近日，同济大学工程风险研究团队
黄宏伟
教授
、
常佳奇博士研究生、
张东明教授和张洁教授
等在《
Journal of Rock Mechanics and Geotechnical Engineering
》期刊上发表了题为“
Machine learning-based automatic control of tunneling posture of shield machine”
的研究论文，报道了采用
机器学习方法实现隧道施工过程中盾构机姿态自动控制的最新研究成果。
文章链接
:
https://doi.org/10.1016/j.jrmge.2022.06.001
盾构机姿态是控制隧道施工质量和环境影响的重要因素。在工程实践中，盾构机姿态往往由盾构机驾驶员按经验进行参数设置，然而，由于盾构机参数较多，尚缺乏合理的理论设置依据且难以实现自动快速控制。近年来新兴的机器学习（
ML
）算法可以让计算机从驾驶员设定的施工参数中学习，并自动建立参数之间的相关关系。基于此，本研究通过遗传算法（
GA
）和主成分分析（
PCA
）改进了三种
ML
算法用以预测盾构机姿态，实现了机器学习方法赋能盾构机姿态的自动预测与控制。
本文的研究思路如下，首先，分析了盾构施工姿态控制及其影响因素（图
1
）。其次，详细介绍了本文使用的机器学习算法及相关数据预处理、参数选取方法（图
2
），即用于数据降维的主成分分析（
PCA
），用于参数选取的遗传算法（
GA
），以及用于模型建立的三种机器学习算法：多层感知机（
MLP
）、支持向量机（
SVM
）和梯度增强回归（
GBR
）。之后，阐明了建模过程并对模型的预测结果进行分析。其中，本文盾构施工相关参数来源于上海某地铁的现场施工数据，总共收集了
53785
个样本，历时约
373
天，每个样本包括
83
种参数，具体涵盖了盾构姿态、施工参数和土层特性等参数。最后，通过选取性能最优的
ML
算法进行施工参数的进一步优化，实现了盾构姿态的自动控制（图
3
）。
图
1
盾构姿态及其影响因素
图
2
相关算法：（
a
）多层感知机；（
b
）支持向量机；（
c
）梯度增强回归； （
d
）主成分分析
图
3
盾构姿态预测结果与监测数据对比
研究结果表明机器学习方法能够挖掘历史施工数据与盾构姿态之间的相关关系，通过融合施工参数与地层参数实现了盾构姿态的精准预测。而且，本文提出的“数据预处理
-
参数选取
-
模型建立”的分析方法具有良好的精度与极高的建模效率。本文相关研究成果能够为机器学习赋能盾构隧道建养实践提供参考，具有重要的理论意义和工程实用价值。
APA
文献格式
-
Huang, H.W., Chang, J.Q., Zhang D.M., Zhang J., Wu H.M., Li G. (2022). Machine learning-based automatic control of tunneling posture of shield machine, Journal of Rock Mechanics and Geotechnical Engineering, 2022.06.001
撰稿人：常佳奇，黄忠凯
编辑人：姚鸿增
