《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》:Uncertainty-aware geological prediction in TBM tunneling: A probabilistic bayesian framework with exploratory multi-source label construction
编辑推荐:
传统地质预测方法存在多源异构数据融合与预测不确定性量化不足的局限。本文提出基于高斯混合模型(GMM)与概率贝叶斯卷积神经网络(PBCNN)的融合框架,通过GMM聚类解决连续操作数据与离散地质信息的异构性问题,构建可解释的地质标签体系;采用PBCNN适配隧道掘进机时序数据特征,创新性地将预测不确定性分解为可变(aleatoric)与已知(epistemic)两部分,并结合深圳湾铁路工程实例验证。实验表明该方法在未知地质条件、工况波动、数据比例变化及噪声干扰等场景下均能保持高预测精度(平均准确率92.3%),并建立可信度与风险覆盖的量化关联,为智能决策提供新范式。
潘静环|林航|吴金宝
中南大学资源与安全工程学院,中国湖南省长沙市410083
摘要
用于隧道掘进机(TBM)地质预测的深度学习模型存在两个关键限制:它们仅提供单点估计,这在遇到未知条件时是不可靠的;此外,这些模型难以处理连续运行数据与离散地质信息之间的多源异质性问题。为了解决这些挑战,本研究提出了一种不确定性量化框架,该框架将高斯混合模型(GMM)与概率贝叶斯卷积神经网络(PBCNN)相结合。首先,GMM对TBM运行参数进行聚类,以建立数据驱动的标记系统,有效解决了数据异质性问题。通过内部评估指标确定了最优的聚类数量。随后,构建了一个专为表格时间序列数据设计的PBCNN架构,将模型的预测不确定性分解为其认知成分和随机成分。该框架的有效性通过深圳-大awan城际铁路项目Bainikeng站段的现场数据得到了验证。设计了四种典型的运行场景——未知地质条件、运行状态变化、数据比例波动和不同噪声环境——进行系统测试。结果表明,我们的方法不仅实现了高预测精度,还提供了对预测可信度和风险的定量评估。这为TBM施工中的地质识别和智能决策建立了一个更加稳健和通用化的范式。
引言
凭借其高效性和适应性,隧道掘进机(TBM)已成为岩石隧道挖掘的主要方法(Li等人,2023年)。然而,隧道掘进过程是TBM与岩体之间的动态相互作用,其性能在很大程度上取决于工作面的地质条件(Liu等人,2020年)。诸如岩性变化、断层和弱夹层等不确定性不仅会引发水淹或机器卡住等危险,还会严重影响挖掘效率和设备寿命(Hamidi等人,2010年;Hasanpour等人,2017年;Sharafat等人,2021年)。因此,能够实时准确识别工作面的地质特征对于优化施工参数和确保安全至关重要(Zhang等人,2019年)。
传统的地质识别方法,如岩体分类理论(例如RMR、Q系统)(Barton,2002年;Chen等人,2017年)和前向建模技术(例如 advance drilling、GPR)(Ba等人,2020年;Liu等人,2018年;Shi等人,2014年),存在显著局限性。理论方法在复杂多变的环境中往往难以应用(Ma等人,2024年),而前向建模技术通常成本高昂,会中断施工,并且无法提供动态TBM控制所需的连续实时反馈(Yin等人,2022年)。此外,这些传统方法缺乏处理大规模数据集和发现潜在模式所需的自动化能力。为了克服这些限制,机器学习(ML)和深度学习(DL)算法已广泛应用于TBM数据(Bo等人,2022年;Fu等人,2022b年;Zhou等人,2023a年)。结合图卷积网络(GCN)和长短期记忆(LSTM)网络等先进模型的研究在提高地质预测精度方面取得了显著进展(Fu等人,2022a年;Liu等人,2021年)。然而,仍存在一个关键问题:大多数当前研究集中在提高预测精度上,而两个基本挑战尚未得到解决:(1)多源异质性:有效整合TBM的连续时间序列运行数据与地质信息的离散分类性质;(2)预测可信度:超越单点估计,量化预测的不确定性和可靠性,这对于工程应用中的风险评估至关重要。
在将机器学习应用于地质预测时,一个根本性的挑战是定义分类标签本身。虽然传统工程依赖于地质图(Liu等人,2021年)、岩体分类系统(例如HC方法)(Liu, Wang,2020年)或理论指标(例如FPI)(Wu等人,2020年)等描述性方法,但这些方法很少提供监督学习所需的结构化、数值标签。这在TBM的连续时间序列运行数据与离散的、通常是描述性的地质真实情况之间造成了根本性的脱节——即多源异质性问题。不同项目中可用数据的变异性进一步复杂化了一致标记系统的创建。为了解决这个问题,无监督聚类算法作为一种有前景的数据驱动方法应运而生,能够识别TBM运行参数中的潜在模式以形成不同的组(Frades和Matthiesen,2010年)。早期应用直接将聚类结果作为最终的地质识别(Pan等人,2023年)。然而,这些方法往往对参数调整敏感,可能会产生缺乏明确物理或工程意义的聚类。一种更先进的方法使用聚类为后续的监督预测模型生成数据驱动的标签(Fu等人,2022a年)。然而,一个关键限制仍然存在:这些标签通常仅来自TBM运行数据,未能系统地将这些信息与现有的地质知识融合。因此,开发一种能够创建稳定、具有物理意义的地质标签的方法,有效整合这些异构数据源,仍然是一个关键的研究挑战。
除了数据标注的挑战外,当前用于TBM地质预测的深度学习模型的确定性也是一个主要限制(Shi等人,2019年)。这些模型仅提供单点估计。在现实世界的隧道掘进过程中,当TBM遇到其训练数据中未包含的地质条件时,这些模型往往会产生既过于自信又不正确的预测——这对于安全敏感的应用来说是一个严重的失败(Gal和Ghahramani,2016年;Lakshminarayanan等人,2017年)。量化预测不确定性为这个问题提供了一个强有力的解决方案。研究表明,总不确定性可以分解为两个不同的组成部分(Kendall和Gal,2017年):随机不确定性,源于数据本身的固有噪声或随机性;以及认知不确定性,源于模型自身的局限性,如训练数据不足或知识空白(Caceres等人,2021年)。这种区分非常宝贵:它有助于诊断不可靠预测的根本原因,并为风险意识决策提供信息(Fang等人,2024年)。尽管不确定性量化在其他安全关键领域(如断层诊断)中越来越受到重视(Zhou等人,2022年;Zhou等人,2023b年),但其应用于TBM地质预测仍处于起步阶段。具体来说,对随机不确定性和认知不确定性的系统研究及其实际工程影响仍缺乏。
为了解决TBM前端地质预测中多源异构数据融合和预测可靠性不足的挑战,本文提出了一种涵盖地质特征构建到模型不确定性量化的综合方法论框架。主要创新包括:
- (1)
首次将高斯混合模型(GMM)应用于TBM前端地质预测的标签构建中,系统地解决了盾构机运行参数与地质信息表示之间的多源异质性问题,为生成稳定、可靠的地质标签提供了一种探索性方法;
- (2)
开发了首个专为TBM工程设计的概率贝叶斯卷积神经网络(PBCNN)。该模型专门用于前瞻性预测任务:使用当前挖掘环的数据预测后续挖掘环的地质类别。这种真正的预测范式不同于常见的静态分类方法,它由一个针对表格时间序列数据优化的模型架构支持,增强了深度学习在非图像工程应用中的适应性和稳健性;
- (3)
设计了一个不确定性分解框架,基于贝叶斯推断定量区分认知不确定性和随机不确定性。构建了四种典型的运行场景(未知地质条件、运行状态变化、数据比例波动和不同噪声环境)进行系统测试;
- (4)
通过构建风险覆盖曲线将模型输出不确定性与预测可靠性相关联,探索了不确定性在工程中的应用价值。提出了一种基于可信度的风险评估方法,为TBM地质识别和智能施工决策提供了新的见解和技术支持。
本文的结构如下:第2章介绍了整体研究方法和模型设计,包括GMM聚类算法、PBCNN结构调整和不确定性量化方法;第3章以深圳Bainikeng站项目为例,展示了原始盾构数据处理工作流程、地质标签构建和参数选择分析;第4章围绕四种不确定性场景设计了全面的实验计划,并从准确性和不确定性分解的角度深入分析了模型性能;第5章总结了整篇论文,并提出了模型泛化、工程应用和智能决策方面的未来研究方向。
章节片段
高斯混合模型(GMM)和聚类内部评估
在隧道掘进机(TBM)前的地质预测中,输入和输出数据通常表现出显著的多源异质性。一方面,TBM运行参数(如切割头扭矩、推力、推进速率和土压)构成连续的时间序列数值数据,反映了施工过程的动态状态。另一方面,地质信息特征(包括岩性分类和周围岩石)
项目背景和数据介绍
本研究的数据来自深圳-大awan城际铁路项目Bainikeng站施工现场,研究路段从Bainikeng站延伸至Baida No. 1工作井,里程范围为DK43 + 711.060至DK46 + 811.790。该路段包括一条左线长3082.858米和一条右线长3076.733米。该项目采用典型的双线异步施工方法
模型适应性调整
模型使用Python 3.9.0开发,并在CUDA 11.8加速平台上执行。实验在一台配备Intel Core i5-12400F CPU、NVIDIA GeForce RTX 3060 GPU和16 GB RAM的工作站上进行。
由于原始的PBCNN模型是为图像文件设计的,因此需要对表格形式的TBM参数数据进行重大调整。最初,我们将每个TBM参数向量视为适合1D卷积的一维信号。然而,初步
结论与展望
本研究提出了一个考虑不确定性的地质预测框架,将高斯混合模型(GMM)与概率贝叶斯卷积神经网络(PBCNN)相结合。该框架旨在解决地质异质性和环境不可预测性问题,其有效性通过深圳-大awan城际铁路项目的现场数据在四种引入不确定性的场景中得到了验证。主要结论如下:
1.一个
伦理声明
代表所有作者,通讯作者声明不存在利益冲突。本文不包含任何涉及人类参与者或动物的研究。
CRediT作者贡献声明
潘静环:写作——审阅与编辑,撰写——初稿,数据整理,概念化。林航:写作——审阅与编辑,撰写——初稿,概念化。吴金宝:写作——审阅与编辑,撰写——初稿,调查,正式分析。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本文的资金来自国家自然科学基金支持的项目(42277175,52308385);以及贵州省重大科学技术计划(2023-425)。作者希望对这些支持表示感谢。