基于工程实测数据增量学习的掘进总推力分析与建模.pdfVIP

第39卷第5期实验力学Vol.39No.5

2024年10月JOURNALOFEXPERIMENTALMECHANICSOct.22024

文章编号：1001-4888（2024)05-0599-13

基于工程实测数据增量学习的

掘进总推力分析与建模

侯少晗，苏翠侠²，张茜1，刘尚林，马明慧1

（1.天津大学机械工程学院，天津300354；2.中国铁建重工集团股份有限公司，湖南长沙410125）

摘要：随着传感检测技术不断发展，复杂实验或工程实测可以给出丰富的力学量测试信息。如

何通过数据分析提取关键力学量的演化规律、建立科学有效的预估模型是实验力学数据分析的

重要研究内容。硬岩隧道掘进机（TunnelBoringMachine，简称TBM）实测数据分析能够为施

工过程中掘进参数的合理调控提供决策依据。掘进总推力是贯穿装备施工的关键力学量，由于

掘进过程要穿越多种类型地质，装备掘进参数调控要求总推力预测模型具有适应工况变化的能

力。针对上述需求，本文建立了基于样本增量宽度学习（Increment-BroadLearningSystem，简

称I-BLS)的总推力建模方法，该方法能够随着掘进过程中工况的变化进行模型更新。结合新疆

某隧道工程实例，基于上述方法建立了该工程的总推力预测模型，由独立测试集分析模型的有

效性。将本方法的工程计算结果与基于3种常用机器学习方法的计算结果对比分析，结果表明

本文方法能够在保持预测精度的同时，有效提高模型更新的计算效率。

关键词：工程实测数据分析；硬岩隧道掘进机；掘进总推力；模型更新；样本增量宽度学习

中图分类号：U455.31；TP18文献标识码：ADOI:10.7520/1001-4888-23-238

0引言

随着传感检测技术的不断发展，复杂力学实验或工程检测可以给出海量测试数据。这些测试数据

蕴含了对于系统、组件或结构的力学特性、物理行为、变形等多个方面的丰富信息1-3]。如何通过数据

分析提取其中一些关键力学参量的演化规律、建立科学有效的预估模型是实验力学数据分析的重要研

究内容之一[4-5]。硬岩隧道掘进机(TunnelBoringMachine,简称TBM)是现代隧道工程中不可或缺的

大型工程装备，在隧道开挖方面具有高效、环保、安全等优点。通过地质勘探和数据采集系统，能够获取

丰富的装备运行状态及工况环境的测试数据，这些数据蕴含着重要的装备参数控制规律[6]。在隧道工

程中，合理选择操作参数对于保障掘进装备工作效率和施工安全具有重要作用，掘进总推力作为贯穿

TBM装备施工过程的关键力学参量，与掘进安全与效率密切相关。由于工作环境复杂且地质工况多

变，建立有效的总推力预测模型成为难点[7-8]。如何选择合适的方法，充分利用工程实测数据，有效挖

掘复杂参量之间的关联规律和模式，建立适应复杂多变工况的总推力预测模型，成为实现掘进装备智能

辅助决策呕需解决的问题。

为了充分挖掘TBM实测数据的信息，诸多学者利用数据分析方法对掘进性能相关参量的相互影

响关系和变化规律展开了研究。目前已有的相关工作可以大致分为2类：基于统计回归的建模和基于

*收稿日期：2023-11-15；修回日期：2024-01-02

基金项目：国家重点研发计划（2022YFC3802301）；国家自然科学基金项目12022205）

通信作者：张茜（1984一），女，博士，教授，主要研究领域：实验力学数据分析方法与应用。Email：zhangqian@tju.edu.cn

600实验力学（2024年）第39卷

机器学习算法的建模。国内外学者通过对工程数据统计回归分析建立了掘进参数的预估模型，例如

AVUNDUK等[9]利用单变量和线性多变量的回归方法，将关键掘进参量与地质参数进行了数据统计

分析，并讨论了不同地质条件下掘进性能参数的变化趋势和关联规律；POURHASHEMI等[10]提出了

针对特定地点的经验方程来预测TBM在磨削模式下的掘进性能，并根据多元回归方法建立了机载参

数和地质强度指数之