0 引言
21 世纪以来 ,为加快西部大开发及东北振兴战略的实施 ,促进区域经济协调发展 ,改善全国交通网络布局 ,隧道及地下工程建设的重点由城市平原地区转向山地丘陵地区 ,同时加强对高等级公路与铁路的修建和改扩建工作。截至 2023 年底 ,我国已建成运营公路隧道27297 座 ,总长 30232 km,其中10 km 以上特长公路隧道25 座[1] ; 铁路隧道 18573 座 ,总长 23508 km[2] ; 城 市轨道交通(含“智轨”系统)运营城市 61 个 ,总里程数约 11034 km,其中 28 座城市的运营总里程达到了 100 km 以上[3] 。继厦门翔安海底隧道、胶州湾海底隧道及港 珠澳大桥海底沉管隧道等跨海隧道建成后 ,跨越渤海海峡、琼州海峡及台湾海峡的海底隧道建设也在进行中 。此外 ,“十四五”规划[4] 中已明确提出要加快交通 强国建设 ,提升全国高速公路与高速铁路网络质量 ,并推进城市轨道交通发展 ,实现多层级、一体化的综合交通枢纽体系的构建。
在隧道及地下结构的设计与施工过程中 ,由于结构所处的工程地质、水文地质环境复杂多样 ,具有较强的非均匀性、非确定性以及非连续性 ,加之开挖岩土体 与周围地质环境、开挖作业机械之间也存在较为明显的相互作用 ,导致岩爆、突涌水及地表沉降等灾害的发生 [5] 。因此 ,研究岩土体的力学行为、稳定性及其与 工程结构之间的相互作用至关重要 。此外,影响隧道施工的因素是多尺度、多层次的 ,如地质条件、水文条 件及地应力状态等 ,致使研究人员更倾向于使用有限元与离散元等数值分析方法代替繁琐的理论解析计算方法 ,以解决目前遇到的工程问题 。然而 ,在隧道及地下工程问题的实际分析过程中 ,尽管数据获取技术已经取得显著进步 ,但工程环境的限制使得施工 开挖过程中收集掌子面特征信息依旧较为困难 ,加之缺乏有效的数据分析工具 ,绝大部分数据未得到充分利用[6] 。 目前的研究表明 ,数据挖掘是解决该 类问题的主要手段 ,其通过数据增强与复杂数据集 中识别等步骤提取出隐藏在数据中的有效信息 ,众多学者已经利用该项技术在地质灾害防治[7] 、超前 地质预报[8] 、围岩变形预测[9] 等工程问题的研究中取得了显著成果。
随着计算机技术的不断革新 ,人工智能理论的不断完善 ,基于大数据的机器学习逐渐在工程领域得到 广泛应用 。机器学习通过对已有数据的学习 ,能够处理较为复杂的工程问题 ,尤其是在特征提取与模式识别任务中表现出色 。然而 ,传统的机器学习通常依赖 于手动特征提取 ,并且在处理大规模复杂数据时往往 面临效率和精度的局限 。深度学习作为机器学习的子集 ,通过多层神经网络自动提取数据特征 ,显著提高了处理复杂数据的能力 ,有效解决了上述问题 。此外 ,深度学习无需人工干预即可进行数据特征提取与识别 , 特别适用于隧道与地下工程中非线性、非均匀性和复杂性较高的场景 。基于此 ,深度学习方法作为数据挖掘的先进形式[10] ,已广泛应用于参数反演[11-13] 、灾害 预测[14-17] 、风险评估[18-20] 等工程问题 。此外 ,深度学习算法可以用于数值模拟数据的预处理任务 ,校正并优化数值分析模型中的参数 ,提高模型的可靠度 ,增强 传统数值分析方法的性能[21-22] 。综合来看 ,深度学习算法在隧道及地下工程拥有广阔的应用前景与研究意义[23] 。
目前针对深度学习算法在隧道及地下工程中的研究仅限于某一特定的方向 ,系统介绍深度学习算法在该工程领域研究的概述性文章较少 。鉴于此 ,本文介绍深度学习在隧道及地下工程的发展历程 ,梳理深度学习算法自面世以来在该领域已发表的中外文章 ,将其在隧道及地下工程应用研究分为参数反演分析、施工机械参数预测与优化、施工及运营过程控制与风险评估、隧道安全监测与缺陷检测、隧道结构健康预测、 围岩分级、掌子面图像识别与分类等 7 个方向 ,探讨并总结深度学习在上述研究方向的智能化应用及当前研究存在的问题 ,并展望深度学习在隧道及地下工程未来的发展方向。
1 深度学习在隧道与地下工程领域的发展
1. 1 发展历程
20 世纪 80 年代末 ,Ian 等[24] 首先将神经网络引入土木工程领域 ,用于解决施工工序优化问题 。在国内的土木工程界 ,石成钢等[25] 较早从事神经网络工作 ,利用人工神经网络来处理地震中心烈度与对应震级的关系 。由于隧道施工过程中所开挖的介质是天然形成的复杂地质体 ,该过程本质上是一种时间和空间上不断变化的动态过程 。因此 ,通过对开 挖过程中围岩和衬砌结构受力的模拟和分析 ,实现支护动态设计进而预测隧道结构的稳定性是非常必要的[26] 。但影响工程在施工期和运营期稳定性的因素复杂 , 目前仍较大程度依赖领域专家的知识和工程经验 。随着计算机技术的发展 ,基于人工智能技 术的智能化分析成为现实 ,Liu 等[27] 对人工智能在隧 道建设中的热点与前沿话题进行总结 ,强调了其在智能化隧道系统开发、风险管理及监测隧道行为自动化技术等热点研究领域的重要地位。
综合利用“ 中国知网”“Web of Science”等学术数据库 ,以“深度学习”“ 隧道工程”“地下空间”为搜索 关键词查阅近 10 年的中英文文献 ,并排除关联性较低的期刊文章 ,共检索到中英文文献 758 篇 ,其中 ,中文文献 437 篇 ,英文文献 321 篇 ,并绘制了这 758 篇文献发表年份分布图 ,如图 1 所示 。结果显示 ,深度学习 概念自 2006 年被提出以来 ,其在隧道及地下工程中的应用研究随着年份的增大呈现持续增长的趋势 , 这表明 ,随着隧道建设数量增大、建设难度提高以及施工环境复杂 ,更多的研究学者应用深度学习算法 解决隧道及地下工程中面临的问题 ,且已有大量研究结果证明该算法得出的结论具有较好的准确性与适用性 ,能够满足各类隧道及地下工程在设计、施工与运营阶段的要求。
图 1 相关文献发表年份分布图
文献的关键词能够反映其主要研究对象和核心内容 ,本研究利用 VOSviewer 软件分别对“ 中国知网”与 “ Web of Science”检索到的文献关键词进行聚类分析 , 绘制了文献关键词的聚类图与热点图 ,如图 2 所示。 分析结果表明 ,在“ 中国知网”数据库中 ,“卷积神经网络”“公路隧道”“ 图像识别”“ 图像处理”是出现次数较多的关键词 ; 而在“ Web of Science ”数据库中 , “ model”“prediction”“crack detection”“recognition”等关键词出现的频率较高 。这些结果表明深度学习算法 在隧道及地下工程领域的预测与识别任务中具有广泛的应用前景。
(a) 中文文献( 中国知网)
(b) 英文文献(Web of Science)
图 2 关键词共现图谱
1. 2 应用现状
根据深度学习的发展历程 ,结合隧道及地下工程的研究进展 ,进一步得出了深度学习与隧道及地下工程相结合的应用场景 ,绘制了能够反映两者之间关系的示意图 ,如图 3 所示 。由图可以看出 : 自多层感知机(multilayer perceptron,MLP)于 20 世纪 80 年代提出以来 ,已作为目前深度神经网络的基础框架 ,并用于实现深度学习算法的测试与训练 。随着 Hinton 在 2006 年提出了深度置信网络 ( deep belief networks, DBN) ,深层网络结构的优化难题有了突破性进展 ,神经网络结构也完成了由浅层向多层、简单向复杂、单目标向多目标的转变 ,针对深度学习的研究在全球掀起了更广泛的热潮 。直至今日 ,包括 ResNet、GoogLeNet、 FCN、Faster R-CNN、Mask R-CNN 及 YOLO 等卷积神经网络(convolutional neural networks, CNN) ,LSTM 与 GRU等循环神经网络 ( recurrent neural network, RNN ) ,生成式对抗网络 ( generative adversarial networks,GAN) 与自编码器 Autoencoder、图神经网络 (graph neural network,GNN)迁移学习及强化学习等更多的网络结构被提出 ,深度学习已正式迈入智能时代。
目前 ,隧道及地下工程的研究进展主要从地质探测与分析、隧道施工监测、结构健康监测、施工过程优化、环境影响评估及长期运营维护等 6 个关键方向行探讨 。大量学者采用深度学习算法与各个隧道及地下工程的研究方向相结合 ,实践于具体工程任务中。 从早期的数据分类到现今的智能预测 ,深度学习不断适应工程的建设需求 ,形成了基于 CNN 的隧道衬砌裂缝检测与结构损伤识别 ,基于 RNN 的隧道沉降、应力应变监测与预测 ,考虑地质、施工及监控等多模态数据融合的多任务预测 ,结合迁移学习与强化学习实现对施工参数自动调整与施工工艺的优化控制 ,基于 GAN 的高维监测数据处理与降噪 ,基于 GNN 的隧道与围岩空间耦合模型建立等应用场景 。因此 ,深度学习在隧道及地下工程中的发展不仅是计算机技术推动的结果 ,更是该领域绿色化与可持续发展等自身需求之间相互演进的产物。
图 3 深度学习算法与隧道及地下工程之间的关系示意图
2 深度学习在隧道及地下工程中的应用现状
随着以全智能化、多维纵横及绿色生态为主要目标的第四次工业革命的到来 ,科技创新与技术更新思想逐渐向各个工程领域渗透 ,深度学习也已成为人工智能研究领域的热潮 ,利用深度学习算法进行隧道与地下工程问题的应用研究成为近年来国内外的一种新趋势 。大量学者通过深度学习中的不同算法解决相应的工程问题 ,根据隧道及地下工程在设计、施工及运营阶段下对于施工机械、施工人员及工程主体的不同要求 ,将深度学习在隧道及地下工程中的应用现状大致分为参数反演分析、施工机械参数预测与优化、施工及运营过程控制与风险评估、隧道安全监测与病害检测、 隧道结构健康预测、围岩分级及掌子面图像识别与分类等 7 个大类 ,包含了施工参数及其过程安全评估、结构智能检测与多维感知及开挖岩体信息采集与分类等 3 类主要层面。
其中 ,参数反演分析主要利用现场监测所得位移、 应力应变等信息在岩体本构模型已知的情况下进行岩体参数或施工机械参数的研究 ;施工机械参数预测与 优化主要针对隧道机械化掘进装备的性能参数、运行姿态、驱动能耗进行智能预测与控制 ;施工及运营过程控制与风险评估是利用多源数据信息进行隧道施工自主决策 ,并以数据为驱动 ,实现对隧道开挖及运营过程中结构安全的动态评估 ;隧道安全监测与病害检测通过现场拍摄图片对隧道衬砌裂缝、渗漏等损伤进行识别、检测 ,有效利用微震监测信号及数据完成对岩爆、 火灾的实时预报 ,建立可视化智慧防灾系统 ;隧道结构健康预测是针对开挖过程隧道稳定性进行分析并预测其变形趋势、材料老化及力学行为等长期性能 ;围岩分级主要通过岩体分级特征参数识别的方法对围岩等级进行智能计算 ;掌子面图像识别与分类是将数字化处理后的图像进行轮廓边缘提取与节理裂隙特征描述 , 实现掌子面三维重构及岩性自动识别。
基于 758 篇文献的统计分析结果 ,得出上述 7 类 研究方向的发文数量分布情况 ,如图 4 所示 。由图可以看出 :“ 隧道安全监测与缺陷检测”是目前研究成果最为丰富、热点最高的方向 ,其次为“施工机械参数预测与优化”以及“隧道结构健康预测”等方向 。随着深度学习在隧道及地下工程中应用的逐渐深入 ,施工自动化、智能决策及绿色化建造技术等方向将会成为新 的研究热点。
2. 1 参数反演分析
2. 1. 1 基于围岩变形监测信息的参数反演分析
隧道及地下工程的施工作业环境较为恶劣 ,复杂的地质环境导致现场应力的测量难度大 ,测量数据离散性大 ,亟需采用更准确的方法进行工程设计与施工指导 。而拱顶沉降与净空收敛等围岩变形数据、松动 圈厚度等监测结果更易获取 ,利用该类数据进行反演分析可得到弹性模量、内摩擦角、泊松比及黏聚力等岩土体参数 。但由于变形监测数据与待反演参数之间往往具有高度的非线性 ,采用常规的线性回归分析方法不仅求解难度大 ,求解精度更是难以满足工程需求。 因此 ,在反演分析方法的智能化阶段 ,深度神经网络的引入成为最重要的因素 ,该模型针对非线性问题具有强大的动态处理能力 ,且耗费时间短、准确度高 ,可实现端到端的智能化分析。
图 4 深度学习在隧道及地下工程中研究方向的发文数量分布情况
1971 年 ,Kavanagh 等 [28] 利用有限元方法反演弹性介质的弹性模量等参数 ,开创了反演介质参数的先河 。20 世纪 90 年代后 ,信息化时代的到来为各类工程信息的传递和资源的共享创造了机会 ,反演分析方法步入智能化阶段 。冯夏庭院士于 20 世纪 90 年代中期针对岩石力学参数的智能反演方法进行了深入研究 [29] ,提出了 4 种用于实现该方法的途径 ,如图 5 所示 。由图可以看出 : 反演参数组合主要利用正交设计或均匀设计方法进行设置[30] , 随后采用 FLAC3D、 ABAQUS、Midas/GTS 等数值模拟软件建立隧道与地下结构的正演三维模型 ,并基于参数组合产生深度神经网络模型的训练样本与测试样本 ,通过不同算法对模型进行优化 ,最终获得适用性较好的参数。
图 5 岩石(体)力学参数智能反演方法
目前 ,初始地应力、支护结构荷载及岩土体参数等 3 类参数是反演分析研究的主要内容 。Song 等[31] 详细总结了这 3 类参数的反演分析研究进展 ,并探讨了在信息化、数字化及智能化时代背景下利用反演分析方法解决隧道及地下工程问题的挑战与机遇 ,认为现 有反演理论体系已基本完善 ,但反演分析的方法仍然存在着反演可靠度低、缺少客观评价反演分析准确性的指标以及消耗成本大等诸多问题。
初始地应力的反演分析研究随着测量技术的改善以及深度学习算法的快速发展向着智能化与信息化的方向发展 ,基于遗传算法优化的深度学习算法是较为常用的方法之一 , 众多学者采用该方法解决了坝体 [32] 、矿区[33] 以及深埋隧道[34] 的地应力分布问题。 此外 ,诸如深度信息学习算法 ,Creswell 等[35] 采用不同优化策略的深度学习网络也被广泛应用于各类隧道及地下工程中 。周家兴[36] 以深度学习算法为基础 ,引入地应力数据中的连续特征信息(物理场)与非连续特征信息(断裂带与褶皱构造) ,建立了温度场、渗流场及地 应力场耦合作用下的非线性迭代计算方法 ,建立了跨尺度反演深部复杂地质条件下地应力场的深度信息学习算法。Qian 等[37] 以双江口地下水电站为实例 ,通过建立其三维数值模型模拟了开挖过程中河谷的演化过程 , 将坐标、当前埋深、当前侧向应力系数等作为训练样本输入 GAN 中 ,在对该模型进行非线性分析后 ,确定了优化后的侧向应力系数 ,并应用于应力场的重构。
在进行支护荷载反演的过程中 ,由于支护结构的变形程度是其上部荷载或围岩状态最直观的体现 ,正确判定结构的荷载大小与分布能够提高施工过程中支护结构的安全性与稳定性[38] ,因此众多学者基于该思路进行荷载的反演。傅志峰等[39] 将粒子群算法与有限元软件相结合 ,通过实例分析 ,证明了该方法能够有效提高 隧道支护结构荷载反演分析的效率 ,为地铁隧道的信息化设计与施工提供参考; 同时也指出 ,当岩体结构或支 护结构荷载较为复杂时 ,通过反演分析方法确定支护结 构荷载存在一定困难。但目前使用深度学习算法进行 支护结构荷载反演分析的文献较少 ,一方面原因在于相较物性参数及本构模型的反演理论 ,进行荷载反演所包 括的不确定要素和假设前提较少;另一方面是由于监测技术的发展 ,涌现出了一大批智能化监测设备 ,实现了围岩与支护结构之间应力关系的精确测量。
岩土体参数的类型和数量与岩体在外力作用下的变形行为密切相关 ,当岩体处于不同应力状态时 ,其特征参数也有所不同 。因此 ,围岩特性参数的反演问题可等同于确定岩体为何种本构模型 。在隧道及地下工程中 ,弹性模量、泊松比、内摩擦角及黏聚力等参数是评估岩体稳定性与安全性的关键力学参数 ,大量学者 采用深度学习算法训练大量参数数据集 ,使其在学习岩土体复杂的非线性行为的基础上 ,实现对上述参数的反演分析[40-43] 。而在深埋隧道或富水区隧道[44] 的建设过程中 ,围岩在地下水活动作用下产生复杂的应力场-渗流场耦合作用 。因此 ,不少学者也研究了流固耦合作用下岩体的流变参数[45] 及蠕变参数[46-47] , 对复杂地质环境下隧道及地下工程的设计与结构稳定性的评估具有重要意义。
2. 1. 2 基于超前地质探测技术的参数反演分析
随着我国隧道及地下工程建设逐渐向着深部地下区域过渡 ,施工过程中遇到富水断裂带、充填溶洞区等复杂含水地质构造容易引发坍塌、突水突泥灾害 ,导致现场监测难度较大 。为保证隧道整体建设过程的安全性 , 采用探地雷达(ground penetrating radar,GRP )对掌子面前方不良地质体的位置与发育 规模进行探测 ,对可能发生的地质灾害进行预警是有效的方法之一。
目前 ,深度学习已应用于探地雷达信号识别[48] 与反演 2 个主要方向 。由于隧道掌子面前方分布着不规则几何形状的缺陷 ,且衬砌结构中钢拱架的设置将掩 盖缺陷反射的有效探地雷达信号 ,导致所接收的探地雷达数据往往伴有不连续、失真的回波 ,观察到的图像以杂波形态展示 ,难以进行有效分析 。基于此 ,Liu 等 [49]认为缺陷所引起的有效探地雷达信号应从该信号相邻的迹线中获取 ,而不是远离缺陷的迹线 ,并采用 “ 编码器-解码器”框架从 GRP 数据中提取和处理特征信息 ,提出了第 1 个基于深度学习的探地雷达数据 反演分析网络 GPRInvNet。
但现有研究很少采用探地雷达所扫描的介电常数图像进行反演分析 ,且GPRInvNet 并未考虑探地雷达数据随隧道开挖深度产生的衰减特征 ,导致其对浅层缺陷反演结果优于深部缺陷 ,不宜直接用于大尺寸地质结构的探测 。Ji 等[50] 出了另一种基于深度学习的介电常数反演网络 ( permittivity inversion network,PINet) ,该网络通过压缩含有时间维数的探地雷达数据 ,提取不同探测深度的扫描特征 ,并采用全局特征解码器重构介电常数图像 ,解决了 GPRInvNet 无法满足无损检测、地质勘查等应用难题 。Wang 等[51] 在 GPRInvNet 的基础上 ,将卷积神经网络与循环神经网络相结合 ,建立了能够同时对探地雷达数据进行介电常数反演与目标信号识别的深度神经网络框架 “ GPRI2Net”,该模型不仅能重构连续的介电常数图 , 还能从不同频率和迹线长度中进行目标分类 ,提升了反演精度与速度 。Dai 等[52] 针对深度学习在非均质地下环境介电常数反演精度低、成本高的问题 ,提出了 DMRF-UNet 2 阶段深度神经网络 ,并将二维 GRP 数据扩展至三维 ,设计了 3DInvNet 这一三维 U-Net 神经网络[53] ,通过多尺度特征聚合模块 ,建立了去噪后 C- Scan 至 3D 介电常数图的最优映射关系 ,实现了深度学习在三维 GRP 数据的反演分析。
电阻率法因其具有较好的成本效益且对含水构造较高的敏感性 ,常被学者用于突涌水或富水结构的位 置探测任务中 。Puzyrev[54] 以大量异常电磁数据为训练样本 ,通过比较不同算法下全卷积神经网络的计算精度与泛化能力 ,验证了深度学习算法在电磁数据反演中应用的潜力 ,为实时估计地下电阻率分布奠定基础 。山东大学刘斌教授及其团队针对电阻率反演问题进行了大量研究工作 ,并取得了显著成果[55-57] 。该团 队针对传统线性反演方法处理电阻率数据存在的问题 ,基于 U-Net 神经网络架构 ,通过将深度加权函数 (如式(1)所示)与平滑约束引入初始损失函数中 ,扩大探测深度参数权重的形式 ,设计了基于电阻率数据反演分析的深度学习网络 ERSInvNet。在随后的研究过程中 ,又从调整输入-输出参数的映射关系[58] 、引入考虑距离因子的加权信息约束函数[59] 及利用物理驱动增强模型反演能力[60] 等多个角度对 ERSInvNet 进行优化 ,展示了深度学习在提高反演准确性、效率以及处理复杂地质结构预测中的巨大潜力。
式中 : d(z) 为深度加权函数 , 旨在增加隧道面附近的检测区域深度 ,从而提高网络对整个过程的响应能力 ; Z 为探测深度位置信息 ,大小与模型相同 ; γ 为神经网 络训练参数的权值。
在实际工程中 ,相较于围岩变形信息 ,基于超前地质探测技术的实测数据获取难度大, 导致 CNN 及 RNN 等有监督学习方法在训练过程中十分依赖样本 数据之间的统计规律 ,而未对其中的物理规律进行分析 。针对上述问题 ,任玉晓[61] 采用数据挖掘构建大样本地震背景波速模型 ,基于地震波速观测过程的物理 规律模拟真实波速模型 ,实现了无监督深度学习的波 速反演分析 ,具体流程如图 6 所示。
图 6 地震波速无监督深度学习反演方法
基于上述分析可以得出 ,深度学习通过提高参数反演结果的精度与效率、自动化处理和解释数据特征、 有效整合多源数据及动态更新并学习数据集等特点 , 极大地推动了参数反演分析应用的发展 。在未来的研究中 ,应重点考虑将多种隧道超前地质探测技术的物理规律融入深度学习中 ,提高深度学习反演结果的泛化性与工程适配性 ,并将该方法应用于各类隧道工程中 ,以验证方法的可行性与有效性。
2. 2 施工机械参数预测与性能优化
2. 2. 1 考虑时空特性的施工机械掘进参数预测
目前 ,参数预测模型可归纳为 3 类 [62] : 理论-半经验模型(基于现场勘查与室内试验)、统计学习模型 (基于数学逻辑规则)及深度学习模型(基于人工智能技术) 。在一般情况下 ,地质参数的获取距离均设置较分散 ,导致各个位置的地质信息准确度低 ,且传统机 器学习算法的计算结果仅由当前输入决定 ,不能直接应用于掘进参数的直接预测 。而深度学习算法以其强 大的无监督学习能力被广泛用于掘进参数的预测模型中 ,通过收集历史掘进参数和工程地质数据 ,选择合适的深度学习算法分析岩体地质参数与掘进设备参数之间的关系 ,建立岩机交互作用机制[63] 。
掘进参数预测文献汇总如表 1 所示 。 由表可以看出 : 掘进参数预测所需的样本数量远高于参数反演所需的样本数量 ,大多均在 1000 个以上 ,最多可达上万个 。因此 ,需要对样本数据进行预处理 ,筛选出具有高维信息量的数据特征 ,常用方法为主成分分析与皮尔森相关系数分析等 。输入与输出参数的选择并非固定 ,输入参数大多可分为地质参数、机械参数 ,而输出参数大多为掘进刀盘转速及转矩 。需要特别指出的是 ,针对掘进机械的移动轨迹或掘进状态的预测 ,模型的输出参数代表机械驱动最重要的控制指标 ,主要包括掘进机械头部及尾部的水平、垂直偏差等位置信息以及横滚、俯仰等姿态信息。
通过表 1 还可以看出 : 长短期记忆网络(long short-term memory,LSTM) [77] 是掘进参数预测任务中广泛使用的深度学习算法 ,原因在于 ,施工机械在掘进过程中可通过遍布在机械周围的传感器监测并收集设备参数、地质参数及故障参数等大量数据 ,这些数据往往具有明显的时间先后次序 。而 LSTM 是一种特殊的 RNN,对于任意时刻 t,将该时刻的输入信息 xt 与其前一时刻的隐含层单元 ht-1、记忆单元 Ct-1 共同作为输出单元 ,通过输入门 it (是否储存数据)、遗忘门ft (是否 过滤信息)及输出门 Ot (是否输出当前信息)等序列状态控制结构(如图 7 所示) ,依次得到 t 时刻的隐含层单元 ht 与记忆细胞 Ct (储存信息)核心单元 ,最终将 ht 作为 t 时刻的输出结果。该模型能够有效地捕捉时间序列数据的长期依赖关系 ,在面对时间间隔较长的数据序列具有更好的处理与预测能力。
σ、tan h 为激活函数。
图 7 LSTM 结构示意图
研究人员发现 ,对于隧道施工机械掘进参数的预测 ,不仅需要考虑历史时刻的数据信息 ,更要利用后续开挖过程中的数据信息 。因此 ,为解决这一问题 , 学者们采用双向长短时记忆神经网络(bi-directional long short-term memory,Bi-LSTM) [78]进行掘进参数的实时预测任务[79-81] ,并引入注意力加强机制 ,为掘进过程的智能化施工提供更可靠的决策。
尽管深度学习在某些特定的数据集中具有较高的预测精度 ,但在复杂地质条件下或数据集中噪声数据数量较多时 ,算法的预测精度将显著降低[70] 。此外 , 随着神经网络层数的增加 ,深度学习算法在进行数据集的训练过程中会出现“梯度消失”和“模型退化”问题。 高昆等[82] 提出了基于 Attention 机制、CNN 特征提取器 与 LSTM 预测器相结合的混合神经网络模型 ,用于预测盾构的掘进速度。基于混合神经网络的掘进参数预测流程如图 8 所示。该模型既能够有效学习掘进参数序列的变化规律 ,提高预测精度 ,还能过滤数据中存在的噪声并提取不同地质条件下数据的空间特征 ,充分考虑了掘进参数自身的时空特性。通过网络结构的合理设计与各类神经网络优势的深度融合 ,克服了传统物理模型方法及机器学习算法无法准确预测掘进参数的缺陷。
图 8 基于混合神经网络的掘进参数预测流程图
2. 2. 2 隧道掘进机械性能动态优化及实时控制
我国公路与铁路隧道的建设数量已处于世界领先地位 ,而城市化进程的持续加快 ,推进了城市轨道交通的建设速度 ,但各类隧道与其施工机械性能之间关系的研究存在一定的滞后性 。盾构与悬臂掘进机作为隧道及地下工程使用频数较多的施工机械 ,其性能调控仍以专家经验判断为主。
对施工机械故障进行预测 ,确保施工过程中机械性能的控制具有重要意义 ,学者们也采用不同深度学 习算法对掘进机械的性能优化及控制方法进行研究。 Fu 等[83]将 LSTM 与 GNN 相结合 ,用于掘进机在隧道施工中运行姿态与位置的动态预测 ,通过 Shapley 加法解释(shapley additive explanations,SHAP )进一步提 高模型的可解释性 。Pan 等[84] 采用 GAN 对掘进机的性能进行预测 ,并结合缩放点积注意力机制提高预测模型的性能与可解释性 。刘丽莎[85] 认为现有盾构故障预测研究仅针对液压系统、刀盘系统及注浆系统等单一子系统的故障 ,而实际工程中某时刻记录的盾构数据往往对应着多个不同类型的故障数据 ,并基于此提出了一种基于 PCA-LSTM 的盾构多源故障预测模型 ,根据实际施工状态对机械故障进行更全面的预测。
Gao 等[86] 将门控循环单元 ( gate recurrent unit, GRU) 与遗传优化算法相结合 ,提出了一种基于深度学习算法的盾构隧道土压力实时控制模型 ,该模型以相对误差函数 ( relative error - based cost function, REMSE) [87] 为模型损失函数(如式(2)所示) ,可平均不同样本之间的梯度 ,达到提高训练速度的目的。 Elbaz 等[88]将地质条件、掘进机操作参数与几何形状作为设计掘进机械主要考虑的 3 类因素 ,结合 CNN 及融合聚类算法的 LSTM,建立了用于预测并控制掘进机械刀盘传动能耗的 KCNN-LSTM 深度学习模型。
式中 : J0(R)EMSE 为相对误差损失函数 ; M 为训练样本个数 ; yoi 为模型第 i 个样本的预测值 ; yi 为第 i 个样本的目标值。
除采用不同优化算法与循环神经网络相结合的深度学习算法之外 ,也有学者利用深度强化学习与物理 信息融合的方法研究了隧道掘进机械自主挖掘性能 [89-90] ,明确了结合物理模型先验知识与深度强化学习自适应学习能力的重要性 ,该方法能够解决传统深度强化学习在处理复杂物理系统时存在的学习效率差、模型预测准确性低等问题 。王鹏江等[91] 针对煤矿巷道掘进智能化水平低、掘进过程效率低等问题 ,提出了一种结合 LSTM 与模糊推理控制技术的智能联合截割策略 ,旨在实现煤矿巷道悬臂式掘进机截割头转速与截割臂摆速的智能控制 ,同时确保掘进效率与截割精度 ,为实现智慧矿山提供有力的技术支撑。
在隧道施工过程中 ,凿岩台车钻孔震源产生的地震数据受到地质环境与施工机械等因素的干扰 ,具有较高的噪声和离散性 ,致使数据难以应用于地质预报。 郭伟东等[92] 采用添加互相关与归一化等预处理层的 U-Net 网络去除地震数据的噪声 ,基于迁移学习将仿真模型的数据迁移到实测数据上 ,提高了模型的泛化能力 ,并有效应用于实际隧道工程的超前地质预报中。 此外 ,Liu 等[93] 、Fu 等[94] 分别研究了深度学习算法与多目标优化算法在掘进机姿态与位置实时控制与预测的应用 。上述研究结果均证明了在实时数据驱动的多目标优化框架下 ,深度学习算法能够提升隧道掘进机 械在复杂环境下的操作性能。
当前 ,深度学习在施工机械参数预测与性能优化方面已取得显著成果 ,通过对传统 CNN 或 RNN 进行优化可以有效处理和分析掘进过程中得到的数据 ,例如分析掘进过程中刀盘转矩与转速 ,能够预测刀盘的磨损状态 ,实时调整施工策略 ,减少故障停机时间 ,提高掘进速度;还能够实时调整掘进力度和方向 ,以适应复杂多变的地质条件 ,确保隧道轴线精确对接 ,实现隧 道掘进机的性能监测、故障预测与健康管理 。在未来的研究中 ,随着 5G 通信与远程控制技术的增强 ,集成 地质探测信息、多模态传感器及深度学习算法 ,构建具备环境感知、数据融合及决策优化的智能框架 ,将进一步提升隧道掘进机械性能 ,推动掘进机械向着自主决策与操作、智能监控与诊断及能耗优化与节能的智能化方向发展。
2. 3 施工及运营过程控制与风险评估
2. 3. 1 多源数据信息融合隧道施工辅助决策方法
在隧道与地下工程的发展历程中 ,新奥法与钻爆法经过长时间的经验积累与总结 ,已成为目前公路隧道及铁路隧道工程中主要采用的施工方法 。新奥法以围岩分级为基础 ,充分利用围岩自承能力与掌子面约 束作用 ,通过现场监测信息 ,为隧道开挖过程中围岩参 数及支护结构参数的动态变化做出及时调整 ,并以此 判断施作衬砌结构的时机 。利用钻爆法进行隧道施工时 ,爆破参数的选取与预测至关重要 ,不仅关系到隧道支护结构的稳定性 ,也将对隧道爆破掘进的速度与作业人员的人身安全造成影响[95] 。因此 ,如何融合多源监测数据信息 ,结合室内试验、理论方法及数值模拟等 ,实现施工现场的智能决策也是目前工程中亟待解决的问题[96] 。
由于施工决策识别问题本身具有一定的特征范围 ,传统神经网络的隐含层层数、隐含层节点数及激活 函数的设计结构过程较为困难 ,且传统数据处理方式 对决策过程的时效性与决策模型的泛化性均有显著影响 。随着人工智能技术的发展 ,深度学习可充分发挥计算机的运算与推理能力 ,确保对施工过程作出更客观、智能的辅助决策 。谢肖坤[97] 将可拓理论与深度神经网络相结合 ,建立了可拓神经网络(extension neural network,ENN) ,并将其引入施工智能辅助决策系统中 。由于网络具有更强的学习能力与推演能力 ,能在学习过程中不断完善自身性能 ,且以影响施工过程的因素作为输入参数 ,施工辅助决策模式为输出参数的网络结构 ,更能确保决策系统的可靠性与准确性 。Wu 等 [98] 利用卷积神经网络从隧道监测视频中提取场景信息作为观测值 ,将新奥法的相关知识作为先验信息 , 经由贝叶斯统计模型完成对隧道工作进度的自动识别 ,实现了将领域知识与深度学习模型的高度融合 ,克服了深度学习模型难以解释的“黑箱”性质。
Erharter 等[99]认为隧道及地下工程的挖掘由多个子过程组成 ,需对工程施工过程进行一定的简化 ,降低对其模拟的复杂性 。通过设计一种基于强化学习的隧道建设策略 ,以隧道贯通为目标 ,采用不同挖掘顺序作为评估积分的方式 ,用于隧道施工过程的优化及制定策略 。基于强化学习的隧道建设策略示意如图 9 所示 。Zhang 等[100] 提出了一种可跨平台部署、具有“全面感知、双驱动决策、复合智能控制”闭环智能控制功 能的隧道机器人系统 ,该系统中的智能决策系统由基 于粒子群优化算法的最小掘进比能耗最优决策方法组成 ,对于推动隧道施工系统的节能减排具有重要的理论和实践意义。
在地铁隧道施工过程中 ,盾构法是常用的施工方法 ,通过实时调整盾构的推进速度 ,维持土舱压力的稳定 ,可有效地控制地表变形 。李守巨等[101] 认为在盾构掘进过程中 ,为优化掘进参数、降低能源消耗及保障施工安全等要求 ,应建立掘进姿态智能纠偏、地层特征智能辨识、土舱压力智能控制、地表变形控制、盾构异常工况实时判别及掘进参数优化等 6 个子系统 ,并有效利用深度神经网络和模糊逻辑等方法为盾构掘进过程中的决策提供科学依据 。Pan 等[102] 将影响地铁隧道开挖过程的因素分为隧道设计、地质条件、盾构参数及既有建筑物 4 类 ,利用深度神经网络建立上述因素与地表累计沉降、建筑物倾斜率等潜在风险之间的非线性关系 ,结合梯度下降算法优化算法进行求解 ,构建了深度学习和梯度下降技术集成的数据驱动决策支持框架。
图 9 基于强化学习的隧道建设策略示意图
随着机械设备的技术进步 ,高精度钻孔设备和爆 破技术极大地提升了隧道及地下工程施工的精度与效率 ,不仅优化了施工流程 ,还降低了对周边环境的负面影响 。 同时 , 闭路电视 ( closed - circuit television, CCTV)监控采集设备的广泛部署为现场监测信息种类带来了丰富性 ,这些设备捕获的视频和图像数据对于监控施工进度、实施安全管理措施以及后期施工质量评估都具有至关重要的作用 。进一步地 ,深度学习的应用实现了对围岩参数、施工参数及监测信息的深度融合分析 ,使得数据处理更加高效、准确。
综合上述分析结果 ,众多研究学者均通过开发可视化智能施工辅助决策系统 ,实时获得数据以动态调整设计方案、优化施工过程 。这种实时数据驱动的动态调整机制 ,使得施工团队能够有效应对地下工程中的不可预见情况 ,进而确保工程项目的安全性、可靠性和经济性 。因此 ,该技术集成对于指导隧道及地下工程的动态设计与信息化施工具有重要的意义 ,标志着工程管理向智能化、精细化转型。
2. 3. 2 隧道施工及运营阶段安全风险动态评估
第四次工业革命的到来 ,极大程度推动了人工智 能技术的发展与大数据时代的开创 ,使用数据驱动建模进行运营阶段隧道及地下结构风险的控制与评估成为国内外研究的新思路 。常用的隧道风险评价方法较大程度依赖于专家对评估模型的可解释性 ,无法适应不同地质条件与环境条件 ,可靠性低 ;并且风险的控制 评估过程是一类非线性的、含多源变量的预测问题 ,实 际工程中难以获得足够准确的先验知识 ,容易破坏评估模型的性能 。施工及运营过程风险发生机制示意如图 10 所示。