TBM（全斷面隧道掘進機）工法在深埋長大隧道（洞）施工中已得到越來越廣泛應用。然而，深長隧道地層復雜多變，掘進參數(shù)選取往往依靠人為經(jīng)驗，難以做到實時優(yōu)化決策，導致TBM掘進參數(shù)難以和地質(zhì)條件匹配，出現(xiàn)破巖效率低、刀盤刀具異常損毀，甚至卡機、整機報廢等災害。其中，刀盤扭矩是TBM重要的掘進參數(shù)之一，對破巖效率和巖-機相互作用具有重要影響。刀盤扭矩預測對于避免刀盤受困，科學指導TBM掘進參數(shù)及時地進行適應性調(diào)整具有重要意義。

　　為此，中國科學院武漢巖土力學研究所地下工程學科方向組科研人員基于現(xiàn)場TBM掘進數(shù)據(jù)，提出了TBM刀盤扭矩的多算法改進融合實時智能預測方法。首先，建立了掘進狀態(tài)判別函數(shù)剔除無效數(shù)據(jù)和異常數(shù)據(jù)，基于SelectKBest算法篩選出了與刀盤扭矩關系最為密切的10個特征作為輸入?yún)?shù)；其次，構(gòu)建了基于BLSTM（雙向長短時記憶神經(jīng)網(wǎng)絡）的刀盤扭矩實時預測模型結(jié)構(gòu)，并在模型中融合Dropout算法防止過擬合；然后，提出了基于貝葉斯和交叉驗證的模型超參數(shù)優(yōu)化算法，并融合早停算法和模型檢驗算法優(yōu)化了訓練過程，建立了刀盤扭矩實時預測模型；最后，提出了基于基模型的增量學習方法，提高了模型隨TBM掘進過程的適應性。提出的TBM刀盤扭矩實時預測方法對于TBM掘進參數(shù)智能決策控制具有重要意義，并對其他掘進參數(shù)的實時預測和優(yōu)化具有重要的指導和借鑒意義。

　　相關研究成果以“A real-time prediction method for tunnel boring machine cutter-head torque using bidirectional long short-term memory networks optimized by multi-algorithm”為題，發(fā)表在Journal of Rock Mechanics and Geotechnical Engineering。

　　論文鏈接：https://www.sciencedirect.com/science/article/pii/S1674775522000439

圖1  基于BLSTM的TBM刀盤扭矩實時預測模型

圖2  多算法融合優(yōu)化訓練過程

圖3  刀盤扭矩實測值與預測值對比