘进机装备实际上是综合许多子系统、承担多样任务和具有高协调性的机械掘进装备。因此，在未来不断推进掘进装备的无人操作与智能作业是十分有益处的，也因而对TBM多系统的自主掘进作业、智能分析和协同控制提出更大的科学挑战。

新一代智能隧道掘进机的设计制造，其核心应聚焦在环境与状态感知、施工参数自适应动态调控、多目标优化、多系统协调控制等问题上[6]。在原有的传统隧道掘进技术之上，需要突破和创新TBM掘进机原有的瓶颈，实现长距离、深埋深、智能化与安全高效掘进，使全断面隧道掘进机技术革新有革命性的进步，也对我国在岩土工程、隧道工程中自主创新能力和跨越发展有重要意义。

二、TBM人工智能化优化的应用与现有研究基础

（一）智能化优化的应用

TBM与人工智能结合的现有的研究基础，绝大多数考虑的是从参数调整抑或模型试验等进行提升和优化，但如果加入人工智能，可以突破思维的限制，找到更多的方向。

张清[7]提出了人工智能专家系统在岩石力学和岩石工程中的使用情况，研究某一问题可以同时考虑多种影响因素，相比起数学模型考虑影响因素数目受到限制，把专家系统引入岩石力学与岩石工程领域。

人工智能技术引进我国后，在各行业均有渗透，而在前人基础上加入新技术进行研究，能对现有的工程领域提供更多可操作性。人工智能技术能在施工中保障施工人员的安全，保证围岩的稳定，能做到不在掘进中停机，抑或产生严重沉降，同时能提高掘进速度，稳定掘进方向，实现自主化，工作人员有更多精力投入到其余的观测当中，避免疲劳或数据过多造成的认知负荷与操作失误。

（二）TBM智能化现有研究基础

在施工地质的超前勘探方面，比起TBM原有的超前钻机基础上有许多国内外学者进行了相应研究：Yue等[8]提出了基于钻进参数分析的“数字智能钻机”技术，但在理论上存在尚未突破的问题。在掘进状态和岩机信息感知方面：杜志国[9]创建了基于虚拟仪器的振动模态理论、振动检测系统、多参数磨损预测公式和监测方法，但难以在现场进行实测数据的动态化分析、互馈，不能做到实际的动态评价识别是其不足之处。目前，国内外信息化管理平台的功能还不完善，常用在施作业的监测与管理，仍难以解决隧道掘进机掘进时大量的实时数据与历史信息综合分析与探索的问题。

如今TBM掘进机的性能主要集中在效率、推进和转矩预测模型建立等的研究。然而往往需要基于某项工程的掩体类型和掘进机参数来建立模型，同时不同岩体影响参数也需要进行考虑，而在岩体多变环境下如何选择可靠的预测模型对TBM推理和掘进性能进行更为准确的预测且实时达到最优破岩效率，仍是亟待解决的问题。

（三）TBM智能化设想

TBM进行隧道掘进作业时周围面临着围岩压力、冲击荷载和复杂多变的地质环境，在掘进过程中结合监控和人工操作，难以自行实现掘进状态的精确感知和识别。因此有必要研发融合高精传感技术的液压元件是实现状态监测与智能化控制的基础。

一直以来，对于所获得的数据缺乏有效的优化和有利的决策手段，掘进参数根据人为经验进行分析决策，其描述仍以分描述性分析为主，即发现问题并加以应对，难以摒弃传统思维。因此，未来的研发应该引入机器自主学习与大数据技术，研究自主的事前预测技术以及反向决策反馈。

每100台TBM每5年能够产生32000亿条数据，但由于定义不统一、数据分析不透明等原因，多源海量数据并不能得到充分利用。因此需要将大数据处理平台和云计算平台引入隧道掘进中，实验数据的采集、传输、和分析是相当必要的。

三、总结与展望

人工智能无处不在，如何在智能时代让传统的科技TBM更上一层，是未来必不可少的研究，各门学科相互渗透产生的效果是进来科学发展的特点。打破传统的掘进模式，突破掘进效率和寿命瓶颈，实现TBM掘进长距离、智能化、安全高效是TBM智能化的目标，而实现掘进状态感知识别、掘进参数工况自适应动态调控掘进参数数据计算、参数云计算智能优化和决策以及多系统协同控制是TBM智能化的核心问题。通过以上的分析，相信随着科技不断革新发展和研究人员的探索和努力，人工智能技术优化TBM必将使岩石力学与岩石工程达到一个新的高度，其发展前景广阔无限。