基于扭矩贯入指标和神经网络的围岩质量预判方法

2022-02-02张云旆寇甲兵刘立鹏李鹏宇

长江科学院院报 2022年12期

吴帆，张云旆，寇甲兵，刘立鹏，李鹏宇

(1.云南省滇中引水工程有限公司，昆明 650000; 2.中国水利水电科学研究院，北京 100048;3.中铁工程装备集团有限公司，郑州 450016)

1 研究背景

随着我国基础设施建设的逐步推进，全断面岩石掘进机(TBM)普遍应用于水利、土木、交通等领域的隧道工程建设，已成为隧洞掘进的主要工法之一[1-3]。但是TBM的地质适应性较差[4-6]，当遭遇不良地质条件或围岩质量较差时，容易引发卡机、塌方等地质灾害，影响施工进度，威胁人员安全，因此，判别围岩质量对于TBM施工具有重要的意义[7-9]。

与传统钻爆法相比，TBM由于其特殊的防护结构，操作人员无法第一时间观察隧洞掌子面的围岩状况，只有在掘进出护盾后才能直观地观察围岩，这在一定程度上增大了现场地质人员和施工班组的工作难度。而受限于钻孔的数量和工程地质条件的不确定性，前期的地质勘察资料难以查明工程全线情况，传统地质勘探方法虽然能够较为准确地探明掌子面前方的地质情况，但是由于隧洞施工环境的影响和探测设备占用空间，尤其对于小直径隧洞工程，难以保证地勘、物探工作随掘进顺利开展[10-12]。

另一方面，TBM在掘进过程中实时采集了种类繁多的数据[13]，通过掘进参数来间接了解围岩状况，判断围岩质量已逐渐成为重要手段之一。Guo等[14]采用掘进段上升段前30 s的掘进参数建立随机森林模型预测围岩类别；朱梦琦等[15]采用AdaCost算法预测掌子面前方的围岩类别，对软弱围岩预警，保障施工安全。Hou等[16]基于聚类算法对围岩进行分类，利用稳定段掘进参数的平均值，通过分析叠加集成分类器进行预测；Wu等[17]为以刀盘推力、刀盘扭矩和贯入度为输入，利用SC算法对围岩进行聚类，评价围岩质量。Zhang等[18]基于刀盘转速、推力、扭矩和施工速度，采用层次聚类和支持向量回归算法建立了运行数据与岩体质量分类之间的关系。Liu等[19]提出了一种基于分类回归树(CART)和AdaBoost算法的集成学习模型来预测围岩的分类。

上述研究工作主要基于推力、扭矩、速度和转速等基本掘进参数开展，由于TBM一次连续掘进时间长，参数波动较大，近年来，以现场贯入指标(FPI)和扭矩贯入指标(TPI)等特征参数为对象进行的研究逐渐兴起，Chen等[20]通过非塌方掘进段的TPI数据训练时间序列神经网络模型，基于预测值和实测值的误差分析成功识别了引松工程16个塌方段中的14个。刘诗详等[21]在Chen[20]工作的基础上，采用卷积神经网络，基于FPI成功识别了引松工程中规模最大的塌方段。Feng等[22]通过对比引松工程中18处断层破碎带的FPI分布情况，发现在其中的10个断层前后的FPI存在明显的区别。Hou等[23]提出了一种自适应动量优化LSTM神经网络，通过预测比能(SE)的误差分析，识别隧道的塌方风险并提供预警信息，取得了较好的预测效果。杜立杰等[24]建立了FPI与关键地质因素岩石单轴抗压强度(UCS)和岩体完整性系数Kv之间的多元回归关系，可通过地质因素计算TBM的设备参数。熊帆[25]基于PSO-SVR模型建立了单轴抗压强度(UCS)、软弱结构面平均间距(DPW)、结构面与隧洞轴线夹角α与FPI的掘进效率预测模型，进而提出基于FPI的围岩等级划分方法。上述研究论证了特征参数与围岩地质情况的强关联性。

综上所述，本文基于数据预处理，将滇中引水工程香炉山隧洞TBM已掘进数据进行了划分;在此基础上，以掘进段为单位计算扭矩贯入指标TPI，在不同围岩下通过构建神经网络模型，通过对TPI预测结果的误差分析预测围岩质量;最后基于TPI的基尼不纯度，选取围岩质量划分阈值，形成了提出了围岩质量的初步预判方法。

2 工程简介

2.1 工程背景

滇中引水工程是从金沙江上游石鼓河段取水(图1)，以解决滇中区水资源短缺问题的特大型跨流域引(调)水工程，是国务院批准、国家发展改革委和水利部确定的172项重大节水供水工程中的标志性工程之首。香炉山隧洞位于大理Ⅰ段的首段，是滇中引水工程最长的深埋隧洞，也是总干渠的关键控制性工程[26]。隧洞起于丽江市玉龙县石鼓镇望城坡，止于大理州鹤庆县松桂镇河北-河西村一带，途经丽江市玉龙县和大理白族自治州鹤庆县，线路长约62.596 km。隧洞区域属高、中山地貌区，地面高程一般为2 400～3 400 m，沿线工程地质和水文地质条件复杂，跨越金沙江与澜沧江分水岭，穿越13条大断(裂)层，其中含3条工程活动断裂。隧洞最大埋深1 450 m，埋深>1 000 m洞段累计长21.427 km，占隧洞总长34.23%，埋深>600 m洞段长累计42.175 km，占隧洞总长67.38%。

图1 香炉山隧洞布置示意图Fig.1 Layout of Xianglushan tunnel

香炉山隧洞采用“TBM法+钻爆法”组合法施工方案，对主要活动断层、埋深相对浅的不良地质段采用钻爆法施工，其他洞段采用TBM施工。钻爆法施工段总长27.08 km，2台敞开式TBM掘进段总长35.52 km，TBM掘进段位于桩号DL I 16+565—23+240、DL I 28+800—53+700和DL I 54+000—58+161。

2.2 TBM参数

“云岭号”TBM是目前香炉山隧洞的2台TBM之一，也是目前唯一投入施工的TBM，设计刀盘直径为9.83 m，总长235 m，整机总重20 500 kN，额定功率5 600 kW，额定扭矩15 719 kN·m，是我国自主研制的世界引调水工程大直径硬岩掘进机，TBM具体参数情况如表1所示。

表1 TBM主要参数Table 1 Main parameters of TBM

2.3 地质条件

香炉山隧洞位于中甸-丽江-大理地震活动带，带内活动断裂发育、地震构造复杂、强震频度较高，对应地震基本烈度为Ⅷ度。隧洞区褶皱、断裂发育，隧洞穿越规模较大断裂 12条，其中F12为活动断裂，隧洞穿越存在洞室抗剪断及震中区抗震的问题。标段隧洞区主要岩性有灰岩、玄武岩、泥页岩夹砂岩灰岩及第四系覆盖层等，其地质剖面图如图2所示。

图2 香炉山隧洞地质剖面图Fig.2 Longitudinal profile of Xianglushan tunnel

标段穿越褶皱构造2处、断层12条(876 m)、活动大断裂带1条(156 m)、岩爆段4段(1 539 m)，软岩大变形8段(3 676 m)，浅埋段长约2 342 m(埋深30～80 m)，可溶岩段2段(12 km)，全隧最大涌水段涌水量3 960 m3/h，Ⅳ、Ⅴ类围岩占标段长度的60%，且围岩变化频繁，施工连续性差。

隧洞围岩类型主要为Ⅲ、Ⅳ、Ⅴ类，其中：Ⅲ1类围岩长约3.0 km，Ⅲ2类围岩长约7.2 km，Ⅳ类围岩长约10.4 km，Ⅴ类围岩长约5.2 km。Ⅳ、Ⅴ类围岩约占隧洞长度的60%，洞室围岩稳定问题较为突出。

3 数据准备

3.1 数据预处理

数据预处理是将原始连续采集的数据进行划分，以掘进段为单位进行保存的技术，一个完整掘进段(DL I 57+880.7)的基本参数发展过程如图3所示。由图3可知，掘进参数随着刀盘和岩体的相互作用，呈现出明显的变化规律。可通过判断扭矩和转速是否为0的将掘进段从原始数据中划分出来，进一步根据推力和速度的变化规律将掘进段划分为4个阶段：①空推段，刀盘刚开始启动，未接触岩体，故扭矩和转速增加，而推力和速度基本不变。②上升段，刀盘接触掌子面，扭矩和转速出现波动，推力和速度开始以较大的幅度增加。③稳定段，滚刀充分贯入岩体后，破岩进入稳定阶段，各项参数以较小的幅度波动，整体数值趋于稳定。④下降段，推进油缸达到最大行程或遭遇异常情况停机时，转速迅速降至0，其与参数也以较快的速度降低至0。

图3 DL I 57+880.7掘进段参数示意图Fig.3 Parameters of DL I 57+880.7 boring segment

3.2 特征参数计算

基于3.1节中的参数变化特点，对滇中引水工程香炉山隧洞DL I 58+161.63至DL I 55+167.71近3 km的数据进行预处理，共得到2 528个掘进段，对应起始日期为2020年10月31日，结束日期为2021年10月28日，具体信息如表2所示。

表2 TBM数据库情况Table 2 TBM database

由于香炉山隧洞埋深较大，已掘进洞段的埋深在500～1 000 m之间，加之地质条件复杂，故而扭矩和推力的波动较大，与埋深较浅隧洞的参数分布规律有明显区别，如图4所示，对比分析3个工程的参数波动情况，其中吉林引松工程和内蒙古引绰济辽工程埋深均<500 m，可见其掘进段推力和扭矩在稳定段的波动较小，同时增长情况较为接近，但滇中引水工程中扭矩的波动明显大于前者，且推力和扭矩出现了异常值，因此，若基于基本参数进行分析，就容易受到参数波动和异常值的影响。

图4 敞开式TBM引水工程掘进段推力扭矩分布Fig.4 Thrust torque distribution in the boring segment of open TBM for water diversion project

特征参数能够在一定程度上克服上述问题的影响。现场贯入指标FPI的定义为掘进机单刀推力与贯入度的比值，单位为kN/(mm/rev)，代表了岩石单位切深所需的滚刀推力，可用式(1)表示。

(1)

式中:Fn为单刀推力(kN)；F为总推进力(kN)；p为贯入度(mm/rev)；n为滚刀数；Pr为推进速度(mm/min)；RPM为刀盘转速(rev/min)。

类比FPI的概念，Chen等[20]提出的基于扭矩和贯入度相关关系拟合得到的扭矩贯入指标TPI，如式(2)所示。

(2)

式中:Tn为单刀扭矩(kN·m)；T为刀盘扭矩(kN·m)。

TPI综合考虑了扭矩、速度和转速的影响，由于掘进上升段充分反映了滚刀贯入岩体的全过程，故而选取上升段的数据进行拟合，如图5所示。可见，扭矩和贯入度可近似拟合为一条过原点的直线，故将该直线的斜率作为该掘进段的特征参数TPI，该参数被广泛接受并应用到TBM围岩地质相关的预测中[27-32]。相较于FPI，TPI与围岩地质情况的相关关系更强，可靠性更高，故本文选用TPI作为分析参数[20-21,32]。

图5 DL I 55+842.1扭矩-贯入度相关关系Fig.5 Correlation between torque and penetration for DL I 55+842.1

3.3 特征参数分析

为进一步分析TPI与围岩质量的相关性，以R2>0.6为标准，对目前滇中工程已有掘进段进行筛选，将不同围岩类别下TPI统计如图6所示。由图6可见，Ⅲ类围岩中TPI分布在3～8 kN·m/(mm/rev)中且波动较大，少数分布在该范围之外，这主要是由于现场分类中将Ⅲ类围岩进一步分为了Ⅲ1和Ⅲ2类；Ⅳ类围岩较少，TPI集中分布在2～4 kN·m/(mm/rev)，少数<2；Ⅴ类围岩TPI大部分分布在2 kN·m/(mm/rev)以下，也有部分分布在2～4 kN·m/(mm/rev)中。整体对比可知，围岩质量越好时，TPI越大，围岩质量越差时，TPI越低，此外在不同围岩类别中存在部分重叠的TPI。

图6 不同围岩下TPI分布情况Fig.6 TPI for different surrounding rocks

3.4 网络构建

基于上述思路，构建不同的围岩下的神经网络模型。由于TBM连续掘进，数据连续采集，故数据具有强烈的时空相关性。在数据格式上，采用时间序列法处理，选用过去5个掘进段的TPI预测相邻掘进段的TPI，其基本原理如式(3)所示。

式中:TPI为实测值(kN·m/(mm/rev))；TPI′为预测值(kN·m/(mm/rev))；fm为预测函数。

选用神经网络作为预测函数，为了对比分析结果，选择了较为经典的深度置信网络(DBN)[20,22,33]和应用较多的卷积神经网络(CNN)[21]，其原理和算法基本结构如下：

DBN由受限玻尔兹曼机(RBM)和BP神经网络组成，通过RBM实现对于输入数据的降维和特征提取，通过BP网络建立输入数据和输出数据的权重关系，实现精准预测。模型结构及训练流程如图7所示。通过综合比较计算精度和效率后选取以下结构参数：使用2层RBM的构架，共包含1层输入层，2层隐含层，其中输入节点5。RBM的第2隐含层作为BP网络的输入层，经过RBM的降维和提取后，输入神经元为二进制单元，只有两种状态“0”和“1”。相比于传统的神经网络，DBN使用RBM学习算法，通过无监督的大数据自学习的方式进行特征提取，增强了神经网络对数据特征的提取能力和网络学习的抽象化。

图7 DBN网络结果示意图Fig.7 Schematic diagram of DBN network

CNN的网络结构为6层，第一层为输入层，包含5个神经元，对应过去5段的TPI，第二层和第三层为卷积层，卷积层尺寸分别为32和64，第四层为平铺层，将全部特征平铺，第5层和第6层位全连接层，分别连接64个神经元和1个神经元，最终输出为下一段的TPI。模型训练时根据预测结果与实测结果做对比计算出误差反馈给全连接层，全连接层再重新评价自身对特征的选择和计算方式，并反馈给卷积层来调整特征提取模式，输出最终的结果，即相邻下一段的TPI，其结构如图8所示。

图8 CNN网络结构示意图Fig.8 Schematic diagram of CNN network

4 围岩质量预测

围岩质量预测的思路是以过去5段掘进段的TPI作为输入，预测相邻下一段掘进段TPI。由于相同围岩下TPI较为接近，若预测结果较为接近，则说明围岩质量未发生明显变化；若预测结果出现较大误差，则说明围岩质量发生较大变化。且将历史5段TPI作为输入，能在一定程度上避免TPI在实际围岩分类间存在交叉而产生的误差。因此，将III类围岩作为质量较好围岩，将Ⅳ、Ⅴ类围岩作为质量较差围岩，分别建立模型进行预测。

4.1 Ⅱ、Ⅲ类模型

选取DL I 58+161.63— DL I 57+031.85共1 130 m的数据作为训练数据，经过划分和处理，以TPI的拟合优度≥0.6为判别准则选取相对质量较高的数据，共获得497组训练数据。

4.1.1 卷积神经网络(CNN)

通过参数比选，最终选取超参数损失函数为mean_absolute，优化器为sgd，训练批次batch_size=64, 迭代次数epochs=300。选取DL I 57+510.63～ DL I 57+031.84共479 m的Ⅲ类围岩数据进行预测。Ⅲ类围岩预测效果如图9所示，其预测值和实际值的相对误差MRE为0.242，公式如式(4)所示。可见，以TPI为训练和预测参数，基于时间序列预测法的卷积神经网络在围岩质量变化不大的情况下，能够实现较为精准的预测。

图9 DL I 57+510.63—031.84 Ⅲ类围岩CNN预测效果Fig.9 CNN predicted result of class III surrounding rock in DL I 57+510.63—031.84

(4)

式中:TPI为实测值(kN·m/(mm/rev))；TPI′为预测值( kN·m/(mm/rev))；n为掘进段数量。

为对比分析，选取DL I 56+154.82—DL I 55+941.84共213 m的Ⅳ、Ⅴ类围岩数据进行预测。Ⅳ、Ⅴ类围岩预测效果如图10所示，横坐标为掘进段序号，MRE为0.584。由图10可以看出，当围岩质量变差时，基于III类围岩的训练模型不能够实现精准预测，实测值和预测值之间的误差十分明显。

图10 DL I 56+154.82～DL I 55+941.84 Ⅳ、Ⅴ类围岩CNN预测效果Fig.10 CNN predicted result of class Ⅳ and Ⅴ surrounding rock in DL I 56+154.82—DL I 55+941.84

4.1.2 深度置信网络(DBN)

通过参数比选，最终选取超参数隐含层节点16，学习率0.01，RBM隐含层迭代500次，BP网络层迭代500次。Ⅲ类围岩预测效果如图11所示，MRE为0.247。可见，采用不同神经网络的效果差距不大，均表现除了较高的预测精度，相对来说，CNN的精度更高。

图11 DL I 57+510.63—031.84 Ⅲ类围岩DBN预测效果Fig.11 DBN predicted result of class Ⅲ surrounding rock in DL I 57+510.63—031.84

Ⅳ、Ⅴ类围岩预测效果如图12所示，MRE为1.068，对于围岩质量较差时，预测精度更差。

图12 DL I 56+154.82—DL I 55+941.84 Ⅳ、Ⅴ类围岩DBN预测效果Fig.12 DBN predicted result of class Ⅳ and Ⅴ surrounding rock in DL I 56+154.82—DL I 55+941.84

由图12可知，由于训练数据通过拟合优度进行筛选，基本过滤掉地质条件较差段，故当在岩性地质条件较为正常时，能够保持较高的预测精度，可基于TPI数值与围岩地质条件进行关联。当预测围岩地质条件极差段时，例如DL I 56+154.82— DL I 55+941.84的Ⅴ类围岩段，预测值与实际值有较大的误差，可通过相对误差的增大，判断当前TBM进入围岩地质条件较差段，提醒主司机谨慎驾驶。

4.2 全部数据模型

若依进准预测TPI为目的，建议包含Ⅲ—Ⅴ类数据的模型进行预测，基于上述分析，以58+161.63—56+000.29共计1 075段Ⅲ—Ⅴ类数据进行训练，选用CNN预测DL I 55+999.19—170.03的1 436段Ⅳ类和Ⅴ类段，横坐标为掘进段编号，从左至右对应桩号从大至小。预测结果如图13所示。

图13 DL I 55+999.19—170.03 Ⅳ、Ⅴ类围岩预测效果 (全部数据模型)Fig.13 Predicted results of class Ⅳ and Ⅴ surrounding rocks (all data models) for DL I 55+999.19—170.03

由图13可见，预测精度不是很高，主要是由于数据样本分布不均衡导致的。目前已掘进洞段以Ⅳ和Ⅴ类围岩为主，且预测数据集对应的洞段穿越了芹菜塘断裂，其TPI数值更低。但相较于Ⅲ类围岩模型的预测结果，TPI的预测值和实测值整体更为接近，能够反映TPI的变化趋势。

5 围岩质量预判方法

围岩质量预判方法包含两部分内容：首先是基于神经网络的围岩质量预测，即在下一掘进段开始前，能够提前预测出掘进段的TPI数值；第二步是基于TPI基尼不纯度的围岩质量判断，即根据TPI的实测值，依靠基尼不纯度进行划分，选取准确率最高的TPI阈值。

按照上述流程，即可在掘进前对围岩质量进行预测，在掘进中对围岩质量进行判断和修正，具体步骤为当全部数据的训练模型和III类数据训练模型结果接近时，初步预测为围岩质量较好；当全部数据的训练模型和Ⅲ类数据训练模型结果差异较大时，初步预测为围岩质量较差；当本掘进段开始掘进后，根据上升段的实测TPI，通过相应阈值判断和修正围岩质量。

5.1 围岩质量判断

判断的对象是TPI，判断的主要依据是基尼不纯度，基尼不纯度表示在样本集合中一个随机选中的样本被分错的概率，计算公式如式(5)所示。基尼不纯度越小表示集合中被选中的样本被参错的概率越小，也就是说集合的纯度越高，反之，集合越不纯。当集合中所有样本为一个类时，分类效果最好，基尼不纯度为0。

(5)

式中:G(p)为基尼不纯度;p为不同分类被分错的概率;k为分类数量。

故以58+161.63—55+168.11共2 528段掘进段的数据作为研究目标，基于3.3节不同围岩类别的统计结果，若以Ⅱ、Ⅲ类和Ⅳ、Ⅴ类为分类目标进行分类，应分别选用判别TPI的阈值为1.8、2.0、2.2 kN·m/(mm/rev)，其结果如表3所示。

表3 基于TPI的Ⅲ类和Ⅳ、Ⅴ类围岩分类Table 3 Classification of class Ⅲ，Ⅳ and Ⅴ surrounding rocks based on TPI

由表3可以看出，但将TPI的阈值减小时，Ⅳ、Ⅴ类的基尼不纯度降低，降低的幅度不大，但Ⅲ类的基尼不纯度增大了较多，整体的基尼不纯度以2.2 kN·m/(mm/rev)为阈值时最高，以2.2作为Ⅱ、Ⅲ类和Ⅳ、Ⅴ类的分界阈值较为合理。进一步分别计算不同阈值下的准确率(ACC)、精准率(PRE)、召回率(REC)和F1(F1-score)分数评估分类效果，相应公式如式(6)—式(9)所示，误差指标如表4所示,其中，TP、TN、FP和FN的意义见表3。

表4 基于TPI的Ⅱ、Ⅲ类和Ⅳ、Ⅴ类围岩分类误差指标Table 4 Classification error indices of class Ⅱ,Ⅲ, Ⅳ and Ⅴ surrounding rocks based on TPI

(6)

(7)

(8)

(9)

5.2 围岩质量预判

结合前文4.2节和5.1节的研究内容，对于DL I 55+999.19—170.03 Ⅳ、Ⅴ 类类围岩段，Ⅱ 类模型的预测效果如图14所示，对比全部模型的预测结果如图15所示，可见本段掘进过程中，2个模型的预测值相差较大，以相对误差0.2为阈值，当相对误差>0.2时，预测为质量较差的 Ⅳ、Ⅴ 类围岩，当相对误差不超过0.2时，预测为质量较好的 Ⅲ 类围岩。当在掘进开始前进行预测，再根据上升段TPI的实测值，在稳定段开始前可对结果进行判断和修正，具体如表5所示。

图14 DL I 55+999.19—170.03 Ⅳ、Ⅴ类围岩预测效果(Ⅲ类围岩模型)Fig.14 Prediction effect of class IV and V surrounding rocks (class III surrounding rock model) for DL I 55+999.19—170.03