基于决策树模型的土压平衡盾构掘进参数预测研究

王耀东

中铁十六局集团北京轨道交通有限公司 北京 101100

随着城市轨道交通的快速发展，土压平衡盾构施工方法因具有安全、高效的特点，而被广泛地应用于城市地铁隧道的修建[1-2]中。合理地设置盾构施工参数能够改善盾构机对地层的适应性，提高盾构施工效率[1,3-4]。影响盾构参数的因素较多，对盾构参数的有效预测可以更好地指导盾构施工。因此，采用合适的方法进行盾构参数的精确预测具有重要的现实意义。

目前，已经发展了很多理论与经验公式来确定盾构参数[5-6]，盾构某一参数主要依靠地质条件和相关参数进行确定，但是由于地质条件的复杂性和参数关系的不确定性，理论和经验公式不能够实时预测盾构参数值[7-8]。人工智能算法能够克服这些困难并运用盾构参数的大数据进行盾构参数实时预测[5,9-11]。Khalid等[12]运用遗传算法改进的自适应模糊神经网络进行了盾构推进速度的预测，预测误差在±15%以内，能够为盾构施工提供参考；李超等[13]将BP神经网络应用到复合地层中盾构的刀盘扭矩、刀盘转速、推力和推进速度的预测中，预测结果与实测数据具有相近的变化规律，为复合地层盾构参数的确定提供了一种新的方法；高旻昱等[14]将遗传算法与GRU循环神经网络相结合，预测了土压平衡盾构掘进过程中的土压变化，并对预测结果进行了修正，使其满足施工要求。然而，大数据技术在迅速发展，对盾构参数预测的人工智能算法不断更新，为了满足盾构自动化施工需求，就要将更多的人工智能算法应用到盾构参数预测中，从而得到更加准确的预测值。

在本研究中，决策树模型、正向激励决策树模型和随机森林模型被应用于盾构推进速度的预测。通过对盾构机实时采集的数据进行预处理和分析，确定影响盾构推进速度的关键参数，并将更新的数据集输入到建立的推进速度预测模型中，最后对预测结果进行对比和模型评估，确定最优预测模型。

1 决策树预测模型

在盾构掘进过程中，推进速度影响着盾构掘进的时间，从而对工期产生影响。本文针对盾构掘进速度，构建了盾构掘进速度的决策树预测模型，并对比了优化的正向激励决策树模型和随机森林预测模型，得到最优的盾构推进参数预测模型。

1.1 工程概况

洛阳城市轨道交通2号线LYGD2-TJ-01标段位于河南省洛阳市，包括5站5区间，分别为经三路站、王城北路站、机场路站、洛阳火车站、纱厂东路站、解放路站（不含）。机场路站—洛阳火车站区间（机洛区间）左线长度为1 173.213 m，右线长度为1 172.000 m，左线曲线半径分别为350、400 m，右线曲线半径分别为360、370 m，线间距11.2～17.4 m。线路右线纵坡设计为4个坡度，最大坡度为2.85%，最小坡度为0.2%，隧道顶最小埋深6.5 m、最大埋深14.2 m，采用2台直径为6.44 m的土压平衡盾构机进行施工。

盾构隧道穿越主要的地层自上而下主要为：杂填土、素填土、填筑土、粉质黏土、黄土、卵石、黏质粉土、砂岩、泥岩等。机洛区间地下水位线在19.17～21.05 m，低于隧道最大埋深14.2 m，因此，隧道掘进过程中不考虑地下水对盾构掘进的影响。

1.2 预测模型参数的选取

盾构机掘进参数来自盾构环报和盾构机自带采集系统。盾构机上安装了数据采集传感器，在盾构掘进过程中，盾构机的数据采集系统对盾构机的数据进行采集。本工程采用的盾构机数据采集系统有196个通道，记录包括时间、刀盘系统参数、推进系统参数、螺旋输送机参数、泡沫添加剂流量等数据。决策树预测模型的输入参数从盾构机自带采集系统中获取，选取了影响盾构机推进速度（AR）最大的7个掘进参数进行分析，包括：刀盘转速（CR）、刀盘扭矩（CT）、总推力（F）、土仓压力（SP）、螺旋机转速（SCR）、注浆压力（GP）和掘进深度（D）[12,15-16]。推进速度预测模型过程主要包括数据预处理、数据集划分与交叉验证以及模型预测。

1.3 数据预处理

盾构参数原始数据中常会存在空白值和异常值，在进行输入参数变换前，应将空白值和异常值进行删除处理。利用式（1）、式（2）确定应去除的空白值，并根据Pauta准则，对在3倍标准差以外的异常值进行删除处理[17]。

式中，P代表是否删除该行原始数据，P＝0表示删除，P≠0表示保留；f（x）表示将原始数据转变为0/1的函数。

在数据进行空白值与异常值处理之后，采用算数平均值滤波算法（N＝3）对原始数据进行降噪处理[14]，然后利用式（3）对数据进行标准化处理，将数据转变为0～1之间的数值，标准化处理之后不仅保留了数据的特征，同时将所有数据之间的量纲保持一致，提高了模型运算速度和精度。

式中：x*为标准化后的数据，x为原始数据，xmin和xmax为数据的最小值和最大值。

1.4 决策数预测模型的构建

决策树预测模型用于盾构掘进过程中盾构推进速度的预测，将选取的盾构参数输入到决策树预测模型中，输出推进速度。本研究基于决策树回归算法构建了决策树预测模型、正向激励决策树预测模型和随机森林预测模型，并对其精度进行了对比，得到最佳预测结果，预测模型主要有以下步骤：盾构参数收集与选取，盾构参数预处理，划分数据集并进行交叉验证，变量特征重要性判断，更新输入变量并重新划分数据集，输入数据集进行模型训练和预测。

2 掘进参数预测分析

2.1 数据集的划分与交叉验证

本研究中，共有750环的盾构参数被随机地划分为两部分，研究表明[18]，可将80%的数据划分为训练集，20%的数据划分为预测集。采用k折交叉验证（k＝5）的方法对数据集和验证集进行交叉验证并计算交叉验证的准确率。如表1所示，决策树模型、正向激励模型与随机森林模型的准确率均满足交叉验证要求。

表1 数据集划分后交叉验证准确率

2.2 参数特征重要性分析

盾构参数之间存在一定的关联性，这种关联性强弱不同，选取的盾构参数对推进速度影响程度不同，采用基尼系数计算选取的盾构参数对推进速度影响的特征重要性指数GI，如式（4）所示，并根据主要影响推进速度的指数占比，重新选取输入参数并划分数据集。

式中，GI表示参数特征重要性指数；K表示有K个类别，pmk表示节点m中类别k所占的比例。直观地说，就是从节点m中随机抽取2个样本，其类别标记不一致的概率。

如图1所示，影响推进速度的主要因素为刀盘转速、土仓压力和螺旋机转速。从表2中可以更加明确地得到影响推进速度的特征重要性指数的值，刀盘转速、土仓压力和螺旋机转速的特征重要性指数占据所有参数的特征重要性指数97%以上。因此，忽略其他参数对推进速度的影响，重新选取输入参数为刀盘转速、土仓压力和螺旋机转速，输出参数为推进速度。更新参数和数据集后，重新随机划分80%的输入集和20%的输出集，然后输入到三种预测模型中进行训练并预测。

图1 影响推进速度预测模型的特征重要性指数

表2 盾构参数对推进速度影响的特征重要性指数

2.3 预测结果分析

通过更新后的参数与重新划分的数据集，输入到决策树预测模型、正向激励预测模型和随机森林预测模型中，得到推进速度的预测值，并与实测的推进速度进行对比，得到最优的推进速度预测值。

图2为推进速度决策树预测模型预测结果与对应的相对误差。决策树模型预测的相对误差最大值为13.21%，相对误差平均值为1.97%，但局部相对误差普遍偏大，特别是在测试集的第5、25、40、90和140～150环误差超过了5%，此时的预测结果不能用于指导盾构机推进速度的设置，以防产生地面隆起或塌陷。

图2 推进速度决策树模型预测结果与相对误差

图3为推进速度正向激励决策树预测模型预测结果与相对误差。对于推进速度的预测相对误差最大值为15.6%，比决策树预测模型最大误差值大，因此在最大相对误差水平上不能用于指导盾构机参数的设置；在平均相对误差水平上与决策树预测模型相接近，虽然正向激励决策树预测模型最大相对误差偏大，但相对于决策树预测模型在局部误差水平上有所降低，能适应更多数据的误测而不产生整体误差偏大的现象。

图3 推进速度正向激励模型预测结果与相对误差

图4为推进速度的随机森林预测模型预测结果与相对误差。从整体上来看，随机森林预测模型的预测结果曲线更接近于推进速度真实值，随机森林模型能够较好地实时预测盾构推进速度。随机森林模型预测结果的最大误差发生在测试集第85环，为5.05%，远小于决策树模型和正向激励模型，能够适应较多数据预测要求，从而能够实时预测指导盾构机参数设置。

图4 推进速度随机森林模型预测结果与相对误差

随机森林模型平均相对误差为1.26%，同样小于决策树模型与正向激励模型。从预测结果相对误差水平上来看，决策树模型和正向激励模型预测效果接近，随机森林模型优于前两者，可以作为盾构机参数自动化控制的一个研究方向，为盾构机参数控制提供参考。

2.4 模型精度分析

为了更好地评价决策树模型、正向激励模型和随机森林模型的预测效果，表3给出了三种模型的准确度（R2）和模型评价指标均方误差（mean-square error，MSE）与平均绝对误差（mean-absolute error，MAE）。

式中：yi表示第i环的实际推进速度，ypi表示i环预测推进速度，m表示测试集的数量。

由表3可以看到，决策树模型、正向激励模型与随机森林模型准确度均在0.95以上，预测效果较好。此外，三种模型的均方误差（MSE）分别为0.008、0.006和0.002，平均绝对值误差（MAE）分别为0.020 0、0.018 6和0.010 0，模型误差水平较低。

表3 盾构推进速度预测模型精度比较

通过比较发现，随机森林预测模型的准确度R2最高且均方误差（MSE）与平均绝对误差（MAE）在三者中最低，模型预测精度最高，预测结果具有更高的可信度，可为盾构推进速度设置提供参考。

3 结语

本文依托洛阳地铁2号线机洛区间工程，通过采集土压平衡盾构施工参数，对盾构参数进行处理、分析、建立预测模型，得到以下结论：

1）盾构施工参数中有很多的空白值与异常值，可以通过数据的标准差和算术平均值滤波算法对盾构参数进行处理，得到连续平滑的数据集；同时，对数据集进行极差标准化处理，更能保持参数量纲的一致性，使其更加适应建模数据的输入要求。

2）盾构参数之间存在着相互影响规律，通过计算基尼指数的方法可以得到参数之间的特征重要性指数；本文通过分析计算得到影响盾构推进速度的主要影响因素是盾构机的刀盘转速（CR）、土仓压力（SP）和螺旋机转速（SCR），三者的特征重要性指数之和达到97%以上。

3）决策树模型、正向激励模型和随机森林模型均能有效地预测盾构的推进速度；相比而言，随机森林模型是三者中预测效果最优的模型，能够根据盾构机实时参数，准确地预测盾构推进速度，能够在实际盾构施工过程中，为盾构机推进速度的设置提供参考。