基于长短期记忆神经网络的复合地层盾构姿态控制研究

梁 琳,李 新,王 达,吴卓霖

(1.中建市政工程有限公司,北京 100071;2.中国建筑一局(集团)有限公司,北京 100161;3.中南大学 土木工程学院,湖南 长沙 410075)

0 引言

盾构掘进偏移表明盾构机的运动轨迹偏离设计隧道轴线(the Design Tunnel Axis,DTA),这是盾构隧道施工质量低下的重要原因之一[1]。盾构掘进偏移的发生会给以后的作业带来安全隐患。盾构隧道衬砌采用管片连续组合形成,管片在盾尾处拼装成环形[2]。因此,盾构掘进偏移会使管片的装配过程复杂化,并引起管片的损坏以及漏水[3]等隧道质量问题。此外,如果掘进偏移过大,则实际掘进路线可能完全偏移原本的DTA,对隧道工程的成本和进度构成严重的影响。

对盾构姿态的控制不良是造成掘进偏移的主要原因。在盾构隧道施工中,DTA是一种可供参考的最佳路径。然而,由于盾构质量不能时刻高效保证;在不同地层,各部分摩擦阻力各不相同;盾构操作高度复杂等因素都将导致盾构姿态在实际应用中难以控制。因此,盾构机的运动轨迹就会围绕DTA呈蛇形[4]。目前,盾构机的操作与控制是采用基于反馈的方法。具体而言就是将基于自动导航系统测量的实时姿态和位置信息作为对盾构司机的反馈。由于控制过程必须在偏差发生一段时间后才能产生影响和效果,因此,该反馈就会存在控制不及时的问题。这也是造成盾构掘进呈蛇形运动的主要原因[5]。此外,盾构掘进过程中还存在姿态和位置控制的滞后效应,即在盾构机司机下达修正盾构姿态和掘进路线的指令后,盾构机还会存在一个从偏移路线向DTA转化的过程,该修正过程就会存在一定的偏差。因此,只有盾构司机提前操作,才可以防止过度偏差的发生。但是,该指令均是由盾构司机的经验发出,具有很大的不确定性,这也进一步加剧了盾构机的蛇形运动。

为了进一步控制盾构掘进和姿态,就需要提前预测出未来的盾构姿态来支持驾驶员在发生偏差之前进行调整,从而可以有效克服传统基于反馈的方法存在的难题。这种控制思想被称为基于预测的方法,对于盾构掘进的精确控制和隧道质量的提高至关重要。基于预测的控制方法的主要问题是建立预测模型。该预测模型可以通过输入相关参数的历史数据来确定未来一段时间的盾构姿态参数。

研究初期,许多研究人员尝试利用理论和数值分析方法研究盾构姿态的预测和控制机理。这些研究主要讨论了盾构机姿态和位置的定义、测量和运动学,但对其预测的分析有限[5]。同时,预测技术在盾构掘进中的应用主要集中在盾构性能、地表沉降和开挖面稳定性的预测上。因此,建立有效的盾构机姿态预测模型仍然是一个挑战。

盾构姿态的预测可以看作是一个序列预测问题[6]。因此,将根据里程数变化的特征参数——“盾首水平偏差”进行插值法,将其转化为符合序列预测的参数;再进行一系列的数据预处理与归一化;最后构建、训练出长短期记忆神经网络模型,用该模型来预测盾构姿态参数——盾首水平偏差,从而给盾构驾驶员提前提供盾构姿态变化趋势,尽早作出盾构姿态调整。

1 方法理论

1.1 循环神经网络

循环神经网络(Recurrent Neural Network,RNN)是一种特殊的神经网络结构,它是根据“人的认知是基于过往的经验和记忆”这一观点提出的。它与其他神经网络不同的是:它不仅考虑前一时刻的输入,而且赋予了网络对前面内容的一种“记忆”功能[7]。

循环神经网络中的“循环”即一个序列当前的输出与前面的历史输出也有联系。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中,即隐藏层之间的节点不再无连接而是有连接的,并且隐藏层的输出不仅包括输入层的输出还包括上一时刻隐藏层的输出。

1.2 长短期记忆

长短期记忆(Long Short-Term Memory,LSTM)是一种特殊的RNN,主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单而言,就是相比普通的RNN能够在更长的序列中有更好的表现。

LSTM的内部通过门控状态来控制传输状态,记住需要长时间记忆的信息,忘记不重要的信息;而不像普通的RNN那样只能够机械地使用一种记忆叠加方式。本研究采用LSTM对盾首水平偏差进行模拟预测。

2 案例分析

2.1 工程概况

某地铁盾构段区间长约956 m,隧道埋深约16.3～19.5 m,采用土压平衡盾构机。设计隧道均为单洞单线,隧道采用单层衬砌型式,外径6.2 m,内径5.5 m,管片宽度采用1.2 m和1.5 m两种形式。本区间段穿越地层主要为素填土层、杂填土层、粉质黏土层、沙砾层等,围岩如图1所示。

图1 围岩示意

2.2 数据预处理

该案例采取了580环的里程数据和盾首水平偏差数据。为了使盾首水平偏差达到序列数据的要求,同时又具有实际空间意义,本文在原有数据的基础上采用了邻近插值法(本文是采用序列预测的算法模型,基本原理就是根据历史数据,尤其是邻近的历史数据得到未来的预测值)。最终,以里程每1.5 m插入一个盾首水平偏差值,数据集前5行展示如表1所示。

表1 插值法处理后的数据集部分展示

2.2.1 空白数据与异常值

对于空白数据,研究人员通常进行探索性数据分析(Exploratory Data Analysis,EDA)来识别缺失的值。因为每环进行一次人工数据采集,所以在实际工程中该数据集就不是一个连续的,那么每一个数据对算法模型都有很重要的意义。因此,当出现空白数据时,不要轻易将其删除,更不要轻易地将空数据所属的一行样本删掉。观察能否通过人工补齐数据,最后再考虑使用插值法、随机森林回归等机器学习方法,通过已有的数据来补全空白值。

盾构姿态参数的时间序列是通过单变量模型进行预测的,单变量模型只使用自身的历史发展,不使用其他相关变量。该案例中不考虑使用多个相关变量作为输入的多变量模型。

对于异常值,在每个隧道段中,有学者删除了空数据、数据的前2.5%和后2.5%以及任何异常值。随后,他们将操作参数的平均值作为一个样本计算出来。现场采集的数据大多是不可以直接输入模型训练。原始数据含有大量噪声甚至会有很多陡然升高或降低的尖点数据,这些都可能造成大量的异常值。原始数据分布如图2所示。这时通常会编译一套自定义函数,快速地筛选出异常数据。

图2 原始数据分布

2.2.2 归一化

发现并处理完缺失值、异常值后,需要继续研究如何处理数据和特征,以进一步增强深度学习的预测能力。通过观察,里程数、盾首水平偏差等特征值的均值、最小值、最大值和标准差的差别非常大。这就说明所有的数据尺度是不同的,而一些机器学习、深度学习模型受数据尺度的影响很大。因此,本文需要选用Min-max标准化操作。归一化操作旨在将行和列对齐并转化为一致的规则,确保所有行和列在算法学习中得到平等对待,让数据的处理保持一致[8]。

Min-max标准化采用一个公式替换列中的每一个值,此公式如下:

(1)

式中:m为Min-max标准化后的值;

x为标准化之前原来的值;

xmin为该列的最小值;

xmax为该列的最大值。

使用该公式后,可以发现每列所有的值都会位于0～1。

3 模型建立

3.1 数据划分

在本文的序列预测中,采用每5个连续序列数据预测一个步长后的单个数据。因此,滑动窗口每次也只往后滑动一步。根据这个规律,笔者通过相关函数构造出数据特征集和标签集(也叫做预测集)。同时,选出460个样本处理后的数据集训练序列预测模型,利用剩余的115个样本对训练后的模型进行评价。数据点随机分成训练集和测试集,分别为80%和20%。

3.2 精度评价方法

使用测试集数据时,使用平均绝对误差(Mean Absolute Error,MAE)和决定系数(R2)对训练后的模型进行评估,定义如下:

(2)

(3)

3.3 模型的建立与训练

本文采用1个全连接层,8个神经元的LSTM。经过多次循环迭代训练后,将测试集中的预测值与实际值进行可视化,如图3所示,竖轴显示仍为标准化之后的数值,不影响观察与比较预测值与实际值之间的贴合度。

图3 测试集中的预测值与实际值分布

通过观察预测值曲线与实际值曲线:从整体上,两种曲线很贴近,相似度很高;从趋势变化上,尤其在第23行、第45行等处的测试集数据,对突然出现的陡然上升或下降,也进行了及时的模拟预测。总的来说,LSTM对盾构姿态的盾首水平偏差的预测是可行的。

通过调整不同位置油缸的推力,可以对盾构的姿态进行修正。因此,当模型预测到盾构姿态即将发生显著偏差时,盾构驾驶员可以提前调整盾构运行参数(模型的输入变量),使偏差减小到零。手动控制有明显的延时,需要一定的反应时间。而且在调整过程中,偏差还会继续扩大。调整强度难以精确控制,导致盾构姿态不断波动。因此,必须研究基于预测模型的自动控制技术,才能提高控制效果,从根本上解决盾构姿态偏离的问题。

4 结语

(1)本文改进并应用了一种基于深度学习模型的盾构姿态预测方法。该方法融合了邻近插值法、最大-最小归一化和长短期记忆神经网络等理论,对盾首水平偏差进行了序列预测。结果表明,该模型在对盾构姿态参数的变化趋势和数值精确预测上都具有可行性,可供类似工程参考利用。

(2)虽然该LSTM模型具有良好的预测性能,但仍存在一定的局限性。对于基于预测的盾构掘进控制方法,本文仅讨论了预测模型的建立部分,而控制部分没有进行充分的研究。建议今后融合隧道、计算机与自动化等多个专业的知识,进一步开发基于预测模型的自动控制系统。