В сложных и изменчивых подземных породах параметры проходки щитового комплекса напоминают игру с неизвестностью. Риски заклинивания режущей головки, внезапного прорыва воды и обрушения грунта существуют постоянно. Сегодня команда Циндаоского технологического университета и Шаньдунского университета в своем прорывном исследовании, опубликованном в журнале Scientific Reports (издательство Nature), впервые предложила «модель глубокого обучения с разложением и усилением двухпотоковой структуры» (модель ME-CLL), которая позволяет осуществлять многошаговое прогнозирование параметров работы TBM в реальном времени с миллисекундной задержкой, оснащая щитовое оборудование интеллектуальным чипом, способным «предвидеть будущее».

«Слепой с открытыми глазами» при подземном строительстве

Тоннелепроходческий комплекс (TBM) является ключевым оборудованием для строительства крупных инфраструктурных объектов, таких как метро, железные дороги, водопроводные тоннели, нефтегазопроводы и шахтные выработки. По сравнению с традиционным буровзрывным методом, TBM обладает преимуществами более высокой эффективности, меньшего воздействия на поверхность и более контролируемой стоимости строительства, что делает его предпочтительным решением для освоения подземного пространства.

Однако TBM сталкивается с серьезными вызовами в сложных и изменчивых геологических условиях. Аварии, такие как обрушение тоннеля, горный удар, внезапный прорыв воды и заклинивание режущей головки, происходят время от времени, серьезно угрожая безопасности строительства. Долгое время управление TBM в основном основывалось на опыте оператора, что приводило к задержкам реакции и слепым зонам принятия решений при столкновении с неизвестными геологическими изменениями. Хотя в последние годы глубокое обучение применялось для прогнозирования параметров TBM, существующие модели часто страдают от недостаточной надежности точечных оценок и слабой способности к обобщению в незнакомых условиях.

«Двухшаговый» подход позволяет модели видеть настоящее и предвидеть будущее

Исследовательская группа сначала предложила архитектуру глубокого обучения с двумя потоками CLL. Эта архитектура параллельно интегрирует ветвь остаточной свертки (для захвата пространственных признаков) и ветвь долгой краткосрочной памяти (для захвата временных признаков), одновременно извлекая пространственную и временную информацию из данных работы TBM. Однако модель CLL показала отличные результаты при одношаговом прогнозировании, но ее точность снижалась при более удаленном многошаговом прогнозировании.

Для решения этой проблемы команда создала гибридную структуру ME-CLL. Эта структура глубоко связывает модель CLL с передовым модулем разложения сигнала — модуль использует эмпирическое вейвлет-преобразование (EWT), оптимизированное с помощью оптимизатора горной газели (MGO), который способен автоматически разлагать исходные нестационарные многомасштабные сигналы на компоненты различных частотных диапазонов, обеспечивая более эффективное и детальное извлечение признаков.

«Один шаг через пять шагов» — защита всех сценариев

При систематической проверке на реальных наборах данных работы TBM повышение производительности модели ME-CLL было впечатляющим:

Ключевые показатели параметров достигли скачка точности на 15,4 процентных пункта. На первом наборе данных коэффициент детерминации (R²) для крутящего момента режущей головки (одного из важнейших параметров для прогнозирования нагрузки TBM) резко увеличился с 0,848 до 0,979, а средняя абсолютная процентная ошибка значительно снизилась на 48,72%.

Еще более поразительной является ее способность к непрерывному многошаговому прогнозированию. В экстремальных условиях пятишагового прогнозирования коэффициент детерминации (R²) для всех ключевых параметров стабильно сохранялся выше 0,979, а доля объясненной дисперсии превышала 97,911%.

Способность к выдающемуся обобщению в различных геологических условиях была дополнительно подтверждена. На четырех других наборах данных с различными геологическими условиями MAPE для четырех ключевых параметров TBM была снижена на 45,01%, 57,64%, 11,11% и 41,54% соответственно. Это полностью доказывает, что модель ME-CLL обладает превосходной универсальностью и адаптивностью при работе в различных условиях.

От «управления на основе опыта» к «управлению на основе интеллектуальных данных»

Ценность этого исследования выходит далеко за рамки академической сферы; оно приведет к великолепному скачку поколений в глобальной системе управления безопасностью щитовой проходки.

1. Интеллектуальное предотвращение и контроль рисков, превращение пассивного реагирования в активное предупреждение: Модель способна в реальном времени воспринимать и заранее прогнозировать аномальные тенденции работы TBM. Когда ключевые параметры, такие как крутящий момент режущей головки и усилие подачи, демонстрируют тенденцию к превышению пределов, модель может заранее выявить риск. Это значительно снизит вероятность серьезных строительных аварий, таких как обрушение тоннеля, горный удар, внезапный прорыв воды и заклинивание режущей головки. Результаты этого исследования взаимно подтверждаются с новыми интеллектуальными щитовыми комплексами, представленными «интеллектуальным мозгом» — в Китае уже существует несколько моделей щитового оборудования, способных точно прогнозировать осадку поверхности и положение щита, предупреждать в реальном времени о риске засыпания оборудования и интеллектуально принимать решения по параметрам проходки.

2. Интеллектуальная оптимизация параметров проходки, повышение качества и эффективности национального оборудования: Модель ME-CLL может служить основным двигателем принятия решений для системы «автопилота» тоннеля. Путем глубокого анализа сложных взаимодействий между породой и машиной система может предоставлять операторам точные рекомендации по параметрам проходки, значительно снижая порог выполнения высококвалифицированных операций и непосредственно уменьшая износ оборудования, потребление энергии и затраты на техническое обслуживание в процессе строительства.

3. Создание цифрового двойника тоннеля, содействие управлению полным жизненным циклом: Модель обеспечивает ключевую базовую алгоритмическую поддержку для построения системы «цифрового двойника породы и машины». Это позволяет управлению подземными проектами перейти от старой модели «обнаружения и накопления данных» к новой эре «прогнозирования и активного вмешательства».

4. Всесторонняя защита от городского метро до тоннелей в экстремальных условиях: Ее выдающаяся способность к обобщению в различных геологических условиях делает ее применимой не только для обычных проектов, таких как городское метро, но и незаменимым «якорем безопасности» для строительства в экстремально высокорисковых средах, таких как пересечение зон разломов и тоннели с высоким водяным давлением.