基于机器学习的TBM隧道掘进岩爆预测*

2022-11-09王湘怡周小雄卢建炜龚秋明

施工技术(中英文) 2022年20期

王湘怡，周小雄,2，卢建炜，龚秋明

(1.北京工业大学城市防灾与减灾教育部重点实验室，北京 100124； 2.清华大学水沙科学与水利水电工程国家重点实验室，北京 100084)

0 引言

TBM作为一种用于隧道开挖的大型机械，已被广泛应用于国内外长大隧道建设中[1]。近年来，我国隧道开发不断向深部发展，越来越多的工程地质问题也逐渐浮现。岩爆是一种在高地应力地区、硬脆性岩体中进行开挖时常见的地质灾害。岩爆的发生轻则影响工程进度，严重时会威胁施工人员生命安全，因此，对TBM隧道岩爆预测展开研究具有重要的工程意义[2]。

目前，关于岩爆预测方法的研究可大致分为3类[3]：①基于岩爆发生机理的岩爆判据预测方法，如Turchaninov判据[4]、Barton判据[5]、Russenes判据[6]、Hoek判据[7]等；②基于岩爆影响因素的综合预测方法，如冯夏庭[8]、陈海军等[9]、张乐文等[10]、田睿等[11]、李明亮等[12]、高磊等[13]均使用人工智能技术，综合众多影响因素对岩爆进行预测；③基于现场实测数据的预测方法，如丰光亮等[14]、张海云[15]、于群等[16]在锦屏二级水电站项目中应用微震法对隧洞岩爆进行了预测。然而第①类方法以回归模型为基础，拟合度不够，无法精确判定岩爆；第②类方法的控制参数与隧道实际地质参数存在误差，无法准确反映整条隧道地质情况；第③类方法主要针对钻爆法隧道提出，由于TBM施工隧道刀盘环境的封闭性和电磁信号干扰，实时监测技术难以实施。

对于TBM隧道，TBM上各部分传感器获取的海量数据，通过使用机器学习方法，可很好地对其中蕴藏的丰富信息进行挖掘。目前，基于TBM数据驱动的建模方法在掘进参数预测[17-21]和岩体条件预测模型[22-26]建立方面已有许多研究，但对于岩爆预测领域来说，目前仍为空白。TBM掘进数据的变化是岩机相互作用的体现，从TBM实时数据的变化中可分析得到掌子面及周围岩体变化信息。当掌子面前方发生岩爆时，TBM收集到的实时掘进数据也会随之发生改变，对其产生响应。Lu等[27]的研究表明，在不同类别岩爆条件下，TBM掘进参数呈现不同变化特征，这也说明通过实时掘进参数特征预测岩爆具有可能性。TBM掘进数据有实时性、连续性特点，将TBM收集的掘进参数作为模型输入，可建立实时岩爆预测模型，对TBM隧道的岩爆预测有着重要的工程应用价值。

本文从TBM掘进数据出发，首先对现场岩爆数据与TBM数据进行预处理，构建粗粒度数据集。为提高数据集质量，定义局部标准差指标筛选出精确岩爆区间，构建细粒度数据集。基于4种机器学习模型，以TBM推力、扭矩、贯入度数据的时域特征参数作为输入，岩爆烈度等级作为输出，建立TBM隧道掘进岩爆预测模型。

1 依托工程及数据库

1.1 工程概况

陕西省引汉济渭工程为明流输水隧洞，是陕西省针对关中地区严重缺水情况规划的省内南水北调三条跨流域调水工程之一。引汉济渭工程包括输配水工程与调水工程。输配水工程由南干线、过渭干线、渭北东干线和渭北西干线组成，调水工程由蓄水水库和秦岭隧洞组成。其中秦岭隧洞全长约81.78km，TBM法施工长度为39.082km，钻爆法施工长度为42.697km。岭南段位于陕西省宁陕县，采用Robbins公司生产的1台刀盘直径为8.05m的敞开式TBM，TBM主要设备参数如表1所示。

表1 TBM主要设备参数

引汉济渭工程秦岭隧洞岭南工程的TBM施工段为桩号K30+978 — K35+763区段，位于萝卜峪沟至四面沟，岩性以花岗岩、闪长岩为主，干抗压强度为40～113MPa。经F7断层及不整合接触带，岩体受断层及不整合接触带的作用小。围岩内主要发育有1组节理，岩体呈整体或块状结构。围岩类别以Ⅱ，Ⅲ类为主，断层影响带为Ⅲ，Ⅳ类围岩，地下水为弱富水段。对该区段内的现场岩爆数据及TBM掘进数据进行数据预处理，构建岩爆预测数据集。岭南段地质剖面如图1所示。

图1 引汉济渭工程岭南段地质剖面

1.2 岩爆数据预处理

岩爆现场记录数据包括掘进始末桩号、描述始末桩号、埋深、围岩等级、岩性、岩爆强度描述、围岩完整性、节理发育、地下水、岩爆发生现象及爆坑深度在内的13个指标信息。岩爆数据由施工人员在现场通过观察记录所得，当现场有岩爆发生时，施工人员将发生日期、发生处所对应的桩号范围、发生现象及爆坑深度记录在册。

采用GB 50287—2016《水力发电工程地质勘察规范》[28]，以影响深度作为量化指标，对引汉济渭岭南段岩爆烈度进行等级划分，分级标准如表2所示。由于岩爆记录中影响深度为0～3m，无对应于极强岩爆的现象发生，因此区段内涉及的岩爆仅包含轻微岩爆、中等岩爆和强烈岩爆。本文以0，1，2，3分别代表无岩爆、轻微岩爆、中等岩爆及强烈岩爆。

表2 岩爆烈度分级标准

现场返回的岩爆记录数据中存在较多缺失情况，如记录有岩爆现象的数据中描述桩号缺少起始值或结束值甚至全部缺失的情况，需对缺失或有明显错误的描述桩号进行补充或修正。岩爆数据中共有551条记录，其中311条数据有岩爆现象描述。311条岩爆数据中87处岩爆无对应的起始及结束桩号，21处岩爆有起始桩号无结束桩号，1处岩爆有结束桩号无起始桩号。对208条岩爆描述始、末桩号齐全的记录进行统计，可知掘进桩号与岩爆起始桩号差值平均值为6.26m，岩爆段长度平均值为3.20m。因此，将87处岩爆起始空值填充为：掘进起始桩号-6.26m，岩爆结束空值填充为：岩爆起始桩号+3.20m；21处岩爆结束空值填充为：岩爆起始桩号+3.20m；1处岩爆起始空值填充为：岩爆结束桩号-3.20m。

经过空值补充后的岩爆描述桩号存在前后岩爆记录重叠甚至覆盖的现象。对于出现覆盖情况的6条记录，选择删除较短长度的岩爆记录；对于出现重叠现象的16条记录，选择将后序记录起始值修改为前序记录结束值。经过以上处理后，得到361段岩爆记录，利用其始、末描述桩号，对非岩爆段桩号进行补全，得到324段非岩爆记录。最终桩号K30+978—K35+763区段内共划分为685个区间。

一要牢固树立以人为本、人水和谐的理念，加快从供水管理向需水管理转变，从开发利用为主向开发保护并重转变，从粗放低效利用向节约高效利用转变，从注重行政管理向综合管理转变，推动经济社会发展与水资源、水环境承载能力相协调。

1.3 TBM掘进数据预处理

TBM的各子系统配置了大量传感器，在掘进过程中可实时收集海量数据。引汉济渭岭南段TBM数据采集频率为0.2Hz，即每5s有201个TBM参数数据写入，主要参数包括刀盘推力、扭矩、贯入度、刀盘转速、电源电压、推进油缸压力及电机平均电流等。

TBM掘进参数是岩机相互作用的反映，具有实时性和连续性，一段连续的掘进参数代表着多组岩机相互作用状态，可用于岩体条件的感知。TBM的记录数据虽然在时间上连续，但其中存在大量停机和空推数据，需要从中筛选出有效掘进循环段数据。通过推力、扭矩和贯入度3个指标，对每个时刻是否TBM处于掘进状态进行判定。只有同时满足推力和扭矩均>0且贯入度≤60mm/r，才可认定TBM处于掘进状态，否则判定为空推或停机状态。对于1个掘进步，其对应1组连续的掘进状态时间段，因此可将已判定为掘进状态的数据分成多个步进。若掘进时长>600s，则视为有效步进。经过以上判定，共提取了2 887个有效掘进步。

通过桩号将岩爆区间与TBM掘进数据进行匹配，生成3 493个掘进段。以30条TBM掘进数据即对应时间长度为150s的数据作为1个样本，在 3 493 个文件中进行提取，每个文件以其最大容许量进行不重叠抽取，分别得到20 850个样本。每个样本中的刀盘推力、扭矩、贯入度，与其对应的岩爆烈度共同组成粗粒度数据集。

样本中的TBM掘进数据为时序数据，对其进行时域特征参数提取可进一步分析TBM参数数据在时空维度所蕴含的岩机作用信息。使用的11个时域特征参数计算公式分别如式(1)～(11)所示。

(1)

(2)

(3)

(4)

p5=max|x(n)|

(5)

(6)

(7)

(8)

(9)

(10)

(11)

式中：p1为均值；p2为标准差；p3为方根幅值；p4为均方根；p5为峰值；p6为偏度；p7为峭度；p8为峰值因子；p9为裕度因子；p10为波形因子；p11为脉冲因子；N为数据总数；n为数据序号；x(n)为第n个数据的值。

1.4 特征分布规律

对粗粒度样本库中每个样本的推力、扭矩、贯入度分别进行时域特征参数提取，共得到33个统计特征参数，不同岩爆等级下，各时域参数特征分布有着明显不同。但11个时域特征中，只有标准差在推力、扭矩、贯入度3个掘进参数中，呈现相同的分布变化规律，如图2所示。随着岩爆烈度等级的增大，3个掘进参数标准差的中位数逐渐增大，且箱形图高度逐渐增加。

图2 TBM各掘进参数标准差在不同岩爆烈度等级中的分布

标准差箱形图的高度随岩爆烈度等级增加而明显增大，表明掘进参数的波动程度在无岩爆中始终保持低波动状态，而在较强岩爆中则同时存在较低波动状态和极强波动状态。标准差评价的是整个掘进步上的掘进参数波动情况，而岩爆的发生是瞬时性、突发性的事件，只占据整个掘进步中的一小部分，因此需要更精确的岩爆区间识别。

2 精确岩爆区间识别

在TBM掘进过程中，判断掌子面是否发生岩爆较为困难，施工人员记录到的绝大部分岩爆数据为发生在洞壁上的岩爆。假设在隧道的同一位置，洞壁发生岩爆与掌子面发生岩爆的可能性及烈度为正相关。2.2节中以岩爆描述始末桩号对岩爆区间进行了划分，但如此划分得到的区间，只能说明TBM在该区间内掘进时发生过岩爆，而不是区间内的任意时刻均在发生岩爆。

2.1 不同岩爆等级的典型掘进参数分析

无岩爆区间、轻微岩爆区间、中等岩爆区间和强烈岩爆区间中典型完整掘进步的TBM掘进参数曲线分别如图3～6所示。对比图3～6可知，随着岩爆烈度等级的增加，掘进步内TBM推力、扭矩、贯入度的波动情况愈发明显。当岩爆烈度较小时，产生的破坏主要为剥落和掉块，岩块动能较小，对推力和扭矩的影响较小。随着岩爆烈度的增加，块片弹射情况明显，对刀盘和刀具产生严重冲击，TBM掘进参数随之猛烈波动。但由于岩爆具有突发性，岩爆条件下各掘进参数并不是在完整掘进步内一直保持强波动状态，仅在岩爆发生的瞬时，数据出现显著的局部波动。

图3 无岩爆区间典型完整掘进步的TBM掘进参数曲线

图4 轻微岩爆区间典型完整掘进步的TBM掘进参数曲线

图5 中等岩爆区间典型完整掘进步的TBM掘进参数曲线

对比3个掘进参数在不同岩爆等级下的波动情况，贯入度的变化对不同等级岩爆最为敏感，其次为扭矩，推力波动程度差异较小。原因为在掘进过程中，推力为主动控制参数，操作人员需根据驾驶经验设定TBM推力值，而扭矩和贯入度作为掘进反馈参数，在其数据变化中反映了丰富的岩体变化信息。

2.2 精确岩爆区间筛选指标

为从完整掘进步中精确判断岩爆发生时刻，即从完整掘进步的总体数据中筛选出1段或多段TBM参数波动较大的连续TBM数据，定义局部标准差指标，通过计算每个数据点与其局部相邻时刻的局部标准差，得到该点所在窗口范围内数据的离散程度，计算公式如式(12)所示：

(12)

窗口长度决定着每处数值的数据波动考虑范围，窗口长度较大时，数据平滑程度越高，但可能会导致某些重要信息点丢失；窗口长度较小时，对数据附近的波动情况评价效果不够理想。本文选择150s即31条数据为滑动窗口长度。

基于式(12)，对3 493个掘进段中的推力、扭矩、贯入度进行局部标准差计算，统计各参数局部标准差的四分位数Q1，Q2，Q3，如表3所示，并观察各参数标准差分布情况，分别如表4～6所示。

表3 TBM各参数局部标准差四分位数统计

表4 扭矩局部标准差分布比例 %

表5 贯入度局部标准差分布比例 %

表6 推力局部标准差分布比例 %

观察发现，无岩爆区间的3个掘进参数在各分位区间中分布较均匀，说明无岩爆区间的TBM各参数波动随机。随着岩爆烈度增加，越来越多的数据分布于数值更大的分位区间，说明区间中处于强波动状态的数据占比越来越大，参数的局部波动情况越明显。

2.3 精确岩爆区间筛选原则

假设1个掘进步内掘进参数波动最强烈的时刻段，掌子面发生了与洞壁相同程度的岩爆。因此，选择每个掘进循环中，贯入度或扭矩波动程度最大的30个连续数据点，即局部标准差最大的150s作为该掘进步的精确样本区间。贯入度或扭矩的波动越大，说明岩爆现象的程度越高，根据这种原则选取的区间预测结果即为掘进步内岩爆最严重的情况。

由于无岩爆区间数据体量过大，为形成类别更加均衡的数据集，最终挑选出1 230组TBM掘进数据。在1 230组样本中选取推力、扭矩和贯入度与其对应的岩爆等级，构建细粒度样本库，其中各类岩爆烈度的样本数量统计如表7所示。

表7 各类岩爆烈度等级的样本数量

3 岩爆预测模型

3.1 机器学习算法

基于Scikit-learn机器学习基础算法包，采用4种监督学习算法对岩爆数据集进行学习，包括支持向量机(SVM)、随机森林(RF)、极限梯度提升算法(XGBoost)和轻量级梯度提升机(LightGBM)。其中SVM为常规算法，RF，XGBoost，LightGBM为集成算法。

3.2 模型训练

基于4种机器学习算法建立的岩爆预测模型分别在粗、细粒度数据集上进行训练与测试。分别将粗、细粒度岩爆数据集按6∶2∶2的比例划分为训练集(738组数据)、验证集(246组数据)与测试集(246组数据)。模型输入为粗、细粒度数据集中TBM掘进推力、扭矩与贯入度时域特征参数，模型输出为对应的岩爆烈度等级。模型预测性能采用准确率、宏精准率、宏召回率、宏F1值及Kappa系数进行评价。

3.3 模型评价

4种机器学习算法训练得到的模型在粗粒度测试集和细粒度测试集上分别进行预测，其分类效果如表8所示。结果表明，在粗粒度数据集中，训练所得的各模型预测表现均较差，Kappa系数均为0.3～0.4，说明模型的预测准确度较差，模型做出的分类决策与实际岩爆烈度等级分类区别较大。4种模型中LightGBM是预测表现相对最好的模型，但其准确率仅为56.9%，宏精准率为56.3%，宏召回率为54.7%。而在细粒度数据集中，4种模型的预测效果评价指标均得到了显著提升，LightGBM仍是预测表现最好的模型，其预测准确率达84.1%，宏精准率为83.3%，宏召回率为83.4%，宏F1值为0.833，Kappa系数为0.784，说明该模型对岩爆烈度预测的准确度已达到较高水平。