數(shù)據(jù)和知識雙驅(qū)動下的土壓平衡盾構(gòu)結(jié)泥餅事件預(yù)警模型

胡 珉， 王 伊， *， 沈 輝

(1. 上海大學(xué)悉尼工商學(xué)院， 上海 201800； 2.上海大學(xué)-上海城建集團建筑產(chǎn)業(yè)化研究中心， 上海 200072； 3. 上海隧道工程有限公司， 上海 200032)

0 引言

結(jié)泥餅事件是采用土壓平衡盾構(gòu)進行隧道施工時常見的施工問題。當?shù)侗P切削后的渣土附著在刀盤表面或土艙內(nèi)部并積聚和固結(jié)時，盾構(gòu)施工將會受到嚴重的影響。結(jié)泥餅事件不僅會導(dǎo)致施工效率大幅下降、對施工質(zhì)量和設(shè)備安全帶來威脅，而且還會引起土艙壓力的波動從而導(dǎo)致大幅度的地表沉降。一旦泥餅完全固結(jié)則難以逆轉(zhuǎn)，往往需通過人工開艙的方式進行清理。這不但會影響正常的施工進度，還會造成額外的成本支出和人員操作風(fēng)險。在泥餅尚未完全固結(jié)時，及時發(fā)現(xiàn)并預(yù)警，以便施工方通過沖洗刀盤、改良土體等方式進行先期處理，可以阻止泥餅固結(jié)事件的發(fā)生。然而，泥餅的形成機制較為復(fù)雜，識別過程中容易與其他施工現(xiàn)象混淆，在實際施工中很難實現(xiàn)結(jié)泥餅事件的早期發(fā)現(xiàn)。

對于結(jié)泥餅事件，工程案例分析是最為直接有效的分析手段。通過記錄某一施工項目的結(jié)泥餅事件發(fā)生過程，描述結(jié)泥餅事件發(fā)生前后的具體表現(xiàn)并分析成因，可為后續(xù)結(jié)泥餅事件的發(fā)現(xiàn)與預(yù)防提供方向性指導(dǎo)。如： 王用斌[1]分階段分析了佛山地鐵結(jié)泥餅事件前的掘進參數(shù)變化情況，指出了土壓力、推進速度、總推力、刀盤轉(zhuǎn)矩等掘進參數(shù)在易結(jié)泥餅地質(zhì)隧道施工中的變化特點; 傅鑫暉等[2]、溫法慶等[3]從地層、盾構(gòu)選型、施工因素等角度分析結(jié)泥餅事件的成因及表現(xiàn)，并指出發(fā)生結(jié)泥餅事件時會出現(xiàn)“速度降低、土壓力不穩(wěn)定、推力及轉(zhuǎn)矩逐漸增大、渣溫升高”等現(xiàn)象; 鄧如勇[4]綜合多個刀盤結(jié)泥餅事件案例的表現(xiàn)，總結(jié)了刀盤外部結(jié)泥餅時可能出現(xiàn)的7種現(xiàn)象。這些案例描述和總結(jié)了結(jié)泥餅事件的相關(guān)現(xiàn)象，但并沒有形成通用性、清晰化的規(guī)則或模型，難以直接用于其他工程結(jié)泥餅事件的自動化判斷。

為探究結(jié)泥餅事件的機制成因，基于理論模型及模擬試驗的方法也被用于土壓平衡盾構(gòu)結(jié)泥餅事件的風(fēng)險識別。如： Alberto-Hernandez等[5]指出，影響泥餅固結(jié)的因素包括土質(zhì)參數(shù)、鋼材表面參數(shù)和環(huán)境參數(shù)等； Barzegari等[6]研究了土壤中含水量變化對泥餅固結(jié)的影響，發(fā)現(xiàn)當含水量為20%～52%時，泥餅固結(jié)的概率最大； Thewes等[7]基于室內(nèi)模型試驗研究了黏土附著盾構(gòu)設(shè)備表面的力學(xué)機制，建立了基于土壤稠度和塑性指標的結(jié)泥餅風(fēng)險預(yù)測圖，可用于前期的設(shè)備選型和施工計劃制定； Bang等[8]通過室內(nèi)模型試驗比較了不同開口率、刀盤旋轉(zhuǎn)方向和刀盤轉(zhuǎn)速下的泥餅固結(jié)情況，發(fā)現(xiàn)刀盤雙向旋轉(zhuǎn)、刀盤轉(zhuǎn)速低都可能提升刀盤結(jié)泥餅的概率。為快速準確評估盾構(gòu)的泥餅固結(jié)隱患，Oliveira等[9]設(shè)計了一種專門用于測量土壤中黏土含量的裝置，以推斷盾構(gòu)的泥餅固結(jié)趨勢； 袁大軍等[10]通過盾構(gòu)模型刀盤結(jié)泥餅試驗，提出了轉(zhuǎn)矩指數(shù)和轉(zhuǎn)矩指數(shù)變化率2個指標用于檢測結(jié)泥餅事件。這些研究為結(jié)泥餅事件的特征分析提供了理論基礎(chǔ)，但還不能直接用于結(jié)泥餅事件預(yù)警。

近年來，學(xué)者們開始嘗試利用實時施工數(shù)據(jù)探索。結(jié)泥餅事件的預(yù)警機制。如： 夏毅敏等[11]、Fu等[12]根據(jù)刀盤中心溫度的最大值及冷卻速率判斷刀盤表面是否存在泥餅； 文獻[13]提出了基于刀盤轉(zhuǎn)動慣量變化趨勢判斷刀盤結(jié)泥餅的方法?？紤]到結(jié)泥餅事件與多個施工數(shù)據(jù)有關(guān)，文獻[14]選取了刀盤推力、刀盤轉(zhuǎn)矩、推進速度、渣土溫度4個施工參數(shù)，采用BP神經(jīng)網(wǎng)絡(luò)建立結(jié)泥餅事件檢測模型； Zhai等[15]使用隨機森林方法建立了自動更新的盾構(gòu)結(jié)泥餅事件預(yù)警模型，基于施工參數(shù)的環(huán)統(tǒng)計特征更新預(yù)警策略。然而，不同工程項目中結(jié)泥餅事件的施工參數(shù)表現(xiàn)不盡相同，難以構(gòu)造完備的結(jié)泥餅事件訓(xùn)練集；其次，結(jié)泥餅事件存在一個逐漸形成和固結(jié)的過程，采用BP神經(jīng)網(wǎng)絡(luò)等非時序的機器學(xué)習(xí)方法，難以學(xué)習(xí)時序數(shù)據(jù)變化特征，這也影響了對結(jié)泥餅事件的識別成功率。

綜上所述，工程案例為結(jié)泥餅事件提供了經(jīng)驗支持，基于試驗數(shù)據(jù)和施工數(shù)據(jù)的方法提供了結(jié)泥餅事件診斷的另外一個視角，但是目前這2種方法都還沒有達到實際應(yīng)用的階段，未能被實際工程應(yīng)用。為了幫助施工人員早期發(fā)現(xiàn)結(jié)泥餅事件，及時采取措施，減少不必要的開艙操作，本文將工程經(jīng)驗與施工數(shù)據(jù)相結(jié)合，提出一種數(shù)據(jù)和知識雙驅(qū)動下的土壓平衡盾構(gòu)結(jié)泥餅事件預(yù)警模型，一方面從數(shù)據(jù)驅(qū)動的角度分析實時時序數(shù)據(jù)并從中發(fā)現(xiàn)掘進異常；另一方面從大量歷史施工經(jīng)驗中提煉知識，進行結(jié)泥餅特征早期識別，提升結(jié)泥餅事件預(yù)警的準確性，從而減少結(jié)泥餅事件的發(fā)生。

1 結(jié)泥餅事件預(yù)警模型

為實現(xiàn)對土壓平衡盾構(gòu)結(jié)泥餅事件的有效預(yù)警，從數(shù)據(jù)建模和知識推理2個角度出發(fā)設(shè)計結(jié)泥餅事件預(yù)警模型，其中結(jié)泥餅事件知識主要來源于文獻及實際施工工程案例。

1.1 關(guān)聯(lián)施工參數(shù)

基于文獻案例，從實時掘進參數(shù)、基礎(chǔ)施工參數(shù)和盾構(gòu)基本情況3方面整理了與結(jié)泥餅事件相關(guān)的影響因素(見表1)，為結(jié)泥餅事件判斷規(guī)則和基于實時施工數(shù)據(jù)的結(jié)泥餅事件異常發(fā)現(xiàn)算法的構(gòu)建奠定基礎(chǔ)。

表1 結(jié)泥餅事件關(guān)聯(lián)工程參數(shù)Table 1 Engineering parameters related to mud-cake event

結(jié)合文獻及工程對工程參數(shù)的提及頻率和盾構(gòu)的傳感器常規(guī)配置情況，選取了實際盾構(gòu)項目普遍可獲取的以下11個參數(shù)作為與結(jié)泥餅事件關(guān)聯(lián)的關(guān)鍵工程參數(shù)： 推進速度、總推力、刀盤轉(zhuǎn)矩、土壓力、土質(zhì)類型、改良劑配比、改良劑用量、掘進模式、刀盤類型、開口率和刀具配置。渣土溫度、刀盤溫度等參數(shù)因多數(shù)土壓平衡盾構(gòu)中未安裝相關(guān)傳感設(shè)備而未選用。

1.2 預(yù)警模型框架

基于結(jié)泥餅事件文獻及工程案例數(shù)據(jù)的分析，提出數(shù)據(jù)和知識雙驅(qū)動下的土壓平衡盾構(gòu)結(jié)泥餅事件預(yù)警模型(MCEW_DK)，模型框架如圖1所示。該模型由2個子模型組成： 數(shù)據(jù)驅(qū)動的結(jié)泥餅異常診斷子模型和知識驅(qū)動結(jié)泥餅事件診斷子模型。考慮到盾構(gòu)結(jié)泥餅事件中施工參數(shù)具有隨時間逐漸變化的特點，借鑒穩(wěn)健時序異常檢測算法(robust anomaly detection for time-series data，RADTD)[33]能學(xué)習(xí)多維時間序列的時序變化特征的優(yōu)勢，基于結(jié)泥餅事件相關(guān)的施工參數(shù)的多維時間序列數(shù)據(jù)，建立數(shù)據(jù)驅(qū)動的結(jié)泥餅異常診斷子模型(data-driven sub-model for mud-cake event anomaly detection，DMCAD)，檢測多維時序數(shù)據(jù)的異動情況，從而得到結(jié)泥餅事件發(fā)生的概率；從工程案例出發(fā)，基于工程經(jīng)驗規(guī)則，建立知識驅(qū)動結(jié)泥餅事件診斷子模型(knowledge-driven sub-model for mud-cake event diagnosis，KMCED)，根據(jù)工程狀態(tài)特征與結(jié)泥餅規(guī)則的匹配程度，判斷結(jié)泥餅事件發(fā)生的概率。由式(1)綜合2個子模型的判斷，計算結(jié)泥餅事件的最終預(yù)警結(jié)果。

圖1 數(shù)據(jù)和知識雙驅(qū)動下的土壓平衡盾構(gòu)結(jié)泥餅事件預(yù)警模型Fig. 1 Mud-cake event early warning model for earth pressure balance shield driven by both data and knowledge

pk=h[f(Zk),g(Xk)]。

(1)

式中：pk為第k環(huán)的結(jié)泥餅事件預(yù)警概率；f(Zk)為DMCAD子模型輸出的結(jié)泥餅事件概率；g(Xk)為KMCED子模型輸出的結(jié)泥餅事件發(fā)生概率；h(·)為綜合判斷函數(shù)。

考慮到DMCAD與KMCED子模型方法單獨檢測時誤報率較高，為提高預(yù)警可信度，本文中選用因子相乘計算。

2 數(shù)據(jù)驅(qū)動的結(jié)泥餅異常診斷子模型

結(jié)泥餅事件發(fā)生前后，盾構(gòu)多個施工數(shù)據(jù)都會發(fā)生一些有別于正常情況的波動，本文從多維時間序列數(shù)據(jù)異常診斷的角度對結(jié)泥餅事件進行分析。

2.1 時序異常檢測方法概述

目前，工程上對結(jié)泥餅事件的數(shù)據(jù)采集還不完整，缺少此類事件的標準數(shù)據(jù)集和足夠的數(shù)據(jù)標簽，難以直接學(xué)習(xí)結(jié)泥餅事件的參數(shù)時序特征，因此，本文選擇了無監(jiān)督多維時序異常檢測算法RADTD，進行結(jié)泥餅事件的異常檢測。

RADTD算法[33]是一種基于數(shù)圖轉(zhuǎn)換和快速自學(xué)習(xí)的時間序列異常檢測方法，利用負選擇思想、無閾值遞歸圖(unthresholded recurrence plot，URP)和極限學(xué)習(xí)機自編碼器(extreme learning machine autoencoder，ELM-AE)，能夠?qū)r間序列數(shù)據(jù)轉(zhuǎn)換為圖矩陣的形式，并通過快速學(xué)習(xí)和重構(gòu)檢測到時間序列中的異常，具有對負樣本依賴度低、魯棒性高等特點。

2.2 異常診斷子模型構(gòu)建

圖2 數(shù)據(jù)驅(qū)動的結(jié)泥餅異常診斷子模型Fig. 2 Data-driven sub-model for mud-cake event anomaly detection

3 知識驅(qū)動的結(jié)泥餅事件診斷子模型

知識驅(qū)動的結(jié)泥餅事件診斷子模型(KMCED)以文獻和實際施工工程案例中的經(jīng)驗知識為基礎(chǔ)，提取后形成規(guī)則庫，用于模糊推理機的實時結(jié)泥餅事件診斷。

3.1 結(jié)泥餅事件知識庫構(gòu)建

圍繞第2節(jié)中選取的實時掘進參數(shù)、基礎(chǔ)施工參數(shù)和盾構(gòu)基本情況的相關(guān)參數(shù)及結(jié)泥餅事件發(fā)生的條件因素，進行了詳細的調(diào)研，構(gòu)建了土壓平衡盾構(gòu)結(jié)泥餅事件的知識規(guī)則庫。規(guī)則庫中的知識采用模糊If-Then產(chǎn)生式規(guī)則進行表達，既可以與實際經(jīng)驗表達習(xí)慣基本一致，又體現(xiàn)經(jīng)驗知識的模糊性、不確定性以及規(guī)則的強度。規(guī)則表示法如式(2)所示。

ThenyisBl。

(2)

各規(guī)則的模糊條件中，隸屬度函數(shù)的確定主要參考隸屬度函數(shù)的建立原則[34-35]、結(jié)合工程實時參數(shù)的分布及變化特征進行設(shè)計。由于施工參數(shù)數(shù)據(jù)多為正態(tài)分布，同時實際數(shù)據(jù)可能存在波動性，選用梯形作為隸屬度函數(shù)，其比常見的三角隸屬度函數(shù)更容易擬合實際情況。梯形隸屬度函數(shù)的最大隸屬度區(qū)間根據(jù)工程案例中的數(shù)據(jù)區(qū)間確定，同時考慮數(shù)據(jù)的波動性和部分案例的描述沖突，將中心值兩側(cè)10%左右劃定為重疊區(qū)域。

此外，結(jié)泥餅事件規(guī)則的可信度分為高、中、低3種程度，各規(guī)則的可信度從文獻及工程案例基于項集的支持度計算獲得[36]，第l條規(guī)則的支持度計算公式如式(3)所示。

(3)

式中： Numl為包含規(guī)則l的文獻及工程案例數(shù); Num為文獻及工程案例總數(shù)。

最終得到37條結(jié)泥餅事件的診斷規(guī)則。結(jié)泥餅事件規(guī)則示例見表2。

表2 結(jié)泥餅事件規(guī)則示例Table 2 Examples of mud-cake event rules

3.2 結(jié)泥餅事件規(guī)則推理機

利用知識規(guī)則庫中的模糊規(guī)則，模糊推理機基于工程數(shù)據(jù)，采用Mamdani模糊推理法進行推理。具體步驟如下：

1)取每環(huán)的盾構(gòu)基本情況、基礎(chǔ)施工參數(shù)及實時掘進參數(shù)數(shù)據(jù)為原始輸入量X，對其模糊化處理，求出輸入量X關(guān)于對應(yīng)語言變量F中各定性值的隸屬度。

2)計算規(guī)則前提部分模糊命題的邏輯組合。對于給定的輸入X，可以求出對第l條規(guī)則的適用度如式(4)所示。

(4)

3)通過模糊推理可得每條模糊規(guī)則的輸出量模糊集合Bl的隸屬度函數(shù)如式(5)所示。

μBl(y)=alμBl(y)。

(5)

式中μBl(y)為第l條規(guī)則中輸出量y的模糊隸屬度函數(shù)。

4)輸出量的總隸屬度的模糊合集如式(6)所示。

μB(y)=max(μB1(y)，…，μBl(y)，…，μBN(y))。

(6)

5)采用加權(quán)平均的清晰化方法，可求得對應(yīng)掘進環(huán)號與結(jié)泥餅事件的隸屬度如式(7)所示。

(7)

式中P(y)為結(jié)泥餅事件發(fā)生概率。

4 工程應(yīng)用

4.1 工程概況

南京市某地鐵隧道施工區(qū)間的隧道總長為734.514 m，結(jié)構(gòu)斷面形式為圓形，施工采用1臺外直徑為6 200 mm的土壓平衡盾構(gòu)。隧道中心埋深為15.3～22.7 m。由于地質(zhì)條件復(fù)雜，盾構(gòu)采用滾刀加刮刀組合，刀盤為中心支撐的、帶胸板輻條型刀盤，刀盤開口率為42.7%。在本區(qū)間100—300環(huán)，盾構(gòu)所穿越地層分別為粉質(zhì)黏土與粉土互層、淤泥質(zhì)粉質(zhì)黏土、強風(fēng)化泥質(zhì)砂巖和中風(fēng)化泥質(zhì)砂巖。工程地質(zhì)剖面如圖3所示。

圖3 工程地質(zhì)剖面圖Fig. 3 Engineering geological profile

數(shù)據(jù)和知識雙驅(qū)動下的土壓平衡盾構(gòu)結(jié)泥餅事件預(yù)警模型(MCEW_DK)自100環(huán)后在該隧道區(qū)間上運行，用于實時跟蹤盾構(gòu)推進狀態(tài)、預(yù)警盾構(gòu)結(jié)泥餅事件。從工程中獲取的盾構(gòu)推進數(shù)據(jù)包括實時施工參數(shù)、實時施工狀態(tài)和盾構(gòu)基本情況。

DMCAD子模型基于實時施工參數(shù)數(shù)據(jù)由總推力、刀盤轉(zhuǎn)矩、推進速度和頂部土壓力組成，并取每100 mm凈行程為一個采樣點。為保留連續(xù)推進段的工程數(shù)據(jù)，模型剔除了推進速度為0的施工數(shù)據(jù)，并刪除了傳感器采集異常等導(dǎo)致的離群點。在模型診斷時輸入多維時間序列的長度L=30，時間窗口長度設(shè)為20，步長為1，每次輸入自編碼器學(xué)習(xí)的URP圖個數(shù)為10，輸出為多維施工數(shù)據(jù)時間子序列的結(jié)泥餅事件概率。KMCED子模型除了采集實時掘進參數(shù)數(shù)據(jù)(總推力、刀盤轉(zhuǎn)矩、推進速度和土壓力)外，還采集刀盤開口率、刀具類型等盾構(gòu)基本情況和土質(zhì)類型、改良劑配比、改良劑用量等基礎(chǔ)施工參數(shù)(見表3)，推理機根據(jù)實時數(shù)據(jù)按環(huán)分析結(jié)泥餅事件的概率。2個子模型的結(jié)果結(jié)合后，輸出最終MCEW_DK模型的預(yù)警概率。參照其他歷史工程模擬中的預(yù)警效果，結(jié)泥餅事件報警閾值人工設(shè)定為0.6。

表3 工程參數(shù)的輸入樣式Table 3 A set of engineering parameter examples

4.2 模型預(yù)警情況

MCEW_DK模型在施工區(qū)間中監(jiān)測結(jié)泥餅事件的預(yù)警概率以環(huán)為單位統(tǒng)計和檢驗，當環(huán)預(yù)警概率大于設(shè)定閾值0.6時，記為1次結(jié)泥餅事件預(yù)警。MCEW_DK模型輸出的結(jié)泥餅預(yù)警結(jié)果顯示，模型最早于236環(huán)出現(xiàn)了結(jié)泥餅事件預(yù)警，此后報警環(huán)為246、247、249、250環(huán)。然而，在252環(huán)的盾構(gòu)例行檢查中，施工人員開艙檢查，并沒有發(fā)現(xiàn)明顯的結(jié)泥餅現(xiàn)象。施工方在分析時并不完全確信模型的預(yù)警結(jié)果與結(jié)泥餅現(xiàn)象有關(guān)。盾構(gòu)恢復(fù)推進后，模型在259、260、261、262、264、265、266、267、268環(huán)發(fā)出預(yù)警，并在267環(huán)預(yù)警概率達到最大。結(jié)合現(xiàn)場施工反饋，265環(huán)后施工效率明顯降低，故268環(huán)盾構(gòu)停機開艙檢查，發(fā)現(xiàn)土艙內(nèi)存在嚴重的泥餅固結(jié)現(xiàn)象(見圖4)，此后開艙清理工作持續(xù)了2 d。恢復(fù)推進后，模型除270環(huán)有一次誤報外，此后盾構(gòu)推進狀態(tài)正常。這一工程事件說明，在掘進狀態(tài)下，MCEW_DK模型對結(jié)泥餅事件的檢測效果較好，能夠早于開艙時間發(fā)現(xiàn)結(jié)泥餅事件并進行預(yù)警。值得一提的是，除閾值判斷外，基于結(jié)泥餅事件預(yù)警結(jié)果的施工開艙決策還需要結(jié)合模型預(yù)警連續(xù)性及其他施工條件進行分析。

(a) (b)圖4 盾構(gòu)土艙內(nèi)部結(jié)泥餅情況Fig. 4 Mud cake in excavation chamber

4.3 模型預(yù)警結(jié)果對比分析

泥餅在高溫和高壓的共同作用下形成，但在實際工程中難以精確把握泥餅的形成進度，導(dǎo)致很難判斷泥餅的實際形成時間。經(jīng)過專家事后研判，推斷實際結(jié)泥餅的區(qū)間為258—268環(huán)。為進一步分析MCEW_DK模型的效果，將模型結(jié)果與DMCAD子模型及KMCED子模型的檢測結(jié)果進行了對比。3個模型的預(yù)警結(jié)果如圖5—7所示。圖中用淺紅色標注專家研判的實際結(jié)泥餅區(qū)間，并用紅色三角標注開艙處理結(jié)泥餅的位置(268環(huán))。

圖5 100—300環(huán)段MCEW_DK模型預(yù)警結(jié)果Fig. 5 MCEW_DK′s results in ring 100～300

圖6 100—300環(huán)段DMCAD子模型預(yù)警結(jié)果Fig. 6 DMCAD′s results in ring 100～300

圖7 100—300環(huán)段KMCED子模型預(yù)警結(jié)果Fig. 7 KMCED′s results in ring 100～300

4.3.1 MCEW_DK模型預(yù)警結(jié)果分析

由圖5可知： 1)共存在15環(huán)報警，其中9環(huán)位于實際結(jié)泥餅區(qū)間內(nèi)，占全部結(jié)泥餅環(huán)的81.81%； 2)相對其他2個子模型，MCEW_DK模型的報警次數(shù)最少，有效降低了數(shù)據(jù)驅(qū)動及知識驅(qū)動下模型預(yù)警的誤報率； 3)臨近開艙位置時，隨著盾構(gòu)的推進，模型預(yù)警的結(jié)泥餅事件概率呈逐環(huán)上升態(tài)勢，且267環(huán)的預(yù)警概率達到了峰值，早于實際盾構(gòu)開艙時間，表明了MCEW_DK模型對結(jié)泥餅事件的敏感性； 4)隨著泥餅固結(jié)情況的惡化，判斷為結(jié)泥餅事件的概率不斷增加，而在泥餅開艙處理后，模型能夠迅速識別到盾構(gòu)推進狀態(tài)的改變，結(jié)泥餅事件發(fā)生概率驟降。

4.3.2 DMCAD模型預(yù)警結(jié)果分析

由圖6可知： 1)200環(huán)后檢測到的異常概率開始呈波動上升的趨勢，在 221環(huán)的結(jié)泥餅事件概率就超過了設(shè)定閾值，最終報告結(jié)泥餅事件預(yù)警共52環(huán)，所有專家標記的結(jié)泥餅區(qū)間都能夠被準確識別； 2)DMCAD子模型對盾構(gòu)施工狀態(tài)較為敏感，能夠發(fā)現(xiàn)盾構(gòu)實時施工參數(shù)數(shù)據(jù)的異常變化、較早報告異常施工現(xiàn)象，有助于早期識別結(jié)泥餅事件； 3)DMCAD子模型的預(yù)警范圍持續(xù)時間較長，即使在268環(huán)開艙處理以后的連續(xù)20余環(huán)里，仍然判斷盾構(gòu)施工狀態(tài)異常，此期間的數(shù)據(jù)異動無法用結(jié)泥餅事件解釋，可能與盾構(gòu)的其他施工情況有關(guān)。因此，僅通過DMCAD子模型將難以有效鑒別結(jié)泥餅事件，可能會出現(xiàn)較多的誤報。

4.3.3 KMCED模型預(yù)警結(jié)果分析

由圖7可知： 1)結(jié)泥餅事件概率超過報警閾值的共有25環(huán)，有10環(huán)在標記的實際結(jié)泥餅事件區(qū)間內(nèi)，占全部結(jié)泥餅環(huán)的40%，可見結(jié)合施工經(jīng)驗生成的知識規(guī)則庫，KMCED子模型可以識別到符合盾構(gòu)結(jié)泥餅事件相關(guān)經(jīng)驗特征的掘進環(huán)號； 2)最早一次預(yù)警出現(xiàn)在231環(huán)，早于實際結(jié)泥餅事件區(qū)間，且在處置泥餅后，預(yù)警概率驟降，可見子模型對泥餅辨識的靈敏性； 3)KMCED子模型也會出現(xiàn)誤報，結(jié)泥餅事件最大預(yù)警概率出現(xiàn)在236環(huán)，而此后252環(huán)的開艙顯示實際并不存在結(jié)泥餅事件，這可能由于工程經(jīng)驗的不完備性所致。

4.3.4 模型預(yù)警結(jié)果比較

為比較MCEM_DK模型與DMCAD和KMCED 2個子模型的預(yù)警效果，計算了各模型的準確率和誤報率。準確率表示模型預(yù)警環(huán)在結(jié)泥餅標記環(huán)中占的比例，反映了模型對實際結(jié)泥餅區(qū)間的覆蓋情況；誤報率表示模型預(yù)警環(huán)在非結(jié)泥餅環(huán)中占的比例，反映了模型將正常環(huán)誤識別為結(jié)泥餅環(huán)的誤報情況。為保證預(yù)警機制的可行性，使用F1分數(shù)綜合準確率和誤報率這2個指標，評判預(yù)警效果。

各模型預(yù)警結(jié)果顯示，在0.6的設(shè)定閾值下，DMCAD子模型能夠預(yù)警所有結(jié)泥餅標記環(huán)，但受誤報率影響，F(xiàn)1分數(shù)僅為0.35；KMCED子模型的預(yù)警效果稍優(yōu)于DMCAD子模型，F(xiàn)1分數(shù)為0.56；MCEM_DK模型在準確率接近的情況下誤報率僅40.00%，F(xiàn)1分數(shù)為0.69，可以看出預(yù)警效果明顯優(yōu)于其他2個子模型。

由此可見，MCEM_DK模型通過集成2個子模型，大大減少了2個子模型單獨檢測時出現(xiàn)的誤報，預(yù)警的結(jié)泥餅環(huán)同時滿足經(jīng)驗知識和數(shù)據(jù)建模視角下的判別標準，更有利于檢測到結(jié)泥餅事件出現(xiàn)的節(jié)點。

4.3.5 閾值設(shè)定探究

在實際應(yīng)用中，報警閾值的設(shè)定會影響模型預(yù)警的準確率和誤報率。本文討論了報警閾值設(shè)定對模型預(yù)警結(jié)果的影響。在南京地鐵工程項目中，各模型在不同閾值下的預(yù)警結(jié)果如表4和表5所示。

表4 報警閾值為0.5時的預(yù)警結(jié)果Table 4 Warning results under alarm threshold of 0.5

表5 報警閾值為0.6時的預(yù)警結(jié)果Table 5 Warning results under alarm threshold of 0.6

施工過程中的報警閾值參考其他歷史工程模擬中的誤報率和準確率設(shè)定。出于安全考慮，將閾值設(shè)定為0.5以上能夠成功預(yù)警更多結(jié)泥餅環(huán)，但同時也會導(dǎo)致誤報環(huán)較多、檢修成本大幅增加。若從安全和經(jīng)濟等多角度考慮，為減少開艙次數(shù)，可將報警閾值設(shè)定為0.6或者更高。實際應(yīng)用時，應(yīng)結(jié)合工程實際選擇模型的報警閾值。

5 結(jié)論與展望

本文從數(shù)據(jù)建模和知識推理2個角度提煉土壓平衡盾構(gòu)結(jié)泥餅事件的典型特征，提出了數(shù)據(jù)和知識雙驅(qū)動下的土壓平衡盾構(gòu)結(jié)泥餅事件預(yù)警模型。該模型應(yīng)用于南京某地鐵隧道施工項目，并將預(yù)警結(jié)果與單一形式子模型進行對比，得出如下結(jié)論：

1)數(shù)據(jù)和知識雙驅(qū)動下的預(yù)警模型通過結(jié)合數(shù)據(jù)挖掘技術(shù)和歷史工程經(jīng)驗知識，能夠?qū)ν翂浩胶舛軜?gòu)的結(jié)泥餅事件進行有效預(yù)測，其在0.6的報警閾值下環(huán)預(yù)警F1分數(shù)為0.69，具有預(yù)警準確率高、誤報率低的優(yōu)點，預(yù)警效果優(yōu)于單一形式的子模型。

2)在南京市某地鐵隧道工程應(yīng)用中，數(shù)據(jù)和知識雙驅(qū)動下的預(yù)警模型從264環(huán)到268環(huán)連續(xù)報警，報警開始時間明顯早于人工發(fā)現(xiàn)的時間，這有助于在實際施工過程中及時采取措施。

3)預(yù)警模型的報警閾值設(shè)定會同時影響預(yù)警結(jié)果的準確率和誤報率，其與施工安全和經(jīng)濟成本緊密相關(guān)，該閾值設(shè)定須結(jié)合工程實際需要進行調(diào)整。

4)數(shù)據(jù)和知識雙驅(qū)動下的預(yù)警模型充分利用已知工程數(shù)據(jù)，將數(shù)據(jù)建模和知識推理方法結(jié)合，降低了數(shù)據(jù)建模和知識推理單獨應(yīng)用時的誤報率，達到準確、及時預(yù)警的目的，具有較高的工程應(yīng)用價值。

5)預(yù)警模型的預(yù)警結(jié)果受不完備的經(jīng)驗知識和施工數(shù)據(jù)噪聲大的限制，在實際應(yīng)用中需要結(jié)合環(huán)預(yù)警的連續(xù)性進一步研判，但高頻次的預(yù)警能力有助于建立更為靈敏的結(jié)泥餅事件預(yù)警機制。

本文根據(jù)現(xiàn)有文獻及歷史工程建立預(yù)警模型，當前結(jié)泥餅事件相關(guān)工程經(jīng)驗還不完備,如噴嘴布設(shè)等工程參數(shù)對泥餅的影響還有待后續(xù)補充完善。隨著工程案例的補充，結(jié)泥餅事件知識庫還將不斷更新完善，這也有助于細化結(jié)泥餅事件的類型和應(yīng)用場景，進一步提高模型預(yù)警的準確率。另外，本文提出的數(shù)據(jù)與知識雙驅(qū)動下的預(yù)警模型還可應(yīng)用于其他難辨識的盾構(gòu)異常事件預(yù)警中，推進構(gòu)建用于診斷多種異常事件的施工預(yù)警體系。